Biomarcadores Potenciais na Fibrose Miocárdica: Uma Análise Bioinformática Authors: Wang Cheng-Mei, Gang Luo, Ping Liu, Wei Ren, Sijin Yang, Wang Cheng-Mei, Gang Luo, Ping Liu, Wei Ren, Sijin Yang Published: 2024 ABSTRACT Figura Central: Biomarcadores Potenciais na Fibrose Miocárdica: Uma Análise Bioinformática Introdução As doenças cardiovasculares são comuns e a sua taxa de mortalidade ultrapassa a de outras doenças sistémicas.1 Eles ceifam milhões de vidas anualmente, constituindo aproximadamente 25% das mortes em todo o mundo.2 A fibrose miocárdica (FM) desempenha um papel fundamental no início e na progressão de condições como fibrilação atrial, doença arterial coronária, infarto do miocárdio, cardiomiopatia dilatada e cardiomiopatia hipertrófica.3-6 A FM é causada pela deposição anormal de tecidos fibrosos no miocárdio. É caracterizada por um acúmulo excessivo da matriz extracelular (MEC) e um aumento significativo de colágeno, levando à rigidez cardíaca e ao declínio da função cardíaca, seguido por remodelação elétrica, arritmias e insuficiência cardíaca.7 Do ponto de vista fisiopatológico, a FM está intrinsecamente ligada aos mecanismos reparadores após dano cardíaco. Cardiomiócitos são células não regenerativas. Quando essas células são danificadas ou morrem, as células circundantes liberam uma série de moléculas de sinalização, como mediadores neuro-humorais, citocinas e fatores de crescimento, que induzem a ativação dos fibroblastos para entrar na área danificada e produzir grandes quantidades de colágeno.8 O colágeno é um componente primário da estrutura do tecido e seu acúmulo excessivo pode levar à deposição anormal da matriz extracelular, reduzindo assim a complacência cardíaca e prejudicando sua função.9 À medida que a fibrose progride, as funções sistólica e diastólica do coração ficam ainda mais comprometidas, resultando em insuficiência cardíaca e afetando significativamente a qualidade de vida dos pacientes. Muitas doenças cardiovasculares podem se manifestar como FM em estágio inicial.10 Com o envelhecimento da população global e o aumento de doenças relacionadas ao estilo de vida, como fibrilação atrial, hipertensão, doença cardíaca coronária e diabetes, a incidência de FM está aumentando constantemente, representando uma grave ameaça à saúde humana. Lamentavelmente, os tratamentos atuais se concentram principalmente em retardar a progressão da fibrose, mas não podem revertê-la efetivamente.11 Isso ocorre porque os cardiomiócitos não conseguem substituir adequadamente as células mortas, e o processo de fibrose envolve células e vias de sinalização extremamente complexas. Portanto, com os avanços tecnológicos em chips de genes, técnicas de sequenciamento e sequenciamento de genoma completo, a identificação precoce da FM e a busca por biomarcadores altamente sensíveis e específicos para elaborar novas estratégias terapêuticas para reverter essa condição se tornam primordiais. Originário de uma perspectiva de bioinformática, o estudo identificou e analisou genes hub diferencialmente expressos na FM, investigando suas perspectivas como biomarcadores. Os processos centrais deste estudo podem ser visualizados na Figura Central. Métodos Obtendo um GeneChip O Gene Expression Omnibus12 (GEO) foi usado para rastrear três conjuntos de dados de microarray relacionados à FM e seus arquivos de anotação genética, especificamente GSE 123018/GPL11154, GSE152250/GPL20301 e GSE225336/GPL24676. Os dados brutos do GSE123018 continham dados de quatro indivíduos; GSE152250 e GSE225336 usaram dados de três indivíduos. Todos os três conjuntos de dados continham cardiomiócitos induzidos por 24 horas usando TGFβ1, então escolhemos o conjunto de dados processado em 24 horas e, para tornar os dados menos diferenciados, selecionamos aleatoriamente os dados celulares dos três pacientes no GSE123018. Todos esses dados são de código aberto e, portanto, não exigem revisão por um comitê de ética. Triagem de genes expressos diferencialmente Arquivos relacionados ao chip genético foram obtidos e baixados do banco de dados GEO. Esta pesquisa utilizou conjuntos de dados de três origens distintas, levando a variações no manuseio laboratorial de cada chip genético. Consequentemente, a remoção de efeitos de lote e a normalização de dados se tornaram primordiais.13 O pacote sva em R (Versão 4.2.1) foi inicialmente aplicado para estimativa de efeito de lote, seguido pelo emprego da função de combate para sua mitigação. Modelos lineares e métodos bayesianos no pacote limma foram usados para avaliar os níveis de expressão gênica sob diferentes condições experimentais, corrigir as estimativas de variância de genes individuais e normalizar as matrizes gênicas usando a função normalize BetweenArrays, respectivamente. Para selecionar genes com expressão diferencial significativa, definimos um limite de |log2-fold change| valor maior que 2 e valor p menor que 0,05 nos critérios de seleção. Técnicas de visualização foram implementadas com os pacotes ggplot2 e pheatmap. Análise de interações proteína-proteína A análise da interação proteína-proteína (PPI)14 oferece insights sobre com quais outras proteínas uma proteína específica interage dentro de um organismo. Isso ajuda a caracterizar melhor as funções dessas proteínas e pode lançar luz sobre o início e a progressão da doença. Genes diferencialmente expressos (GDE) foram inseridos no banco de dados STRING (https://stringdb.org),15 que é uma ferramenta de análise online que inclui pontuação de integração de dados, modelagem probabilística, teste hipergeométrico, análise de topologia de rede e correção de taxa de descoberta falsa (TDF), e o arquivo TSV da rede PPI foi exportado. Este arquivo foi posteriormente carregado no Cytoscape (versão 3.8.2)16 para visualização. O plugin CytoNCA calcula métricas de alvo como grau, proximidade e intermediação, permitindo a seleção de alvos principais. O plugin MCODE é então utilizado para identificar potenciais complexos biomoleculares. Análise de enriquecimento genético Utilizando o Metascape (https://Metascape.org/),17 uma plataforma web para análise de enriquecimento funcional de grandes conjuntos de genes, Gene Ontology (GO) e Enciclopédia de Genes e Genomas de Kyoto (KEGG) análises de GDE e potenciais complexos biomoleculares foram realizadas usando testes hipergeométricos, método de correção de teste múltiplo do método Benjamini-Hochberg. Entradas com um valor p < 0,01 foram consideradas significativamente enriquecidas, e os 15 principais resultados da análise de enriquecimento GO e das vias KEGG foram selecionados. Análise de enriquecimento do conjunto de genes Para melhorar de forma abrangente a compreensão das funções dos genes, o software GSEA (versão 4.3.2)18 foi empregado em todo o conjunto de dados para análise de enriquecimento funcional, abrangendo as vias GO, KEGG e análise Reactome. Para determinar o enriquecimento significativo, os critérios foram estabelecidos da seguinte forma: um escore de enriquecimento normalizado superior a 1,5, um valor de p nominal inferior a 0,05 e uma TDF inferior a 0,25. Aquisição de miRNAs críticos e fatores de transcrição Os genes Hub foram analisados para potencial miRNA usando o software FunRich (versão 3.1.3),19 e a predição do fator de transcrição foi realizada usando TRRUST versão 2 (https://www.grnpedia.org/trrust/).20 Validação do conjunto de genes com base na curva característica de operação do receptor (ROC) Para validar a robustez dos genes hub identificados e evitar overfitting dos dados originais, é crucial conduzir a validação ROC21 em um conjunto de dados independente para avaliar os genes hub como potenciais biomarcadores. Utilizamos o conjunto de dados de microarray de genes GSE97358, que inclui 84 amostras normais e 84 amostras fibróticas. A análise e visualização ROC foram conduzidas no software R usando o pacote pROC. Resultados Análise de GDEs Após o conjunto de dados original ter sido corrigido em lote e normalizado, uma análise diferencial foi conduzida usando o pacote limma. Por fim, 91 GDE foram identificados, com 56 genes significativamente regulados positivamente e 35 genes significativamente regulados negativamente. Mapas de calor de genes e gráficos de vulcão de GDE são ilustrados na Figura 1. Os parâmetros topológicos específicos dos GDE podem ser encontrados na Tabela S1. Figura 1– A) Gráfico do vulcão genético. B) Mapa de calor genético. – A) Gráfico do vulcão genético. B) Mapa de calor genético. Análise PPI Os 91 GDE foram carregados no site STRING para análise PPI. Os resultados da análise foram importados para o Cytoscape para investigação posterior. A Figura 2A descreve a rede consistindo em 37 nós e 71 arestas. Os graus de gene foram calculados usando CytoNCA e, ao classificar valores maiores que a mediana, 28 genes hub foram identificados. Os parâmetros topológicos específicos dos genes hub podem ser encontrados na Tabela S2. Enquanto isso, o plugin MCODE revelou um potencial módulo funcional de complexo de proteína (Figura 2B). Figura 2– A) Rede PPI. B) módulos biofuncionais. – A) Rede PPI. B) módulos biofuncionais. Enriquecimento funcional A análise da expressão gênica diferencial destacou que, como mostrado na Figura 3A, os genes participam de processos biológicos como migração mesenquimal, desenvolvimento do tecido conjuntivo, desenvolvimento do tecido miocárdico, resposta a estímulos mecânicos, processo do sistema circulatório e desenvolvimento do tecido muscular estriado. A Figura 3B demonstra o envolvimento em várias funções biológicas moleculares, como ligação da molécula de adesão celular, ligação da integrina, atividade do fator de crescimento, ligação do glicosaminoglicano, ligação do colágeno, constituintes estruturais da matriz extracelular e atividade da oxidorredutase. Os componentes celulares implicados incluem a MEC, estruturas encapsulantes externas, MEC contendo colágeno, lúmen do grânulo secretor, lúmen da vesícula citoplasmática e miofibrilas, como mostrado na Figura 3C. A análise da via KEGG indicou envolvimento em múltiplas vias de sinalização, como a via de sinalização do hipopótamo, interação citocina-receptor de citocina, cardiomiopatia hipertrófica, interação MEC-receptor, cardiomiopatia arritmogênica do ventrículo direito, senescência celular, fator de crescimento transformador-β(TGF-β)via de sinalização, Cardiomiopatia dilatada e via de sinalização p53, que podem ser observadas na Figura 3D. Todas as análises de enriquecimento com valores de p menores que 0,05 são mostradas na Tabela S3. A análise de enriquecimento do módulo biológico mostrou envolvimento na montagem da MEC e na migração mesenquimal, conforme mostrado na Figura 4. Figura 3– A) Processos biológicos do GO. B) Função molecular do GO. C) Componentes celulares do GO. D) KEGG. – A) Processos biológicos do GO. B) Função molecular do GO. C) Componentes celulares do GO. D) KEGG. Figura 4– Análise de enriquecimento do módulo biológico. – Análise de enriquecimento do módulo biológico. Resultados GSEA Ao conduzir GSEA no conjunto de dados de genes totalmente ajustado, o Reactome revelou enriquecimentos primários em TGF-β, sinalização do fator de necrose tumoral Hallmark-α (TNF-α) via NF-κB, sinalização mTorc1, sinalização Hedgehog e resposta de proteína desdobrada. Os principais componentes celulares incluíram o processoma da subunidade, pré-ribossomo e trímeros complexos de colágeno. Em termos de funções biológicas, a participação do gene foi observada na atividade do inibidor do regulador de transcrição, constituinte estrutural da MEC e atividade do fator de crescimento. A análise da via KEGG mostrou envolvimento na via de sinalização TGF-β, biossíntese de glicosaminoglicanos, sulfato de condroitina e cardiomiopatia dilatada. Lamentavelmente, nos processos biológicos GO, nenhum conjunto de genes foi significativo em uma TDF abaixo de 25%, conforme ilustrado na Figura 5, e os parâmetros relevantes podem ser encontrados na Tabela S4. Figura 5– GSEA. – GSEA. Predição de miRNAs e fatores de transcrição Utilizando FunRich para prever miRNAs, a análise de abundância reteve miRNA-148a-3p, miRNA-148b-3p, miR-152-3p, miR-372-3p, miR-506-3p, a família miR-130, a família miR-302, a família miR-29 e a família miR-520, conforme exibido na Figura 6. A previsão pós-análise de fatores de transcrição por meio da plataforma TRRUST revelou que o proto-oncogene Jun (JUN), NF-κB1, fator de transcrição Sp1(SP1), proto-oncogene RELA (RELA), fator de resposta sérica (SRF), e transdutor de sinal e ativador da transcrição 3 (STAT3) foram altamente enriquecidos entre a maioria dos alvos principais, conforme ilustrado na Figura 7. Figura 6– miRNAs. – miRNAs. Figura 7– Análise dos fatores de transcrição. – Análise dos fatores de transcrição. Os resultados da validação do ROC Durante a análise ROC dos principais alvos, o estudo descobriu que as AUCs para os genes interleucina 11 (IL11), beta induzível por parada do crescimento e dano ao DNA (GADD45B), fator de diferenciação do crescimento 5 (GDF5), NADPH oxidase 4 (NOX4), proteína de ligação ao fator de crescimento semelhante à insulina 3 (IGFBP3), actina alfa do músculo cardíaco 1 (ACTC1), miozenina 2 (MYOZ2) e subunidade beta 8 da integrina (ITGB8) foram 0,964710884, 0,943239796, 0,936791383, 0,929563492, 0,92651644, 0,926232993, 0,91723356 e 0,906391723, respectivamente. Todas as AUCs foram maiores que 0,9; entre elas, IL11, GADD45B, NOX4, IGFBP3 e ACTC1 são reguladas positivamente na fibrose, enquanto GDF5, MYOZ2 e ITGB8 são reguladas negativamente na expressão, comprovando esses genes como potenciais marcadores biológicos para o diagnóstico de FM. Discussão As doenças cardiovasculares, como principal causa de morte em todo o mundo, representam um fardo significativo para a saúde pública global.1 Condições cardiovasculares comuns, como doença cardíaca coronária, infarto do miocárdio, doença cardíaca hipertensiva, cardiomiopatia, fibrilação atrial e cardiomiopatia diabética, podem levar à FM, resultando em insuficiência cardíaca. A FM induzida por doenças cardiovasculares é principalmente reparadora, manifestando-se como a transformação de fibroblastos cardíacos em miofibroblastos sob estímulos patológicos quando as células cardíacas são lesionadas. Esses miofibroblastos podem secretar uma grande quantidade de MEC, promovendo a formação de tecido cicatricial, aumentando assim a rigidez cardíaca, levando à FM e resultando em remodelação cardíaca e insuficiência cardíaca. Em contraste, o processo de remodelação da MEC requer a deposição de grandes quantidades de colágeno e outras proteínas; o tipo de colágeno e a reticulação de outroAs proteínas também estão inextricavelmente ligadas à remodelação.22 Existem colágenos tipo I e tipo III na MEC. O colágeno tipo I compõe 85% do colágeno total e está principalmente associado às fibras grossas que fornecem resistência à tração, alongamento e deformabilidade. Em contraste, o colágeno tipo III compõe 11% do colágeno total e está associado às fibras finas que fornecem elasticidade, e a deposição de colágeno de ambos os tipos pode diminuir a complacência miocárdica.23 Atualmente, o tratamento clínico da FM emprega principalmente intervenções farmacológicas visando o sistema renina-angiotensina-aldosterona para desacelerar a progressão da fibrose; no entanto, os resultados têm sido subótimos.24 O transplante cardíaco pode prolongar a sobrevivência do paciente, mas traz consigo seu próprio conjunto de desafios, como riscos elevados, complicações múltiplas e suscetibilidade à rejeição do enxerto, que afetam negativamente os resultados do paciente.25 Consequentemente, compreender os mecanismos subjacentes da FM, identificar alvos de tratamento viáveis, inibir a proliferação de fibroblastos cardíacos e atenuar a progressão da fibrose são de vital importância no tratamento de distúrbios cardiovasculares. Este estudo teve como objetivo identificar a FM em um estágio inicial e encontrar marcadores biológicos com alta sensibilidade e especificidade para o desenvolvimento de novas estratégias de tratamento. Nesta pesquisa, GDE na FM foram obtidos dos conjuntos de dados GSE123018, GSE152250 e GSE225336, construindo uma rede PPI compreendendo 37 nós e 71 arestas. Alvos principais foram identificados por meio da rede, e um potencial cluster funcional foi descoberto usando o plugin MCODE. Por meio da análise de enriquecimento GO e KEGG, os genes-chave foram enriquecidos principalmente em vias intimamente relacionadas à fibrose, como a via de sinalização TGF-β, interação MEC-receptor, cardiomiopatia dilatada e cardiomiopatia hipertrófica. Além disso, esses genes estão envolvidos em processos biológicos, como a interação citocina-receptor citocina, a via de sinalização p53, a via de sinalização Hippo e migração mesenquimal, enfatizando os papéis centrais da apoptose, colágeno, MEC e adesão celular na fibrose. A via de sinalização TGF-β foi amplamente confirmada como tendo um papel regulador significativo na FM.26 A expressão elevada de TGF-β é quase universalmente observada em pacientes com FM.27-29 Essa expressão diferencial leva à ativação de fibroblastos, estimula a expressão de inibidores teciduais de metaloproteinases da matriz e inibe a atividade das metaloproteinases da matriz, resultando em aumento da deposição de MEC e exacerbação da FM.30,31 Numerosos estudos indicam que a FM pode ser significativamente melhorada pela inibição da via de sinalização do TGF-β por meio de medicamentos.32-34 Ambas as vias de sinalização P53 e Hippo medeiam a apoptose celular. Estudos demonstraram que a inibição dessas vias pode suprimir a apoptose dos cardiomiócitos e reduzir a formação de FM.35,36 Além disso, a pesquisa indica que o SO2 pode inibir a via Hippo-MST, aliviando a apoptose celular e o estresse do retículo endoplasmático, atenuando significativamente a FM em ratos diabéticos.37 Da mesma forma, a análise de enriquecimento do módulo central revelou que suas funções estão intimamente relacionadas aos principais mecanismos da FM, como a montagem da MEC e a migração mesenquimal. Como um suplemento à análise de enriquecimento do gene central, a GSEA continua a destacar a deposição da MEC como um processo central na FM. Além disso, ela introduz as vias inflamatórias de sinalização Hedgehog, mTORC1 e TNF-α por meio do NF-κB, que foram todas confirmadas como relacionadas à FM em vários estudos globais.38-40 A expressão gênica em organismos biológicos depende da regulação de miRNAs. Após prever miRNAs para genes hub, foi descoberto que miRNA-148a-3p, miRNA-148b-3p, miR-152-3p, miR-372-3p, miR-506-3p, a família miR-130, a família miR-302, a família miR-29 e a família miR-520 são compartilhadas pela maioria dos genes. A família miR-29, em particular, é uma das famílias de miRNA mais amplamente estudadas na FM. Numerosos estudos mostraram que a família miR-29 pode atingir uma variedade de genes relacionados à síntese de MEC, como várias proteínas de colágeno. Sua regulação negativa na fibrose pode levar à deposição excessiva de componentes da MEC.41,42 Em um experimento animal, Sheng-song Xu et al. descobriram que a expressão de miR-152-3p reduzia a proliferação de fibroblastos cardíacos (FC) e aliviava a FM ao inibir a via de sinalização Wnt1/β-catenina.43 Da mesma forma, a regulação negativa do miR-130 promove efeitos cardioprotetores mediados pelo PPAR- γ por meio da inibição da inflamação e da FM.44 Portanto, a família hsa-miR-29, miR-152-3p e miR-130 poderiam potencialmente servir como marcadores biológicos e alvos terapêuticos para FM. A análise de fatores de transcrição indicou que JUN, NF-κB1, SP1, RELA, SRF e STAT3 estão envolvidos em vias relacionadas à inflamação, proliferação celular, apoptose e respostas ao estresse celular. NF-κB1 e RELA são parte do complexo NF-Κb.45 Geng-Rui Xu descobriu que, ao inibir a via de sinalização TLR4/MyD88/NF-κB, a deposição de colágeno foi significativamente reduzida, melhorando assim a FM.46 STAT3 está intimamente relacionado à FM e está envolvido em múltiplas vias de sinalização. Estudos demonstraram que a inibição das vias IL-6/STAT3 e JAK-STAT3 alivia o grau de FM.47,48 Após realizar análise de especificidade e sensibilidade usando ROC, identificamos genes com AUC maior que 0,9, incluindo IL11, GADD45B, GDF5, NOX4, IGFBP3, ACTC1, MYOZ2 e ITGB8. IL11 é um gene profibrótico clássico. Experimentos recentes mostraram que a secreção de IL11 pode promover sinalização parácrina em fibroblastos adjacentes, bem como transição epitelial-mesenquimal e transição endotelial-mesenquimal, exibindo efeitos profibróticos e pró-inflamatórios evidentes.49,50 Em outro estudo, foi descoberto que a IL-11 pode sinergizar ou aumentar os efeitos fibróticos do TGF-β.51 Tongtong Song et al. descobriram em experimentos celulares que a inibição de IL11 em células reduziu significativamente a expressão de mRNA e proteína do colágeno tipo I e colágeno tipo III, melhorando assim a remodelação da MEC.52 GADD45B é um gene que é regulado positivamente em danos ao DNA e respostas ao estresse, desempenhando papéis em vários processos biológicos, particularmente na regulação do ciclo celular, apoptose, reparo do DNA e respostas ao estresse celular.53 A pesquisa mostrou que a driamicina aumentou significativamente o colágeno tipo I, e o colágeno tipo III, diminuiu a função cardíaca, e induziu FM na MEC pela regulação positiva de GADD45B e a ativação de p38 e pJNK no coração.54 GDF5 pode regular a expressão de p38-MAPK, subsequentemente inibindo a transcrição de colágeno tipo I e Col1a1 e colágeno tipo III, bem como genes Col3a1 em células cardíacas. Isso leva a uma redução na FM após infarto do miocárdio.55 NOX4 é um membro da família NADPH oxidase que medeia a produção de ROS. Numerosos estudos demonstraram que a inibição do estresse oxidativo induzido por NOX4 pode ter efeitos antifibróticos no miocárdio.56 Além disso, o NOX4 é regulado pelo TGF-β, uma via fundamental na FM.57 Além disso, em um experimento in vivo e in vitro, Nox4 foi encontrado mediando no meio da via TGFβ1 para promover a síntese de colágeno, mas, infelizmente, o experimento não elucidou qual colágeno especificamente.58 Da mesma forma, experimentos recentes mostraram que IGFBP3 é altamente expresso em fibroblastos em modelos murinos de FM.59 Li et al. descobriram que a inibição da expressão de IGFBP3 atenuou a expressão de colágeno I e III na FM induzida por diabetes.60 Um estudo de Alessandra Ruggiero descobriu que camundongos mutantes MYOZ2 podem desenvolver hipertrofia de células cardíacas e fibrose intersticial.61 ACTC1 é uma proteína-chave nos miócitos cardíacos e está envolvida em sua função contrátil. Embora mutações em ACTC1 sejam conhecidas por estarem associadas a certas doenças cardíacas, como a cardiomiopatia hipertrófica familiar (HCM),62 atualmente não há evidências definitivas que liguem ACTC1 diretamente à FM. Mais pesquisas são necessárias para elucidar essa relação. ITGB8 é um membro da família integrina e está envolvido em interações entre células, bem como entre células e a MEC.63 Estudo indica que ITGB8 participa principalmente do processo de fibrose pulmonar, mas seu papel na FM ainda não foi totalmente estabelecido.64 No entanto, outros membros da família das integrinas, como o ITGB1, são conhecidos por estarem associados à FM,65 garantindo uma investigação mais aprofundada sobre as funções do ITGB8. Figura 8– ROCs de genes centrais. – ROCs de genes centrais. Este estudo tem certas limitações, pois os resultados que obtivemos foram derivados de conjuntos de dados do banco de dados GEO. Embora esforços tenham sido feitos para controlar e normalizar os efeitos em três conjuntos de dados experimentais, as descobertas não foram verificadas em experimentos do mundo real. Além disso, ao adquirir os conjuntos de dados originais, por uma questão de consistência entre os três conjuntos de dados, optamos pelo grupo experimental induzido por TGF-β de 24 horas sem selecionar os grupos experimentais de 48 ou 72 horas. Embora uma literatura substancial sugira que fibrose significativa pode ser observada após 24 horas de indução, essa abordagem pode ter perdido informações cruciais no processo dinâmico. Além disso, o biomarcador central da FM, TGF-β, não exibiu altos níveis de confiança no conjunto de dados GSE97358, apesar de sua AUC ser 0,882015306. Isso requer uma experimentação extensiva para verificar a especificidade e a sensibilidade desses biomarcadores potenciais. Conclusão Os oito genes, IL11, GADD45B, GDF5, NOX4, IGFBP3, ACTC1, MYOZ2 e ITGB8, podem servir como biomarcadores candidatos para FM. Processos como apoptose celular, síntese de proteína de colágeno, formação de MEC, adesão celular e inflamação estão implicados no desenvolvimento da FM. Introduction Cardiovascular diseases are common, and their mortality rate surpasses that of other systemic illnesses.1 They claim millions of lives annually, constituting approximately 25% of deaths worldwide.2 Myocardial fibrosis (MF) plays a pivotal role in the onset and progression of conditions such as atrial fibrillation, coronary artery disease, myocardial infarction, dilated cardiomyopathy, and hypertrophic cardiomyopathy.3-6 MF is caused by the abnormal deposition of fibrous tissues in the myocardium. It is characterized by an excessive accumulation of the extracellular matrix (ECM) and a significant increase in collagen, leading to cardiac stiffness and a decline in heart function, followed by electrical remodeling, arrhythmias, and heart failure.7 From a pathophysiological standpoint, MF is intricately tied to the reparative mechanisms after cardiac damage. Cardiomyocytes are non-regenerative cells. When these cells are damaged or die, surrounding cells release a series of signaling molecules, such as neurohumoral mediators, cytokines, and growth factors, which induce fibroblast activation to enter the damaged area and produce large amounts of collagen.8 Collagen is a primary component of tissue structure, and its excessive accumulation can lead to abnormal deposition of the extracellular matrix, thereby reducing cardiac compliance and impairing its function.9 As fibrosis progresses, the heart’s systolic and diastolic functions are further compromised, eventually resulting in heart failure and significantly affecting patients’ quality of life. Many cardiovascular diseases can manifest as MF at an early stage.10 With the global aging population and the rise of lifestyle-related diseases such as atrial fibrillation, hypertension, coronary heart disease, and diabetes, the incidence of MF is steadily increasing, posing a severe threat to human health. Regrettably, current treatments mainly focus on slowing the progression of fibrosis but cannot effectively reverse it.11 This is because cardiomyocytes cannot adequately replace dead cells, and the fibrosis process involves extremely complex cells and signaling pathways. Therefore, with the technological advancements in gene chips, sequencing techniques, and whole-genome sequencing, early identification of MF and searching for highly sensitive and specific biomarkers to devise new therapeutic strategies to reverse this condition becomes paramount. Originating from a bioinformatics perspective, the study identified and analyzed hub genes differentially expressed in MF, investigating their prospects as biomarkers. The core processes of this study can be viewed in the Central Figure. Methods Obtaining a GeneChip The Gene Expression Omnibus12 (GEO) was used to screen three microarray datasets related to MF and their gene annotation files, specifically GSE 123018/GPL11154, GSE152250/GPL20301, and GSE225336/GPL24676. The GSE123018 raw data contained data from four individuals; GSE152250 and GSE225336 used data from three individuals. All three sets of data contained cardiomyocytes induced for 24 hours using TGFβ1, so we chose the data set processed at 24 hours, and in order to make the data less differentiated, we randomly picked the cell data from the three patients in GSE123018. All these data are open-source and thus do not require review by an ethics committee. Screening for differentially expressed genes Gene chip-related files were sourced and downloaded from the GEO database. This research utilized datasets from three distinct origins, leading to variances in the laboratory handling of each gene chip. Consequently, the removal of batch effects and data normalization became paramount.13 The sva package in R (Version 4.2.1) was initially applied for batch effect estimation, followed by the employment of the combat function for its mitigation. Linear models and Bayesian methods in the limma package were used to evaluate gene expression levels under different experimental conditions, correct the variance estimates of individual genes, and normalize the gene matrices using the normalize BetweenArrays function, respectively. In order to select genes with significant differential expression, we set a threshold of |log2-fold change| value more than 2 and P-value less than 0.05 on the selection criteria. Visualization techniques were implemented with the ggplot2 and pheatmap packages. Analysis of protein-protein interactions Protein-protein interaction (PPI)14 analysis offers insights into which other proteins a specific protein interacts with within an organism. This aids in better characterizing the functions of these proteins and can shed light on disease onset and progression. Differentially expressed genes (DEGs) were input into the STRING database (https://stringdb.org),15 which is an online analysis tool that includes data integration scoring, probabilistic modeling, hypergeometric testing, network topology analysis, and false discovery rate (FDR) correction, and the TSV file of the PPI network was exported. This file was subsequently loaded into Cytoscape (version 3.8.2)16 for visualization. The CytoNCA plugin calculates target metrics such as degree, closeness, and betweenness, allowing for the selection of core targets. The MCODE plugin is then utilized to identify potential biomolecular complexes. Gene enrichment analysis Utilizing Metascape (https://Metascape.org/),17 a web platform for functional enrichment analysis of large gene sets, Gene Ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) analyses of DEGs and potential biomolecular complexes were performed using hypergeometric tests, Benjamini-Hochberg method multiple test correction method. Entries with a p value <0.01 were deemed significantly enriched, and the top 15 results from the GO enrichment analysis and KEGG pathways were selected. Gene set enrichment analysis To comprehensively enhance the understanding of gene functions, GSEA software (version 4.3.2)18 was employed on the entire dataset for functional enrichment analysis, encompassing GO, KEGG pathways, and Reactome analysis. For determining significant enrichment, criteria were established as follows: a normalized enrichment score exceeding 1.5, a nominal p-value less than 0.05, and a FDR below 0.25. Acquisition of critical miRNAs and transcription factors The Hub genes were analyzed for potential miRNA using FunRich software (version 3.1.3),19 and transcription factor prediction was carried out using TRRUST version 2 (https://www.grnpedia.org/trrust/).20 Gene set validation based on the receiver operating characteristic curve (ROC) To validate the robustness of the identified hub genes and to avoid overfitting the original data, it is crucial to conduct ROC21 validation on an independent dataset to evaluate the hub genes as potential biomarkers. We utilized the gene microarray dataset GSE97358, which includes 84 normal samples and 84 fibrotic samples. ROC analysis and visualization were conducted in R software using the pROC package. Results Analysis of DEGs After the original dataset was batch-corrected and normalized, a differential analysis was conducted using the limma package. Ultimately, 91 DEGs were identified, with 56 genes significantly upregulated and 35 genes significantly downregulated. Gene heatmaps and volcano plots of DEGs are illustrated in Figure 1. The specific topological parameters of the DEGs can be found in Table S1. Figure 1– A) Gene volcano plot. B) Gene heat map. – A) Gene volcano plot. B) Gene heat map. PPI analysis The 91 DEGs were uploaded to the STRING website for PPI analysis. The analysis results were imported into Cytoscape for further investigation. Figure 2A depicts the network consisting of 37 nodes and 71 edges. Gene degrees were calculated using CytoNCA, and by sorting values greater than the median,28 hub genes were identified. The specific topological parameters of the hub genes can be found in Table S2. Meanwhile, the MCODE plugin revealed a potential protein complex functional module (Figure 2B). Figure 2– A) PPI network. B) bio-functional modules. – A) PPI network. B) bio-functional modules. Functional enrichment Differential gene expression analysis highlighted that, as shown in Figure 3A, the genes participate in biological processes such as mesenchymal migration, connective tissue development, myocardial tissue development, response to mechanical stimulus, circulatory system process, and striated muscle tissue development. Figure 3B demonstrates involvement in various molecular biological functions, such as cell adhesion molecule binding, integrin binding, growth factor activity, glycosaminoglycan binding, collagen binding, extracellular matrix structural constituents, and oxidoreductase activity. The cellular components implicated include the extracellular matrix, external encapsulating structures, collagen-containing extracellular matrix, secretory granule lumen, cytoplasmic vesicle lumen, and myofibrils, as displayed in Figure 3C. KEGG pathway analysis indicated involvement in multiple signaling pathways, such as Hippo signaling pathway, Cytokine-cytokine receptor interaction, Hypertrophic cardiomyopathy, ECM-receptor interaction, Arrhythmogenic right ventricular cardiomyopathy, Cellular senescence, transforming growth factor-β(TGF-β)signaling pathway, Dilated cardiomyopathy, and p53 signaling pathway, which can be observed in Figure 3D, All enrichment analyses with p-values less than 0.05 are shown in Table S3. Enrichment analysis of the biological module showed involvement in extracellular matrix assembly and mesenchymal migration, as shown in Figure 4. Figure 3– A) GO biological processes. B) GO molecular function. C) GO cellular components. D) KEGG. – A) GO biological processes. B) GO molecular function. C) GO cellular components. D) KEGG. Figure 4– Enrichment analysis of the biological module. – Enrichment analysis of the biological module. GSEA results Upon conducting GSEA on the fully adjusted gene dataset, Reactome revealed primary enrichments in TGF-β, Hallmark tumor necrosis factor-α(TNF-α) signaling via NF-κB, mTorc1 signaling, Hedgehog signaling, and unfolded protein response. The main cellular components included the subunit processome, pre-ribosome, and complex collagen trimers. In terms of biological functions, gene participation was observed in transcription regulator inhibitor activity, extracellular matrix structural constituent, and growth factor activity. KEGG pathway analysis showed involvement in the TGF-β signaling pathway, glycosaminoglycan biosynthesis, chondroitin sulfate, and dilated cardiomyopathy. Regrettably, in GO biological processes, no gene sets were significant at an FDR below 25%, as depicted in Figure 5, and the relevant parameters can be found in Table S4. Figure 5– GSEA. – GSEA. Prediction of miRNAs and transcription factors Utilizing FunRich to predict miRNAs, abundance analysis retained miRNA-148a-3p, miRNA-148b-3p, miR-152-3p, miR-372-3p, miR-506-3p, the miR-130 family, the miR-302 family, the miR-29 family, and the miR-520 family, as displayed in Figure 6. Postanalysis prediction of transcription factors through the TRRUST platform revealed that Jun proto-oncogene (JUN), NF-κB1, Sp1 transcription factor (SP1), RELA proto-oncogene (RELA), SRF, and signal transducer and activator of transcription 3 (STAT3) were highly enriched among the majority of core targets, as illustrated in Figure 7. Figure 6– miRNAs. – miRNAs. Figure 7– Transcription factors analysis. – Transcription factors analysis. The results of the ROC validation During the ROC analysis of core targets, the study found that the AUCs for the genes interleukin 11(IL11), growth arrest and DNA damage-inducible beta (GADD45B), growth differentiation factor 5 (GDF5), NADPH oxidase 4 (NOX4), insulin-like growth factor binding protein 3 (IGFBP3,) actin alpha cardiac muscle 1(ACTC1), myozenin 2 (MYOZ2), and integrin subunit beta 8 (ITGB8) were 0.964710884, 0.943239796, 0.936791383, 0.929563492, 0.92651644, 0.926232993, 0.91723356, and 0.906391723, respectively. All AUCs were greater than 0.9; among them, IL11, GADD45B, NOX4, IGFBP3, and ACTC1 are upregulated in fibrosis, while GDF5, MYOZ2, and ITGB8 are downregulated in expression, substantiating these genes as potential biological markers for diagnosing MF. Discussion Cardiovascular diseases, as the leading cause of death worldwide, pose a significant burden on global public health.1 Common cardiovascular conditions, such as coronary heart disease, myocardial infarction, hypertensive heart disease, cardiomyopathy, atrial fibrillation, and diabetic cardiomyopathy, can all lead to MF, ultimately resulting in heart failure. MF induced by cardiovascular diseases is primarily reparative, manifesting as the transformation of cardiac fibroblasts into myofibroblasts under pathological stimuli when cardiac cells are injured. These myofibroblasts can secrete a large amount of extracellular matrix, promoting scar tissue formation, thereby increasing cardiac stiffness, leading to MF, and resulting in cardiac remodeling and heart failure. In contrast, the remodeling process of the ECM requires the deposition of large amounts of collagen and other proteins; the type of collagen and cross-linking of other proteins are also inextricably linked to remodeling.22 There are type I and type III collagens in ECM. Type I collagen makes up 85% of the total collagen and is primarily associated with the coarse fibers that provide tensile strength, stretch, and deformability. In contrast, type III collagen makes up 11% of the total collagen and is associated with the fine fibers that provide elasticity, and collagen deposition of both types can decrease myocardial compliance.23 At present, the clinical management of MF mainly employs pharmacological interventions targeting the renin-angiotensin-aldosterone system to decelerate fibrosis progression; however, the results have been suboptimal.24 Cardiac transplantation can prolong patient survival but comes with its own set of challenges, such as elevated risks, multiple complications, and susceptibility to graft rejection, which adversely affect patient outcomes.25 Consequently, understanding the underlying mechanisms of MF, pinpointing viable treatment targets, inhibiting cardiac fibroblast proliferation, and attenuating the progression of fibrosis are of vital importance in the management of cardiovascular disorders. This study aimed to identify MF at an early stage and to find biological markers with high sensitivity and specificity for the development of new treatment strategies. In this research, DEGs in MF were obtained from the GSE123018, GSE152250, and GSE225336 datasets, constructing a PPI network comprising 37 nodes and 71 edges. Core targets were identified through the network, and a potential functional cluster was discovered using the MCODE plugin. Through GO and KEGG enrichment analysis, the key genes were mainly enriched in pathways closely related to fibrosis, such as the TGF-β signaling pathway, ECM-receptor interaction, dilated cardiomyopathy, and hypertrophic cardiomyopathy. In addition, these genes are involved in biological processes such as cytokine‒cytokine receptor interaction, the p53 signaling pathway, the Hippo signaling pathway, and mesenchymal migration, emphasizing the central roles of apoptosis, collagen, extracellular matrix, and cell adhesion in fibrosis. The TGF-β signaling pathway has been widely confirmed to play a significant regulatory role in MF.26 Elevated expression of TGF-β is almost universally observed in patients with MF.27-29 This differential expression leads to the activation of fibroblasts, stimulates the expression of tissue inhibitors of matrix metalloproteinases, and inhibits the activity of matrix metalloproteinases, resulting in increased deposition of extracellular matrix and exacerbation of MF.30,31 Numerous studies indicate that MF can be significantly improved by inhibiting the TGF-β signaling pathway through medication.32-34 Both the P53 and Hippo signaling pathways mediate cell apoptosis. Studies have shown that inhibiting these pathways can suppress cardiomyocyte apoptosis and reduce the formation of MF.35,36 Additionally, research indicates that SO2 can inhibit the Hippo-MST pathway, alleviating cell apoptosis and endoplasmic reticulum stress (ERS), thus significantly attenuating MF in diabetic rats.37 Similarly, enrichment analysis of the core module revealed that its functions are closely related to key mechanisms of MF, such as extracellular matrix assembly and mesenchymal migration. As a supplement to the core gene enrichment analysis, GSEA continues to highlight the deposition of the extracellular matrix as a central process in MF. Additionally, it introduces the Hedgehog signaling, mTORC1, and TNF-α inflammatory pathways through NF-κB, which have all been confirmed to be related to MF in various global studies.38-40 Gene expression in biological organisms relies on the regulation of miRNAs. After predicting miRNAs for hub genes, it was found that miRNA-148a-3p, miRNA-148b-3p, miR-152-3p, miR-372-3p, miR-506-3p, the miR-130 family, the miR-302 family, the miR-29 family, and the miR-520 family are shared by a majority of genes. The miR-29 family, in particular, is one of the most extensively studied miRNA families in MF. Numerous studies have shown that the miR-29 family can target a variety of genes related to ECM synthesis, such as various collagen proteins. Its downregulation in fibrosis can lead to excessive deposition of ECM components.41,42 In an animal experiment, Sheng-song Xu et al. discovered that the expression of miR-152-3p was found to reduce cardiac fibroblast (CF) proliferation and alleviate MF by inhibiting the Wnt1/β-catenin signaling pathway.43 Similarly, the downregulation of miR-130 promotes cardioprotective effects mediated by PPAR-γ through the inhibition of inflammation and MF.44 Therefore, the hsa-miR-29 family, miR-152-3p, and miR-130 could potentially serve as biological markers and therapeutic targets for MF. Analysis of transcription factors indicated that JUN, NF-κB1, SP1, RELA, SRF, and STAT3 are involved in pathways related to inflammation, cell proliferation, apoptosis, and cellular stress responses. NF-κB1 and RELA are part of the NF-κB complex.45 Geng-Rui Xu found that by inhibiting the TLR4/MyD88/NF-κB signaling pathway, collagen deposition was significantly reduced, thereby ameliorating MF.46 STAT3 is closely related to MF and is involved in multiple signaling pathways. Studies have shown that inhibiting the IL-6/STAT3 and JAK-STAT3 pathways alleviates the degree of MF.47,48 After performing specificity and sensitivity analysis using ROC, we identified genes with an AUC greater than 0.9, including IL11, GADD45B, GDF5, NOX4, IGFBP3, ACTC1, MYOZ2, and ITGB8. IL11 is a classic profibrotic gene. Recent experiments have shown that IL11 secretion can promote paracrine signaling in adjacent fibroblasts, as well as epithelial-to-mesenchymal transition (EMT) and endothelial-to-mesenchymal transition (EndMT), displaying evident profibrotic and proinflammatory effects.49,50 In another study, it was found that IL-11 can synergize with or enhance the fibrotic effects of TGF-β.51 Tongtong Song et al. found in cellular experiments that inhibition of IL11 in cells significantly reduced mRNA and protein expression of type I collagen and type III collagen, thereby improving ECM remodeling.52 GADD45B is a gene that is upregulated in DNA damage and stress responses, playing roles in various biological processes, particularly in cell cycle regulation, apoptosis, DNA repair, and cellular stress responses.53 Research has shown that adriamycin significantly increased type I collagen, and type III collagen, decreased cardiac function, and induced MF in the ECM by upregulating GADD45B and activating p38 and pJNK in the heart.54 GDF5 can regulate the expression of p38-MAPK, subsequently inhibiting the transcription of type I collagen and Col1a1 and type III collagen, as well as Col3a1 genes in cardiac cells. This leads to a reduction in MF following myocardial infarction.55 NOX4 is a member of the NADPH oxidase family that mediates the production of ROS. Numerous studies have shown that inhibiting NOX4-induced oxidative stress can have antifibrotic effects on the myocardium.56 Additionally, NOX4 is regulated by TGF-β, a fundamental pathway in MF.57 Furthermore, in an in vivo and in vitro experiment, Nox4 was found mediating in the middle of the TGFβ1 pathway to promote collagen synthesis, but, unfortunately, the experiment did not elucidate which collagen specifically.58 Likewise, recent experiments have shown that IGFBP3 is highly expressed in fibroblasts in mouse models of MF.59 Changlin Li et al. found that inhibition of IGFBP3 expression attenuated collagen I and III expression in diabetes-induced MF.60 A study by Alessandra Ruggiero found that MYOZ2 mutant mice can develop cardiac cell hypertrophy and interstitial fibrosis.61 ACTC1 is a key protein in cardiac myocytes and is involved in their contractile function. Although mutations in ACTC1 are known to be associated with certain cardiac diseases, such as familial hypertrophic cardiomyopathy (HCM),62 there is currently no definitive evidence linking ACTC1 directly to MF. Further research is needed to elucidate this relationship. ITGB8 is a member of the integrin family and is involved in interactions between cells as well as between cells and the ECM.63 Study indicates that ITGB8 primarily participates in the process of pulmonary fibrosis, but its role in MF has not yet been fully established.64 However, other members of the integrin family, such as ITGB1, are known to be associated with MF,65 warranting further investigation into the functions of ITGB8. This study has certain limitations, as the results we obtained were derived from GEO database datasets. While efforts have been made to control and normalize the effects in three experimental datasets, the findings have not been verified in real-world experiments. Furthermore, in acquiring the original datasets, for the sake of consistency across the three datasets, we opted for the 24-hour TGF-β-induced experimental group without selecting the 48-hour or 72-hour experimental groups. Although substantial literature suggests that significant fibrosis can be observed after 24 hours of induction, this approach might have missed crucial information in the dynamic process. Moreover, the core biomarker of MF, TGF-β, did not exhibit high confidence levels in the GSE97358 dataset despite its AUC being 0.882015306. This necessitates extensive experimentation to verify the specificity and sensitivity of these potential biomarkers. Figure 8– ROCs of hub genes. – ROCs of hub genes. Conclusion The eight genes, IL11, GADD45B, GDF5, NOX4, IGFBP3, ACTC1, MYOZ2, and ITGB8, can serve as candidate biomarkers for MF. Processes such as cellular apoptosis, collagen protein synthesis, extracellular matrix formation, cellular adhesion, and inflammation are implicated in the development of MF.