Abstract Background ST-segment elevation myocardial infarction (STEMI) is one of the leading causes of fatal cardiovascular diseases, which have been the prime cause of mortality worldwide. Diagnosis in the early phase would benefit clinical intervention and prognosis, but the exploration of the biomarkers of STEMI is still lacking. Objectives In this study, we conducted a bioinformatics analysis to identify potential crucial biomarkers in the progress of STEMI. Methods We obtained GSE59867 for STEMI and stable coronary artery disease (SCAD) patients. Differentially expressed genes (DEGs) were screened with the threshold of |log2fold change| > 0.5 and p <0.05. Based on these genes, we conducted enrichment analysis to explore the potential relevance between genes and to screen hub genes. Subsequently, hub genes were analyzed to detect related miRNAs and DAVID to detect transcription factors for further analysis. Finally, GSE62646 was utilized to assess DEGs specificity, with genes demonstrating AUC results exceeding 75%, indicating their potential as candidate biomarkers. Results 133 DEGs between SCAD and STEMI were obtained. Then, the PPI network of DEGs was constructed using String and Cytoscape, and further analysis determined hub genes and 6 molecular complexes. Functional enrichment analysis of the DEGs suggests that pathways related to inflammation, metabolism, and immunity play a pivotal role in the progression from SCAD to STEMI. Besides, related-miRNAs were predicted, has-miR-124, has-miR-130a/b, and has-miR-301a/b regulated the expression of the largest number of genes. Meanwhile, Transcription factors analysis indicate that EVI1, AML1, GATA1, and PPARG are the most enriched gene. Finally, ROC curves demonstrate that MS4A3, KLRC4, KLRD1, AQP9, and CD14 exhibit both high sensitivity and specificity in predicting STEMI. Conclusions This study revealed that immunity, metabolism, and inflammation are involved in the development of STEMI derived from SCAD, and 6 genes, including MS4A3, KLRC4, KLRD1, AQP9, CD14, and CCR1, could be employed as candidate biomarkers to STEMI. STsegment ST segment (STEMI diseases worldwide prognosis lacking GSE GSE5986 (SCAD patients (DEGs log2fold logfold log fold change 05 0 5 0. 005 <0.05 Subsequently Finally GSE6264 75 75% 13 Then Cytoscape complexes metabolism Besides relatedmiRNAs predicted hasmiR124, hasmiR124 hasmiR has miR 124, 124 has-miR-124 hasmiR130a/b, hasmiR130ab hasmiRab 130a/b, 130a b has-miR-130a/b hasmiR301a/b hasmiR301ab 301a/b 301a Meanwhile EVI1 EVI AML1 AML GATA1 GATA gene MS4A3 MSA MS A KLRC4 KLRC KLRD1 KLRD AQP9 AQP CD CD1 CCR1 CCR GSE598 00 <0.0 GSE626 7 1 hasmiR12 12 has-miR-12 hasmiR130a hasmiR130a/b ab 130ab 130a/b hasmiR301a 301ab MS4A GSE59 <0. GSE62 hasmiR1 has-miR-1 hasmiRa GSE5 <0 GSE6 has-miR- < has-miR
Resumo Fundamento O infarto do miocárdio com elevação do segmento ST (IAMCSST) é uma das principais causas de doenças cardiovasculares fatais, que têm sido a principal causa de mortalidade em todo o mundo. O diagnóstico na fase inicial beneficiaria a intervenção clínica e o prognóstico, mas ainda falta a exploração dos biomarcadores do IAMCSST. Objetivos Neste estudo, conduzimos uma análise bioinformática para identificar potenciais biomarcadores cruciais no progresso do IAMCSST. Métodos Obtivemos GSE59867 para pacientes com IAMCSST e doença arterial coronariana estável (DACE). Genes diferencialmente expressos (GDEs) foram selecionados com o limiar de |log2fold change| > 0,5 e p < 0,05. Com base nesses genes, conduzimos análises de enriquecimento para explorar a relevância potencial entre genes e para rastrear genes centrais. Posteriormente, os genes centrais foram analisados para detectar miRNAs relacionados e DAVID para detectar fatores de transcrição para análise posterior. Finalmente, o GSE62646 foi utilizado para avaliar a especificidade dos GDEs, com genes demonstrando resultados de AUC superiores a 75%, indicando seu potencial como candidatos a biomarcadores. Posteriormente, os genes centrais foram analisados para detectar miRNAs relacionados e DAVID para detectar fatores de transcrição para análise posterior. Finalmente, o GSE62646 foi utilizado para avaliar a especificidade dos GDEs, com genes demonstrando resultados de AUC superiores a 75%, indicando seu potencial como candidatos a biomarcadores. Resultados 133 GDEs entre DACE e IAMCSST foram obtidos. Em seguida, a rede PPI de GDEs foi construída usando String e Cytoscape, e análises posteriores determinaram genes centrais e 6 complexos moleculares. A análise de enriquecimento funcional dos GDEs sugere que as vias relacionadas à inflamação, metabolismo e imunidade desempenham um papel fundamental na progressão de DACE para IAMCSST. Além disso, foram previstos miRNAs relacionados, has-miR-124, has-miR-130a/b e has-miR-301a/b regularam a expressão do maior número de genes. Enquanto isso, a análise dos fatores de transcrição indica que EVI1, AML1, GATA1 e PPARG são os genes mais enriquecidos. Finalmente, as curvas ROC demonstram que MS4A3, KLRC4, KLRD1, AQP9 e CD14 exibem alta sensibilidade e especificidade na previsão de IAMCSST. Conclusões Este estudo revelou que imunidade, metabolismo e inflamação estão envolvidos no desenvolvimento de IAMCSST derivado de DACE, e 6 genes, incluindo MS4A3, KLRC4, KLRD1, AQP9, CD14 e CCR1, poderiam ser empregados como candidatos a biomarcadores para IAMCSST. (IAMCSST fatais mundo prognóstico GSE GSE5986 DACE. . (DACE) (GDEs log2fold logfold log fold change 05 0 5 0, 005 0,05 Posteriormente posterior Finalmente GSE6264 75 75% 13 obtidos seguida Cytoscape moleculares disso hasmiR124, hasmiR124 hasmiR has miR 124, 124 has-miR-124 hasmiR130a/b hasmiR130ab hasmiRab 130a/b 130a b hasmiR301a/b hasmiR301ab 301a/b 301a isso EVI1 EVI AML1 AML GATA enriquecidos MS4A3 MSA MS KLRC4 KLRC KLRD1 KLRD AQP CD CD1 CCR1 CCR GSE598 (DACE 00 0,0 GSE626 7 1 hasmiR12 12 has-miR-12 hasmiR130a ab 130ab hasmiR301a 301ab MS4A GSE59 GSE62 hasmiR1 has-miR-1 hasmiRa GSE5 GSE6 has-miR- has-miR