LINC复合体与细胞内机械力传导

细胞作为力学感受器,可以感知、传递施加在其表面的机械力并调整自身力学性能,维持自身稳定。机械力从细胞表面或细胞质传递到细胞核依赖于完整的细胞骨架系统,该系统包括细胞质骨架和细胞核骨架两部分,而LINC复合体则是两者实现机械连接的桥梁,因此其在细胞内机械力传导中发挥着重要作用。综述LINC复合体传导机械力的结构基础和机械力传导引起的细胞核形态、转录因子的出入核以及染色质的空间构象的改变,为进一步探讨LINC复合体在细胞机械力传导过程中的作用及其对基因表达的影响奠定基础。     

转录因子CTCF抑制pro-B细胞中Igκ基因的重排

目的:研究CCCTC位点结合蛋白(CTCF)对Igκ基因重排的影响.方法:采用RNA干扰技术特异性地下调CTCF的表达,然后利用脂多糖(LPS)诱导祖B细胞(pro-B cell) 38B9的分化.利用PCR来定量分析不同的Vκ基因hf24和Vκ21G的重排情况.结果:CTCF在38B9细胞中表达下调后hf24和Vκ21.的重排都有所上升.结论:在pro-B细胞中CTCF对Igκ基因的重排起抑制作用.     

在人类非小细胞肺癌细胞A549中沉默K-Ras降低自噬水平

目的:在人的非小细胞肺癌细胞A549中通过降低K-Ras表达研究其在自噬中的作用.方法:磷酸钙方法转染K-RasshRNA,Western blot检测自噬标志物的变化.结果:在A549细胞中,通过K-Ras-shRNA慢病毒转染显著地降低了K-Ras 的蛋白水平,同时自噬标志物LC3Ⅱ水平降低,自噬调控分子Beclin-1水平降低.结论:K-Ras knockdown引起细胞自噬水平的降低.     

基于塑料薄片建立一步式心血管损伤标志物即时检测免疫分析系统

目的 建立一种简便快速的一步式心血管疾病标志物蛋白质即时检测(POCT)芯片系统。方法 利用光化学反应,在环烯烃共聚物薄片(COC)上合成具有抗非特异性吸附的聚乙二醇甲醚甲基丙烯酸酯(PEGMEMA)层,在接枝后的表面进行非接触式的喷墨打印,形成抗体微阵列。使用紫外光进行引发,探索了不同光照时间和不同聚合物单体浓度下改性COC薄片表面的接触角角度以及聚合物接枝密度的变化。利用原子力显微镜和红外光谱仪表征了光化学反应改性后COC薄片表面的微观形貌和化学结构,并对比了光化学反应改性前后薄片表面的非特异性蛋白吸附情况。进一步探索了合适的抗体喷墨打印浓度及辅剂条件,并在接枝后的表面打印了心血管损伤生物标志物生长刺激表达基因2蛋白(ST2)的固定型捕获抗体和荧光标记的可溶解型抗体。结果 当聚合物单体的质量分数为30%,光照时长为4 min时,接触角降到最低为38.5°,接枝密度达到最大为68.47 μg/cm²。原子力显微镜和红外光谱仪表征均证明了PEGMEMA层的成功引入。表面接枝PEGMEMA层降低了COC薄片的非特异性蛋白吸附量。当固定型捕获抗体为80 mg/L时,固定效率最高。与不同相对分子质量的聚乙二醇(PEG)相比,海藻糖作为辅剂时可溶解型检测抗体与固定型捕获抗体的识别效率更高。当ST2为10 mg/L时,可以观察到溶解后固定斑处有检测抗体结合。结论 通过光化学反应,在COC薄片表面接枝了抗非特异性吸附的PEGMEMA,在接枝后的薄片表面喷墨打印检测所需的抗体试剂,用简易快捷的方法制备形成了一种能够实现一步式检测的蛋白质芯片,可灵活应用于多种场景下心血管疾病标志物蛋白的快速检测,助力心血管精准医学发展。     

在A549细胞中靶向p66ShcshRNA的沉默效应

目的:在人非小细胞肺癌细胞A549细胞中探讨shRNA靶向慢病毒对信号衔接蛋白p66Shc的沉默效应,以更好地研究p66Shc的功能。方法:半定量RT-PCR和Western blot检测p66Shc下调后的变化情况,BrdU标记实验检测细胞的增殖变化情况。结果:在A549细胞中,运用p66Shc-shRNA干扰可以实现p66Shc在mRNA和蛋白水平的下调作用,同时发现A549细胞的增殖显著降低。结论:经过慢病毒载体介导的p66Shc-shRNA在人非小细胞肺癌A549中可获得高效转染效果,并能产生特异性的基因沉默效应,而且对细胞的增殖有显著的抑制作用,为进一步研究p66Shc功能提供了实验手段。     

基于机器学习的Stanford A型主动脉夹层术后院内主要不良事件的风险预测研究

目的基于临床一般变量,使用机器学习方法构建模型,用于预测手术治疗后的Stanford A型主动脉夹层(TAAD)患者院内主要不良事件(MAE)的发生风险。方法纳入2013年1月至2017年12月在北京安贞医院进行手术治疗的TAAD患者1 641例,收集患者个体特征变量、临床体征以及入院首次临床血清标志物等。结局定义为院内MAE,包含院内死亡、夹层后新发急性心脏衰竭、呼吸衰竭、神经系统障碍、急性肾功能衰竭、感染,以及无计划的二次开胸。使用机器学习筛选变量后构建模型;采用受试者工作特征曲线(ROC)分析模型预测院内MAE的能力;使用净重新分类指数(NRI)和整体鉴别指数(IDI)对新模型与临床常用模型进行比较,评价新模型在预测TAAD术后预后方面的改善效果;最后建立列线图预测TAAD术后患者院内MAE发生风险。结果使用机器学习筛选变量,确定了由D-二聚体、肌酸激酶同工酶、尿素、白细胞计数、年龄、异常心电图和手术时间组成的TAAD术后院内MAE的风险预测模型,模型预测院内MAE的ROC曲线下面积为0.776(95%CI 0.718～0.734,P0.001)。与临床常用模型比较,本研究构建的模型其NRI为0.654(95%CI 0.540～0.750,P0.001),IDI为0.136(95%CI 0.117～0.155,P0.001),提高了对TAAD术后院内MAE的预测能力。将模型通过列线图形式呈现,列线图模型评分能够评估TAAD术后发生院内MAE的风险。结论基于机器学习使用患者临床变量构建模型,该模型综合评估患者个体特征变量、炎症水平、脏器受损状况以及手术情况,对TAAD患者术后院内MAE具有预测价值。