动脉粥样硬化中线粒体自噬相关基因的鉴定与免疫浸润分析：新型诊断标志物与机制探索

本研究通过整合生物信息学分析与实验验证，揭示了动脉粥样硬化（AS）中线粒体自噬相关基因（MRGs）与免疫细胞浸润的密切关联。研究筛选出MNDA、CD163L1、NEXN、TC2N和SLC22A3五个关键基因，构建了高诊断效能（AUC>0.85）的预测模型，并证实其与巨噬细胞等免疫细胞浸润显著相关。通过qPCR在ox-LDL刺激的巨噬细胞模型中验证了基因表达变化，为AS的分子分型和靶向治疗提供了新视角。

　　

引言

动脉粥样硬化是一种慢性炎症性动脉疾病，其特征是动脉壁内粥样斑块的形成。该疾病的发病机制涉及内皮损伤、脂质积聚和免疫反应失调等多种因素。尽管诊断和治疗策略取得了显著进展，动脉粥样硬化仍然是全球心血管相关发病率和死亡率的主要原因。因此，识别精确的分子标志物并阐明其在动脉粥样硬化发生中的作用，对于改善临床诊断、风险分层和治疗至关重要。

线粒体自噬（Mitophagy）是一种选择性自噬降解受损线粒体的过程，对维持细胞稳态至关重要，尤其是在血管内皮细胞、平滑肌细胞和巨噬细胞中。越来越多的证据表明，线粒体自噬受损会导致线粒体功能障碍和氧化应激，从而加剧血管损伤和疾病进展。同时，慢性炎症作为动脉粥样硬化的标志，是由免疫细胞浸润到血管壁驱动的，其中巨噬细胞和T淋巴细胞释放促炎细胞因子（如干扰素-γ），促进斑块生长。近期研究表明，线粒体自噬和免疫细胞浸润在多种疾病中相互关联，这种交互作用可能在动脉粥样硬化斑块的 initiation、进展和稳定性中发挥关键作用。例如，线粒体自噬通过清除功能失调的线粒体来减少炎症，这些线粒体否则会作为危险信号激活免疫通路。它还通过促进M2型巨噬细胞极化和影响T细胞活化与分化来调节免疫反应。然而，大多数研究至今独立关注线粒体自噬或免疫机制，使得在动脉粥样硬化背景下这些过程之间的相互作用 largely unexplored。这一空白凸显了需要一种整合方法，同时研究线粒体自噬和免疫调节，以 uncover 新的机制见解并识别新的治疗靶点。

材料与方法

数据获取

从NCBI Gene Expression Omnibus（GEO）数据库获取了两个动脉粥样硬化相关的微阵列数据集GSE43292和GSE100927。GSE43292（GPL6244平台）包含64个样本（32个动脉粥样硬化病变和32个非动脉粥样硬化对照），GSE100927（GPL17077平台）包含104个样本（69个动脉粥样硬化样本和35个对照）。通过检索GeneCards中的“mitophagy”一词，识别了2414个线粒体自噬相关基因（MRGs），并列在补充表S1中。

差异分析

使用sva包中的ComBat算法合并两个GEO数据集并校正批次效应。通过比较ComBat调整前后的样本表达分布箱线图来验证批次效应去除的成功，显示跨批次的 median 对齐。在需要时，与ComBat结合应用分位数归一化。批次校正后，使用limma包进行差异表达分析。将|log₂FC| > 1且调整后P < 0.05的基因视为差异表达基因（DEGs）。结果通过pheatmap热图和ggplot2火山图可视化。

富集分析

使用WebGestalt工具包进行Gene Ontology（GO）和Kyoto Encyclopedia of Genes and Genomes（KEGG）通路富集分析，以研究已识别MRGs的生物学功能。统计显著性定义为P < 0.05。

特征基因选择

使用多种机器学习方法识别关键诊断基因（hub genes）。对DEGs应用最小绝对收缩和选择算子（LASSO）回归、支持向量机-递归特征消除（SVM-RFE）和随机森林算法。这些方法分别使用glmnet包实现LASSO，e1071包实现SVM-RFE，randomForest包实现随机森林建模。

使用rms包构建诊断预测的列线图（nomogram），以说明每个hub基因对动脉粥样硬化风险的贡献。绘制校准曲线以评估预测风险与实际结果之间的一致性。使用pROC包计算受试者工作特征曲线下面积（AUC）来量化诊断性能。

基因集富集和变异分析

进行基因集富集分析（GSEA）和基因集变异分析（GSVA）以探索通路水平差异。基于诊断模型的中位风险评分将样本分为高风险和低风险组。使用clusterProfiler包进行GSEA，以MSigDB数据库中的c2.all.v7.2策划基因集为参考，应用P < 0.05的显著性阈值。并行地，使用GSVA基于个体动脉粥样硬化样本的基因表达矩阵估计通路活性的变异。使用limma包识别高风险和低风险组之间差异富集的通路，阈值设置为|log₂FC| > 1且调整后P < 0.05。

网络构建

使用STRING（Search Tool for the Retrieval of Interacting Genes/Proteins）构建蛋白质-蛋白质相互作用（PPI）网络以探索hub基因之间的相互作用。此外，从starBase获取mRNA–miRNA和mRNA–RBP调控网络。使用PROMO数据库进行转录因子（TF）结合预测， resulting in 全面的mRNA–miRNA、mRNA–RBP和mRNA–TF相互作用网络。

免疫分析

使用CIBERSORT算法基于22种免疫细胞类型的表达谱评估免疫细胞浸润。此外，使用单样本基因集富集分析（ssGSEA）量化个体样本中28种免疫细胞类型和免疫反应活性。使用ggplot2创建免疫细胞分布的可视化。进一步分析hub基因表达与免疫细胞丰度之间的相关性，并探索动脉粥样硬化亚型之间免疫浸润的差异。

聚类分析

使用ConsensusClusterPlus包进行无监督共识聚类，将动脉粥样硬化样本分为分子亚型。

细胞培养与处理

从Procell（中国武汉）购买RAW264.7（小鼠巨噬细胞系）和THP-1（人单核细胞系）。RAW264.7细胞在补充有10%胎牛血清（FBS）的DMEM中培养，THP-1细胞在含有10% FBS的RPMI1640中培养。两种细胞系均在37°C、5% CO₂的湿润气氛中维持。为了诱导巨噬细胞分化，THP-1细胞用100 ng/mL佛波醇12-肉豆蔻酸13-乙酸酯（PMA, Sigma）处理48小时。

为了在体外模拟动脉粥样硬化病变的促炎环境，将细胞分为对照组和实验组。实验组细胞用氧化低密度脂蛋白（ox-LDL, 50 μg/mL; 中国广州翊源生物科技）处理24小时。这种ox-LDL刺激诱导巨噬细胞泡沫细胞形成，并模拟动脉粥样硬化炎症 conditions，如既往研究中所建立。所有细胞实验均进行三次独立重复（n = 3）以确保可重复性。

RNA提取与cDNA合成

使用TRIzol试剂（Invitrogen, USA）根据制造商方案从处理过的细胞中提取总RNA。使用NanoDrop分光光度计（Thermo Scientific）评估RNA纯度和浓度。使用PrimeScript? RT Reagent Kit（TaKaRa, Japan）按照制造商说明进行逆转录，获得用于后续qPCR分析的cDNA模板。

定量实时PCR（qPCR）

使用SYBR Green Master Mix（TaKaRa）在ABI 7500实时PCR系统上进行qPCR。循环条件为：95°C 30秒，随后进行40个循环的95°C 5秒和60°C 30秒。使用2^?ΔΔCt方法计算相对基因表达，以β-actin（小鼠）或GAPDH（人）作为内参。引物序列如下：

小鼠引物：Mnda（正向5′-GACAACCAAGAGCAATACACCA-3′, 反向5′-ATCAGTTTGCCCAATCCAGAAT-3′），Cd163l1（正向5′-CTGGCCTCTGAGTTTAGGGTC-3′, 反向5′-CCCTTGGTGTCGAACCAGC-3′），Nexn（正向5′-ATGAATGACGTTTCGCAAAAGG-3′, 反向5′-GCTAATTCGCGCTGTATTTTCC-3′），Tc2n（正向5′-CCATTGGTATCCCTCCATTGAC-3′, 反向5′-GGGCACCACAAATTGTACTTCTT-3′），Slc22a3（正向5′-CAGCCCGACTACTATTGGTGT-3′, 反向5′-TGAGCTGGTATTAGTGGCTTCC-3′）；β-Actin（正向5′-TCCGGCACTACCGAGTTATC-3′, 反向5′-GATCCGGTGTAGCAGATCGC-3′）。

人引物：MNDA（正向5′-GTTTACTCCGAATCAGGAAACCC-3′, 反向5′-TAAATGGCGCTGTTGCTTTCA-3′），CD163L1（正向5′-GCTGTGGTAACTTGCATCCTG-3′, 反向5′-GCAGTAGTGTTCCACCCATCA-3′），NEXN（正向5′-ACTGTGAAGGGTAGATTTGCTG-3′, 反向5′-TTCTGCGTTTTCGTTCCTCCT-3′），TC2N（正向5′-TGGCTGTACTGAGGATTATTTGC-3′, 反向5′-TGTGAAGGAGTTTCTTGTGTCC-3′），SLC22A3（正向5′-CTTCCGCTTCCTGCAAGGT-3′, 反向5′-AAGTAGGCAATTCCAGGGAGA-3′）；GAPDH（正向5′-TGCACCACCAACTGCTTAGC-3′, 反向5′-GGCATGGACTGTGGTCATGAG-3′）。

统计分析

所有统计分析均在R（版本3.6.3）中进行。整个分析中使用的包版本已指定，以确保可重复性和统计严谨性。

结果

动脉粥样硬化中DEGs概述

本研究的工作流程如图1所示。本研究中使用的数据集总结在表1中。图2A和B分别显示了数据集GSE43292和GSE100927的未校正和校正箱线图。合并数据集中动脉粥样硬化组和对照组之间的差异表达分析识别出182个满足|log₂FC| > 1且P.adj < 0.05标准的DEGs，包括136个上调基因和46个下调基因（图2C）。最显著上调的基因是MMP9、IBSP、ACP5、MMP7和MMP12，而最显著下调的基因是PI16、CASQ2、DES、PLA2G2A和MYOC（图2D）。

MRGs的鉴定

与2414个MRGs的交叉分析 yield 13个上调（HMOX1、FABP5、APOE、FBP1、C15orf48、MS4A4A、ITGAX、VAMP8、CD163L1、IL1B、CA2、CTSD和MNDA）和6个下调（SLC22A3、NEXN、MYOM1、FLNC、TC2N和CASQ2）的MRGs（图3A）。这19个基因的染色体位置如图3B所示。它们的表达模式显示在热图（图3C）、火山图（图3D）和箱线图（图3E）中。在所有三种可视化方法中，HMOX1、FABP5、APOE、FBP1、C15orf48、MS4A4A、ITGAX、VAMP8、CD163L1、IL1B、CA2、CTSD和MNDA在动脉粥样硬化组中显著上调，而SLC22A3、NEXN、MYOM1、FLNC、TC2N和CASQ2显著下调。19个基因之间的相关性如图4A所示。MNDA、CD163L1、TC2N和SLC22A3的ROC曲线在动脉粥样硬化组织中显示AUC值 above 0.85（图4B–D）。

MRGs的富集分析

在本研究中，使用GO和KEGG数据库进行功能富集分析，以了解MRGs在动脉粥样硬化发展中的潜在功能和通路。进行GO富集分析以确定DEGs的生物学特征，结果分为三个功能类别：生物过程（BP）、细胞组分（CC）和分子功能（MF）。MRGs主要与生物过程相关，如对刺激的反应、定位、生物调节、细胞通讯、细胞组分组织、多细胞生物过程、发育过程和代谢过程（图5A–C和表2）。KEGG分析识别出富集于通路，如戊糖磷酸途径、抗叶酸耐药、自噬、流体剪切应力和动脉粥样硬化（图5D和表3，P < 0.05）。通路图显示在补充图S1中。

通过机器学习选择Hub基因

LASSO逻辑回归分析从19个MRGs中识别出18个基因（补充图S2A和S2B）。SVM-RFE算法进一步将其 refine 为16个基因，准确度为0.923（补充图S2C），错误率为0.0774（补充图S2D）。RF模型构建中决策树数量与错误的关系如补充图S2E所示，包括前六个重要的MRGs（SLC22A3、TC2N、CD163L1、MNDA、HMOX1和NEXN）（补充图S2F）。

三种算法的交集 yield 五个诊断相关的hub基因：MNDA、CD163L1、NEXN、TC2N和SLC22A3（图6A）。单个基因AUC显示高诊断效率（AUC > 0.85），表明高诊断价值（图6B）。使用hub基因构建的线图如图6C所示。校准图说明了动脉粥样硬化诊断的实际概率与预测概率之间的良好一致性（图6D），表明模型具有稳健的诊断效能。

GSEA和GSVA分析

基于hub基因模型的中位风险评分将动脉粥样硬化患者分为高风险和低风险组。这些组之间的差异表达分析识别出26个DEGs（|log₂FC| > 1, P.adj < 0.05），包括高风险组中10个上调和16个下调的基因（图7A）。前五个上调和下调的基因显示在图7B中。GSEA识别出高风险组中富集的通路，包括WP IL-18信号通路、KEGG趋化因子信号通路、Alcala凋亡和WP B细胞受体信号通路（图7C和表4）。GSVA揭示GO心脏血管平滑肌细胞分化正调控通路在低风险组中富集（图7D和表5）。

网络构建

使用STRING数据库构建了hub基因的PPI网络（图8A）。具体而言，MNDA与TYROBP和NCF2相互作用，而NEXN与CTNNB1、CTTN、DBN1和GRN相互作用，CTNNB1与SLC22A3结合。此外，从starBase获取了mRNA-miRNA相互作用网络（图8B和补充表S2）。该网络包括相互作用，如CD163L1与hsa-miR-146a-5p和hsa-miR-589-5p，以及MNDA与hsa-miR-541-3p。使用相同数据库预测的mRNA-RBP相互作用网络如图8C所示。与CD163L1相关的RBP包括ACIN1、ADAR、BCCIP、BUD13、CNBP，而与MNDA相关的包括ELAVL1、FUS、HNRNPL、MSI2、TAF15、TROVE2。基于PROMO数据库预测的mRNA-TF网络如图8D所示。TF如Pax-5、p53、AP-2alphaA、NFI/CTF、TFII-I、GR-alpha、RXR-alpha、STAT4、ER-alpha、GCF和Sp1与SLC22A3相互作用。

免疫细胞浸润分析

使用CIBERSORT评估了对照组、高风险和低风险动脉粥样硬化样本中22种免疫细胞类型的丰度（图9A）。值得注意的是，M0巨噬细胞在动脉粥样硬化样本中比对照组更丰富，并且在高风险与低风险动脉粥样硬化组中也升高。图9B中的热图说明了动脉粥样硬化样本中hub基因与这些免疫细胞浸润水平之间的相关性。具体而言，MNDA（图9C）和CD163L1（图9D）与浆细胞负相关（R < 0, P < 0.05），而NEXN（图9E）和CD163L1（图9F）分别与M2巨噬细胞和记忆B细胞正相关（R > 0, P < 0.05）。

进一步使用ssGSEA评估对照组、高风险和低风险动脉粥样硬化组中28种免疫细胞类型的丰度（图10A）。与对照组相比，动脉粥样硬化样本中几种免疫细胞的丰度增加，高风险与低风险动脉粥样硬化样本相比也是如此。图10B中的热图显示MNDA、CD163L1与几种免疫细胞之间存在显著正相关（R > 0, P < 0.05），而NEXN、TC2N、SLC22A3与各种免疫细胞之间存在显著负相关（R < 0, P < 0.05）。

动脉粥样硬化的共识聚类

基于表达谱数据采用无监督共识聚类来识别动脉粥样硬化疾病的分子亚型（图11A）。hub基因的表达谱，分为两个独特的动脉粥样硬化亚型，显示在图11B中。MNDA和CD163L1在聚类B中显著过表达，而TC2N和SLC22A3在同一聚类中显著低表达。此外，不同聚类间的免疫细胞浸润分析表明，特定免疫细胞（如M0巨噬细胞）的存在在不同亚型间存在差异（图11C）。

候选基因的qPCR验证

为了验证候选MRGs的表达，在经ox-LDL处理的RAW264.7和THP-1细胞中进行qPCR，以模拟动脉粥样硬化相关的炎症环境。在RAW264.7细胞中，Mnda和Cd163l1的表达显著增加，而Nexn、Tc2n和Slc22a3下调（图12A）。在THP-1细胞中，MNDA表达显著升高；CD163L1显示无显著变化。NEXN和SLC22A3下调，而TC2N表达保持不变（图12B）。

讨论

我们的发现强调了受损线粒体自噬与动脉粥样硬化中免疫失调之间的关键相互作用。在本研究中，我们通过整合生物信息学分析，在动脉粥样硬化病变中识别出19个差异表达的MRGs。这些基因在代谢和炎症相关通路中富集——特别是戊糖磷酸途径、自噬和“流体剪切应力与动脉粥样硬化”通路——表明线粒体质量控制的干扰可以影响关键的致动脉粥样硬化过程。例如，抑制戊糖磷酸途径已知会改变巨噬细胞代谢和表型，从而 attenuating 炎症反应并减缓斑块进展。类似地，异常的机械感觉信号（如剪切应力通路富集所示）可通过骨形态发生蛋白-9/ALK1介导的SMAD激活等机制加剧内皮损伤和炎症。因此，富集分析支持了线粒体自噬相关基因与驱动动脉粥样硬化斑块发展的通路在功能上交织在一起的概念。

使用三种机器学习算法（LASSO、SVM-RFE和随机森林），我们 pinpointed 五个对动脉粥样硬化具有高诊断价值的hub基因：MNDA、CD163L1、NEXN、TC2N和SLC22A3。这些基因在细胞功能和免疫调节中扮演着 distinct 角色，阐明了它们对动脉粥样硬化发生的潜在贡献。

MNDA（髓样细胞核分化抗原）在粒细胞-单核细胞谱系细胞的细胞核中特异性表达，并参与炎症和凋亡。它可以通过干扰素调节因子7（IRF7）调节单核细胞中的干扰素信号，并且与类风湿性关节炎等自身免疫性疾病有关。在我们的分析中，MNDA在动脉粥样硬化组织中显著上调，并与免疫细胞浸润正相关，表明MNDA可能促进斑块内的促炎活化。CD163L1（CD163样1）是一种主要存在于单核细胞和巨噬细胞上的膜受体，与清道夫受体CD163密切相关。CD163L1和CD163以其在免疫调节和炎症 resolution 中的作用而闻名。CD163阳性巨噬细胞的高水平已在代谢性和纤维化疾病中观察到。此外，调节这些巨噬细胞可以影响免疫反应；例如，干扰素-γ（IFN-γ）通过影响CD163⁺ M2巨噬细胞来增强CAR T细胞疗效。我们研究中CD163L1在动脉粥样硬化病变中的 elevated 表达表明其可能参与巨噬细胞驱动的炎症或限制斑块内过度炎症的反馈机制。NEXN（Nexilin）是一种细胞骨架蛋白，由于其F-肌动蛋白结合和在肌肉发育中的作用，对心血管细胞完整性至关重要。值得注意的是，NEXN在血管系统中具有抗炎作用。例如，长链非编码RNA NEXN-AS1增加NEXN表达，进而抑制Toll样受体4（TLR4）/NF-κB信号，并降低内皮细胞中的粘附分子和细胞因子水平；因此，NEXN有助于阻止单核细胞粘附并减轻动脉粥样硬化。与这种保护作用一致，我们发现NEXN在动脉粥样硬化组织中显著下调——这种变化可能移除抑制炎症细胞招募和斑块形成的重要刹车。TC2N（串联C2结构域，核）编码一种含有两个C2结构域的核蛋白。据报道，TC2N影响癌细胞行为（较高表达与胃癌较差预后相关），但其在心血管或免疫背景下的功能尚未 well characterized。我们将TC2N识别为动脉粥样硬化中下调的hub基因是新颖的，提出了TC2N通常参与囊泡运输或自噬过程以抑制炎症活化的可能性——这一假设值得进一步研究。SLC22A3是一种有机阳离子转运蛋白，参与多种代谢物的跨膜转运。SLC22A3的遗传多态性已与冠心病风险改变、2型糖尿病和高血压相关，并且该转运蛋白可能影响血脂水平。我们观察到SLC22A3表达在动脉粥样硬化病变中下调，与 reduced 转运蛋白活性可能影响斑块微环境中巨噬细胞脂质处理和血管炎症的观点一致。

collectively，这五个诊断标志物似乎在炎症、免疫细胞功能和细胞信号传导等过程中发挥关键作用。鉴于动脉粥样硬化本质上是一种慢性炎症性疾病，这些基因的扰动可能对其 initiation 和进展产生显著影响。事实上，NEXN和SLC22A3在动脉粥样硬化和冠状动脉疾病中的 involvement 先前已被 noted，这与我们的发现一致。重要的是，我们的研究 newly implicates MNDA、CD163L1和TC2N在动脉粥样硬化中，开辟了探索它们作为该疾病背景下生物标志物或治疗靶点 utility 的新途径。

beyond 个体基因，我们基于五个hub基因构建了一个诊断列线图，根据基因表达谱将动脉粥样硬化患者分为高风险和低风险组。正如预期，高风险组（具有来自五基因模型的较高总体风险评分）表现出促动脉粥样硬化通路的富集。GSEA和GSVA揭示，免疫信号和炎症相关通路在高风险亚组中上调，包括如B细胞受体信号和TNF-α信号等通路，以及如血管平滑肌细胞分化正调控等生物过程。这些发现表明，已识别的基因特征捕捉了 heightened 免疫活性和血管重塑的状态，这些是更晚期或活动性动脉粥样硬化疾病的标志。

此外，我们对hub基因相互作用的网络分析提供了额外的背景。这五个hub基因与众多蛋白质、microRNAs（miRNAs）、RNA结合蛋白（RBPs）和已知调节炎症和凋亡的转录因子相连。例如，CTNNB1（β-连环蛋白），Wnt信号通路的关键组成部分，被识别为可能与hub基因相互作用的蛋白质。CTNNB1可以调节细胞因子和趋化因子的产生，从而影响免疫细胞活化和招募；事实上，某些CTNNB1突变通过miRNA介导的机制减少趋化因子表达，导致肿瘤中免疫细胞浸润减少。同样，miR-146a-5p作为hub基因调控网络的一部分出现。这种miRNA是炎症的重要负反馈调节剂：它响应炎症刺激而上调，以帮助 dampening 过度免疫反应。在心血管背景下，miR-146a-5p已被证明通过调节心肌梗死后的基质金属蛋白酶和肌肉收缩性通路来保护心肌细胞，并且异常的miR-146a-5p信号传导与类风湿性关节炎等自身免疫疾病的进展有关。CTNNB1、miR-146a-5p和其他此类分子在hub基因相互作用网络中的存在表明，我们的五个关键基因被整合到更广泛的免疫代谢调控电路中。这种系统水平 perspective 强化了这样的观点：MRGs并非孤立行动，而是作为 governing 炎症和细胞生存的复杂基因网络相互作用的一部分影响动脉粥样硬化。

我们还 characterization 了动脉粥样硬化样本中的免疫细胞浸润模式，并发现它们与hub基因的表达密切相关。通过CIBERSORT和ssGSEA进行的免疫分析证实，与对照动脉组织相比，动脉粥样硬化病变具有显著更高的巨噬细胞（特别是未分化的M0巨噬细胞）浸润，与该疾病的慢性炎症性质一致。值得注意的是，这种巨噬细胞升高在我们基因模型定义的高风险患者亚组中更为明显，表明五基因特征捕捉了巨噬细胞驱动炎症的程度。相关性分析进一步揭示，MNDA和CD163L1表达水平与几种免疫细胞类型（包括某些巨噬细胞和淋巴细胞群体）正相关，符合它们 proposed 的促炎作用。相反，NEXN、TC2N和SLC22A3水平与免疫细胞丰度负相关，与这些基因较低表达伴随较高炎症状态的观点一致。动脉粥样硬化样本的无监督聚类进一步说明了这种免疫失衡。当样本分为两个分子亚型时，一个亚型（聚类B）的特征是MNDA和CD163L1表达显著较高，但TC2N和SLC22A3较低，并且该亚型表现出M0巨噬细胞和其他免疫细胞的 greater 积累。这些结果 solidify 了动脉粥样硬化中MRGs扰动与免疫细胞动态之间的关联。我们的发现与既往报告一致，即线粒体自噬和免疫活性紧密 interconnected。在动脉粥样硬化斑块中，巨噬细胞来源的泡沫细胞是疾病进展的关键驱动因素，并且B细胞和浆细胞可以调节病变内的自身免疫和炎症反应。线粒体自噬可以通过从免疫细胞中清除受损线粒体来影响这些过程，从而 preventing 过度炎症（例如，通过限制NLRP3炎症小体激活）。事实上，增强的线粒体自噬已知促进巨噬细胞向抗炎M2表型极化，这有助于稳定斑块，并且它也可能影响T细胞活化和分化，从而改变斑块微环境中的适应性免疫反应。因此，与我们研究中特定线粒体自噬基因变化相关的免疫细胞群 shifts 提供了一个机制线索： insufficient 线粒体自噬（如某些MRGs下调所示）可能