生理力学载荷维持衰老VSMCs合成表型

目的动脉粥样硬化(atherosclerosis,AS)引起的心脑血管疾病是一类典型的与衰老密切相关的增龄性疾病。衰老血管在多个层面发生退行性改变,血管平滑肌细胞(vascular smooth muscle cells,VSMCs)是血管中膜的力学响应细胞,在衰老进程中发生表型转换,进而导致细胞间通讯及功能发生变化。这些改变可影响AS的进展,但其在生理力学环境下的表型和功能改变尚不清楚。本研究旨在探讨周期性生理牵张刺激下衰老VSMCs的表型转换,初步了解力学载荷通过调控衰老VSMCs进而参与AS进展。方法原代VSMCs经过氧化氢诱导衰老,在确认合适浓度后q PCR结合免疫印迹筛选合适的表型标志物。进一步将原代VSMCs接种于Flexcell培养板,生长至融合状态后诱导衰老,Flexcell-4000T牵张系统10%幅度、1Hz加载12 h后收取细胞,免疫印迹检测标志物并半定量其表达水平。结果30μM的过氧化氢诱导原代VSMCs成衰老状态;定量筛选出衰老VSMCs高表达合成型标志物Col VIII、ZO-2,与免疫印迹结果一致;生理力学加载后衰老VSMCs维持上述合成型标志物高表达,并低表达收缩型标志物SMMHC、SM22α。结论生理环境下衰老VSMCs维持了力学响应能力,并通过表型和功能改变促进AS进展。

衰老血管平滑肌细胞通过力学生物学负调控内皮细胞功能

目的本研究基于血管平滑肌细胞(vascular smooth muscle cells,VSMCs)衰老早于内皮细胞(endo thelial cells,ECs),旨在探究衰老VSMCs对ECs的调控,以深入了解二者之间的互作对相关疾病的贡献。方法免疫印迹检测衰老与年轻血管VSMCs表型标志物表达;体外梯度硬度增加培养板培养ECs后免疫印迹检测功能与表型标志物表达。此外,衰老VSMCs经Flexcell-4000T 10%幅度、1 Hz加载12 h后收取上清,超高速离心获取外泌体并进行力学响应micro RNA(mi RNA)测序与生物信息学分析,筛选出的mi RNAs模拟物处理ECs并进行靶基因预测与免疫印迹验证。结果衰老血管高表达合成型标志物,低表达收缩型标志物;硬度增加导致ECs功能失调、高表达间充质标志物α-平滑肌肌动蛋白(α-smooth muscle actin,α-SMA)、波形蛋白(Vimentin);筛选出的上下调力学响应mi RNA:mi R-107-3p、mi R-743b-5p的靶基因预测与验证表明二者可分别靶向程序性细胞死亡分子10(programmed cell death 10,PDCD10)、α-SMA。结论衰老VSMCs可通过力学响应mi RNA和硬度增加的力学生物学方式负调控内皮细胞功能、增加衰老血管疾病易感风险。

血管支架植入引起的力学环境改变利于Piezo1促进内皮功能修复

目的Piezo1是细胞中最重要的力学感受器,同时还可调节内皮修复进程。一方面Piezo1在层流下可以促进e NOS磷酸化,从而提高内皮细胞中一氧化氮的含量对内皮修复起到正向作用;但另一方面,在湍流情况下,Piezo1能激活NF-κB相关途径,提高细胞炎症水平,促进AS进程,对内皮修复造成负面影响。本研究探讨了在血管支架植入后的内皮修复进程中Piezo1及其相关下游通路激活情况,以明确Piezo1在该过程中扮演怎样的角色。方法以球囊扩张对血管进行一过性的机械损伤刺激和316L血管支架植入后的持续稳定机械刺激为对照,明确PLLA血管支架植入后所带来的力学改变对Piezo1和下游通路表达的影响。以大鼠腹主动脉为植入模型,取样后进行伊文思蓝染色实验检测血管通透性情况,免疫荧光实验观察Piezo1,e NOS和NF-κB表达变化;同时对比临床AS组织样本和体外力学加载后的相关基因表达变化情况。结果Piezo1对剪切力的敏感程度高于拉伸和静压,后两者需要较高强度的刺激才能引起Piezo1的表达水平改变。不同血管支架植入后的Piezo1及下游基因表达情况不同。Piezo1在正常生理的内皮修复进程中Piezo1向有益血管健康的方向流动,而在病理情况下,Piezo1向损害血管健康的方向流动。结论PLLA血管支架植入后的力学环境改变更利于Piezo1促进内皮功能修复。

基于U-Net模型从低能锥形束CT图像实现高能成像的研究

目的基于U-Net网络深度学习的方法,实现在放疗临床中低能锥形束CT(CBCT)图像转换成高能CBCT图像,以期提供双能CBCT成像图像基础且降低辐射剂量。方法利用放疗机载CBCT设备采集CIRS电子密度模体和CIRS头部体模在80和140 kV能量下的CBCT图像数据,数据集按10∶1分为训练集和测试集。利用U-Net网络从低能量(80 kV)CBCT图像预测高能量(140 kV)下CBCT图像。采用平均绝对误差(MAE)、结构相似度指数(SSIM)、信噪比(SNR)和峰值信号噪声比(PSNR)4种度量指标,定量评价预测高能CBCT图像。结果预测高能图像与真实高能图像之间总体结构差异较小(SSIM:0.993±0.003)。预测高能图像噪声较低(SNR:15.33±4.06),但组织间分辨力有损失。预测高能图像比真实高能图像平均CT值偏低,在低密度组织中差异较小(<10 HU,P>0.05),而在高密度组织中差异大(<21 HU,t=-7.92,P<0.05)。结论利用深度学习方法可以从低能CBCT图像获得结构相似度高的高能CBCT图像,预测高能图像具有应用于放疗临床双能CBCT成像技术中的潜力。