Orientación hacia los macrófagos y la homeostasis iónica en la DMT: se identifican nuevos genes y vías terapéuticas

Área de la Ciencia:

• Inmunología
• La genética
• Trastornos del metabolismo

Sus antecedentes:

• La diabetes tipo 2 (DT2) implica resistencia a la insulina y inflamación, con los macrófagos afectando críticamente la función de los islotes pancreáticos.
• Comprender la expresión génica de los macrófagos y su relación con los niveles de cationes en la sangre en la DM2 es crucial para identificar los mecanismos de la enfermedad.

Objetivo del estudio:

• Investigar la interacción entre la expresión génica específica de los macrófagos y los genes anormales relacionados con la concentración de cationes inorgánicos monovalentes (ABRG) en la DM2.
• Identificar genes clave y objetivos terapéuticos potenciales para la diabetes tipo 2 utilizando técnicas avanzadas de secuenciación y aprendizaje automático.

Principales métodos:

• Secuenciación de ARN unicelular (scRNA-seq) de las células de los islotes pancreáticos de pacientes no diabéticos y con DT2.
• Identificación de genes expresados diferencialmente (DEG) en los macrófagos, cruzados con los ABRG para encontrar genes hub.
• Modelos de aprendizaje automático para la predicción de la T2D, la predicción de la estructura de las proteínas y el análisis de las redes reguladoras (TF, miRNA).

Principales resultados:

• Se identificaron dieciséis ABRG de núcleos superpuestos, incluidos ATP1A1, CACNA1D y CLDN10.
• Un modelo de Gradient Boosting Machine (GBM) logró una alta precisión predictiva de T2D (AUC = 0,988).
• Se encontraron correlaciones significativas entre los genes hub y la infiltración de células inmunes (especialmente los macrófagos), junto con una distintiva firma de citoquinas de macrófagos T2D (IL15, IFNα1, IFNβ, IL17F).

Conclusiones:

• Los macrófagos y los ABRG juegan un papel central en la patogénesis de la T2D.
• Se identificaron nuevos genes y redes reguladoras (STAT3, hsa-mir-1-3p) que contribuyen a la progresión de la T2D.
• La integración de scRNA-seq y el aprendizaje automático ofrece información valiosa y posibles estrategias terapéuticas para la DM2.