Stanford A型、B型主动脉夹层遗传学机制的差异性研究

来源 :华中科技大学 | 被引量 : 0次 | 上传用户:yesterday23
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
【研究背景】主动脉夹层(aortic dissection,AD)病因复杂,发展急骤,死亡率高,是威胁人类生命的重要心血管疾病之一,亦是法医学实践中常见的心源性猝死原因之一。基因突变易导致AD的发生,是AD重要的致病因素,多个基因被证实与AD有关。值得注意的是法医学实践中因主动脉夹层导致的猝死案件中,绝大多数是Stanford A型AD破裂引起的死亡。因此,Stanford A型AD与B型AD的基因型是否存在异同点?是否存在基因型差异导致了Stanford A型AD和B型AD的预后及猝死比例不同?这些问题目前尚不清楚。探索Stanford A型AD(更严重类型)的遗传学特征对法医学实践及临床早期干预以及对高危人群进行预防更具有重要意义。本课题通过采用全外显子测序技术,对72例主动脉夹层案例(57例Stanford A型AD,15例Stanford B型AD)的基因组序列进行测序,并筛选了142个与AD相关的基因进行分析,来探讨Stanford A型AD与Stanford B型AD之间是否存在基因型差异;拓宽AD在中国人群中的致病基因谱,并报道AD相关基因的新突变。【目的】探讨Stanford A型AD与Stanford B型AD之间是否存在基因型差异;拓宽AD在中国人群中的致病基因谱,并报道AD相关基因的新突变。【方法】⑴生物遗传学标本库的建立:依托华中科技大学同济医学院法医学系及附属医院,收集汉族人群AD的死者和临床患者的血液/组织样本保存备用。⑵案例组与对照组的选取:(1)随机选取无血缘关系的AD病例72例。(2)选取2573例健康汉族人群的基因组序列作为对照组。⑶基因组DNA的提取:使用TIANamp血液DNA试剂盒(TIANGEN,DP318)从72例AD病例组的血液中提取基因组DNA。⑷全外显子测序技术:对72例AD案例进行全外显子测序。⑸生物信息学及统计学分析:从142个AD相关基因中挑选出致病性和可能致病性变异位点,统计分析它们的分布特征和分布差异。【结果】⑴本课题检测筛选出58个阳性(致病性和可能致病性)变异位点,AD的基因型阳性诊断率在本研究中为54.2%(39/72),其中有27个是新发变异。⑵“基因型阳性AD组”的平均发病年龄较“基因型阴性AD组”更年轻,“携带多阳性变异位点AD组”较“基因型阴性AD组”的生存期限更短。⑶在1例Stanford A型AD中检测到ACTA2基因的阳性变异,而在3例Stanford B型AD中检测到了MYH11、MYH14和MYLK基因的阳性变异,即“平滑肌细胞收缩类基因”的阳性变异基因在Stanford A、B型AD中的阳性变异率分别为20.0%和1.8%(3/15 vs.1/57,P=0.027)。⑷在45个COL家族基因中,有18个基因发生共27个阳性变异,分布在21例Stanford A型AD和1例Stanford B型AD病例中,阳性变异率分别为36.8%和6.7%(21/57 vs.1/15,P=0.028)。⑸共在10个AD案例中检测出FBN1的阳性变异,其中7个位点位于cb EGF功能域中(5个为Stanford A型AD,2个为Stanford B型AD),3个位于TGFBP功能域中(2个为Stanford A型AD,1个为Stanford B型AD)。【结论】⑴阳性基因突变使得AD的发病更年轻化,携带多个阳性变异位点的AD患者的生存期更短。⑵Stanford A、B型夹层的基因型存在差异性,其中COL家族基因的阳性变异更高频发生于Stanford A型AD的患者中,而“SMC收缩类基因”的阳性位点更多发生于Stanford B型AD患者中。⑶无论是A型还是B型AD,FBN1都是突变次数最高的基因。
其他文献
振动信号能深刻地反应出机械设备的运行状态,因此振动监测是机械故障诊断的重要手段。振动监测一般包括振动信号采集、状态特征提取和运行状态识别三个部分。本文以西气东输天然气管线的核心动力装置——燃气轮机为研究对象,通过互补集合经验模态分解法提取转子的振动特征,并应用支持向量机进行状态识别,从而实现对燃气轮机转子的故障诊断。本文首先对转子的振动机理进行深入研究。为分析和计算方便,将结构多样且复杂的转子简化
学位
学位
学位
学位
学位
学位
学位
学位
对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作, 它对于投资者降低决策风险, 提高投资收益具有重要意义. 股票价格序列的非线性、高噪声、强时变性等复杂特性, 使得现有的方法无法有效提高预测准确性. 为了解决这个问题, 本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络(EAN)的股票价格涨跌预测模型TE- EAN. 该模型利用经验模态分解对传统技术因子进行分解去噪, 得到高