Транскриптомика плацентарной ткани как инструмент для идентификации молекулярных механизмов больших акушерских синдромов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Многочисленными гистологическими исследованиями продемонстрировано, что ключевые патогенетические механизмы больших акушерских синдромов (БАС) связаны с нарушением процессов плацентации. Тем не менее молекулярная основа данного открытия все еще не установлена. Цель нашей работы заключалась в выяснении молекулярных механизмов и поиске новых генетических маркеров этих гестационных осложнений на основе интегративного анализа данных, полученных при полногеномном экспрессионном профилировании плацентарной ткани женщин с преэклампсией, задержкой роста плода, преждевременными родами и физиологической беременностью. Показана значимая роль окислительного стресса, ферроптоза и нарушения межклеточных взаимодействий в плацентарной ткани как общих механизмов патогенетики БАС. Выявлено 64 гена, транскрипционная активность которых статистически значимо изменяется как минимум при двух из рассматриваемых гестационных осложнений. Наиболее значимыми клеточными популяциями, обогащенными данными генами, выступили материнские эндотелиальные клетки и клетки синцитиотрофобласта. Биоинформатический анализ и оценка топологии сети белок–белковых взаимодействий позволили идентифицировать в качестве центральных генов SOD1, ACTG1, TXNRD1, TKT, GCLM, GOT1, ACO1 и UBB, а также выделить ключевые регуляторы, запускающие каскад реакций с вовлечением дифференциально экспрессирующихся генов, – MAPK3, MID1, LCMT1, DUSP10, TOPORS, SOX10, EGFR, TFAP2A, GLIS1, NR2F1, NR2F2, PAX5, HSF1, BCL6, которые сверхпредставлены в сигнальном пути митоген-активируемых протеинкиназ и в процессах, опосредованных интерфероном-гамма. Указанные гены и их продукты являются наиболее перспективными биомаркерами для разработки подходов к оценке факторов риска и таргетной терапии БАС. Дальнейшие исследования должны быть направлены на уточнение функционального и диагностического значения этих генов при развитии патологических состояний беременности.

Полный текст

Доступ закрыт

Об авторах

Е. А. Трифонова

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра; Сибирский государственный медицинский университет

Автор, ответственный за переписку.
Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск; Томск

А. В. Марков

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

А. А. Зарубин

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

А. А. Бабовская

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

М. М. Гавриленко

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

Т. В. Габидулина

Сибирский государственный медицинский университет

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

В. А. Степанов

Научно-исследовательский институт медицинской генетики Томского национального исследовательского центра

Email: ekaterina.trifonova@medgenetics.ru
Россия, Томск

Список литературы

  1. Di Renzo G.C. (2009) The great obstetrical syndromes. J. Matern. Fetal Neonatal Med. 22(8), 633–635.
  2. Romero R. (2009) Prenatal medicine: the child is the father of the man. J. Matern. Fetal Neonatal Med. 22(8), 636–639.
  3. Hoffman M.K. (2023) The great obstetrical syndromes and the placenta. Internat. J. Obstet. Gynecol. 130(Suppl. 3), 8–15.
  4. Brosens I., Puttemans P., Benagiano G. (2019) Placental bed research: I. The placental bed: from spiral arteries remodeling to the great obstetrical syndromes. Am. J. Obstet. Gynecol. 221(5), 437–456.
  5. Wikstrm A.K., Stephansson O., Cnattingius S. (2011) Previous preeclampsia and risks of adverse outcomes in subsequent nonpreeclamptic pregnancies. Am. J. Obstet. Gynecol. 204(2), 148.e1–148.e6.
  6. Kvalvik L.G., Wilcox A.J., Skjærven R., Ostbye T., Harmon Q.E. (2020) Term complications and subsequent risk of preterm birth: registry based study. BMJ. 369, m1007.
  7. Rasmussen S., Ebbing C., Irgens L.M. (2017) Predicting preeclampsia from a history of preterm birth. PLoS One. 12(7), e0181016.
  8. Jayaram A., Collier C.H., Martin J.N. (2020) Preterm parturition and pre–eclampsia: The confluence of two great gestational syndromes. Int. J. Gynecol. Obstet. 150(1), 10–16.
  9. Трифонова Е.А., Габидулина Т.В., Ершов Н.И., Сереброва В.Н., Ворожищева А.Ю., Степанов В.А. (2014) Характеристика транскриптома плацентарной ткани у женщин с физиологической беременностью и преэклампсией. Acta Naturae. 6(2), 71–83.
  10. Бабовская А.А., Трифонова Е.А., Зарубин А.А., Марков А.В., Степанов В.А. (2020) Анализ коэкспрессии генов плацентарного транскриптома как основа для поиска ключевых сигнальных путей и биомаркеров преэклампсии. Мед. генетика. 19(11), 71–72.
  11. Meng T., Chen H., Sun M., Wang H. Zhao G., Wang X. (2012) Identification of differential gene expression profiles in placentas from preeclamptic pregnancies versus normal pregnancies by DNA microarrays. OMICS. 16(6), 301–311.
  12. Guo L., Tsai S.Q., Hardison N.E., James A.H., Motsinger-Reif A.A., Thames B., Stone E.A., Deng C., Piedrahita J.A. (2013) Differentially expressed microRNAs and affected biological pathways revealed by modulated modularity clustering (MMC) analysis of human preeclamptic and IUGR placentas. Placenta. 34(7), 599–605.
  13. Blair J.D., Yuen R.K., Lim B.K., McFadden D.E. (2013) Widespread DNA hypomethylation at gene enhancer regions in placentas associated with early-onset preeclampsia. Mol. Hum. Reprod. 19(10), 697–708.
  14. Yong H.E., Melton P.E., Johnson M.P., Freed K.A. Kalionis B., Murthi P., Brennecke S.P., Keogh R.J., Moses E.K. (2015) Genome-wide transcriptome directed pathway analysis of maternal preeclampsia susceptibility genes. PLoS One. 10(5), e0128230.
  15. Herse F., Dechend R., Harsem N.K., Wallukat G., Janke J., Qadri F., Hering L., Muller D.N., Luft F.C., Staff A.C. (2007) Dysregulation of the circulating and tissue–based renin-angiotensin system in preeclampsia. Hypertension. 49(3), 604–611.
  16. Martin E., Ray P.D., Smeester L., Grace M.R., Boggess K., Fry R.C. (2015) Epigenetics and preeclampsia: defining functional epimutations in the preeclamptic placenta related to the TGF-β pathway. PLoS One. 10(10), e0141294.
  17. Garrido–Gomez T., Dominguez F., Quiñonero A., Diaz–Gimeno P., Kapidzic M., Gormley M., Ona K., Padilla-Iserte P., McMaster M., Genbacev O., Perales A., Fisher S.J., Simón C. (2017) Defective decidualization during and after severe preeclampsia reveals a possible maternal contribution to the etiology. Proc. Natl. Acad. Sci. USA. 114(40), E8468–E8477.
  18. Nishizawa H., Ota S., Suzuki M., Kato T., Sekiya T., Kurahashi H., Udagawa Y. (2011) Comparative gene expression profiling of placentas from patients with severe pre-eclampsia and unexplained fetal growth restriction. Reprod. Biol. Endocrinol. 9, 107.
  19. Bukowski R., Sadovsky Y., Goodarzi H., Zhang H., Biggio J.R., Varner M., Parry S., Xiao F., Esplin S.M., Andrews W., Saade G.R., Ilekis J.V., Reddy U.M., Baldwin D.A. (2017) Onset of human preterm and term birth is related to unique inflammatory transcriptome profiles at the maternal fetal interface. PeerJ. 5, e3685.
  20. Davis S., Meltzer P.S. (2007) GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor. Bioinformatics. 23(14), 1846–1847.
  21. Turnbull A.K., Kitchen R.R., Larionov A.A., Renshaw L., Dixon J.M., Sims A.H. (2012) Direct integration of intensity-level data from Affymetrix and Illumina microarrays improves statistical power for robust reanalysis. BMC Med. Genomics. 5, 35.
  22. Durinck S., Spellman P.T., Birney E., Huber W. (2009) Mapping identifiers for the integration of genomic datasets with the R/Bioconductor package biomaRt. Nat. Protoc. 4(8), 1184–1191.
  23. Zhang B., Horvath S. (2005) A general framework for weighted gene co-expression network analysis. Stat. Appl. Genet. Mol. Biol. 4, 17.
  24. Robinson M.D., McCarthy D.J., Smyth G.K. (2010) edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26(1), 139–140.
  25. Foroutan M., Bhuva D.D., Lyu R., Horan K., Cursons J., Davis M.J. (2018) Single sample scoring of molecular phenotypes. BMC Bioinformatics. 19, 404.
  26. Subramanian A., Tamayo P., Mootha V.K., Mukherjee S., Ebert B.L., Gillette M.A., Paulovich A., Pomeroy S.L., Golub T.R., Lander E.S., Mesirov J.P. (2005) Gene set enrichment analysis: a knowledge–based approach for interpreting genome–wide expression profiles. Proc. Natl. Acad. Sci. USA. 102(43), 15545–15550.
  27. Wang J., Vasaikar S., Shi Z., Greer M., Zhang B. (2017) WebGestalt 2017: a more comprehensive, powerful, flexible and interactive gene set enrichment analysis toolkit. Nucl. Acids Res. 45(W1), W130–W137.
  28. Szklarczyk D., Gable A.L., Nastou K.C., Lyon D., Kirsch R., Pyysalo S., Doncheva N.T., Legeay M., Fang T., Bork P., Jensen L.J., von Mering C. (2021) The STRING database in 2021: customizable protein–protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucl. Acids Res. 49(D1), D605–D612.
  29. Chin C.H., Chen S.H., Wu H.H., Ho C.W., Ko M.T., Lin C.Y. (2014) cytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Systems Biol. 8(Suppl 4), S11.
  30. Koschmann J., Bhar A., Stegmaier P., Kel A.E., Wingender E. (2015) Upstream analysis: an integrated promoter pathway analysis approach to causal interpretation of microarray data. Microarrays. 4(2), 270–286.
  31. Kel A., Boyarskikh U., Stegmaier P., Leskov L.S., Sokolov A.V., Yevshin I., Mandrik N., Stelmashenko D., Koschmann J., Kel-Margoulis O., Krull M., Martínez-Cardús A., Moran S., Esteller M., Kolpakov F., Filipenko M., Wingender E. (2019) Walking pathways with positive feedback loops reveal DNA methylation biomarkers of colorectal cancer. BMC Bioinformatics. 20(Suppl. 4), 119.
  32. Kel A. (2016) Data on master regulators and transcription factor binding sites found by upstream analysis of multiomics data on methotrexate resistance of colon cancer. Data Brief. 10, 499–504.
  33. Leek J.T., Johnson W.E., Parker H.S., Jaffe A.E., Storey J.D. (2012) The SVA package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 28(6), 882–883.
  34. Roland L., Beauchemin D., Acteau G., Fradette C., St-Pierre I., Bilodeau J.F. (2010) Effects of labor on placental expression of superoxide dismutases in preeclampsia. Placenta. 31(5), 392–400.
  35. Li H., Peng H., Hong W., Wei Y., Tian H., Huang X., Jia L., Zheng J., Duan T., He Q. Wang K. (2023) Human placental endothelial cell and trophoblast heterogeneity and differentiation revealed by single-cell RNA sequencing. Cells. 12, 87.
  36. Matsubara K., Matsubara Y., Uchikura Y., Sugiyama T. (2021) Pathophysiology of preeclampsia: the role of exosomes. Int. J. Mol. Sci. 22(5), 2572.
  37. Martin C., Bergamelli M., Malnou C.E., D’Angelo G. (2022) Placental extracellular vesicles in maternal–fetal communication during pregnancy. Biochem. Soc. Transactions. 50(6), 1785–1795.
  38. Buca D., Bologna G., D’Amico A., Cugini S., Musca F., Febbo M., D’Arcangelo D., Simeone P., Liberati M., Vitacolonna E., Miscia S., D’Antonio F., Lanuti P. (2020) Extracellular vesicles in feto-maternal crosstalk and pregnancy disorders. Int. J. Mol. Sci. 21(6), 2120.
  39. Vento-Tormo R., Efremova M., Botting R.A., Turco M.Y., Vento-Tormo M., Meyer K.B., Park J.E., Stephenson E., Polański K., Goncalves A., Gardner L., Holmqvist S., Henriksson J., Zou A., Sharkey A.M., Millar B., Innes B., Wood L., Wilbrey-Clark A., Payne R.P., Ivarsson M.A., Lisgo S., Filby A., Rowitch D.H., Bulmer J.N., Wright G.J., Stubbington M.J.T., Haniffa M., Moffett A., Teichmann S.A. (2018) Single-cell reconstruction of the early maternal-fetal interface in humans. Nature. 563(7731), 347–353.
  40. Garcia-Flores V., Romero R., Tarca A.L., Peyvandipour A., Xu Y., Galaz J., Miller D., Chaiworapongsa T., Chaemsaithong P., Berry S.M., Awonuga A.O., Bryant D.R., Pique-Regi R., Gomez-Lopez N. (2024) Deciphering maternal-fetal cross-talk in the human placenta during parturition using single-cell RNA sequencing. Sci. Transl. Med. 16(729), eadh8335.
  41. Chiarello D.I., Abad C., Rojas D., Toledo F., Vázquez C.M., Mate A., Sobrevia L., Marín R. (2020) Oxidative stress: normal pregnancy versus preeclampsia. Biochim. Biophys. Acta Mol. Basis Dis. 1866(2), 165354.
  42. Hussain T., Murtaza G., Metwally E., Kalhoro D.H., Kalhoro M.S., Rahu B.A., Sahito R.G.A., Yin Y., Yang H., Chughtai M.I., Tan B. (2021) The role of oxidative stress and antioxidant balance in pregnancy. Mediators Inflamm. 2021, 9962860.
  43. Grzeszczak K., Lanocha-Arendarczyk N., Malinowski W., Ziętek P., Kosik-Bogacka D. (2023) Oxidative stress in pregnancy. Biomolecules. 13(12), 1768.
  44. Wang Z., Zhao G., Zibrila A.I., Li Y., Liu J., Feng W. (2021) Acetylcholine ameliorated hypoxia-induced oxidative stress and apoptosis in trophoblast cells via p38 MAPK/NF-κB pathway. Mol. Hum. Reprod. 27(8), gaab045.
  45. Guo L., Liu M., Duan T. (2023) Hydrogen suppresses oxidative stress by inhibiting the p38 MAPK signaling pathway in preeclampsia. Adv. Clin. Exp. Med. 32(3), 357–367.
  46. Zhang J., Liu X., Gao Y. (2021) Abnormal H3K27 histone methylation of RASA1 gene leads to unexplained recurrent spontaneous abortion by regulating Ras-MAPK pathway in trophoblast cells. Mol. Biol. Rep. 48(6), 5109–5119.
  47. Zhao H., Li Y., Dong N., Zhang L., Chen X., Mao H., Al-Ameri S.A.A., Wang X., Wang Q., Du L., Wang C., Mao H. (2021) LncRNA LINC01088 inhibits the function of trophoblast cells, activates the MAPK signaling pathway and associates with recurrent pregnancy loss. Mol. Hum. Reprod. 27(8), gaab047.
  48. Зенков Н.К., Колпаков А.Р., Меньщикова Е.Б. (2015) Редокс-чувствительная система Keap1/Nrf2/ARE как фармакологическая мишень при сердечно-сосудистой патологии. Сиб. Научный Мед. Журн. 35(5), 5–25.
  49. Kweider N., Huppertz B., Kadyrov M., Rath W., Pufe T., Wruck C.J. (2014) A possible protective role of Nrf2 in preeclampsia. Ann. Anat. 196(5), 268–277.
  50. Liao T., Xu X., Ye X., Yan J. (2022) DJ-1 upregulates the Nrf2/GPX4 signal pathway to inhibit trophoblast ferroptosis in the pathogenesis of preeclampsia. Sci. Rep. 12(1), 2934.
  51. Tantengco A.G., de Castro Silva M., Shahin H., Bento G.F.C., Cursino G.C., Cayenne S., da Silva M.G., Menon R. (2021) The role of nuclear factor erythroid 2-related factor 2 (NRF2) in normal and pathological pregnancy: а systematic review. Am. J. Reprod. Immunol. 86(6), e13496.
  52. Hong K., Muralimanoharan S., Kwak Y.T., Mendelson C.R. (2022) NRF2 serves a critical role in regulation of immune checkpoint proteins (ICPs) during trophoblast differentiation. Endocrinology. 163(7), bqac070.
  53. Illarionov R.A., Pachuliia O.V., Vashukova E.S., Tkachenko A.A., Maltseva A.R., Postnikova T.B., Nasykhova Y.A., Bespalova O.N., Glotov A.S. (2022) Plasma miRNA profile in high risk of preterm birth during early and mid-pregnancy. Genes. 13(11), 2018.
  54. Martinez-Fierro M.L., Garza-Veloz I., Carrillo-Sanchez K., Martinez–Gaytan V., Cortes-Flores R., Ochoa-Torres M.A., Guerrero G.G., Rodriguez-Sanchez I.P., Cancela-Murrieta C.O., Zamudio-Osuna M., Badillo-Almaraz J.I., Castruita-De la Rosa C. (2014) Expression levels of seven candidate genes in human peripheral blood mononuclear cells and their association with preeclampsia. Hypertens. Pregnancy. 33(2), 191–203.
  55. Погорелова Т.Н., Гунько В.О., Никашина А.А., Палиева Н.В., Аллилуев И.А., Ларичкин А.В. (2019) Нарушение регуляции редокс–процессов в плаценте при ее дисфункции. Проблемы репродукции. 25(6), 112–118.
  56. Ivanišević J., Ardalić D., Banjac G., Janać J., Cabunac P., Vekić J., Zeljković A., Spasojević-Kalimanovska V., Karadžov Orlić N., Mandić Marković V., Miković Ž., Stefanović A. (2022) Antioxidant status in hypertensive disorders of pregnancy. Hypertens. Pregnancy. 41(1), 31–38.
  57. Nakamura M., Sekizawa A., Purwosunu Y., Okazaki S., Farina A., Wibowo N., Shimizu H., Okai T. (2009) Cellular mRNA expressions of antioxidant factors in the blood of preeclamptic women. Prenat. Diagn. 29(7), 691–696.
  58. Lin P., Lai X., Wu L., Liu W., Lin S., Ye J. (2021) Network analysis reveals important genes in human placenta. J. Obstet. Gynaecol. Res. 47(8), 2607–2615.
  59. Wang Y., Zhao S., Gu Y., Lewis D.F. (2018) Loss of slit protein nephrin is associated with reduced antioxidant superoxide dismutase expression in podocytes shed from women with preeclampsia. Physiol. Rep. 6(13), e13785.
  60. Ray A., Bhati T., Pradhan D., Arora R., Parvez S., Rastogi S. (2022) Aberrant gene expression of superoxide dismutases in Chlamydia trachomatis-infected recurrent spontaneous aborters. Sci. Rep. 12(1), 14688.
  61. Donabela F.C., Meola J., Padovan C.C., de Paz C.C., Navarro P.A. (2015) Higher SOD1 gene expression in cumulus cells from infertile women with moderate and severe endometriosis. Reprod. Sci. 22(11), 1452–1460.
  62. Vennou K.E., Kontou P.I., Braliou G.G., Bagos P.G. (2020) Meta-analysis of gene expression profiles in preeclampsia. Pregnancy Hypertens. 19, 52–60.
  63. Schierding W., Antony J., Karhunen V., Vääräsmäki M., Franks S., Elliott P., Kajantie E., Sebert S., Blakemore A., Horsfield J.A., Järvelin M.R., O’Sullivan J.M., Cutfield W.S. (2018) GWAS on prolonged gestation (post-term birth): analysis of successive Finnish birth cohorts. J. Med. Genet. 55(1), 55–63.
  64. Xu H., Xie Y., Sun Y., Guo R., Lv D., Li X., Li F., He M., Fan Y., Deng D. (2021) Integrated analysis of multiple microarray studies to identify potential pathogenic gene modules in preeclampsia. Exp. Mol. Pathol. 120, 104631.
  65. Xu Z.P., Wawrousek E.F., Piatigorsky J. (2002) Transketolase haploinsufficiency reduces adipose tissue and female fertility in mice. Mol. Cell. Biol. 22(17), 6142–6147.
  66. Wu Q., Ying X., Yu W., Li H., Wei W., Lin X., Zhang X. (2022) Identification of ferroptosis-related genes in syncytiotrophoblast-derived extracellular vesicles of preeclampsia. Medicine. 101(44), e31583.
  67. Mei S., Qin Q., Wu Q., Sun H., Zheng R., Zang C., Zhu M., Wu J., Shi X., Taing L., Liu T., Brown M., Meyer C.A., Liu X.S. (2017) Cistrome data browser: a data portal for ChIP-Seq and chromatin accessibility data in human and mouse. Nucl. Acids Res. 45(D1), D658–D662.
  68. Иваненко К.А., Прасолов В.С., Хабушева Э.Р. (2022) Транскрипционный фактор SP1 в регуляции экспрессии генов, кодирующих компоненты сигнальных путей MAPK, JAK/STAT и PI3K/AKT. Молекуляр. биология. 56(5), 832–847.
  69. Menon R., Papaconstantinou J. (2016) p38 Mitogen activated protein kinase (MAPK): a new therapeutic target for reducing the risk of adverse pregnancy outcomes. Expert. Opin. Ther. Targets. 20(12), 1397–1412.
  70. Liu H., Wang W., Liu C. (2021) Increased expression of IFN-γ in preeclampsia impairs human trophoblast invasion via a SOCS1/JAK/STAT1 feedback loop. Exp. Ther. Med. 21(2), 112.
  71. Yi J.Z., Chen Z.H., Xu F.H., Wang Z.Y., Zhang H.Q., Jiang G.S., Luan X.Y. (2018) Interferon-γ suppresses the proliferation and migration of human placenta-derived mesenchmal stromal cells and enhances their ability to induce the generation of CD4+CXCR5+Foxp3+ Treg subset. Cell. Immunol. 326, 42–51.
  72. Chen C.P., Piao L., Chen X., Yu J., Masch R., Schatz F., Lockwood C.J., Huang S.J. (2015) Expression of interferon-γ by decidual cells and natural killer cells at the human implantation site: implications for preeclampsia, spontaneous abortion, and intrauterine growth restriction. Reprod. Sci. 22(11), 1461–1467.
  73. Sheibak N., Mahmoudzadeh–Sagheb H., Moudi B., Heidari Z. (2020) Elevated immunoexpression of interferon-gamma in placenta tissue samples from pregnancies complicated with preeclampsia compared to the placenta previa. Pregnancy Hypertens. 22, 175–180.
  74. Jain A., Tuteja G. (2021) PlacentaCellEnrich: а tool to characterize gene sets using placenta cell-specific gene enrichment analysis. Placenta. 103, 164–171.
  75. Vento-Tormo R., Efremova M., Botting R.A., Turco M.Y., Vento-Tormo M., Meyer K.B., Park J.E., Stephenson E., Polański K., Goncalves A., Gardner L., Holmqvist S., Henriksson J., Zou A., Sharkey A.M., Millar B., Innes B., Wood L., Wilbrey-Clark A., Payne R.P., Ivarsson M.A., Lisgo S., Filby A., Rowitch D.H., Bulmer J.N., Wright G.J., Stubbington M.J.T., Haniffa M., Moffett A., Teichmann S.A. (2018) Single-cell reconstruction of the early maternal–fetal interface in humans. Nature. 563, 347–353.
  76. Suryawanshi H., Morozov P., Straus A., Sahasrabudhe N., Max K.E.A., Garzia A., Kustagi M., Tuschl T., Williams Z. (2018) A single-cell survey of the human first trimester placenta and decidua. Sci. Adv. 4(10), eaau4788.
  77. Yagel S., Cohen S.M., Admati I., Skarbianskis N., Solt I., Zeisel A., Beharier O., Goldman-Wohl D. (2023) Expert review: preeclampsia type I and type II. Am. J. Obstet. Gynecol. MFM. 5(12), 101203.
  78. Harris L.K., Benagiano M., D’Elios M.M., Brosens I., Benagiano G. (2019) Placental bed research: II. Functional and immunological investigations of the placental bed. Am. J. Obstet. Gynecol. 221(5), 457–469.
  79. Yao T., Liu Q., Tian W. (2022) Deconvolution of a large cohort of placental microarray data reveals clinically distinct subtypes of preeclampsia. Front. Bioeng. Biotechnol. 10, 917086.
  80. Pawlak J.B., Bálint L., Lim L., Ma W., Davis R.B., Benyó Z., Soares M.J., Oliver G., Kahn M.L., Jakus Z., Caron K.M. (2019) Lymphatic mimicry in maternal endothelial cells promotes placental spiral artery remodeling. J. Clin. Invest. 129(11), 4912–4921.
  81. Campbell K.A., Colacino J.A., Puttabyatappa M., Dou J.F., Elkin E.R., Hammoud S.S., Domino S.E., Dolinoy D.C., Goodrich J.M., Loch-Caruso R., Padmanabhan V., Bakulski K.M. (2023) Placental cell type deconvolution reveals that cell proportions drive preeclampsia gene expression differences. Commun. Biol. 6, 264.
  82. Kang H., Subramaniam M., Targ S., Nguyen M., Maliskova L., McCarthy E., Wan E., Wong S., Byrnes L., Lanata C.M., Gate R.E., Mostafavi S., Marson A., Zaitlen N., Criswell L.A., Ye C.J. (2018) Multiplexed droplet single-cell RNA sequencing using natural genetic variation. Nat. Biotechnol. 36, 89–94.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Дизайн исследования. ФБ – физиологическая беременность; ПЭ – преэклампсия; ПР – преждевременные роды; ЗРП – задержка роста плода; БАС– большие акушерские синдромы; ДЭГ – дифференциально экспрессирующиеся гены.

Скачать (1MB)
Метаданные
3. Рис. 2. Кластеризация образцов, включенных в интегративный анализ. Приведены идентификационные номера набора данных согласно базе данных GEO. Наборы данных, полученные в результате собственных исследований в русской и якутской популяционных выборках, обозначены “OUR_Y” и “OUR_R” соответственно.

Скачать (297KB)
Метаданные
4. Рис. 3. Диаграмма Венна, демонстрирующая общность и специфичность ДЭГ, выявленных при проведении интегративного анализа. ПЭ – преэклампсия, ЗРП – задержка развития плода, ПР – преждевременные роды.

Скачать (355KB)
Метаданные
5. Рис. 4. Белок-белковые взаимодействия продуктов генов, ассоциированных с БАС, по данным анализа транскриптома.

Скачать (540KB)
Метаданные
6. Рис. 5. Анализ топологии генной сети с использованием плагина cytoHubba. Красным цветом выделены центральные гены сети с максимальным коэффициентом связи (ранг).

Скачать (148KB)
Метаданные
7. Рис. 6. Основные сигнальные пути, ассоциированные с мастер-регуляторами.

Скачать (186KB)
Метаданные
8. Рис. 7. Теплокарта, отражающая вариабельность уровня экспрессии ряда генов, ассоциированных с БАС, в клеточных популяциях, идентифицированных в плаценте при анализе данных, полученных ранее Vento-Tormo R. и соавт. [75].

Скачать (461KB)
Метаданные
9. Рис. 8. Основные клеточные популяции, обогащенные генами, ассоциированными с БАС. Специфичность генов для определенного типа клеток идентифицирована на основе проведенного ранее секвенирования единичных клеток. а – Vento-Tormo R. и соавт. [75]; б – Suryawanshi и соавт. [76]. Показатель Fold change отражает изменение кратности обогащения клеток специфичными транскриптами относительно фонового набора генов (подробнее см. [74]).

Скачать (161KB)
Метаданные

© Российская академия наук, 2025