机器学习在HFpEF心脏中识别了明显的Treg介导重塑,这些心脏被治疗了新生儿介质干细胞及其分泌体

科学领域:

• 心脏病学 心脏病学
• 再生医学是一种再生医学.
• 免疫学 免疫学 免疫学

背景情况:

• 由于其异质性,心力衰竭与保留喷射分数 (HFpEF) 存在复杂的挑战.
• 新生儿介质层细胞 (nMSCs) 和它们的分泌体 (SEC) 显示出治疗心力衰竭的潜力.

研究的目的:

• 在HFpEF模型中研究nMSC和SEC疗法的疗效.
• 阐明HFpEF中这些再生疗法的潜在分子机制和因果路径.

主要方法:

• 开发了一种机器学习框架 (VIPcell),集成数据增强,PLS回归和对单核RNA测序数据的因果推理.
• 将VIPcell应用于接受治疗的HFpEF小鼠模型中的心脏组织,以确定心脏重塑的因果调节者.
• 评估功能和组织学终点,包括透缩功能,炎症,纤维化和运动能力.

主要成果:

• 在HFpEF模型中,nMSC和SEC疗法都显著改善了透析功能,减少了炎症和纤维化,并提高了运动能力.
• 因果推断确定了调节性T细胞 (Treg) 生物学和免疫调节途径作为关键的上游调节者.
• 在体内和体外研究证实了Treg扩张,Treg耗尽取消了治疗效益,确定了Tregs作为中心调解者.

结论:

• nMSC和SEC疗法通过不同的机制在HFpEF中增强透析功能,这些机制汇聚在Treg介导的免疫调节上.
• 该VIPcell框架成功识别了因果调节器,强调了Treg相关的信号在心肌恢复中.
• 这些发现支持针对HFpEF治疗的有针对性,以Treg为重点的干预措施.