2022, Vol. 51文章信息
- 王玲玲, 谢守军, 李爽, 郑华川, 任春丽, 曹秀艳
- WANG Lingling, XIE Shoujun, LI Shuang, ZHENG Huachuan, REN Chunli, CAO Xiuyan
- 基于生物信息学的妊娠期糖尿病关键基因的筛选及验证
- Screening and validation of hub genes in gestational diabetes mellitus based on bioinformatics
- 中国医科大学学报, 2022, 51(10): 889-895
- Journal of China Medical University, 2022, 51(10): 889-895
-
文章历史
- 收稿日期：2022-03-11
- 网络出版时间：2022-09-30 18:22
引用本文 |
2. 承德医学院附属医院中心实验室, 河北 承德 067000;
3. 承德医学院附属医院产科, 河北 承德 067000;
4. 承德市双滦区人民医院检验科, 河北 承德 067000
2. Department of Experimental Center, The Affiliated Hospital of Chengde Medical University, Chengde 067000, China;
3. Department of Maternity, The Affiliated Hospital of Chengde Medical University, Chengde 067000, China;
4. Department of Laboratory Diagnosis, Shuangluan District People's Hospital, Chengde 067000, China
妊娠期糖尿病（gestational diabetes mellitus，GDM）是指妊娠期间出现的糖代谢障碍，病因包括环境、遗传等多种因素[1-2]。随着肥胖、超重人口和高龄孕妇的增加，GDM患病率逐年递增，已达9.3%~19.7%[3]。研究[4]显示，GDM严重危害母婴的健康，增加孕妇高血压、感染、流产、早产、胎儿发育滞后等风险。GDM发病主要与妊娠期的胰岛素分泌不足或作用缺陷相关，但发病机制尚未明确。已有学者[5]发现，脂联素、性激素结合蛋白、血管生成素样蛋白8、CD59分子、血清纤维蛋白凝胶素3、血清糖化纤连蛋白等多种分子与GDM相关。但是，目前关于GDM生物标志物相互作用的网络和机制还不明确。
生物信息学是运用计算机技术和数学思维，同时结合生物学工具来挖掘和阐明各种数据库中隐藏的潜在生物学意义[6]。随着学科的发展和技术的进步，生物信息学可为GDM的研究提供新的思路。迄今为止，尚未见COL4A1、P4HA2与GDM的相关报道。本研究利用生物信息学分析和验证GDM的关键基因，明确GDM的发病机制，进而完善GDM生物标志物网络，为GDM的早期诊断和治疗提供新的策略。
1 材料与方法 1.1 数据来源利用基因表达图谱（Gene Expression Omnibus，GEO）数据库（https://www.ncbi.nlm.nih.gov/geo/）检索，关键词为“gestational diabetes mellitus”。筛选条件为“Homo sapiens” “Expression profiling by array”。选择数据集GSE49524（GSE49524数据集基于GPL7020平台，包括3例GDM患者和3例健康妊娠对照的脐静脉内皮细胞基因表达信息）为分析数据集，数据集GSE103552（GSE103552数据集基于GPL6244平台，包括21例GDM患者和16健康妊娠对照的胎盘内皮细胞基因表达信息）为关键基因验证数据集。
1.2 差异表达基因筛选选择数据集GSE49524，利用在线分析工具GEOR2对GDM样本和健康妊娠样本进行分组和差异表达基因筛选。以|logFC| > 1且P < 0.05为阈值，利用R软件（3.6.3）获得差异表达基因。
1.3 差异表达基因的基因本体（Gene Ontology，GO）与京都基因和基因组数据库（Kyoto Encyclopedia of Genes and Genomes，KEGG）富集分析在仙桃学术网站（https://www.xiantao.love/products）运用R软件（3.6.3版本）、R语言clusterProfiler（3.14.3版本）和org.Hs.eg.db包（3.10.0版本），在调整后的P < 0.05和q < 0.2条件下进行GO和KEGG富集分析。
1.4 蛋白质-蛋白质相互作用（protein-protein interaction，PPI）网络绘制和关键基因筛选利用STRING数据库（https://www.cn.string-db.org/），将差异表达基因输入STRING网站分析工具中，限制“minimum required interaction score”为“high confidence（0.7）”，筛选PPI网络，利用Cytoscape软件（3.7.0版本）绘制PPI网络。利用Cytoscape软件中“MCODE”程序，限制条件为“Degree Cutoff = 2”“Node Score Cutoff = 0.2”“K-Core = 2”“Max. Depth = 100”，评分最高的5个基因为关键基因。
1.5 关键基因验证 1.5.1 数据库验证选择GEO数据库中GSE103552基因芯片数据集进行关键基因表达情况的验证。
1.5.2 实时PCR和ELISA法检测选取PPI网络筛选的关键基因，且验证数据集也显著上调的差异表达基因COL4A1和P4HA2作为验证对象。
1.5.2.1 临床资料及分组选取2018年1月至2021年1月承德医学院附属医院产科住院的GDM孕妇（GDM组）和健康妊娠孕妇（对照组）各50例。纳入标准：GDM组均符合GDM的诊断标准[7]，患者基本资料齐全。排除标准：妊娠前有糖尿病或者其他急、慢性疾病。本研究获得承德医学院附属医院伦理委员会批准，所有患者均知情同意并署知情同意书。2组患者年龄、孕次、产次等指标比较差异无统计学意义（均P > 0.05），见表 1。
| Group | n | Age（year） | Pregnancy | Delivery | Pregnant（week） | BMI（kg/m2） |
| GDM | 50 | 29.12±1.67 | 1.76±1.42 | 0.52±0.15 | 36.52±1.24 | 23.45±1.23 |
| Control | 50 | 30.34±1.92 | 1.84±1.51 | 0.56±0.18 | 37.28±1.13 | 23.50±1.14 |
| t | 1.53 | 1.81 | 0.53 | 1.82 | 0.87 | |
| p | 0.13 | 0.79 | 0.87 | 0.68 | 0.39 | |
| BMI，body mass index. | ||||||
1.5.2.2 实时PCR检测COL4A1和P4HA2 mRNA表达
采集2组孕妇的外周静脉血，收集受试者外周血单个核细胞，-80 ℃保存备用。使用RNA提取试剂盒（中实基因科技有限公司）、cDNA合成扩增试剂盒（天根生化科技有限公司）和实时荧光定量PCR仪（Roche480）完成mRNA检测。实验条件：预变性95 ℃ 15 min，40个循环，95 ℃ 10 s，60 ℃ 20 s，72 ℃ 30 s。利用2-∆∆Ct法计算。PrimerBank（https://www.pga.mgh.harvard.edu/primerbank/）在线设计引物，由北京博迈德基因技术有限公司合成，引物序列见表 2。
| Gene | Sequence（5’-3’） | Product size（bp） |
| GAPDH | F：GTCTCCTCTGACTTCAACAGCG | 131 |
| R：ACCACCCTGTTGCTGTAGCCAA | ||
| COL4A1 | F：GGGATGCTGTTGAAAGGTGAA | 113 |
| R：GGTGGTCCGGTAAATCCTGG | ||
| P4HA2 | F：GGCCTGGTTTGGTGTCCTG | 156 |
| R：GCCCAGCTCTTAATCTTGGAAAG |
1.5.2.3 ELISA法检测COL4A1和P4HA2蛋白表达
采集2组孕妇的外周静脉血，收集受试者血清，-80 ℃保存备用；使用COL4A1 ELISA试剂盒（武汉楚锐科药业科技有限公司）、P4HA2 ELISA试剂盒（武汉菲恩生物科技有限公司）和酶标仪（美国Thermo Fisher Scientific公司）检测血清中COL4A1和P4HA2的水平。
1.6 统计学分析利用SPSS 25.0软件进行数据分析，符合正态分布的计量资料以x±s表示；2组比较采用t检验；非正态分布的计量资料以M（P25~P75）表示，组间比较采用Mann-Whitney U检验，P < 0.05为差异有统计学意义。
2 结果 2.1 差异表达基因的筛选结果显示，共获得GDM差异表达基因99个，其中表达上调69个，表达下调30个，见表 3、4。
| Gene | logFC | P | Gene | logFC | P | |
| FST | 5.80 | 0.000 003 73 | KRT7 | 1.43 | 0.000 831 82 | |
| TGFB2 | 4.29 | 0.009 611 92 | TNS3 | 1.43 | 0.010 676 30 | |
| IGFBP3 | 4.10 | 0.034 416 39 | CDKN2B | 1.42 | 0.031 674 27 | |
| LOC728392 | 3.31 | 0.010 199 68 | FBN2 | 1.40 | 0.010 574 60 | |
| TGFBI | 3.28 | 0.019 832 09 | APCDD1L | 1.39 | 0.026 429 12 | |
| COL3A1 | 3.27 | 0.029 420 82 | ORMDL1 | 1.38 | 0.015 218 75 | |
| PCSK7 | 3.27 | 0.045 566 88 | BAMBI | 1.36 | 0.041 240 15 | |
| IGFBP5 | 3.21 | 0.001 013 05 | ZNF365 | 1.35 | 0.006 344 87 | |
| GJA5 | 3.19 | 0.002 000 28 | COL4A1 | 1.34 | 0.011 174 34 | |
| TFAP2A | 3.18 | 0.032 501 14 | STAT1 | 1.32 | 0.012 443 04 | |
| COL1A1 | 3.00 | 0.037 147 78 | RPL27A | 1.31 | 0.019 690 74 | |
| PNMAL1 | 2.62 | 0.032 911 48 | CD163L1 | 1.28 | 0.000 514 15 | |
| CCND2 | 2.46 | 0.028 727 55 | BCHE | 1.27 | 0.023 537 86 | |
| CNTN1 | 2.43 | 0.032 838 86 | IL15 | 1.25 | 0.012 107 40 | |
| CERKL | 2.39 | 0.025 096 82 | FZD8 | 1.23 | 0.006 917 92 | |
| FOXF1 | 2.32 | 0.007 462 97 | ZNF804A | 1.22 | 0.024 280 76 | |
| MATN2 | 2.20 | 0.024 355 56 | DIRAS3 | 1.19 | 0.020 383 37 | |
| SUSD5 | 2.18 | 0.028 217 22 | TMEM35A | 1.16 | 0.020 763 51 | |
| BDNF | 2.15 | 0.031 950 64 | CRISPLD1 | 1.16 | 0.024 908 30 | |
| CCDC85A | 2.10 | 0.028 722 87 | ICAM1 | 1.16 | 0.029 409 94 | |
| FAT1 | 2.08 | 0.009 534 05 | ALDH1A3 | 1.13 | 0.019 025 53 | |
| COL8A1 | 2.03 | 0.021 644 66 | CARD11 | 1.11 | 0.017 456 05 | |
| ARID5B | 1.83 | 0.027 897 17 | ARMCX2 | 1.11 | 0.019 988 86 | |
| FGF2 | 1.83 | 0.034 817 93 | ROR1 | 1.09 | 0.010 433 98 | |
| CLIC3 | 1.77 | 0.034 079 46 | COL5A2 | 1.09 | 0.018 890 91 | |
| PKP2 | 1.74 | 0.007 380 72 | MIPOL1 | 1.07 | 0.000 046 79 | |
| LOXL1 | 1.69 | 0.002 633 26 | ZC3H8 | 1.07 | 0.007 998 86 | |
| NPPB | 1.64 | 0.046 025 84 | STAT1 | 1.06 | 0.029 457 91 | |
| LTBP1 | 1.61 | 0.037 981 97 | KDELR3 | 1.06 | 0.035 826 04 | |
| LIPG | 1.60 | 0.019 549 51 | FOSL2 | 1.05 | 0.000 566 93 | |
| PTGS1 | 1.57 | 0.007 114 03 | FSTL3 | 1.02 | 0.047 393 97 | |
| FILIP1L | 1.57 | 0.008 992 84 | P4HA2 | 1.01 | 0.001 319 43 | |
| TUSC3 | 1.50 | 0.003 545 77 | LMO1 | 1.01 | 0.002 818 23 | |
| FBN1 | 1.49 | 0.042 675 24 | HLCS | 1.01 | 0.043 099 61 | |
| DMD | 1.45 | 0.041 280 79 |
| Gene | logFC | P | Gene | logFC | P | |
| TAF8 | -1.01 | 0.024 486 58 | LY75 | -1.35 | 0.026 282 69 | |
| OSGEP | -1.02 | 0.003 820 71 | CLIC2 | -1.36 | 0.000 454 88 | |
| ENPP4 | -1.06 | 0.031 598 17 | GPX7 | -1.38 | 0.002 720 63 | |
| MYCN | -1.07 | 0.036 765 84 | ALDH1A2 | -1.50 | 0.000 041 12 | |
| RPH3AL | -1.10 | 0.039 073 83 | C19orf33 | -1.50 | 0.034 505 81 | |
| DDR2 | -1.11 | 0.001 316 22 | AUTS2 | -1.52 | 0.031 380 58 | |
| CGNL1 | -1.11 | 0.018 382 06 | PLEC | -1.58 | 0.017 726 17 | |
| PSMB8 | -1.12 | 0.001 333 37 | MME | -1.65 | 0.041 845 22 | |
| PNMA2 | -1.12 | 0.033 221 94 | FRMD3 | -1.66 | 0.001 933 33 | |
| CCDC69 | -1.14 | 0.032 933 61 | PLAT | -1.66 | 0.015 709 29 | |
| CLEC1A | -1.14 | 0.039 616 89 | C20orf27 | -1.66 | 0.031 688 16 | |
| HMOX1 | -1.15 | 0.004 845 92 | TNFSF18 | -1.79 | 0.025 602 22 | |
| AP1S2 | -1.21 | 0.001 515 36 | NAMPT | -1.80 | 0.001 843 57 | |
| RC3H1 | -1.32 | 0.046 138 62 | USF1 | -2.65 | 0.008 857 09 | |
| PLAC9 | -1.33 | 0.031 198 93 | CYTL1 | -3.83 | 0.006 903 34 |
2.2 差异表达基因GO和KEGG分析
KEEG通路富集显示，差异表达基因参与的信号通路主要包括AGE-RAGE信号通路、TGF-β信号通路和蛋白质消化吸收等信号通路。GO功能分析结果显示，在分子功能上，差异表达基因在血小板衍生生长因子活性、细胞外基质组织结构的抗张性和细胞外基质结构成分等功能上显著富集；在细胞成分上，差异表达基因主要分布在胶原三聚体复合物、内质网腔和细胞外基质中；在生物学过程中，差异表达基因主要参与肾脏系统的发育、细胞外基质组织和细胞外结构组织等生物学过程。见图 1。
|
| BP, biological process; CC, cellular component; MF, molecular function. 图 1 差异表达基因的GO和KEGG富集分析 Fig.1 GO and KEGG analysis of differential expression gene |
2.3 PPI网络的构建和关键基因的筛选
通过STRING和Cytoscape软件，将评分 > 4.5的Module构建99个差异表达基因PPI网络，在cytoHubba插件中选择Top5 nodes ranked by degree，获得5个关键基因，分别为：COL4A1、P4HA2、COL1A1、COL3A1和COL5A2，见图 2。
|
| 图 2 关键基因PPI网络 Fig.2 PPI network of hub genes |
2.4 关键基因的验证
结果显示，在GSE103552基因芯片数据集中，与对照组比较，GDM组COL4A1和P4HA2表达显著上调（均P < 0.05），而COL1A1、COL3A1和COL5A2表达2组差异没有统计学意义（均P > 0.05），见图 3。
|
| 图 3 GSE103552数据集中GDM组与对照组关键基因表达比较 Fig.3 Expression levels of hub genes between the GDM and control groups in GSE103552 datasets |
2.5 实时PCR和ELISA法检测COL4A1和P4HA2 mRNA和蛋白结果
结果显示，与对照组比较，GDM组COL4A1、P4HA2的mRNA和蛋白表达显著增高，差异均有统计学意义（均P < 0.05），见表 5。
| Group | COL4A1 | P4HA2 | |||
| mRNA | Protein（ng/mL） | mRNA | Protein（ng/mL） | ||
| GDM | 0.002（0.001-0.007） 1） | 14.620（10.075-17.100） 2） | 0.001（0-0.002） 2） | 37.250（24.200-41.825） 2） | |
| Control | 0.001（0.000-0.003） | 10.700（5.850-13.125） | 0.000（0-0.001） | 13.950（10.850-22.875） | |
| 1）P < 0.05，2）P < 0.001 vs control group. | |||||
3 讨论
COL4A1的编码基因位于染色体13q34，全长158 199 bp，共有52个外显子，它是人体多种组织结构的重要组成部分，在Ⅳ型胶原蛋白的合成过程中发挥重要作用[8]。有研究[9]发现COL4A1基因与糖尿病的发展有显著相关性；CUROVIC等[10]研究表明COL4A1与糖尿病视网膜病变的发生有关，但是并没有证明其参与了疾病的进一步恶化。另外，研究[11-13]发现COL4A1与肝细胞癌、胃癌和胶质瘤等恶性肿瘤的进展也相关。脊椎动物的脯氨酸4-羟化酶有3个α同工酶，分别是P4HA1、P4HA2、P4HA3[14]。P4HA2是细胞外基质重构的胶原修饰酶成员之一，有研究[15-16]发现P4HA2可以通过胶原依赖的PI3K/AKT信号通路促进上皮-间质转化和胶质瘤恶性转化；也可以通过调节胶原蛋白沉积促进乳腺癌进展和转移。还有研究[17]报道P4HA2与常染色体显性近视相关。
本研究基于GEO数据库中的GSE49524数据集，对3例GDM患者和3例健康妊娠对照的脐静脉内皮细胞基因表达信息进行分析，共筛选出差异表达基因99个，其中表达上调69个，表达下调30个。应用STRIN和Cytoscape软件构建了PPI网络，共获得COL4A1、P4HA2、COL1A1、COL3A1和COL5A2 5个关键基因。对5个关键基因验证的结果显示，与对照组比较，COL4A1和P4HA2表达显著上调（均P < 0.05），表明COL4A1和P4HA2可能参与了GDM的发生过程，与以往研究结果一致。
为了进一步研究GDM发病的可能机制，本研究GO和KEGG富集分析结果显示，差异表达基因在细胞外基质组织结构的抗张性、细胞外基质结构成分、胶原三聚体复合物、细胞外基质组织和细胞外结构组织等部分富集。细胞外基质是由结构蛋白、蛋白聚糖、生长因子/细胞因子和酶等组成的三维网络，主要成分是胶原蛋白，形成生物活性支架，为细胞提供结构和生化支持。目前已发现的胶原蛋白有28种，其中Ⅳ型胶原蛋白是细胞基底膜的重要组成部分，广泛分布于全身各处；细胞外基质中胶原蛋白的调控可以作为疾病治疗的靶点[18]。GDM是妊娠期常见的病症之一，世界卫生组织已经将其列为糖尿病的独立类型，其发病机制与糖尿病有许多相似之处。研究[19]显示，在糖尿病发生和发展过程中，细胞外基质蛋白表达发生变化，导致细胞外基质网络的结构改变以及细胞-细胞外基质和细胞-细胞相互作用的改变。随后，这些变化导致糖尿病相关并发症（肾病、视网膜病变和糖尿病心肌病）的发生。关于糖尿病相关心脏细胞外基质表达的研究[19]表明，糖尿病相关心脏病和非糖尿病相关心脏病2组患者心脏中Ⅰ型、Ⅲ型和Ⅵ型胶原蛋白的含量均增加；但2组间仅Ⅲ型胶原表达有显著差异，未检测到Ⅳ和Ⅴ胶原蛋白的增加；糖尿病诱导的细胞外基质重构也可能影响心肌病、动脉粥样硬化、颈动脉疾病和间质纤维化的发展。在糖尿病心肌病中，过量的胶原沉积，尤其是Ⅰ、Ⅲ和Ⅳ型胶原沉积，会导致左心室功能受损[19]。四氧嘧啶诱导的大鼠糖尿病模型研究[19]显示，与Ⅰ型胶原和Ⅳ型胶原以及其他细胞外基质蛋白比较，Ⅵ型胶原蛋白显著增加。因此推测COL4A1和P4HA2等差异表达基因可能通过细胞外基质相关通路在GDM的疾病发展过程中发挥作用。
综上所述，本研究利用生物信息学分析和验证了GDM的关键基因，分别为COL4A1、P4HA2、COL1A1、COL3A1和COL5A2。其中COL4A1和P4HA2上调可能促进了GDM的发生。COL4A1和P4HA2可能是GDM的潜在生物学标志物，本研究为GDM的诊断及个性化治疗提供一定理论支持。由于本研究的样本量相对较小，可能存在一定的局限性，所以研究结果尚需扩大样本量进行临床实验验证。
| [1] |
LEE KW, CHING SM, RAMACHANDRAN V, et al. Prevalence and risk factors of gestational diabetes mellitus in Asia: a systematic review and meta-analysis[J]. BMC Pregnancy Childbirth, 2018, 18(1): 494. DOI:10.1186/s12884-018-2131-4 |
| [2] |
FERROCINO I, PONZO V, PELLEGRINI M, et al. Mycobiota composition and changes across pregnancy in patients with gestational diabetes mellitus (GDM)[J]. Sci Rep, 2022, 12(1): 9192. DOI:10.1038/s41598-022-13438-0 |
| [3] |
WANG LY, YAN B, SHI XL, et al. Age at menarche and risk of gestational diabetes mellitus: a population-based study in Xiamen, China[J]. BMC Pregnancy Childbirth, 2019, 19(1): 138. DOI:10.1186/s12884-019-2287-6 |
| [4] |
PLOWS JF, STANLEY JL, BAKER PN, et al. The pathophysiology of gestational diabetes mellitus[J]. Int J Mol Sci, 2018, 19(11): 3342. DOI:10.3390/ijms19113342 |
| [5] |
李俊娴, 刘芳. 妊娠期糖尿病分子预测研究进展[J]. 中华医学杂志, 2020, 100(14): 1117-1120. DOI:10.3760/cma.j.cn112137-20190910-02000 |
| [6] |
张慧, 东莉洁, 王琼, 等. 生物信息学方法在眼底疾病中的应用研究现状[J]. 中华眼底病杂志, 2020, 36(7): 570-575. DOI:10.3760/cma.j.cn511434-20181203-00412 |
| [7] |
谢幸, 孔北华, 段涛. 妇产科学[M]. 9版. 北京: 人民卫生出版社, 2018: 105-110.
|
| [8] |
WANG HB, LIU ZD, LI A, et al. COL4A1 as a novel oncogene associated with the clinical characteristics of malignancy predicts poor prognosis in glioma[J]. Exp Ther Med, 2021, 22(5): 1224. DOI:10.3892/etm.2021.10658 |
| [9] |
RIZVI S, RAZA ST, MAHDI F. Association of genetic variants with diabetic nephropathy[J]. World J Diabetes, 2014, 5(6): 809-816. DOI:10.4239/wjd.v5.i6.809 |
| [10] |
CUROVIC VR, MAGALHÃES P, HE TL, et al. Urinary peptidome and diabetic retinopathy in the DIRECT-Protect 1 and 2 trials[J]. Diabet Med, 2021, 38(9): e14634. DOI:10.1111/dme.14634 |
| [11] |
WANG T, JIN HJ, HU JY, et al. COL4A1 promotes the growth and metastasis of hepatocellular carcinoma cells by activating FAK-Src signaling[J]. J Exp Clin Cancer Res, 2020, 39(1): 148. DOI:10.1186/s13046-020-01650-7 |
| [12] |
LI T, GAO XJ, HAN L, et al. Identification of hub genes with prognostic values in gastric cancer by bioinformatics analysis[J]. World J Surg Oncol, 2018, 16(1): 114. DOI:10.1186/s12957-018-1409-3 |
| [13] |
MUTO K, MIYAMOTO R, TERASAWA Y, et al. A novel COL4A1 variant associated with recurrent epistaxis and glioblastoma[J]. Hum Genome Var, 2021, 8(1): 18. DOI:10.1038/s41439-021-00150-0 |
| [14] |
SHI R, GAO SS, ZHANG J, et al. Collagen prolyl 4-hydroxylases modify tumor progression[J]. Acta Biochim Biophys Sin (Shanghai), 2021, 53(7): 805-814. DOI:10.1093/abbs/gmab065 |
| [15] |
LIN J, JIANG L, WANG XG, et al. P4HA2 promotes epithelial-to-mesenchymal transition and glioma malignancy through the collagen-dependent PI3K/AKT pathway[J]. J Oncol, 2021, 2021: 1406853. DOI:10.1155/2021/1406853 |
| [16] |
XIONG GF, DENG L, ZHU JQ, et al. Prolyl-4-hydroxylase α subunit 2 promotes breast cancer progression and metastasis by regulating collagen deposition[J]. BMC Cancer, 2014, 14: 1. DOI:10.1186/1471-2407-14-1 |
| [17] |
NAPOLITANO F, DI IORIO V, TESTA F, et al. Autosomal-domi-nant myopia associated to a novel P4HA2 missense variant and defective collagen hydroxylation[J]. Clin Genet, 2018, 93(5): 982-991. DOI:10.1111/cge.13217 |
| [18] |
SCHWARZ D, LIPOLDOVÁ M, REINECKE H, et al. Targeting inflammation with collagen[J]. Clin Transl Med, 2022, 12(5): e831. DOI:10.1002/ctm2.831 |
| [19] |
LAW B, FOWLKES V, GOLDSMITH JG, et al. Diabetes-induced alterations in the extracellular matrix and their impact on myocardial function[J]. Microsc Microanal, 2012, 18(1): 22-34. DOI:10.1017/s1431927611012256 |