Roflumilast improves airway inflammationin mice with bronchial asthma through mTOR/ULK1/Atg13 pathway
-
摘要:目的
探讨罗氟司特对哺乳动物雷帕霉素靶蛋白(mTOR)/自噬激活激酶1(ULK1)/自噬相关蛋白13(Atg13)通路的调控作用，以及对支气管哮喘(BA)小鼠气道炎症反应的影响。
方法将60只小鼠随机分为正常对照组、模型组、罗氟司特组(1.0 mg/kg)、自噬抑制剂(3-甲基腺嘌呤, 3MA)组(10.0 mg/kg)、自噬激活剂[mTOR抑制剂雷帕霉素, 1.0 mg/kg]组，罗氟司特+雷帕霉素组(1.0 mg/kg+1.0 mg/kg), 每组10只。用卵清蛋白致敏法诱导建立小鼠BA模型，各组小鼠均给药4周。末次给药结束后，应用动物肺功能仪检测小鼠肺功能; 取支气管肺泡灌洗液(BALF)检测炎症细胞数目; 酶联免疫吸附试验(ELISA)法检测BALF中γ-干扰素(INF-γ)、肿瘤坏死因子-α(TNF-α)水平; 苏木精-伊红(HE)及过碘酸-雪夫(PAS)染色检测肺组织结构变化及气道杯状细胞化生情况; 透射电镜下观察自噬泡形成情况; TUNEL法检测气道上皮细胞凋亡情况; 蛋白质印迹法(Western blot)检测Atg13、磷酸化Atg13 (p-Atg13)、mTOR、磷酸化mTOR (p-mTOR)、ULK1特定位点Ser757蛋白(ULK1 Ser757)及其磷酸化蛋白(p-ULKl Ser757)、自噬标记蛋白微管相关蛋白轻链3B(LC3B)、自噬相关蛋白(Beclin1)、B细胞淋巴瘤-2(Bcl-2)、白细胞介素-33(IL-33)、黏液高分泌性标志蛋白(黏蛋白MUC5AC)表达水平。
结果与正常对照组相比，模型组小鼠肺功能下降，肺组织炎症细胞聚集及杯状细胞化生症状严重, mTOR/ULK1/Atg13通路磷酸化蛋白表达降低，自噬相关蛋白表达水平、炎症因子水平及凋亡率升高，差异有统计学意义(P < 0.05)。与模型组相比，罗氟司特组及3MA组小鼠气道上皮细胞自噬及凋亡减少, mTOR/ULK1/Atg13通路磷酸化蛋白表达升高，差异有统计学意义(P < 0.05)。雷帕霉素可逆转罗氟司特的上述缓解作用(P < 0.05)。
结论罗氟司特可通过促进mTOR/ULK1/Atg13通路磷酸化活化，阻断自噬，抑制气道炎症及上皮细胞凋亡的发生，进而缓解BA病理症状。
-
关键词:
- 罗氟司特 /
- 支气管哮喘 /
- 气道炎症 /
- 雷帕霉素 /
- mTOR/ULK1/Atg13通路
Abstract:ObjectiveTo explore the regulation of roflumilast on the mammalian target of rapamycin (mTOR)/unc-51 like autophagy activating kinase 1 (ULK1)/autophagy-related gene 13 (Atg13) pathway and its influence on airway inflammation in mice with bronchial asthma (BA).
MethodsSixty mice were randomly divided into normal control group, model group, roflumilast group (1.0 mg/kg), autophagy inhibitor (3-methyladenine, 3MA) group (10.0 mg/kg), autophagy activator[mTOR inhibitor (rapamycin), 1.0 mg/kg]group, roflumilast+rapamycin group (1.0 mg/kg+1.0 mg/kg), with ten mice in each group. The ovalbumin sensitization method was used to induce the establishment of a mouse BA model, and the mice in each group were administered for 4 weeks. After the last administration, the animal lung function meter was used to detect the lung function of the mouse; the bronchoalveolar lavage fluid (BALF) was used to detect the number of inflammatory cells; enzyme linked immunosorbent assay (ELISA) method was used to detect the levels of inflammatory factor interferon-γ (INF-γ) and tumor necrosis factor-α (TNF-α) in BALF; hematoxylin-eosin (HE) and periodic acid-Schiff (PAS) staining were used to detect changes in lung tissue structure and airway goblet cell metaplasia; transmission electron microscope was used to observe the formation of autophagic vesicles; TUNEL method was used to detect airway epithelial cell apoptosis; western blot was used to detect the expression level of Atg13, phosphorylated Atg13 (p-Atg13), mTOR, phosphorylated mTOR (p-mTOR), ULK1 specific site Ser757 protein (ULK1 Ser757) and its phosphorylation protein (p-ULKl Ser757), autophagy marker protein microtubule-related protein light chain 3B (LC3B), autophagy-related protein (Beclin1), B-cell lymphoma-2 (Bcl-2), interleukin-33 (IL-33), mucus hypersecretion marker protein mucin (MUC5AC).
ResultsCompared with the normal control group, mice in the model group had decreased lung function, aggregated lung tissue inflammatory cell and goblet cell metaplasia, the expression of phosphorylated protein in mTOR/ULK1/Atg13 pathway statistically decreased, and the expression levels of autophagy-related protein, inflammation and apoptosis were statistically increased (P < 0.05). The autophagy and apoptosis of airway epithelial cells were decreased in the roflumilast and 3MA groups, and the phosphorylation protein of mTOR/ULK1/Atg13 pathway was increased (P < 0.05). Rapamycin could reverse the above-mentioned alleviating effects of roflumilast (P < 0.05).
ConclusionRoflumilast can promote the phosphorylation and activation of mTOR/ULK1/Atg13 pathway, block autophagy, inhibit airway inflammation and apoptosis of epithelial cells, thereby relieving BA pathological symptoms.
-
Keywords:
- roflumilast /
- bronchial asthma /
- airway inflammation /
- rapamycin /
- mTOR/ULK1/Atg13 pathway
-
随着社会人口老龄化的加剧，人们的疾病谱发生了显著变化，慢性非传染性疾病逐渐成为影响人类生命健康的重要问题[1]。伴随着慢性病发病率的日益上升，慢性病的共病现象已成为慢性病管理中的重大挑战[2-3]。世界卫生组织在2008年将共病定义为单一患者同时罹患2种或多种慢性病的情况[4]。慢性病的共病不仅导致患者需要多重药物治疗与重复的医疗检查，而且可能导致治疗或干预相关不良反应，从而增加了患者的心理负担及疾病致死风险[5]。研究[6]表明，共患疾病之间往往存在着一定的非随机性关联，即2种或多种疾病在同一患者体内共存的概率显著高于其随机出现的概率，因此深入探究共患疾病间的关联性对于疾病的防控与管理具有重要意义。关联规则分析作为一种常用的数据挖掘技术，能够揭示大量数据中未知、潜在且具有实际应用价值的关系，特别适合于挖掘数据库中项目间的相互联系，为定义新的规则提供依据[7]。本研究应用关联规则分析技术对慢性病共病现象进行深入分析，探索共患疾病间的相互关系，现将结果报告如下。
1. 材料与方法
1.1 数据来源
中国健康与养老追踪调查(CHARLS)旨在收集一套代表中国45岁及以上中老年人家庭和个人的高质量微观数据，用以分析中国人口老龄化问题，推动老龄化问题的跨学科研究。CHARLS全国基线调查于2011年开展，覆盖150个县级单位，450个村级单位，约1万户家庭中的1.7万人。这些样本此后每2~3年追踪1次，调查结束1年后，数据将对学术界展开。目前全样本数据库年份有2011年全国基线调查、2013年全国追踪调查、2015全国追踪调查、2018全国追踪调查、2020全国追踪调查。因2023年12月公布CHARLS2020年数据，考虑疫情等原因，本研究基于2018年CHARLS数据深入分析中国老年人群中慢性病共患情况及其健康管理模式。本研究采用多阶段概率抽样法，在县(区)与乡镇(街道)的研究阶段均实施了依照人口规模比例的概率抽样，涵盖了全国范围内的150个县级单位, 450个村级单位[8]。
1.2 研究方法
选取CHARLS数据库中年龄≥60岁且符合特定纳入标准的慢性病患者。纳入标准: ①年龄≥60岁者; ②能独立或在协助下完成问卷调查者。排除标准: ①年龄 < 60岁者; ②存在精神障碍或严重认知障碍者; ③无法完成问卷调查者。研究涉及的人口学特征变量包括年龄、性别、居住地、教育水平、婚姻状况等; 研究对象的慢性病患病情况及共患情况基于CHARLS数据库中包含的14种慢性病类型进行分析，包括高血压、血脂异常、糖尿病、恶性肿瘤、慢性肺病、慢性肝病、心脏病、中风、肾病、胃病、情感或精神疾病、记忆相关疾病、关节炎、哮喘。共病定义为个体同时患有14种慢性病中的2种及以上疾病; 不患有或仅患有1种疾病的患者为非共病患者。
1.3 关联规则分析原理
关联分析是数据挖掘技术中的一种，旨在发现不同项集间存在的关联性。关联规则分析通过R软件的arules包实现，主要依托Apriori算法。该算法包含2个步骤: ①运用最小规则支持度阈值来识别数据库中所有的频繁项集; ②在这些频繁项集中产生满足最小规则置信度阈值的强关联规则。支持度、置信度和提升度作为规则的主要过滤参数，支持度用来剔除概率较低的规则，置信度用来寻找可信的预测规则，提升度用来从相同后项的类似规则中选择具有更高预测价值的规则。规则支持度(X→Y)=P(X, Y)/P(All), 即X、Y同时发生的概率，在样本数据中为X、Y同时发生的频率，反映规则的重要性，支持度越大，关联规则越重要; 置信度(X→Y)=P(Y|X)=P(X, Y)/P(X), 即在X发生的条件下, Y发生的条件概率，在样本数据中为X发生的例数中, Y发生的频率，表示关联规则的强度，反映规则的可信程度; 提升度(X→Y)=P(Y|X)/P(Y), 在X发生的条件下, Y发生的条件概率是Y发生的非条件概率的倍数，在样本数据中为2种情况下频率的比值，指关联规则的可信度与期望可信度之比，说明了X对Y的影响程度，当提升度>1时，表明X→Y是有方向性的关联[9]。
本研究中，支持度解读为在老年慢性病共病人群中，共患关联规则中的2种及以上慢性病患者所占百分比(即慢性病共病的患病率); 置信度解读为罹患关联规则中某一种慢性疾病时，老年慢性病共病人群中罹患其他慢性疾病的比值; 提升度解读为每一条关联规则的关联强度的大小，是评价慢性疾病间关联规则程度的可靠性指标。
1.4 统计学分析
采用SPSS 25.0软件进行描述性分析。利用R4.0.4软件中的arules包，通过设定最小支持度、最小置信度和最小项数，应用Apriori算法挖掘慢性疾病间的关联规则及其关联强度，并进一步筛选特定慢性病组合的关联因素。
2. 结果
2.1 调查对象基本情况
本研究共纳入了13 206例应答率达100%的慢性病患者，覆盖了14种主要慢性病; 在性别分布上，男女比例接近均衡; 年龄分布显示, 60~ < 70岁人群占比达53.53%, 是本研究调查的主要年龄段; 在教育水平方面，未接受过正规教育的人群比率最高；乡村老年人的比率高于城镇老年人; 在地理分布上，华东、西南、华中地区的老年人占据前3位; 已婚老年人占比为77.16%; 非标准睡眠时间的老年人占68.90%, 而标准睡眠时间的老年人占比为31.10%; 日常参与轻度体力活动的人群占54.07%, 而参与社交活动的人群与不参与者的比率相近。见表 1。
表 1 调查对象基本情况(n=13 206)[n(%)]一般资料 分类 构成情况 一般资料 分类 构成情况 性别 男 6 541(49.53) 婚姻状况 已婚 10 190(77.16) 女 6 665(50.47) 其他 3 016(22.84) 年龄 60~<70岁 7 069(53.53) 睡眠状况 标准睡眠时间 4 107(31.10) 70~<80岁 4 003(30.31) 非标准睡眠时间 9 099(68.90) 80~<90岁 1 779(13.47) 体力活动 轻度体力 7 140(54.07) 90~<100岁 344(2.60) 中度体力 3 743(28.34) ≥100岁 11(0.08) 重度体力 2 323(17.59) 受教育程度 未受过教育 4 214(31.91) 行政地理分区 华北地区 1 661(12.58) 识字水平 2 460(18.63) 东北地区 992(7.51) 初等教育 2 834(21.46) 华东地区 4 088(30.95) 中等教育 2 979(22.56) 华中地区 2 012(15.23) 高等教育 719(5.44) 华南地区 1 226(9.28) 居住地 城镇 3 283(24.86) 西南地区 2 355(17.83) 乡村 9 923(75.14) 西北地区 872(6.60) 社交状况 参与社交 6 116(46.31) 无社交 7 090(53.89) 按照国际标准睡眠时间，将睡眠时间7~8 h定义为标准睡眠时间，其他情况定义为非标准睡眠时间。 2.2 中国老年人慢性病患病情况分布
本研究中，慢性病患病率前3位分别为高血压(67.44%)、关节炎或风湿病(34.17%)、胃部或消化系统疾病(22.71%), 患病率最低的3类疾病是与记忆相关疾病(3.42%)、精神疾病(1.71%)、恶性肿瘤(1.61%), 见表 2。未患慢性病的患者比率为24.97%, 患1种慢性病的患者比率为27.95%, 患慢性病共病的患者比率为47.08%(6 217/13 206), 共有8例患者同时患10种慢性病，占总例数的0.06%。见表 3。
表 2 慢性病患病情况(n=13 206)排序 疾病类型 n 比率/% 95%CI 1 高血压 8 906 67.44 66.60~68.20 2 关节炎或风湿病 4 513 34.17 33.40~35.00 3 胃部或消化系统疾病 2 999 22.71 22.00~23.40 4 心脏病 2 138 16.19 15.60~16.80 5 血脂异常 1 836 13.90 13.30~14.50 6 慢性肺部疾病 1 754 13.28 12.70~13.90 7 糖尿病 1 194 9.04 8.60~9.50 8 肾脏疾病 952 7.21 6.80~7.70 9 中风 754 5.71 5.30~6.10 10 哮喘 672 5.09 4.70~5.50 11 肝脏疾病 633 4.79 4.40~5.20 12 与记忆相关疾病 452 3.42 3.10~3.70 13 精神疾病 226 1.71 1.50~1.90 14 恶性肿瘤 213 1.61 1.40~1.80 表 3 慢性病患病数量(n=13 206)患病数量/种 n 比率/% 95%CI 0 3 298 24.97 24.20~25.70 1 3 691 27.95 27.20~28.70 2 2 782 21.07 20.40~21.80 3 1 720 13.02 12.50~13.60 4 909 6.88 6.50~7.30 5 469 3.55 3.20~3.90 6 196 1.48 1.30~1.70 7 90 0.68 0.50~0.80 8 33 0.25 0.20~0.30 9 10 0.08 0~0.10 10 8 0.06 0~0.10 2.3 慢性病共病组合
在关联规则算法中，支持度和置信度的设置会影响规则数量。固定支持度/置信度时，规则数随着置信度/支持度的增大而减少，当最低支持度/置信度取值过高时，最低置信度/支持度的取值会对关联规则数失去影响。在关联规则分析中，所得规则数并不是越多越好，要考虑对实际分析的指导意义; 当然，所得规则数过少也会失去数据挖掘的意义[10]。
综合调试支持度和置信度，将慢性病共病关联规则分析参数设置为: 最低条件支持度=3%, 最小规则置信度=40%, 最小项集=2，共有9条关联规则符合以上3个参数; 根据提升度>1.50进行筛选强关联, 9条关联规则中共有6条关联度较强的结果，可认为是关联度较强的共患2种慢性病模式。在这些慢性病组合中，与高血压关联的慢性病最多，分别是“心脏病→高血压”“血脂异常→高血压”“糖尿病→高血压”“中风→高血压”。
慢性病共病关联规则分析参数设置为: 最低条件支持度=3%, 最小规则置信度=40%, 最小项集=3, 共有16条关联规则符合以上3个参数; 根据提升度>1.50进行筛选强关联, 16条关联规则中，共有12条关联度较强的结果，除去项集为2的规则后，筛选出6条关联度较强的结果，可认为是关联度较强的共患3种慢性病模式。在关联度较强的共患3种慢性病组合中，与高血压和关节炎关联的慢性病最多，分别是“心脏病、关节炎→高血压”“血脂异常、关节炎→高血压”“血脂异常、心脏病→高血压”“高血压、胃部疾病→关节炎” “心脏病、胃部疾病→关节炎”。见表 4。
表 4 老年人共病模式的关联规则共病情况 前项 后项 n 支持度/% 置信度/% 提升度 共患2种疾病 心脏病 高血压 1 179 8.93 55.15 1.69 血脂异常 高血压 1 095 8.29 59.64 1.83 糖尿病 高血压 718 5.44 60.13 1.85 肾脏疾病 关节炎 496 3.76 52.10 1.52 中风 高血压 463 3.51 61.41 1.89 哮喘 肺部疾病 437 3.31 65.30 4.90 共患3种疾病 心脏病、关节炎 高血压 504 3.82 53.67 1.65 高血压、胃部疾病 关节炎 490 3.71 51.58 1.51 血脂异常、关节炎 高血压 425 3.22 60.11 1.85 血脂异常、心脏病 高血压 420 3.18 69.20 2.13 心脏病、胃部疾病 关节炎 397 3.01 57.87 1.69 血脂异常、关节炎 胃部疾病 397 3.01 42.28 1.86 2.4 慢性病共病组合关联因素
按照支持度排序，分别选取排名前3位的最小项集为2和最小项集为3的3条强关联规则进行慢性病共病模式的关联因素分析，分别是“心脏病→高血压”“血脂异常→高血压”“糖尿病→高血压”“心脏病、关节炎→高血压”“血脂异常、关节炎→高血压”“高血压、胃部疾病→关节炎”。纳入的变量有性别、年龄、地区、城乡、受教育程度、婚姻状况、睡眠、体力活动、社交活动。Apriori算法只能对分类变量进行分析，因此将所有变量按照二分类变量定义。
将最低条件支持度设为2%, 最小规则置信度设为10%, 产生关联规则28条，提升度最高的关联规则解释为: 在研究对象中，不符合标准睡眠时间、居住在城镇的老年人，同时患有心脏病和高血压的情况最多。将最低条件支持度设为2%，最小规则置信度设为10%, 产生符合以上2个参数的关联规则共9条，提升度最高的关联规则解释为: 在研究对象中，居住在城镇的老年人，同时患有血脂异常和高血压的情况最多。将最低条件支持度设为1%, 最小规则置信度设为8%, 产生关联规则7条，提升度最高的关联规则解释为: 在研究对象中，已婚、居住在城镇的老年人，同时患有糖尿病和高血压的情况最多。
将最低条件支持度设为1%, 最小规则置信度设为5%, 产生关联规则14条，提升度最高的关联规则解释为: 在研究对象中，不符合标准睡眠时间、经常从事轻度体力活动、女性、已婚的老年人，同时患有心脏病、关节炎和高血压的情况最多。将最低条件支持度设为1%，最小规则置信度设为4%, 产生关联规则10条，提升度最高的关联规则解释为: 在研究对象中，不符合标准睡眠时间的女性老年人，同时患有血脂异常、关节炎和高血压的情况最多。将最低条件支持度设为1%, 最小规则置信度设为5%, 产生关联规则11条，提升度最高的关联规则解释为: 在研究对象中，不符合标准睡眠时间的女性老年人，同时患有高血压、胃部疾病和关节炎的情况最多。见表 5。老年人共病模式的关联规则分析见图 1。
表 5 慢性病共病组合关联因素分析前项 后项 n 支持度/% 置信度/% 提升度 非标准睡眠时间、城镇 心脏病，高血压 294 2.23 13.52 1.52 城镇 血脂异常，高血压 396 3.00 12.06 1.46 已婚、城镇 糖尿病，高血压 209 1.58 8.22 1.51 非标准睡眠时间、轻度体力活动、女性、已婚 心脏病、关节炎→高血压 150 1.14 5.78 1.51 非标准睡眠时间、女性 血脂异常、关节炎→高血压 211 1.60 4.42 1.37 非标准睡眠时间、女性 高血压、胃部疾病→关节炎 268 2.02 5.62 1.51 ![]()
图 1 老年人共病模式的关联规则分析置信度表示关联规则的强度，反映规则的可信程度，圆圈越大，关联规则越强，此条规则越可信;提升度表示慢性病X对慢性病Y的影响程度，提升度越高，颜色越深。3. 讨论
本研究中，在参与调查的个体中，患慢性病共病的患者比率为47.08%(6 217/13 206); 患病率最高的3种慢性疾病依次为高血压、关节炎或风湿病、胃部或消化系统疾病。HU X L等[11]对中国老年人慢性病共病情况进行了系统性评价，发现患病率为6.4%~76.5%，这一波动幅度反映了数据来源、样本量、数据收集方法、分析手段以及慢性病类别选择等因素的差异。研究[12-13]显示，在进行多重慢性病研究时，若纳入的慢性病种类超过12种，则患病率的估计更为可靠。本研究包含了14种慢性病，结果较为可靠。
关联规则分析显示，与高血压相关的关联规则数量较多，与施明明等[14]研究成果相吻合，同样指出高血压在14种常见老年慢性疾病中具有最大的影响力[15]，其与其他慢性病之间的相互作用及联系尤为紧密，这可能与高血压作为心脏病、卒中、糖尿病及肾脏疾病等多种慢性疾病的独立风险因素有关。因此，需加强对血压状况的监测，特别是在高血压的背景下，应重视血脂异常的风险，以及加强对冠心病、糖尿病、关节炎等潜在风险的关注和预防[16-17]。
在分析慢性病共病关联因素时发现，不符合标准睡眠时间、参与社交活动的城镇老年人更易患有与高血压相关的慢性病共病，这与段思宇等[18]研究结果一致。因此，在高血压相关的慢性病共病模式中，需要特别关注城市老年人群的慢性病筛查与管理，其原因可能是城市老年人更倾向于休闲的社交活动，加之城市餐饮文化的多样性和丰富性，使得患有高血压相关慢性病共病模式的风险增加[19]。
此外，不符合标准睡眠时间的女性老年人更易出现与关节炎共存的慢性病共病模式，强调了对这一人群进行关节炎筛查与管理的重要性。研究[20-22]表明，女性在绝经后雌激素水平急剧下降，破骨细胞活性增强，导致骨矿物质快速流失、骨密度下降，进而可能发展为骨质疏松症，而骨质疏松症是多种关节病变的早期影像学特征之一，从而导致女性关节炎发病率显著高于男性; 此外，疼痛还能影响睡眠质量，而针对老年女性及睡眠不佳人群，应加强对慢性病共病模式的关注和管理。
综上所述，本研究采用CHARLS数据，涵盖了大规模的老年人样本，研究结果具有较强的代表性。
-
![]()
图 1 各组小鼠肺组织HE染色及PAS染色图(放大200倍)
A: 正常对照组HE染色; B: 正常对照组PAS染色; C: 模型组HE染色; D: 模型组PAS染色; E: 罗氟司特组HE染色; F: 罗氟司特组PAS染色; G: 3MA组HE染色; H: 3MA组PAS染色; I: 雷帕霉素组HE染色; J: 雷帕霉素组PAS染色; K: 罗氟司特+雷帕霉素组HE染色; L: 罗氟司特+雷帕霉素组PAS染色。
![]()
图 2 各组小鼠肺组织支气管上皮细胞电镜图(放大50 000倍)及TUNEL染色图(放大400倍)
A: 正常对照组电镜图; B: 正常对照组TUNEL染色图; C: 模型组电镜图; D: 模型组TUNEL染色图; E: 罗氟司特组电镜图; F: 罗氟司特组TUNEL染色图; G: 3MA组电镜图; H: 3MA组TUNEL染色图; I: 雷帕霉素组电镜图; J: 雷帕霉素组TUNEL染色图; K: 罗氟司特+雷帕霉素组电镜图; L: 罗氟司特+雷帕霉素组TUNEL染色图。
![]()
图 3 各组小鼠肺组织中mTOR、p-mTOR、Atg13、p-Atg13、ULK1 Ser757、p-ULKl Ser757、LC3B蛋白质印迹图
A: 正常对照组; B: 模型组; C: 罗氟司特组; D: 3MA组; E: 雷帕霉素组; F: 罗氟司特+雷帕霉素组。
![]()
图 4 各组小鼠肺组织中Bcl-2、Beclin1、IL-33、MUC5AC蛋白质印迹图
A: 正常对照组; B: 模型组; C: 罗氟司特组; D: 3MA组; E: 雷帕霉素组; F: 罗氟司特+雷帕霉素组。
表 1 各组小鼠肺功能比较(x ±s)
组别 n 吸气阻力/(cmH2O·s/mL) 呼气阻力/(cmH2O·s/mL) 肺通气顺应性/(mL/cm) 正常对照组 10 1.79±0.23 1.78±0.22 0.26±0.04 模型组 10 3.09±0.23* 3.08±0.23* 0.11±0.02* 罗氟司特组 10 2.52±0.21# 2.19±0.20# 0.17±0.03# 3MA组 10 2.53±0.20# 2.20±0.22# 0.18±0.04# 雷帕霉素组 10 3.96±0.23#△ 3.97±0.26#△ 0.04±0.02#△ 罗氟司特+雷帕霉素组 10 3.06±0.20△ 3.10±0.24△ 0.12±0.03△ 与正常对照组比较, *P < 0.05; 与模型组比较, #P < 0.05; 与罗氟司特组比较, △P < 0.05。 
下载: 导出CSV
表 2 小鼠BALF中性粒细胞、嗜酸粒细胞数目及INF-γ、TNF-α水平比较(x ±s)
组别 n 中性粒细胞/(×103/mL) 嗜酸粒细胞/(×103/mL) γ-干扰素/(ng/mL) 肿瘤坏死因子-α/(ng/mL) 正常对照组 10 0.61±0.19 0.61±0.19 69.93±3.89 16.99±0.88 模型组 10 7.56±0.36* 22.85±2.23* 192.06±8.26* 146.24±7.19* 罗氟司特组 10 2.58±0.24# 8.61±0.60# 89.58±4.04# 84.18±4.08# 3MA组 10 2.53±0.12# 8.69±0.63# 89.13±4.12# 85.33±4.24# 雷帕霉素组 10 9.28±0.33#△ 39.28±3.01#△ 225.58±9.24#△ 219.39±8.95#△ 罗氟司特+雷帕霉素组 10 7.62±0.33△ 22.93±2.01△ 199.02±8.19△ 144.63±7.30△ 与正常对照组比较, *P < 0.05; 与模型组比较, #P < 0.05; 与罗氟司特组比较, △P < 0.05。
下载: 导出CSV
表 3 各组细胞凋亡率比较(x ±s)
组别 n 细胞凋亡率/% 正常对照组 10 8.21±0.20 模型组 10 32.09±1.65* 罗氟司特组 10 16.39±0.83# 3MA组 10 16.25±0.84# 雷帕霉素组 10 50.03±1.86#△ 罗氟司特+雷帕霉素组 10 31.68±1.49△ 与正常对照组比较, *P < 0.05; 与模型组比较, #P < 0.05; 与罗氟司特组比较, △P < 0.05。
下载: 导出CSV
表 4 各组小鼠肺组织mTOR、p-mTOR、Atg13、p-Atg13、ULK1 Ser757、p-ULKl Ser757、LC3B蛋白表达(x ±s)
组别 n p-mTOR/mTOR p-Atg13/Atg13 p-ULKl Ser757/ULK1 Ser757 LC3B/β-Actin 正常对照组 10 1.12±0.10 1.16±0.08 1.19±0.10 1.11±0.08 模型组 10 0.46±0.04* 0.48±0.05* 0.50±0.09* 2.39±0.29* 罗氟司特组 10 0.79±0.07# 0.72±0.06# 0.82±0.08# 1.77±0.19# 3MA组 10 0.85±0.08# 0.79±0.08# 0.81±0.09# 1.81±0.18# 雷帕霉素组 10 0.12±0.01#△ 0.14±0.02#△ 0.19±0.01#△ 2.96±0.22#△ 罗氟司特+雷帕霉素组 10 0.45±0.04△ 0.49±0.05△ 0.51±0.06△ 2.41±0.28△ mTOR: 哺乳动物雷帕霉素靶蛋白; p-mTOR: 磷酸化哺乳动物雷帕霉素靶蛋白; Atg13: 自噬相关蛋白13; p-Atg13: 磷酸化Atg13; ULK1 Ser757: ULK1特定位点Ser757蛋白; p-ULKl Ser757: 磷酸化ULK1特定位点Ser757蛋白; LC3B: 微管相关蛋白轻链3B。
与正常对照组比较, *P < 0.05; 与模型组比较, #P < 0.05; 与罗氟司特组比较, △P < 0.05。
下载: 导出CSV
表 5 各组小鼠肺组织Bcl-2、Beclin1、IL-33、MUC5AC蛋白表达比较(x ±s)
组别 n Bcl-2/β-Actin Beclin1/β-Actin IL-33/β-Actin MUC5AC/β-Actin 正常对照组 10 1.12±0.10 1.16±0.08 1.19±0.10 1.11±0.08 模型组 10 0.36±0.03* 2.56±0.05* 2.35±0.05* 2.24±0.29* 罗氟司特组 10 0.64±0.06# 1.82±0.16# 1.67±0.16# 1.79±0.19# 3MA组 10 0.70±0.07# 1.89±0.18# 1.61±0.17# 1.72±0.18# 雷帕霉素组 10 0.10±0.01#△ 2.99±0.22#△ 2.88±0.21#△ 2.86±0.26#△ 罗氟司特+雷帕霉素组 10 0.35±0.04△ 2.59±0.25△ 2.13±0.20△ 2.21±0.22△ Bcl-2: B细胞淋巴瘤-2; Beclin1: 自噬相关蛋白; IL-33: 白细胞介素-33。
与正常对照组比较, *P < 0.05; 与模型组比较, #P < 0.05; 与罗氟司特组比较, △P < 0.05。
下载: 导出CSV
-
[1] MATTIUZZI C, LIPPI G. Worldwide asthma epidemiology: insights from the Global Health Data Exchange database[J]. Int Forum Allergy Rhinol, 2020, 10(1): 75-80. doi: 10.1002/alr.22464
[2] STERN J, PIER J, LITONJUA A A. Asthma epidemiology and risk factors[J]. Semin Immunopathol, 2020, 42(1): 5-15. doi: 10.1007/s00281-020-00785-1
[3] 韩蕾, 张旻. 非2型哮喘的发病机制及治疗研究进展[J]. 国际呼吸杂志, 2021, 41(1): 47-52. doi: 10.3760/cma.j.cn131368-20200401-00239 [4] SILVEIRA J S, ANTUNES G L, KAIBER D B,et al. Autophagy induces eosinophil extracellular traps formation and allergic airway inflammation in a murine asthma model[J]. J Cell Physiol, 2020, 235(1): 267-280. doi: 10.1002/jcp.28966
[5] MECCA C, GIAMBANCO I, DONATO R,et al. Targeting mTOR in glioblastoma: rationale and preclinical/clinical evidence[J]. Dis Markers, 2018, 2018: 9230479.
[6] 邓稞, 王蕾, 王刚. 罗氟司特治疗支气管哮喘的应用前景[J]. 中华结核和呼吸杂志, 2019, 42(1): 37-40. doi: 10.3760/cma.j.issn.1001-0939.2019.01.011 [7] 高琴琴, 丁子桐, 李友林, 等. 不同剂量卵蛋白诱发BALB/c小鼠支气管哮喘模型的比较[J]. 中国比较医学杂志, 2019, 29(4): 52-57. doi: 10.3969/j.issn.1671-7856.2019.04.009 [8] 夏增辉, 张毅伟, 陈莹, 等. 罗氟司特对CUMS小鼠抑郁行为的影响[J]. 神经药理学报, 2019, 9(4): 40-40. https://www.cnki.com.cn/Article/CJFDTOTAL-ZJKB201904030.htm [9] 郝继伟, 陈超然, 杨长永, 等. 雷帕霉素对高脂血症小鼠的治疗效果及作用机理探讨[J]. 免疫学杂志, 2020, 36(2): 143-148. https://www.cnki.com.cn/Article/CJFDTOTAL-MYXZ202002010.htm [10] 冉琴, 张雷, 邱玉环, 等. 3-甲基腺嘌呤对支气管哮喘小鼠气道炎症及气道高反应和黏液分泌的影响[J]. 中华结核和呼吸杂志, 2019, 42(3): 185-192. https://cdmd.cnki.com.cn/Article/CDMD-10632-1019051419.htm [11] LIU S, WOLTERS P J, ZHANG Y B,et al. Association between greenhouse working exposure and bronchial asthma: a pilot, cross-sectional survey of 5, 420 greenhouse farmers from northeast China[J]. J Occup Environ Hyg, 2019, 16(4): 286-293. doi: 10.1080/15459624.2019.1574973
[12] ZHANG C X, QIN Q, LI H L. Targeted therapeutic effect of bavachinin nanospheres on pathological site of chronic asthmatic mice model[J]. J Nanosci Nanotechnol, 2021, 21(2): 1085-1090. doi: 10.1166/jnn.2021.18641
[13] 李芳学, 刘娟. 难治性支气管哮喘药物治疗的研究进展[J]. 医学综述, 2020, 26(8): 1573-1577. doi: 10.3969/j.issn.1006-2084.2020.08.023 [14] 雷建波, 何正平, 解春宝. 罗氟司特治疗支气管哮喘急性加重及对肺功能、血清学指标的影响[J]. 实用医院临床杂志, 2021, 18(1): 56-59. doi: 10.3969/j.issn.1672-6170.2021.01.016 [15] SHAH P D, BADNER V M. Association between asthma and severe tooth loss in the adult population of the United States[J]. J Asthma, 2022, 59(3): 462-468. doi: 10.1080/02770903.2020.1856868
[16] GU W, CUI R, DING T,et al. Simvastatin alleviates airway inflammation and remodelling through up-regulation of autophagy in mouse models of asthma[J]. Respirology, 2017, 22(3): 533-541. doi: 10.1111/resp.12926
[17] ZHANG Y, DO D C, HU X Y,et al. CaMKII oxidation regulates cockroach allergen-induced mitophagy in asthma[J]. J Allergy Clin Immunol, 2021, 147(4): 1464-1477. e11. doi: 10.1016/j.jaci.2020.08.033
[18] 周冬梅, 孔灵菲. N-乙酰半胱氨酸对哮喘小鼠气道上皮细胞自噬水平的影响[J]. 中国医科大学学报, 2018, 47(7): 626-630. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYK201807013.htm [19] IBRAHIM K S, MCLAREN C J, ABD-ELRAHMAN K S,et al. Optineurin deletion disrupts metabotropic glutamate receptor 5-mediated regulation of ERK1/2, GSK3β/ZBTB16, mTOR/ULK1 signaling in autophagy[J]. Biochem Pharmacol, 2021, 185: 114427. doi: 10.1016/j.bcp.2021.114427
[20] SHI B H, MA M Q, ZHENG Y T,et al. mTOR and Beclin1: two key autophagy-related molecules and their roles in myocardial ischemia/reperfusion injury[J]. J Cell Physiol, 2019, 234(8): 12562-12568. doi: 10.1002/jcp.28125
[21] JACKSON N D, EVERMAN J L, CHIOCCIOLI M,et al. Single-cell and population transcriptomics reveal pan-epithelial remodeling in type 2-high asthma[J]. Cell Rep, 2020, 32(1): 107872. doi: 10.1016/j.celrep.2020.107872
[22] 金华良, 王利民, 王娇莉, 等. 雷帕霉素对哮喘缓解期小鼠模型气道炎症的作用[J]. 浙江医学, 2017, 39(11): 860-864, 870. doi: 10.12056/j.issn.1006-2785.2017.39.11.2017-19
计量
- 文章访问数: 225
- HTML全文浏览量: 147
- PDF下载量: 25
苏公网安备 32100302010246号
