JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • النتائج
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

بحثت هذه الدراسة في العلاقات بين مرض الكبد الدهني غير الكحولي (NAFLD) واحتشاء عضلة القلب (MI) من خلال الجينات المعبر عنها ، وتحديد Thrombospondin 1 (THBS1) كمؤشر حيوي. كشف تحليل التسلل المناعي عن خلايا CD8 + T والعدلات كعوامل رئيسية ، حيث أظهر THBS1 إمكاناته كأداة تشخيصية ل NAFLD و MI.

Abstract

يعد مرض الكبد الدهني غير الكحولي واحتشاء عضلة القلب عبئا صحيا رئيسيا مع انتشار ووفيات كبيرة. هدفت هذه الدراسة إلى استكشاف الجينات المعبر عنها بشكل مشترك لفهم العلاقة بين NAFLD و MI وتحديد المؤشرات الحيوية الحاسمة المحتملة ل MI المرتبط ب NAFLD باستخدام المعلوماتية الحيوية والتعلم الآلي. تم إجراء تحليل التخصيب الوظيفي ، وتم إنشاء مخطط شبكة تفاعل البروتين المشترك بين البروتين (PPI) ، وتم استخدام تقنيات التخلص من الميزة المتكررة لآلة ناقلات الدعم (SVM-RFE) وأقل تقنيات انكماش مطلق ومشغل الاختيار (LASSO) لتحديد جين واحد معبر عنه تفاضليا (DEG) ، Thrombospondin 1 (THBS1). أظهر THBS1 أداء قويا في التمييز بين مرضى NAFLD (AUC = 0.981) ومرضى MI (AUC = 0.900). كشف تحليل التسلل المناعي عن انخفاض ملحوظ في خلايا CD8 + T ومستويات أعلى من العدلات في المرضى الذين يعانون من NAFLD و MI. كانت خلايا CD8 + T والعدلات فعالة في التمييز بين NAFLD / MI عن الضوابط الصحية. أظهر تحليل الارتباط أن THBS1 كان مرتبطا بشكل إيجابي مع CCR (مستقبلات الكيموكين) ، وفئة معقد التوافق النسيجي (فئة معقدة التوافق النسيجي الرئيسية) ، والعدلات ، والالتهاب ، و Tfh (الخلايا التائية المساعدة الجرابية) ، ويرتبط سلبا بالخلايا التائية CD8 + ، والنشاط المحلل للخلايا ، و TIL (الخلايا الليمفاوية المتسللة للورم) في مرضى NAFLD و MI. ظهر THBS1 كمؤشر حيوي جديد لتشخيص NAFLD / MI مقارنة بالضوابط الصحية. تشير النتائج إلى أن خلايا CD8 + T والعدلات يمكن أن تكون بمثابة سمات مناعية التهابية للتمييز بين المرضى الذين يعانون من NAFLD / MI عن الأفراد الأصحاء.

Introduction

يعد مرض الكبد الدهني غير الكحولي (NAFLD) مشكلة صحية عامة رئيسية مع انتشار 25٪ -30٪ 1. تم الإبلاغ عن أن انتشار مرض الكبد الدهني غير الكحولي مرتفع بين مرضى السكري2. ومع ذلك ، فإن أهمية NAFLD في المرضى غير المصابين بالسكري ليست واضحة بعد. أشارت الدراسات إلى أن NAFLD يلعب دورا مستقلا في التسبب في تصلب الشرايين3،4. بالإضافة إلى ذلك ، أظهر التحليل التلوي أن مرض الكبد الدهني غير الكحولي يرتبط ارتباطا وثيقا بتكلس الشريان التاجي ، والخلل البطاني ، وتصلب الشرايين ، وقد ظهر كعامل خطر مستقل للقلب والأوعيةالدموية 5. لا تزال العلاقة بين مرض الكبد الدهني غير الكحولي وأمراض القلب والأوعية الدموية تتطلب مزيدا من التحقيق.

احتشاء عضلة القلب (MI) هو مرض كارثي يهدد الصحة ويفرض عبئا اقتصاديا كبيرا على المرضى وعائلاتهم في جميع أنحاءالعالم 6. يعد MI أيضا سببا رئيسيا للوفاة لدى مرضى NAFLD. أظهرت دراسة سريرية نشرت في المجلة الطبية البريطانية أن خطر الإصابة باحتشاء عضلة القلب لدى مرضى NAFLD أكبر بمقدار 1.17 مرة من المرضى غير المصابين بمرض الكبد غير الكحولي 7,8. حددت بعض الدراسات المسارات الجزيئية ، بما في ذلك الالتهاب والإجهاد التأكسدي والتمثيل الغذائي للدهون ، والتي تساهم في MI 9،10،11 المرتبط ب NAFLD. ومع ذلك ، فإن الآليات الأساسية التي تربط NAFLD و MI لا تزال غير واضحة. من الأهمية بمكان تحديد المؤشرات الحيوية الجديدة المتعلقة بتشخيص NAFLD و MI.

ويؤكد الانتشار المتزايد لمرض الكبد الدهني غير الكحولي، الذي يصيب شريحة واسعة من السكان، على وجود مشكلة صحية عمومية كبيرة، لا سيما بالنظر إلى ارتباطها بمرض السكري. ومع ذلك ، فإن تأثير NAFLD على المرضى غير المصابين بالسكري لا يزال غير مفهوم جيدا. تم تورط NAFLD في التسبب في تصلب الشرايين وهو معروف بأنه عامل خطر مستقل للقلب والأوعية الدموية ، حيث يرتبط ارتباطا وثيقا بتكلس الشريان التاجي ، والخلل البطاني ، وتصلب الشرايين. على الرغم من هذه الارتباطات ، فإن الآليات الدقيقة التي تجسر بين مرض الكبد الدهني غير الكحولي وأمراض القلب والأوعية الدموية مثل احتشاء عضلة القلب (MI) تتطلب مزيدا من التوضيح. يعد MI أحد الأسباب الرئيسية للوفيات في جميع أنحاء العالم ويفرض عبئا اقتصاديا كبيرا. خطر الإصابة بمرض الكبد الدهني غير الكحولي أعلى بشكل ملحوظ من أولئك الذين لا يعانون من مرض الكبد الدهني غير الكحولي ، مما يسلط الضوء على الحاجة إلى فهم أعمق للمسارات الجزيئية التي تربط هذه الحالات. في حين تم اقتراح الالتهاب والإجهاد التأكسدي والتمثيل الغذائي للدهون كعوامل مساهمة ، إلا أن الآليات الدقيقة لا تزال غير واضحة. هناك حاجة ملحة لتحديد المؤشرات الحيوية الجديدة التي يمكن أن توفر رؤى حول تشخيص وإدارة MI المرتبط ب NAFLD.

وبالتالي ، في هذه الدراسة ، تم تنزيل مجموعات بيانات المصفوفات الدقيقة للحمض النووي الريبي ل NAFLD و MI من المركز الوطني لمعلومات التكنولوجيا الحيوية - التعبير الجيني الشامل (NCBI-GEO ، انظر جدول المواد) لتحديد وتحليل تفاعل الجينات المعبر عنها تفاضليا (DEGs) بين NAFLD و MI. تحليل التخصيب ، بناء مخطط شبكة التفاعل بين البروتين والبروتين (PPI) ، دعم إزالة الميزة المتكررة لآلة المتجهات (SVM-RFE) ، وأقل خوارزميات انكماش مطلق ومشغل الاختيار (LASSO) تم استخدامها لتحديد جينات المحور12،13،14،15،16،17،18،19. تم إجراء تحليل التسلل المناعي لفحص الخلايا المناعية في مرضى NAFLD و MI. في النهاية ، تم دمج هذه الطرق لتوضيح العلاقة بين NAFLD و MI. يوضح الشكل 1 تسلسل التصميم المتبع في هذه الدراسة. من خلال الجمع بين المعلوماتية الحيوية والتعلم الآلي وتحليل التسلل المناعي ، تهدف هذه الدراسة إلى المساهمة في تطوير منصة جديدة لدعم القرار الطبي.

المساهمات الرئيسية لهذه المقالة هي: (1) تحديد الجينات المعبر عنها بشكل مشترك: تسلط الدراسة الضوء على العلاقة بين NAFLD و MI من خلال تحديد الجينات المعبر عنها بشكل مشترك ، مما يوفر فهما أعمق للروابط الجزيئية بين هذين الحالتين. (2) تطبيق المعلوماتية الحيوية والتعلم الآلي: باستخدام تقنيات المعلوماتية الحيوية والتعلم الآلي ، بما في ذلك التخلص من الميزات المتكررة للآلة المتجهة الداعمة (SVM-RFE) 17 ومشغل الانكماش والاختيار المطلق الأقل (LASSO) 19 ، تحدد الدراسة THBS1 كجين معبر عنه تفاضليا. يظهر THBS1 أداء عاليا في التمييز بين مرضى NAFLD و MI عن الضوابط الصحية. (3) تحليل التسلل المناعي: تجري الدراسة تحليلا للتسلل المناعي ، وكشفت عن مستويات أقل بكثير من خلايا CD8 + T ومستويات أعلى من العدلات في المرضى الذين يعانون من NAFLD و MI. (4) تحليل الارتباط: يوضح البحث أن THBS1 يرتبط ارتباطا إيجابيا بالعديد من العوامل المناعية ، بما في ذلك CCR (مستقبلات الكيموكين) ، معقد التوافق النسيجي الكبير من الفئة الأولى (مركب التوافق النسيجي الرئيسي من الفئة الأولى) ، العدلات ، التهاب ، وخلايا Tfh (مساعد البصيلات). يرتبط سلبا بالخلايا التائية CD8 + ، والنشاط المحلل للخلايا ، والخلايا الليمفاوية المتسللة للورم (TIL).

Protocol

يتم سرد تفاصيل قواعد البيانات وروابط الويب والبرامج/الحزم المستخدمة في جدول المواد. وترد معلمات المحاكاة المستخدمة في الجدول 1.

1. الحصول على مجموعات بيانات المصفوفات الدقيقة للحمض النووي الريبي

  1. قم بتنزيل مجموعة بيانات احتشاء عضلة القلب (MI) ، GSE66360 ، من قاعدة بيانات NCBI-GEO .
  2. قم بتنزيل مجموعة بيانات مرض الكبد الدهني غير الكحولي (NAFLD) ، GSE89632 ، من قاعدة بيانات NCBI-GEO .
  3. تأكد من أن مجموعات البيانات التي تم تنزيلها تتضمن 49 عينة MI و 50 عنصر تحكم صحي ل GSE66360 و 39 عينة من NAFLD و 24 عنصر تحكم صحي ل GSE89632.

2. تحديد DEGs

  1. المعالجة المسبقة للبيانات وتحديد DEG
    1. قم بتحميل مجموعات البيانات في RStudio باستخدام وظائف R المناسبة.
    2. استخدم حزمة R limma لتحديدDEGs 12 بالعتبات التالية: P < 0.05P و | log FC | > 1.5.
    3. استخدم خرائط الطباعة المفاجئة لحزم R وggplot2 وVenn لإنشاء خرائط حرارية ومخططات Venn لتصور DEGs.
  2. إنشاء مرئيات
    1. استخدم خريطة الرجزاء لإنشاء خرائط حرارية ل DEGs.
    2. استخدم ggplot2 لإنشاء مخططات Venn توضح تداخل DEGs بين NAFLD و MI.

3. تحليل التخصيب

  1. إجراء تحليل تخصيب GO وKEGG وDO
    1. تحميل DEGs في مجموعة حزمة RProfiler13.
    2. إجراء تحليل تخصيب علم الوجود الجيني (GO) لتصنيف DEGs إلى وظائف جزيئية وعمليات بيولوجية ومكونات خلوية.
    3. إجراء تحليل مسار موسوعة كيوتو للجينات والجينوم (KEGG) لتعيين DEGs على المسارات الكيميائية الحيوية.
    4. استخدم تحليل تخصيب علم وجود المرض (DO) لربط DEGs بحالات سريرية محددة.

4. تحليل PPI عن طريق إنشاء شبكات PPI

  1. استخدم منصة STRING عبر الإنترنت14 لبناء مخططات شبكة تفاعل البروتين والبروتين (PPI) ل DEGs المشتركة بدرجة ثقة 0.4.
  2. تصور شبكات PPI باستخدام Cytoscape15.

5. فحص DEGs لمركز المرشحين من خلال تطبيق خوارزميات التعلم الآلي

  1. استخدم خوارزميات الانحدار SVM-RFE (دعم إزالة الميزة المتكررة لآلة المتجه) و LASSO (مشغل الانكماش والاختيار المطلق الأقل) في RStudio لتحديد DEGs16،17،18 الأكثر صلة.
  2. تأكد من أن SVM-RFE يقوم بترتيب الميزات وإزالتها بشكل متكرر، بينما يطبق انحدار LASSO19 التنظيم لتحديد مجموعة متفرقة من DEGs.

6. بناء منحنى ROC لتقييم الأداء التشخيصي

  1. استخدم RStudio لإجراء تحليل منحنى ROC (خاصية تشغيل جهاز الاستقبال)20.
  2. احسب المساحة الواقعة تحت المنحنى (AUC) للأهداف المشتركة الحاسمة.

7. تحليل التسلل المناعي لاستكشاف التسلل المناعي

  1. إجراء تحليل تخصيب مجموعة الجينات أحادية العينة (ssGSEA) باستخدام حزم R GSVA و GSEABase لتحليل التسلل المناعي في NAFLD و MI21.
  2. قارن الوفرة النسبية لأنواع الخلايا المناعية بين عينات NAFLD و MI والضوابط الصحية.

8. التحليل الإحصائي

  1. قم بإجراء جميع التحليلات الإحصائية في RStudio.
  2. تطبيق تحليل ارتباط بيرسون لفحص أنماط التعبير المشترك للجينات.
  3. تأكد من الدلالة الإحصائية مع P < 0.05.
    ملاحظة: تأكد من تثبيت جميع البرامج وحزم R بشكل صحيح وتحديثها إلى أحدث إصداراتها قبل بدء تشغيل البروتوكول.

النتائج

يتم تقديم النتائج الرئيسية للدراسة المقترحة هنا ، بما في ذلك التحليلات المختلفة التي أجريت لتوضيح الآليات الجزيئية الكامنة وراء NAFLD و MI.

تحديد DEGs
في مجموعة البيانات GSE89632 ، تم تحديد 76 جينا منظما و 20 جينا منظما على أنها NAFLD-DEGs (الشكل 2 ب

Discussion

الطريقة الموصوفة في هذه الدراسة لها آثار مهمة على البحث في الآليات الجزيئية الكامنة وراء NAFLD و MI. من خلال تحديد المؤشرات الحيوية الرئيسية مثل THBS1 ، يقدم البروتوكول المقترح أهدافا محتملة لكل من التدخلات التشخيصية والعلاجية. يمكن توسيع هذا النهج ليشمل الأمراض المعقدة الأخ...

Disclosures

اي.

Acknowledgements

تم دعم هذه الدراسة من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين (رقم 62271511 ، U21A200949) ، ومؤسسة يوكاي للمستشفى العام لقيادة المسرح الجنوبي (2022NZC011) ، ومشروع برنامج قوانغتشو للعلوم والتكنولوجيا (2023A03J0170) ، والمركز الوطني للبحوث السريرية لطب الشيخوخة (NCRCG-PLAGH-2023006) ومؤسسة قوانغدونغ للبحوث الأساسية والتطبيقية (رقم 2020A1515010288 ، رقم 2021A1515220101).

Materials

NameCompanyCatalog NumberComments
CytoscapeCytoscape ConsortiumVersion 3.6.1Used for visualizing protein-protein interaction (PPI) networks
MI dataset GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).NCBI-GEO database -To collect RNA microarray datasets for analysis
R package clusterProfilerBioconductor -Used for GO, KEGG, and DO enrichment analyses
R package ggplot2CRAN -Used for creating Venn diagrams and other visualizations
R package GSEABaseBioconductor -Used in conjunction with GSVA for gene set enrichment analysis
R package GSVABioconductor -Used for single-sample gene set enrichment analysis (ssGSEA)
R package limmaBioconductor -Used for identifying differentially expressed genes (DEGs)
R package pheatmapCRAN -Used for generating heatmaps
R package vennCRAN -Used for creating Venn diagrams
RNA microarray datasets (GSE66360, GSE89632)NCBI-GEO -Publicly available RNA microarray datasets used for analysis
RStudioRStudio, PBCVersion 1.4.1717Integrated development environment for R
String databaseSTRING (www.string-db.org/) -Online tool for constructing PPI networks

References

  1. de Alwis, N. M. W., Day, C. P. Non-alcoholic fatty liver disease: The mist gradually clears. J Hepatol. 48 (Suppl), S104-S112 (2008).
  2. Adams, L. A., Anstee, Q. M., Tilg, H., Targher, G. Non-alcoholic fatty liver disease and its relationship with cardiovascular disease and other extrahepatic diseases. Gut. 66 (6), 1138-1153 (2017).
  3. Bhatia, L. S., Curzen, N. P., Calder, P. C., Byrne, C. D. Non-alcoholic fatty liver disease: A new and important cardiovascular risk factor. Eur Heart J. 33 (9), 1190-1200 (2012).
  4. Boddi, M., et al. Non-alcoholic fatty liver in non-diabetic patients with acute coronary syndromes. Eur J Clin Invest. 43 (4), 429-438 (2013).
  5. Oni, E. T., et al. A systematic review: Burden and severity of subclinical cardiovascular disease among those with non-alcoholic fatty liver; should we care. Atherosclerosis. 230 (2), 258-267 (2013).
  6. Reed, G. W., Rossi, J. E., Cannon, C. P. Acute myocardial infarction. Lancet. 389 (10070), 197-210 (2017).
  7. Stahl, E. P., et al. Non-alcoholic fatty liver disease and the heart: JACC state-of-the-art review. J Am Coll Cardiol. 73 (8), 948-963 (2019).
  8. Alexander, M., et al. Non-alcoholic fatty liver disease and risk of incident acute myocardial infarction and stroke: findings from matched cohort study of 18 million European adults. BMJ. 367, 1934578X221093907 (2019).
  9. Cobbina, E., Akhlaghi, F. Non-alcoholic fatty liver disease (NAFLD)-pathogenesis, classification, and effect on drug metabolizing enzymes and transporters. Drug Metab Rev. 49 (2), 197-211 (2017).
  10. Pawlak, M., Lefebvre, P., Staels, B. Molecular mechanism of PPARα action and its impact on lipid metabolism, inflammation and fibrosis in non-alcoholic fatty liver disease. J Hepatol. 62 (3), 720-733 (2015).
  11. Katsiki, N., Mikhailidis, D. P., Mantzoros, C. S. Non-alcoholic fatty liver disease and dyslipidemia: An update. Metabolism. 65 (8), 1109-1123 (2016).
  12. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47 (2015).
  13. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: An R package for comparing biological themes among gene clusters. Omics. 16 (5), 284-287 (2012).
  14. Szklarczyk, D., et al. The STRING database in 2021: Customizable protein-protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucleic Acids Res. 49 (D1), D605-D612 (2021).
  15. Sriroopreddy, R., Sajeed, R., Raghuraman, P., Sudandiradoss, C. Differentially expressed gene (DEG) based protein-protein interaction (PPI) network identifies a spectrum of gene interactome, transcriptome and correlated miRNA in nondisjunction Down syndrome. Int J Biol Macromol. 122, 1080-1089 (2019).
  16. Engebretsen, S., Bohlin, J. Statistical predictions with glmnet. Clin Epigenetics. 11, 123 (2019).
  17. Ma, H., Ding, F., Wang, Y. A novel multi-innovation gradient support vector machine regression method. ISA Trans. 130, 343-359 (2022).
  18. Han, Y., Huang, L., Zhou, F. A dynamic recursive feature elimination framework (dRFE) to further refine a set of OMIC biomarkers. Bioinformatics. 37 (12), 2183-2189 (2021).
  19. Colombani, C., et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. J Dairy Sci. 96 (2), 575-591 (2013).
  20. Gamper, M., et al. Gene expression profile of bladder tissue of patients with ulcerative interstitial cystitis. BMC Genomics. 10 (1), 1-17 (2009).
  21. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 1-15 (2013).
  22. Valbusa, F., et al. Non-alcoholic fatty liver disease and increased risk of all-cause mortality in elderly patients admitted for acute heart failure. Int J Cardiol. 265, 162-168 (2018).
  23. Zhang, Q., et al. Identification of hub biomarkers of myocardial infarction by single-cell sequencing, bioinformatics, and machine learning. Front Cardiovasc Med. 9, 939972 (2022).
  24. Zhang, Q., et al. 7-Hydroxyflavone alleviates myocardial ischemia/reperfusion injury in rats by regulating inflammation. Molecules. 27 (17), 5371 (2022).
  25. Zhang, Q., Guo, Y., Zhang, D. Network pharmacology integrated with molecular docking elucidates the mechanism of wuwei yuganzi san for the treatment of coronary heart disease. Nat Prod Commun. 17 (1), 1934578X221093907 (2022).
  26. Baenziger, N. L., Brodie, G., Majerus, P. W. A thrombin-sensitive protein of human platelet membranes. Proc Natl Acad Sci USA. 68 (2), 240-243 (1971).
  27. Zhang, N., Aiyasiding, X., Li, W. J., Liao, H. H., Tang, Q. Z. Neutrophil degranulation and myocardial infarction. Cell Commun Signal. 20 (1), 50 (2022).
  28. Lawler, J. Thrombospondin-1 as an endogenous inhibitor of angiogenesis and tumor growth. J Cell Mol Med. 6 (1), 1-12 (2002).
  29. Kaur, S., et al. Functions of thrombospondin-1 in the tumor microenvironment. Int J Mol Sci. 22 (9), 4570 (2021).
  30. Asch, A. S., et al. Isolation of the thrombospondin membrane receptor. J Clin Invest. 79 (4), 1054-1061 (1987).
  31. Armstrong, L. C., Bornstein, P. Thrombospondins 1 and 2 function as inhibitors of angiogenesis. Matrix Biol. 22 (1), 63-71 (2003).
  32. Roberts, D. D., Isenberg, J. S. CD47 and thrombospondin-1 regulation of mitochondria, metabolism, and diabetes. Am J Physiol Cell Physiol. 321 (1), C201-C213 (2021).
  33. Emre, A., et al. Impact of non-alcoholic fatty liver disease on myocardial perfusion in non-diabetic patients undergoing primary percutaneous coronary intervention for ST-segment elevation myocardial infarction. Am J Cardiol. 116 (11), 1810-1814 (2015).
  34. Mouton, A. J., et al. Fibroblast polarization over the myocardial infarction time continuum shifts roles from inflammation to angiogenesis. Basic Res Cardiol. 114 (1), 1-16 (2019).
  35. Liu, Y., et al. Atherosclerotic conditions promote the packaging of functional microRNA-92a-3p into endothelial microvesicles. Circ Res. 124 (4), 575-587 (2019).
  36. Bai, J., et al. Thrombospondin 1 improves hepatic steatosis in diet-induced insulin-resistant mice and is associated with hepatic fat content in humans. EBioMedicine. 57 (1), 102-111 (2020).
  37. Wabitsch, S., et al. Metformin treatment rescues CD8+ T-cell response to immune checkpoint inhibitor therapy in mice with NAFLD. J Hepatol. 77 (4), 748-760 (2022).
  38. Dolejsi, T., et al. Adult T-cells impair neonatal cardiac regeneration. Eur Heart J. 43 (27), 2698-2709 (2022).
  39. Qin, Z., et al. Systemic immune-inflammation index is associated with increased urinary albumin excretion: a population-based study. Front Immunol. 13, 863640 (2022).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

Thrombospondin 1 SVM RFE LASSO CD8 T

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved