基于生物信息學篩選急性心肌梗死后心力衰竭差異表達基因及潛在干預中藥

喬利杰,王建茹,李 彬,朱明軍

急性心肌梗死(acute myocardial infarction,AMI)是由于動脈斑塊破裂、潰瘍、糜爛或夾層,引起一支或多支冠狀動脈血栓形成,從而出現急性、持續性缺血缺氧所引起的心肌壞死[1],是世界范圍內的主要死亡原因,被稱為危害人類健康的“頭號殺手”之一[2]。心力衰竭(heart failure,HF)是急性心肌梗死的嚴重并發癥。流行病學調查顯示,心肌梗死后30 d和心肌梗死后5年心力衰竭的發生率分別高達23.1%、31.9%,院內死亡率為12.2%,出院1年死亡率為26.6%[3-4]。可見急性心肌梗死后心力衰竭(heart failure post-acute myocardial infarction,HFpAMI)的高發病率和高死亡率嚴重威脅著病人的生命與健康[5]。

現代醫學治療HFpAMI以改善病人臨床癥狀、減緩心室重構、降低再住院率及死亡率為主,隨著對發病機制的深入研究,藥物治療與非藥物治療都有了長足的進步。但長期用藥容易產生耐藥性,且存在發生惡性心律失常、水電解質紊亂等風險,再加上高昂的治療費用,不僅影響病人生活質量,也給病人帶來了心理及經濟上的雙重負擔[6-7]。進一步探討HFpAMI的發病機制,挖掘潛在作用靶點,探索新的治療方法至關重要。近年來,隨著中醫學對HFpAMI的認識,大量研究表明,中藥可改善HFpAMI病人心功能,減緩心室重構進程,改善預后,但用藥規律方面尚缺乏系統的了解[8-9]。目前,生物信息學技術已被用于篩選多種心血管疾病潛在生物學標志及調控靶點[10-11],但對HFpAMI的研究較少。因此,利用生物信息學技術分析HFpAMI的差異表達基因,進一步探討可能的發病機制,預測潛在干預中藥,歸納用藥規律具有重要的意義。

本研究通過基因表達綜合數據庫(gene expression omnibus,GEO)獲取GSE59867數據集,利用生物信息學分析方法篩選HFpAMI與非心力衰竭的差異表達基因(differentially expressed genes,DEGs),并對 DEGs進行功能和通路的富集分析,從而探究HFpAMI的病理機制。利用基于本體的醫學信息檢索平臺(Coremine Medical)數據庫預測干預HFpAMI的中藥,并歸納總結用藥規律。同時,通過加權基因共表達網絡分析(weighted gene co-expression network analysis,WGCNA)獲取與臨床性狀相關性最高的基因模塊,再與DEGs取交集后獲得次Hub基因,通過String數據庫及Cytoscape軟件構建蛋白-蛋白互作(protein protein interaction,PPI)網絡并篩選出Hub基因,通過corrplot包和pROC包分析Hub基因之間的相關性,評價Hub基因診斷HFpAMI的效能,并運用GSEA 4.1.0軟件對單個Hub基因進行基因富集分析(gene set enrichment analysis,GSEA)。本研究致力于探討HFpAMI的發病機制,并為其中藥干預提供一定的理論依據。

1 資料與方法

1.1 數據下載與預處理

從GEO數據庫(http://www.ncbi.nlm.nih.gov/geo/)中下載GSE59867數據集和GPL6244-17930平臺文件。采用Affymetrix Human Gene 1.0 ST Array檢測病人外周血單核細胞基因的表達情況。數據集包括111例ST段抬高型心肌梗死(STEMI)病人4個時點(入院、出院、心肌梗死后1個月和心肌梗死后6個月)以及46例無心肌梗死病史的穩定型冠狀動脈疾病病人的外周血樣本。同時,依據血漿N末端腦利鈉肽前體(NT-proBNP)水平和左室射血分數(LVEF)將STEMI后病人分為心力衰竭組和非心力衰竭組。本研究選取了其中入院時點的8個非心力衰竭樣本和9個心力衰竭樣本進行后續研究。依據GPL6244-17930平臺文件對選取樣本的表達數據進行注釋,將探針矩陣轉化為基因矩陣。若基因對應多個探針則取其均值,剔除表達量為0的基因。再利用Normalize Between Arrays函數對數據進行矯正。

1.2 DEGs的篩選及其富集分析

利用Limma包,以|log(fold change,FC)|>0.585和P<0.05為閾值篩選DEGs,并采用clusterProfiler包對獲取的DEGs進行基因本體(gene ontology,GO)和京都基因與基因組百科全書(Kyoto Encyclopedia of Genes and Genomes,KEGG)通路富集分析。同時,利用ggplot2包繪制氣泡圖對結果進行可視化。

1.3 預測干預DEGs的中藥

在Coremine Medical數據庫(https://coremine.com/medical/)中獲取DEGs所映射的中藥,以P<0.05為篩選條件,并通過中醫藥整合藥理學研究平臺V2.0(http://www.tcmip.cn/)、中國醫藥信息查詢平臺(https://www.dayi.org.cn/)、《中國藥典》2020年版、《中藥大辭典》第2版中檢索其性味歸經功效等信息,統計分析中藥性味歸經出現的頻次和頻率、中藥對應的靶點數目,歸納總結中藥的藥物類別。若中藥的性味歸經不止一個,則要全部如實記錄。頻率=出現頻次/總頻次×100%。

1.4 WGCNA

利用R語言中的WGCNA軟件包對預處理后的8個非心力衰竭樣本和9個心力衰竭樣本的數據進行分析。首先,依據最佳軟閾值β來構建共表達網絡,依次轉化為鄰接矩陣、拓撲重疊矩陣,并繪制層次聚類樹;其次,通過動態剪切樹的方法識別基因模塊(最小模塊大小設為30);然后,對模塊進行聚類分析,將相似模塊合并成新的共表達模塊(height設置為0.25);最后,將共表達模塊與臨床性狀(樣本分組信息)進行關聯分析,選擇與其高度相關的模塊進行后續分析[12]。篩選條件設為模塊特征相關系數的絕對值≥0.5,P<0.05。

1.5 次Hub基因的獲取

將篩選出的DEGs分別與選取的與臨床性狀相關高的模塊基因取交集,獲取次Hub基因,結果用Ggplot 2包繪制的韋恩圖進行可視化。

1.6 Hub基因PPI網絡的構建及模塊分析

將次Hub基因上傳至STRING 數 據 庫(https://string-db.org/),進行PPI分析,并將結果導入Cytoscape 3.7.2軟件構建PPI網絡。然后,利用MCODE插件以默認參數(Degree cut-off=2,node score cut-off=0.2,Max depth=100,k-score=2)為標準對其進行模塊分析,篩選最重要的子模塊。

1.7 Hub基因的篩選

利用CytoHubba插件對PPI網絡進行分析,以度值(Degree)算法來篩選Hub基因。依據Hub基因在心力衰竭組和非心力衰竭組的表達量,分別利用corrplot包和pROC包分析Hub基因之間的相關性,評價Hub基因診斷HFpAMI的效能。

1.8 單個Hub基因的基因集富集分析

分別以每個Hub基因在GSE59867數據集中所有樣本表達量的中位數為依據,將數據集中的基因分為Hub基因高表達組和低表達組;然后,利用GSEA 4.1.0軟件,選擇c2.cp.kegg.v7.4.symbols.gmt作為參考基因集,選擇默認參數進行基因富集分析。篩選標準化富集得分(normalized enrichment score,NES)的絕對數>1、名義P<0.05和錯誤發現率(false discovery rate,FDR)<0.25的基因集作為陽性基因集。

2 結 果

2.1 DEGs的篩選及其富集分析結果

差異分析結果顯示,以|logFC|>0.585和P<0.05為篩選條件,篩選出140個DEGs,其中上調55個、下調85個。繪制數據集中基因差異表達的火山圖和前20個DEGs的熱圖,每個點代表1個基因,黑色點為表達無差異的基因,紅色點為上調的DEGs,綠色點為下調的DEGs。詳見圖1、圖2。利用clusterProfiler包、org.Hs.eg.db包等將篩選出的DEGs進行功能富集分析和可視化,詳見圖3、圖4。GO功能富集分析結果顯示,依據P<0.05確定了267個GO條目;生物學過程(biological process,BP)條目為221條,主要涉及細胞間黏附的調節、白細胞和T細胞活化的調控、炎癥反應的調控等;細胞組分(cellular component,CC)條目為20條,主要涉及細胞質膜的外部、血小板α顆粒、三級顆粒等;分子功能(molecular function,MF)條目為26條,主要涉及細胞外結合基質蛋白、表皮生長因子受體結合、細胞因子受體活性、分子適配器活性等。KEGG通路富集分析結果顯示,依據P<0.05共映射出了13條信號通路,其中與心力衰竭密切相關的有細胞外基質(ECM)-受體相互作用、磷脂酰肌醇3激酶/蛋白激酶3(PI3K/AKT)信號通路、黏著斑、T細胞和B細胞受體信號通路等。

表1 單個Hub基因GSEA結果

圖1 DEGs的火山圖

圖2 前20個DEGs的熱圖

圖3 DEGs的GO富集分析氣泡圖

圖4 DEGs的KEGG通路富集分析氣泡圖

2.2 WGCNA結果

為了確定能夠使鄰接函數較好滿足無尺度條件且R2>0.8的軟閾值(β值),本研究對1～20 的參數值開展了網絡拓撲分析,結果顯示最佳β值為9(見圖5)。利用動態剪切樹法初步識別模塊,合并相似模塊后,共得到16個含有不同基因數目的基因模塊(見圖6)。在各基因模塊與臨床性狀的相關性方面,darkturquoise模塊與臨床性狀的相關性最高(|R|=0.66,P=0.004),其次為steelblue 模塊(|R|=0.58,P=0.01)和salmon模塊(|R|=0.51,P=0.04),其余模塊與臨床性狀的相關性為弱相關或不相關(見圖7)。因此,本研究選擇這3個模塊中的基因開展后續研究。

圖5 網絡拓撲分析結果

圖6 基因聚類樹與基因模塊

圖7 臨床性狀與基因模塊的相關性熱圖[相關性系數(P值)]

2.3 次Hub基因的獲取

DEGs與darkturquoise模塊的交集基因為19個;與steelblue 模塊的交集基因為15個,與salmon模塊的交集基因為38個;所有交集基因匯總后共得到72個次Hub基因。詳見圖8。

圖8 次Hub基因的韋恩圖

2.4 次Hub基因PPI網絡構建、模塊分析

經STRING數據庫對次Hub基因進行PPI分析后,利用Cytoscape軟件構建了PPI網絡。該網絡包括160條邊和48個節點。MCODE插件分析結果顯示,共獲得4個子模塊,其中模塊1(score為6.667)最為重要,seed基因為CD24。詳見圖9。

圖9 次Hub基因PPI網絡構建、模塊分析及Hub基因篩選網格圖

2.5 Hub基因的篩選

利用cytoHubba插件中的Degree算法在PPI網絡中共篩選出10個Hub基因,即分化抗原28(cluster of differentiation 28,CD28)、原癌基因c-Fos(proto-oncogene c-Fos,FOS)、白細胞介素-2受體α亞型(interleukin-2 receptor subunit alpha,IL2RA)、B淋巴細胞抗原CD20(B-lymphocyte antigen CD20,MS4A1)、Rho相關GTP結合蛋白(Rho-related GTP-binding protein RhoH,RHOH)、分化抗原24(cluster of differentiation 24,CD24)、假定P2Y嘌呤受體10(putative P2Y purinoceptor 10,P2RY10)、二肽基肽酶4(dipeptidyl peptidase 4,DPP4)、血小板反應蛋白-1(thrombospondin-1,THBS1)、2型補體受體(complement receptor type 2,CR2)。所有Hub基因之間都存在一定的相關,其中RHOH和FOS之間的負相關性最強;CD28和DPP4之間的正相關性最強(見圖10)。本研究繪制了單個Hub基因的受試者工作特征曲線(ROC)以評價Hub基因診斷HFpAMI的能力,ROC 曲線下面積(AUC)結果表明,所有Hub基因均表現出了良好的診斷性能。詳見圖11。

圖10 Hub基因之間的相關性熱圖(相關系數)

圖11 單個Hub基因的ROC曲線圖

2.6 單個Hub基因GSEA結果

為了更好地理解Hub基因在HFpAMI病理過程中的作用,對每個Hub基因進行了GSEA。結果顯示,以|NES|>1、P<0.05 和FDR<0.25為篩選條件共發現19條信號通路,涉及免疫損傷和炎癥介導的多個生物學過程及信號通路,其中以補體及凝血級聯最為關鍵,CD28高表達組富集到8個基因集,低表達組未富集到陽性基因集;DPP4高表達組富集到1個基因集,低表達組未富集到陽性基因集;FOS高表達組富集到2個基因集,低表達組未富集到陽性基因集;IL2RA高表達組富集到2個基因集,低表達組未富集到陽性基因集;P2RY10低表達組富集到1個基因集,高表達組未富集到陽性基因集;THBS1高表達組富集到5個基因集,低表達組未富集到陽性基因集;而MS4A1、RHOH、CD24、CR2在其高低表達組均未富集到陽性基因集。詳見表1。

2.7 DEGs的中藥預測

將140個DEGs輸入到Coremine Medical數據庫中,并以P<0.05為條件,篩選后共獲得275味中藥,有30味中藥未收集到歸經,1味藥未收集到性味,2味藥未收集到性味、歸經信息,14味藥未收集到性味、歸經、功效;性微溫者3味,微寒者11味,均按性溫、性寒記錄;藥味微酸者2味,微甘者4味,微辛者1味,微苦者8味、微澀者1味、微咸者1味均按味酸、味甘、味辛、味苦、味澀、味咸記錄。經統計后發現,具有調控DEGs的中藥在藥味方面以苦味的出現頻次和頻率最高,其次為甘味和辛味;在藥性方面,以性溫的出現頻次和頻率最高,其次為性寒和性平。詳見表2。在歸經方面,以肝經的出現頻次和頻率最高,其次為脾經、肺經和胃經。詳見圖12;藥物類型方面,以補虛藥出現頻次和頻率最高,其次是清熱藥、活血化瘀藥。詳見圖13。對中藥對應的靶點數進行統計,發現對應靶點數最多的中藥為魚腦石、水牛角、三七葉、三七花、三七等。詳見圖14。

表2 預測中藥的性味分布

圖12 干預DEGs中藥的歸經分布圖

圖13 干預DEGs中藥的功效分布的柱狀圖

圖14 干預DEGs靶點數≥3個的中藥條形圖

3 討 論

近年來,雖然對HFpAMI的發病機制進行了深入的探索,其治療手段也有了長足的進展,但HFpAMI病人全因死亡率、心血管事件發生率和再住院率仍未有明顯改善[13-14]。因此,進一步探究HFpAMI的發病機制,尋找新的靶點以改善病人預后為當務之急。本研究通過生物信息學分析方法對GSE59867數據集中HFpAMI與非心力衰竭的DEGs進行篩選,共獲取了140個DEGs。GO富集分析結果顯示:DEGs的生物學過程與分子功能主要與細胞間黏附的調節、白細胞和T細胞活化的調控、炎癥反應的調控、細胞外結合基質蛋白、表皮生長因子受體結合、細胞因子受體活性、分子適配器活性等方面有關。KEGG通路富集結果顯示,HFpAMI主要涉及細胞外基質-受體相互作用、PI3K-AKT信號通路、黏著斑、T細胞和B細胞受體信號通路等相關通路。ECM是由大分子構成的錯綜復雜的網絡,可與細胞質膜上的ECM受體結合,通過信號轉導系統對細胞的形狀、代謝、功能、遷移、增殖和分化產生重要的影響。研究顯示,ECM在HFpAMI后的心臟重構過程中起著關鍵作用[15]。在多種因素的刺激下,激活的成纖維細胞會引起ECM重構,從而改變心臟的功能與結構[16]。PI3K-AKT信號通路生物學效應廣泛,可參與細胞分裂、增殖、凋亡、代謝等活動[17]。研究顯示,miR-146a可能通過抑制PI3K/AKT信號通路發揮其促進心肌細胞凋亡的作用[18]。除此之外,PI3K-AKT信號通路對心肌細胞能量代謝、炎癥反應、鈣離子在肌漿網與胞質之間的運輸等方面均有影響[19]。T細胞和B細胞受體信號通路是重要的免疫炎癥相關通路。免疫炎癥反應通過促炎性細胞因子參與心力衰竭的發生、發展。HFpAMI的嚴重程度與免疫細胞數量變化、炎性相關單核細胞水平密切相關[20]。以上富集分析結果表明,HFpAMI的病理機制與免疫損傷和炎癥介導相關,與既往研究[5]相一致。

WGCNA可以對復雜機制和數據集進行多基因分析,探索樣本間表達譜的相似性,獲取協同表達的基因模塊,并建立模塊基因與臨床性狀之間的關聯,構建基因共表達網絡。目前,WGCNA分析方法已經被廣泛應用于識別多種疾病的潛在生物學標志和治療靶點方面[21-22]。本研究通過WGCNA共識別出16個基因模塊,挑選出與臨床正負相關性最強的3個基因模塊與DEGs取交集后,得到了72個次Hub基因,構建次Hub基因的PPI網絡后,共鑒定出10個Hub基因(即MS4A1、RHOH、CD24、CR2、CD28、FOS、IL2RA、P2RY10、DPP4、THBS1)。本研究利用ROC曲線評價了單個Hub基因診斷HFpAMI的能力,分析結果表明所有Hub基因的AUC值均>0.7,表現出了良好的診斷性能,從側面驗證了研究結果的科學性與可靠性。CD24是一種糖基磷脂酰肌醇錨定分子,既可以作為共刺激分子參與自身性免疫過程,又可以作為炎癥負反饋分子,發揮抑制炎癥反應的作用[23-25]。CD28可促進T細胞的增殖和分化;FOS可在心肌細胞缺血缺氧、血流動力學障礙的誘導下快速表達,致使心肌蛋白比例改變從而導致心肌細胞損傷,促使心肌細胞重塑的各種細胞外信號通過多條信號轉導途徑引起細胞應答[26]。IL2RA可通過影響IL-2R蛋白的表達,控制T細胞免疫反應[27]。MS4A1基因可以編碼B細胞表面抗原CD20,而CD20可以通過核轉錄因子-κB(NF-κB)信號通路影響 B 細胞的生物活性[28]。有研究證實,抑制 B 細胞的功能可以明顯減輕HFpAMI的發生與進展[29]。RHOH是miR-3646的下游靶點,研究顯示阻斷RHOH的表達可以上調白細胞介素-6(IL-6)的表達,此外,miR-3646可以通過靶向RHOH促進血管平滑肌細胞(VSMC)的增殖和遷移,因此,調節miR-3646和RHOH的表達可能是減少炎癥、減少VSMC增殖和遷移、改善血管損傷后內皮再生的很有前途的手段[30]。DPP4是一種廣泛表達的跨膜糖蛋白,它可以通過細胞內信號傳導、代謝、氧化應激、免疫過程、炎癥等方面影響動脈粥樣硬化進程[31]。THBS1可與纖維蛋白原、纖維連接蛋白、層粘連蛋白、V型膠原、整合素、CD47及CD36等結合,參與細胞與細胞、細胞與基質之間的相互作用,在血小板聚集、血管生成等方面亦有一定的影響[32-33]。CR2主要分布于B淋巴細胞膜上,它與不同的配體結合,廣泛參與免疫應答、組織修復及炎癥反應等過程[34]。以上基因均以不同的方式參與了HFpAMI的病理過程,P2RY10在HFpAMI發展過程中的作用仍需進一步探討。此外,Hub基因間相關性分析結果可見RHOH和FOS之間的負相關性最強;CD28和DPP4之間的正相關性最強,目前,對于Hub基因間相互作用的研究仍然較少,本研究可為后續的研究提供一些參考。

本研究對單個Hub基因進行GSEA分析,共發現了19條KEGG通路,與以上DEGs富集分析所得通路相交,最終獲得一條共同通路:補體和凝血級聯,提示該通路與HFpAMI密切相關。人體補體及凝血級聯系統由肝臟產生凝血物質與血管內皮系統共同維持,包括凝血、抗凝、纖溶、補體激活4個過程,維持人體血液的正常流動[35-36]。補體系統是先天性免疫的主要系統,研究顯示多種補體成分可通過影響炎癥反應、血管重塑、血栓形成等過程,參與動脈粥樣硬化性心血管疾病(ASCVD)的發生和發展[37]。凝血系統中的凝血相關因子能通過特定受體介導血管系統炎癥級聯反應的信號傳遞發揮其促炎效應[38]。以上結果同樣提示HFpAMI的病理機制與免疫損傷和炎癥介導相關。

中醫學古籍中并無明確HFpAMI的記載,其臨床癥狀與頸動脈、喘疾咳、足脛腫、心下堅、氣短乏力、尿少等心力衰竭的描述相符合,《慢性心力衰竭中西醫結合診療專家共識》[39]認為慢性心力衰竭為本虛標實之證,本虛以氣虛為主,兼陽虛、陰虛;標實以血瘀為主,兼水飲、痰濁。AMI在中醫學上可歸屬于胸痹、真心痛的范疇,為虛實夾雜之證,其基本病機為心脈閉阻不通,心失所養,虛證以心氣虛為主,實證以血瘀為主,臨床多為氣虛血瘀證候[40]。由此可見,HFpAMI以氣虛血瘀為基本病機,益氣活血是其主要治則[41]。

本研究結果顯示,通過干預HFpAMI的DEGs的中藥藥性多為性溫、性寒,藥味以苦、甘多見,多歸為肝、脾、肺經,對應靶點數最多的中藥為魚腦石、水牛角、三七、三七葉、三七花等,藥物類型中以補虛藥、清熱藥、活血化瘀藥使用頻次最高。性寒者清熱、解毒、涼血、消腫,性熱者止痛、散寒、補虛、助陽;味苦者瀉火、燥濕、通泄、下降,微甘者滋補、和中、緩急。肝主疏泄、藏血,具有調暢氣機、情志,協調脾胃的升降,貯藏血液和調節血流量的功能。脾為后天之本,氣血生化之源,具有運化水谷精微與統攝血液的功能。肺主氣,司呼吸,朝百脈主治節。三臟共同調節全身氣血的生成、運行與氣機的升降。魚腦石利水滲濕、通淋;水牛角清熱涼血、解毒;三七散瘀止血、消腫止痛。高瑞敏等[42]研究顯示三七總皂苷可通過下調心肌組織中磷酸化c-jun氨基末端激酶(p-JNK)及磷酸化胞外信號調節激酶(p-ERK)和p-p38蛋白表達水平,抑制血清炎性因子分泌,從而抑制心肌細胞凋亡。三七葉總皂苷與三七花總皂苷的共有成分人參皂苷Rb3可通過激活抗氧化信號通路、改善心肌缺血、抑制細胞凋亡等途徑保護心肌細胞[43-44]。李志偉[45]研究發現溫陽藥物附子、肉桂和益氣藥物人參、黃芪均可改善HFpAMI大鼠心功能。榮仔萍[46]研究發現清熱養陰類湯藥(清營湯)可明顯改善熱盛陰虛心力衰竭大鼠心臟力學指標左心室等容收縮(LVSP)、心室壓力上升的最大速率(+dp/dtmax)、等容舒張期(LVEDP)、心室壓力下降的最大速率(-dp/dtmax)。王金秀等[47]報道用益氣活血類湯藥(通脈湯)可以改善HFpAMI病人的中醫證候積分、腎素、血管緊張素Ⅱ、醛固酮水平。

綜上所述,本研究挖掘的中藥性味、歸經、規律與HFpAMI的病機相吻合,藥物類型也與主要治則一致,且有大量研究證實補虛、清熱、活血類藥物可有效緩解HFpAMI病人臨床癥狀。本研究尚存在一些不足之處:1)納入分析的HFpAMI的數據集來源于GEO 數據庫,該數據庫收集的相關數據集樣本數量有限,可能由于樣本量過少導致分析結果存在一定的誤差。2)一些DEGs在Coremine Medical數據庫中未找到對應的中藥,某些藥物未找到性味歸經、功效等相關信息,可能導致中藥預測結果存在偏倚。3)本研究著重于理論探討,后期需要更多臨床及動物實驗對所預測的靶點、通路以及中藥應用加以驗證。總之,本研究通過生物信息學技術發現HFpAMI的病理過程可能與MS4A1、RHOH、CD24、CR2、CD28、FOS、IL2RA、P2RY10、DPP4、THBS1等Hub基因有關,涉及免疫損傷和炎癥介導的多個生物學過程及信號通路,其中以補體及凝血級聯最為關鍵。預測干預HFpAMI的中藥藥性多為溫、寒,藥味多為苦、甘,多歸屬于肝、脾、肺經,以補虛藥、清熱藥、活血化瘀藥為主。本研究為后續進一步探討HFpAMI的病理機制及其藥物的研究提供了潛在靶點,也為中醫藥治療HFpAMI的遣方用藥提供了參考。