Прогрессирующий фиброз определяет риск летального исхода при хронических заболеваниях печени. Существующие методы диагностики не позволяют выявить молекулярные изменения, происходящие при переходе от ранних повреждений к необратимому рубцеванию. Зачастую они основаны на бинарных классификациях, которые не позволяют выявить биологические факторы, определяющие прогрессирование заболевания. Мы сопоставили профили экспрессии генов, отличающие прогрессирующий (F3-F4) фиброз от раннего (F0-F2), чтобы определить их клеточное происхождение и возможность трансляции на уровне белков при различных этиологиях заболевания. Мы проанализировали общедоступные данные массового секвенирования РНК (E-MTAB-6863), чтобы выделить гены, отличающие ранний фиброз от прогрессирующего. Затем мы деконвертировали эти сигналы с помощью секвенирования РНК отдельных ядер (single-nucleus RNA-sequencing, snRNA-seq; GSE179548), чтобы определить конкретные типы клеток. Мы проверили отобранные гены протеомным анализом на мультиомном наборе данных по гепатоцеллюлярной карциноме, сравнивая вирусную и метаболическую этиологию. Мы выявили сигнатуру из 105 генов, связанных с прогрессирующим фиброзом и отвечающих за организацию внеклеточного матрикса и развитие эпителия. Данные snRNA-seq указывают на то, что этот сигнал в первую очередь характерен для холангиоцитов, а не для звёздчатых клеток печени, что указывает на дуктулярную реакцию. Протеомная валидация показала различия. Структурные маркеры (COL1A1, THY1) оставались повышенными независимо от этиологии. Метаболические и дуктулярные маркеры (AKR1B10, KRT23, SPP1) были специфичны для метаболических нарушений (неалкогольная жировая болезнь печени, алкогольная болезнь печени). Прогрессирующий фиброз обусловлен реакцией эпителия желчевыводящих путей, а не только отложением матрикса. Фиброзный каркас одинаков у всех пациентов. Сопутствующие метаболические изменения зависят от этиологии. Это говорит о том, что эффективные биомаркеры должны быть адаптированы к специфическому метаболическому контексту заболевания, а не представлять собой универсальную панель для оценки фиброза.
Advanced fibrosis defines mortality risk in chronic liver disease. Current diagnostics fail to capture the molecular transition from early injury to permanent scarring. They often rely on binary classifications obscuring the biological drivers of disease progression. We mapped the gene expression profiles differentiating advanced (F3-F4) from early (F0-F2) fibrosis to determine their cellular origin and protein-level translatability across distinct disease etiologies. We analyzed public bulk RNA-sequencing data (E-MTAB-6863) to isolate genes distinguishing early from advanced fibrosis. We then deconvoluted these signals using single-nucleus RNA-sequencing (snRNA-seq; GSE179548) to identify specific cell types. We validated candidates proteomically in a multi-omics hepatocellular carcinoma dataset comparing viral versus metabolic etiologies. We identified a 105-gene signature associated with advanced fibrosis enriched for extracellular matrix organization and epithelial development. snRNA-seq localized this signal primarily to cholangiocytes rather than hepatic stellate cells indicating a ductular reaction. Proteomic validation showed a divergence. Structural markers (COL1A1, THY1) remained elevated regardless of etiology. Metabolic and ductular markers (AKR1B10, KRT23, SPP1) were specific to metabolic conditions (NAFLD alcoholic liver disease). Advanced fibrosis is fueled by a biliary epithelial response not just matrix deposition. The fibrotic scaffold is conserved across patients. The accompanying metabolic adaptations are etiology dependent. This suggests that effective biomarkers must be tailored to the specific metabolic context of the disease rather than relying on a universal fibrosis panel.
Идентификаторы и классификаторы
- SCI
- Электротехника
Хронические заболевания печени варьируются от стеатогепатита, связанного с метаболическими нарушениями, до вирусного гепатита. Они по-прежнему представляют собой серьёзную проблему для здравоохранения во всём мире [1–3]. Все эти заболевания приводят к фиброзу печени. Фиброз — это репаративная реакция, характеризующаяся избыточным отложением внеклеточного матрикса (ВКМ) и нарушением архитектоники печени [4]. Степень фиброза определяет риск развития декомпенсированного цирроза и гепатоцеллюлярной карциномы. Точная оценка стадии заболевания является основным фактором, определяющим прогноз для пациента [5].
Chronic liver disease spans metabolic dysfunction-associated steatotic liver disease to viral hepatitis. It remains a persistent global health burden [1–3]. The convergent outcome of these injuries is hepatic fibrosis. Fibrosis is a reparative response defined by excessive extracellular matrix (ECM) deposition and architectural collapse [4]. Fibrosis severity dictates the risk of decompensated cirrhosis and hepatocellular carcinoma. Accurate staging is the primary determinant of patient prognosis [5].
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Jee Y.M., Lee J.Y., Ryu T. Хроническое воспаление и нарушение регуляции иммунной системы при прогрессировании стеатотической болезни печени, связанной с метаболическими нарушениями: от стеатоза до гепатоцеллюлярной карциномы. Biomedicines. 2025. Т. 13. Статья № 1260. DOI: 10.3390/biomedicines13051260
2. Nastasa R., Stanciu C., Stratina E., Zenovia S., Stafie R., Rotaru A., Sfarti C., Girleanu I., Minea H., Singeap A.M. et al. Скрининг прогрессирующего фиброза и стеатотической болезни печени, связанной с метаболическими нарушениями, с помощью транзиентной эластографии у уязвимых групп населения. Scientific Reports. 2025. Т. 15. Статья № 33028. DOI: 10.1038/s41598-025-18733-0
3. Накамура Т., Масуда А., Накано Д., Амано К., Сано Т., Накано М., Кавагути Т. Патогенетические механизмы развития гепатоцеллюлярной карциномы, ассоциированной с метаболической дисфункцией и стеатозом печени (MASLD). Ячейки. 2025. Т. 14. Статья № 428. DOI: 10.3390/cells14060428
4. Уинн Т.А., Рамалингам Т.Р. Механизмы развития фиброза: возможности применения в терапии фиброзных заболеваний. Nat. Med. 2012. Т. 18. С. 1028–1040. DOI: 10.1038/nm.2807
5. Джонсон П.Дж., Калюжный А., Босуэлл Э., Тоёда Х. Прогрессирование хронических заболеваний печени в гепатоцеллюлярную карциному: значение для наблюдения и лечения. BJC Rep. 2024. Т. 2. Статья № 39. DOI: 10.1038/s44276-024-00050-0
6. Чой Дж.Х. Гистологическая и молекулярная оценка результатов биопсии печени: практический и обновленный обзор. Int. J. Mol. Sci. 2025. Т. 26. Статья № 7729. DOI: 10.3390/ijms26167729
7. Чоудхури А. Б., Мехта К. Дж. Биопсия печени для оценки хронических заболеваний печени: краткий обзор. Clin. Exp. Med. 2023. Т. 23. С. 273–285. DOI: 10.1007/s10238-022-00799-z
8. Нойбергер Дж., Кейн О. Необходимость в альтернативах биопсии печени: неинвазивные методы анализа и диагностики. Hepatic Med. Evid. Res. 2021. Т. 13. С. 59–69. DOI: 10.2147/HMER.S278076
9. Цуй М., Ченг К., Чжан Л. Высокопроизводительная протеомика: методологический мини-обзор. Lab Invest. 2022. Т. 102. С. 1170–1181. DOI: 10.1038/s41374-022-00830-7
10. Виторино Р. Трансформация клинических исследований: возможности интеграции высокопроизводительных омиксных технологий. Proteomes. 2024. Т. 12. Статья № 25. DOI: 10.3390/proteomes12030025
11. Кости И., Джейн Н., Аран Д., Батт А. Дж., Сирота М. Межтканевой анализ экспрессии генов и белков в нормальных и раковых тканях. Sci. Rep. 2016. Т. 6. Статья № 24799. DOI: 10.1038/srep24799
12. Винн Т. А., Рамалингам Т. Р. Механизмы развития фиброза: перспективы разработки методов лечения фиброзных заболеваний. Nat. Med. 2012. Т. 18. С. 1028–1040. DOI: 10.1038/nm.2807
13. Wang L., Huang Y., Chen J., Gao J., Chen S., Zhao M., Lin J., Zhou S., Shen Y., Cheng Y. Динамические перекрестные взаимодействия между гемопоэтическими стволовыми клетками и микроокружением печени: многоклеточные взаимодействия в регуляции фиброза печени. Перед. Cell Dev. Biol. 2025. Т. 13. Статья № 1635763. DOI: 10.3389/fcell.2025.1635763
14. Чжан Н., Яо Х., Чжан Ц., Ли Ц., Чэнь С., Чжао Ю., Цзюй Р., Хэ Ц., Пань Х., Лю С. и др. Текущие и перспективные терапевтические мишени при фиброзе печени: иммунное микроокружение печени. Перед. Immunol. 2023. Т. 14. Статья № 1131588. DOI: 10.3389/fimmu.2023.1131588
15. Кишор А., Фриц С. Э., Хогг Дж. Р. Распад мРНК, опосредованный нонсенс-опосредованными мутациями: как отличить правильное от неправильного в сложном транскриптоме. Wiley Interdiscip Rev RNA. 2019. Т. 10. Статья № e1548. DOI: 10.1002/wrna.1548
16. Глисович Т., Бахорик Дж. Л., Йонг Дж., Дрейфус Г. РНК-связывающие белки и посттранскрипционная регуляция генов. FEBS Lett. 2008. Т. 582. С. 1977–1986. DOI: 10.1016/j.febslet.2008.03.004
17. Лав М.И., Хубер В., Андерс С. Умеренная оценка кратности изменения и дисперсии для данных RNA-seq с помощью DESeq2. Genome Biol. 2014. Т. 15. Статья № 550. DOI: 10.1186/s13059-014-0550-8
18. Чен Э.Ю., Тан К.М., Коу Й., Дуань Ц., Ван Ц., Мейреллеш Г.В., Кларк Н.Р., Мааян А. Enrichr: интерактивный инструмент для совместного анализа обогащения списков генов в формате HTML5. BMC Bioinformatics. 2013. Т. 14. Статья № 128. DOI: 10.1186/1471-2105-14-128
19. Яневски А., Гири А.К., Айттокаллио Т. Полностью автоматизированная и сверхбыстрая идентификация типов клеток с использованием комбинаций специфических маркеров на основе данных одноклеточной транскриптомики. Натуральный.Commun. 2022. Т. 13. Статья № 1246. DOI: 10.1038/s41467-022-28803-w
20. Хао Ю., Стюарт Т., Ковальски М. Х., Чоудхари С., Хоффман П., Хартман А., Шривастава А., Молла Г., Мадад С., Фернандес-Гранда К. и др. Изучение словарей для интегративного, мультимодального и масштабируемого анализа отдельных клеток. Натуральный. Biotechnol. 2024. Т. 42. С. 293-304. DOI: 10.1038/s41587-023-01767-y
21. Suter P., Dazert E., Kuipers J., Ng C.K., Boldanova T., Hall M.N., Heim M.H. Мультиомиксное типирование пациентов с гепатоцеллюлярной карциномой с использованием байесовской сетевой модели. PLoS Comput. Biol. 2022. Т. 18. Статья № e1009767. DOI: 10.1371/journal.pcbi.1009767
22. Williams M.J., Clouston A.D., Forbes S.J. Связь между фиброзом печени, дуктулярной реакцией и экспансией прогениторных клеток. Gastroenterology. 2014. Т. 146. С. 349-356. DOI: 10.1053/j.gastro.2013.11.034
23. Gribben C., Galanakis V., Calderwood A., Williams E.C., Chazarra-Gil R., Larraz M., Frau C., Puengel T., Guillot A., Rouhani F.J. et al. Приобретение эпителиальной пластичности при хронических заболеваниях печени у человека. Nature. 2024. Т. 630. С. 166–173. DOI: 10.1038/s41586-024-07465-2
24. Файез С.С., Мишлиш С.М., Саид Х.М., Шабан С.А., Сулейман А.А., Хассан Ф., Аль-Саффар А.З., Аль-Обейди Дж.Р. Роль различных типов микроРНК в развитии некоторых сердечно-сосудистых заболеваний и стратегии применения микроРНК в терапии: краткий обзор. BioMed Research International. 2022. Т. 2022. Статья № 2738119. DOI: 10.1155/2022/2738119
25. Guicciardi M.E., Trussoni C.E., LaRusso N.F., Gores G.J. Спектр реактивных холангиоцитов при первичном склерозирующем холангите. Hepatol. 2020. Т. 71. С. 741–748. DOI: 10.1002/hep.31067
26. Yu F., Chen J., Wang X., Hou S., Li H., Yao Y., He Y., Chen K. Метаболическое перепрограммирование перитонеальных мезотелиальных клеток при фиброзе, связанном с перитонеальным диализом: терапевтические мишени и стратегии. Cell Commun. Signal. 2025. Т. 23. Статья № 114. DOI: 10.1186/s12964-025-02113-2
27. Li X., Sun X., Carmeliet P. Особенности метаболизма эндотелиальных клеток в здоровом и больном организме. Cell Metab. 2019. Т. 30. С. 414–433. DOI: 10.1016/j.cmet.2019.08.011
28. Сато К., Марциони М., Мэн Ф., Фрэнсис Х., Глейзер С., Альпини Г. Дуктулярная реакция при заболеваниях печени: патологические механизмы и их значение для трансляционной медицины. Hepatology. 2019. Т. 69. С. 420–430. DOI: 10.1002/hep.30150
29. Санчо-Бру П., Альтамирано Х., Родриго-Торрес Д., Колл М., Мильян К., Хосе Лосано Х., Микель Р., Арройо В., Кабальерия Х., Жинес П. и др. Маркеры клеток-предшественников печени коррелируют с повреждением печени и позволяют прогнозировать краткосрочную смертность у пациентов с алкогольным гепатитом. Hepatology. 2012. Т. 55. С. 1931–1941. DOI: 10.1002/hep.25614
30. Сантос Дж. Л., Киелинг К. О., Мёрер Л., Виейра С., Феррейра К. Т., Лоренц А., Сильвейра Т. Р. Степень пролиферации желчных протоков в биоптатах печени у пациентов с атрезией желчевыводящих путей при портоэнтеростомии связана с послеоперационным прогнозом. J. Pediatr. Surg. 2009. Т. 44. С. 695–701. DOI: 10.1016/j.jpedsurg.2008.09.013
31. Е Ф., Цзин Ю. Ю., Го С. В., Юй Г. Ф., Фань Ц. М., Цюй Ф. Ф., Гао Л., Ян Ю., У Д., Мэн Ю. и др. Пролиферативные дуктулярные реакции коррелируют с количеством печеночных прогениторных клеток и позволяют прогнозировать рецидив у пациентов с гепатоцеллюлярной карциномой после радикальной резекции. Cell & Biosci. 2014. Т. 4. Статья № 50. DOI: 10.1186/2045-3701-4-50
32. Чжао Ю., Хуан Ц., Гао Л., Ма Х., Чанг Р. Остеопонтин/SPP1: потенциальный посредник между иммунными клетками и кальцификацией сосудов. Перед. Immunol. 2024. V. 15. Статья № 1395596. DOI: 10.3389/fimmu.2024.1395596.
33. Яо С., Ли З., Су Х., Сунь К., Лю К., Чжан Ю., Чжу Л., Цзян Ф., Фан Ю., Шоу С. и др.Бета-субъединица интегрина 6 является потенциальным диагностическим маркером острого повреждения почек у пациентов с диабетической болезнью почек: анализ данных секвенирования отдельных клеток. Ren. Fail. 2024. V. 46. Статья № 2409348. DOI: 10.1080/0886022x.2024.2409348
34. Чжэн Ю., Сюн З., Чжао Л., Хуан С., Ен К., Фанг Д., Лю Ф., Ли Ю. Роль SPP-1 в патогенезе MASLD: Терапевтическое понимание механизмов действия урсоловой кислоты: Статья в редакционной статье “Урсоловая кислота воздействует на секретируемый фосфопротеин 1, регулируя работу клеток Th17 в борьбе со стеатозом печени, связанным с метаболической дисфункцией”. Clin. Mol. Hepatol. 2024. Т. 30. № 4. С. 1019-1022. DOI: 10.3350/cmh.2024.0471
35. Guillot A., Guerri L., Feng D., Kim S.J., Ait Ahmed Y., Paloczi J., He Y., Schuebel K., Dai S., Liu F., Pacher P. Активированные желчными кислотами макрофаги способствуют пролиферации эпителиальных клеток желчных протоков за счет повышения уровня интегрина αvβ6 после повреждения печени. J. Clin. Invest. 2021. Т. 131. Статья № e132305. DOI: 10.1172/jci132305 EDN: SRBQFU
36. Cichocka E., Górczyńska-Kosiorz S.B., Niemiec P., Trautsolt W., Gumprecht J. Влияние отдельных полиморфизмов генов COL1A1 и COL1A2 на минеральную плотность костной ткани и риск развития метаболических заболеваний у женщин в постменопаузе. Int. J. Mol. Sci. 2025. Т. 26. № 11. Статья № 4981. DOI: 10.3390/ijms26114981
37. Gao R., Wang J., He X., Wang T., Zhou L., Ren Z., Yang J., Xiang X., Wen S., Yu Z. et al. Комплексный анализ профилей экспрессии генов, связанных с эндоплазматическим ретикулумом и секретомом, при прогрессировании неалкогольной жировой болезни печени. Перед. Эндокринология. 2022. Т. 13. Статья № 967016. DOI: 10.3389/fendo.2022.967016
38. Алманаа Т.Н., Аламри А., Абдель-Максуд М.А., Салех И.А., Зомот Н., Аль-Хавади Дж.С., Аль-Кахтани В.Х., Хамид Ю. COL1A1, ITGB1, THY1 и PDGFRA: ключевые гены, связанные с иммунитетом, при эндометриальной карциноме тела матки с прогностическими и терапевтическими свойствами. Hereditas. 2025. Т. 162. Статья № 159.
1. Jee Y.M., Lee J.Y., Ryu T. Chronic inflammation and immune dysregulation in metabolic-dysfunction-associated steatotic liver disease progression: from steatosis to hepatocellular carcinoma. Biomedicines. 2025. V. 13. Article No. 1260. DOI: 10.3390/biomedicines13051260
2. Nastasa R., Stanciu C., Stratina E., Zenovia S., Stafie R., Rotaru A., Sfarti C., Girleanu I., Minea H., Singeap A.M. et al. Screening of advanced fibrosis and metabolic dysfunction-associated steatotic liver disease using transient elastography in vulnerable population. Scientific Reports. 2025. V. 15. Article No. 33028. DOI: 10.1038/s41598-025-18733-0
3. Nakamura T., Masuda A., Nakano D., Amano K., Sano T., Nakano M., Kawaguchi T. Pathogenic Mechanisms of Metabolic Dysfunction-Associated Steatotic Liver Disease (MASLD)-Associated Hepatocellular Carcinoma. Cells. 2025. V. 14. Article No. 428. DOI: 10.3390/cells14060428
4. Wynn T.A., Ramalingam T.R. Mechanisms of fibrosis: therapeutic translation for fibrotic disease. Nat. Med. 2012. V. 18. P. 1028-1040. DOI: 10.1038/nm.2807
5. Johnson P.J., Kalyuzhnyy A., Boswell E., Toyoda H. Progression of chronic liver disease to hepatocellular carcinoma: implications for surveillance and management. BJC Rep. 2024. V. 2. Article No. 39. DOI: 10.1038/s44276-024-00050-0
6. Choi J.H. Histological and Molecular Evaluation of Liver Biopsies: A Practical and Updated Review.Int. J. Mol. Sci. 2025. V. 26. Article No. 7729. DOI: 10.3390/ijms26167729
7. Chowdhury A.B., Mehta K.J. Liver biopsy for assessment of chronic liver diseases: a synopsis. Clin. Exp. Med. 2023. V. 23. P. 273-285. DOI: 10.1007/s10238-022-00799-z
8. Neuberger J., Cain O. The Need for Alternatives to Liver Biopsies: Non-Invasive Analytics and Diagnostics. Hepatic Med. Evid. Res. 2021. V. 13. P. 59-69. DOI: 10.2147/HMER.S278076
9. Cui M., Cheng C., Zhang L. High-throughput proteomics: a methodological mini-review. Lab Invest. 2022. V. 102. P. 1170-1181. DOI: 10.1038/s41374-022-00830-7
10. Vitorino R. Transforming Clinical Research: The Power of High-Throughput Omics Integration. Proteomes. 2024. V. 12. Article No. 25. DOI: 10.3390/proteomes12030025
11. Kosti I., Jain N., Aran D., Butte A.J., Sirota M. Cross-tissue Analysis of Gene and Protein Expression in Normal and Cancer Tissues. Sci. Rep. 2016. V. 6. Article No. 24799. DOI: 10.1038/srep24799
12. Wynn T.A., Ramalingam T.R. Mechanisms of fibrosis: therapeutic translation for fibrotic disease. Nat. Med. 2012. V. 18. P.1028-1040. DOI: 10.1038/nm.2807
13. Wang L., Huang Y., Chen J., Gao J., Chen S., Zhao M., Lin J., Zhou S., Shen Y., Cheng Y. Dynamic crosstalk between HSCs and liver microenvironment: multicellular interactions in the regulation of liver fibrosis. Front. Cell Dev. Biol. 2025. V. 13. Article No. 1635763. DOI: 10.3389/fcell.2025.1635763
14. Zhang N., Yao H., Zhang Z., Li Z., Chen X., Zhao Y., Ju R., He J., Pan H., Liu X., et al. Ongoing involvers and promising therapeutic targets of hepatic fibrosis: The hepatic immune microenvironment. Front. Immunol. 2023. V. 14. Article No. 1131588. DOI: 10.3389/fimmu.2023.1131588
15. Kishor A., Fritz S.E., Hogg J.R. Nonsense-mediated mRNA decay: the challenge of telling right from wrong in a complex transcriptome. Wiley Interdiscip Rev RNA. 2019. V. 10. Article No. e1548. DOI: 10.1002/wrna.1548
16. Glisovic T., Bachorik J.L., Yong J., Dreyfuss G. RNA-binding proteins and post-transcriptional gene regulation. FEBS Lett. 2008 V. 582. P. 1977-1986. DOI: 10.1016/j.febslet.2008.03.004
17. Love M.I., Huber W., Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014. V. 15. Article No. 550. DOI: 10.1186/s13059-014-0550-8
18. Chen E.Y., Tan C.M., Kou Y., Duan Q., Wang Z., Meirelles G.V., Clark N.R., Ma’ayan A. Enrichr: interactive and collaborative HTML5 gene list enrichment analysis tool. BMC Bioinformatics. 2013. V. 14. Article No. 128. DOI: 10.1186/1471-2105-14-128
19. Ianevski A., Giri A.K., Aittokallio T. Fully-automated and ultra-fast cell-type identification using specific marker combinations from single-cell transcriptomic data. Nat.Commun. 2022. V. 13. Article No. 1246. DOI: 10.1038/s41467-022-28803-w
20. Hao Y., Stuart T., Kowalski M.H., Choudhary S., Hoffman P., Hartman A., Srivastava A., Molla G., Madad S., Fernandez-Granda C. et al. Dictionary learning for integrative, multimodal and scalable single-cell analysis. Nat. Biotechnol. 2024. V. 42. P. 293-304. DOI: 10.1038/s41587-023-01767-y
21. Suter P., Dazert E., Kuipers J., Ng C.K., Boldanova T., Hall M.N., Heim M.H. Multi-omics subtyping of hepatocellular carcinoma patients using a Bayesian network mixture model. PLoS Comput. Biol. 2022. V. 18. Article No. e1009767. DOI: 10.1371/journal.pcbi.1009767
22. Williams M.J., Clouston A.D., Forbes S.J. Links Between Hepatic Fibrosis, Ductular Reaction, and Progenitor Cell Expansion. Gastroenterology. 2014. V. 146. P. 349-356. DOI: 10.1053/j.gastro.2013.11.034
23. Gribben C., Galanakis V., Calderwood A., Williams E.C., Chazarra-Gil R., Larraz M., Frau C., Puengel T., Guillot A., Rouhani F.J. et al. Acquisition of epithelial plasticity in human chronic liver disease. Nature. 2024. V. 630. P. 166-173. DOI: 10.1038/s41586-024-07465-2
24. Fayez S.S., Mishlish S.M., Saied H.M., Shaban S.A., Suleiman A.A., Hassan F., Al-Saffar A.Z., Al-Obaidi J.R. Role of Different Types of miRNAs in Some Cardiovascular Diseases and Therapy-Based miRNA Strategies: A Mini Review. BioMed Research International. 2022. V. 2022. Article No. 2738119. DOI: 10.1155/2022/2738119
25. Guicciardi M.E., Trussoni C.E., LaRusso N.F., Gores G.J. The Spectrum of Reactive Cholangiocytes in Primary Sclerosing Cholangitis. Hepatol. 2020. V. 71. P. 741-748. DOI: 10.1002/hep.31067
26. Yu F., Chen J., Wang X., Hou S., Li H., Yao Y., He Y., Chen K. Metabolic reprogramming of peritoneal mesothelial cells in peritoneal dialysis-associated fibrosis: therapeutic targets and strategies. Cell Commun. Signal. 2025. V. 23. Article No. 114. DOI: 10.1186/s12964-025-02113-2
27. Li X., Sun X., Carmeliet P. Hallmarks of Endothelial Cell Metabolism in Health and Disease. Cell Metab. 2019. V. 30. P. 414-433. DOI: 10.1016/j.cmet.2019.08.011
28. Sato K., Marzioni M., Meng F., Francis H., Glaser S., Alpini G. Ductular Reaction in Liver Diseases: Pathological Mechanisms and Translational Significances. Hepatol. 2019. V. 69. P. 420-430. DOI: 10.1002/hep.30150
29. Sancho-Bru P., Altamirano J., Rodrigo-Torres D., Coll M, Millán C., Jose Lozano J., Miquel R., Arroyo V., Caballería J., Ginès P. et al. Liver progenitor cell markers correlate with liver damage and predict short-term mortality in patients with alcoholic hepatitis. Hepatology. 2012. V. 55. P. 1931-1941. DOI: 10.1002/hep.25614
30. Santos J.L., Kieling C.O., Meurer L., Vieira S., Ferreira C.T., Lorentz A., Silveira T.R. The extent of biliary proliferation in liver biopsies from patients with biliary atresia at portoenterostomy is associated with the postoperative prognosis. J. Pediatr. Surg. 2009. V. 44. P. 695-701. DOI: 10.1016/j.jpedsurg.2008.09.013
31. Ye F., Jing Y.Y., Guo S.W., Yu G.F., Fan Q.M., Qu F.F., Gao L., Yang Y., Wu D., Meng Y. et al. Proliferative ductular reactions correlate with hepatic progenitor cell and predict recurrence in HCC patients after curative resection. Cell & Biosci. 2014. V. 4. Article No. 50. DOI: 10.1186/2045-3701-4-50
32. Zhao Y., Huang Z., Gao L., Ma H., Chang R. Osteopontin/SPP1: a potential mediator between immune cells and vascular calcification. Front. Immunol. 2024. V. 15. Article No. 1395596. DOI: 10.3389/fimmu.2024.1395596
33. Yao C., Li Z., Su H., Sun K., Liu Q., Zhang Y., Zhu L., Jiang F., Fan Y., Shou S. et al.Integrin subunit beta 6 is a potential diagnostic marker for acute kidney injury in patients with diabetic kidney disease: a single cell sequencing data analysis. Ren. Fail. 2024. V. 46. Article No. 2409348. DOI: 10.1080/0886022x.2024.2409348
34. Zheng Y., Xiong Z., Zhao L., Huang C., Yong Q., Fang D., Liu F., Li Y. The role of SPP1 in MASLD pathogenesis: Therapeutic insights into ursolic acid’s mechanisms of action: Correspondence to editorial on “Ursolic acid targets secreted phosphoprotein 1 to regulate Th17 cells against metabolic dysfunction-associated steatotic liver disease”. Clin. Mol. Hepatol. 2024 V. 30. No.4. P. 1019-1022. DOI: 10.3350/cmh.2024.0471
35. Guillot A., Guerri L., Feng D., Kim S.J., Ait Ahmed Y., Paloczi J., He Y., Schuebel K., Dai S., Liu F., Pacher P. Bile acid-activated macrophages promote biliary epithelial cell proliferation through integrin αvβ6 upregulation following liver injury. J. Clin. Invest. 2021. V. 131. Article No. e132305. DOI: 10.1172/jci132305 EDN: SRBQFU
36. Cichocka E., Górczyńska-Kosiorz S.B., Niemiec P., Trautsolt W., Gumprecht J. The Impact of Selected COL1A1 and COL1A2 Gene Polymorphisms on Bone Mineral Density and the Risk of Metabolic Diseases in Postmenopausal Women.Int. J. Mol. Sci. 2025. V. 26. No.11. Article No. 4981. DOI: 10.3390/ijms26114981
37. Gao R., Wang J., He X., Wang T., Zhou L., Ren Z., Yang J., Xiang X., Wen S., Yu Z. et al.Comprehensive analysis of endoplasmic reticulum-related and secretome gene expression profiles in the progression of non-alcoholic fatty liver disease. Front. Endocrinol. 2022. V. 13. Article No. 967016. DOI: 10.3389/fendo.2022.967016
38. Almanaa T.N., Alamri A., Abdel-Maksoud M.A., Saleh I.A., Zomot N., Al-Hawadi J.S., Al-Qahtani W.H., Hameed Y. COL1A1, ITGB1, THY1, and PDGFRA: key immune-related genes in uterine corpus endometrial carcinoma with prognostic and therapeutic implications. Hereditas. 2025. V. 162. Article No. 159.
Выпуск
Другие статьи выпуска
В рамках данной работы исследуется модель динамики численности структурированной лимитированной популяции с дискретным временем. Предполагается, что к началу очередного репродуктивного периода популяция представлена двумя группами: младший (неполовозрелые) и старший (участвующие в размножении) возрастные классы. При этом изменение численности популяции обусловлено рождаемостью и смертностью, а также процессами лимитирования выживаемости как молоди, так и взрослых особей. Отметим, что подобная постановка задачи, объединяющая два механизма плотностно-зависимой регуляции – до сих пор не рассматривалась. В ходе исследования данной модели показано наличие двух стационарных состояний – нулевого, соответствующего гибели популяции, и ненулевого равновесия. Анализ устойчивости этих решений, а также построенные параметрические портреты, свидетельствуют, что повышение выживаемости старшей возрастной группы вызывает незначительные изменения области устойчивости, тогда как рост выживаемости младшей группы ведет к ее сужению. При этом показано, что увеличение скорости роста популяции и интенсивности лимитирования способны как подавлять, так и провоцировать возникновение колебаний численности. Исследованы возникающие режимы динамики и сценарии потери устойчивости. Дополнительно проведен сравнительный анализ динамического поведения для предложенной в данной работе модели с моделью, учитывающей лимитирование выживаемости только молоди. Показано, что ключевое отличие заключается в существенном сужении области устойчивости ненулевого равновесия и возникновении квазипериодических колебаний при более низких значениях скорости роста, что делает предложенную модель более согласованной с динамикой природных популяций, в которых колебания возможны при умеренных показателях рождаемости.
В представленной работе мы исследуем характер движения и распределения заряда по цепочке в процессе его блоховских осцилляций в постоянном электрическом поле. Проведённые ранее вычисления показали, что характер движения и распределения заряда по цепочке зависит от всего множества параметров системы. Например, при изменении только напряжённости электрического поля или начального распределения заряда может наблюдаться или равномерное движение, или колебательное, при неизменных остальных параметрах системы. В данной работе моделирование динамики заряда в постоянном электрическом поле проводилось в полинуклеотидных цепочках с различными параметрами частоты колебаний сайтов цепочки и коэффициента трения. Проведённые исследования показали существенные различия скорости и характера движения заряда в цепочках с различными значениями указанных параметров. Естественно, наибольший интерес представляет исследование движения заряда в полинуклеотидных цепочках, параметры которых близки к параметрам цепочек ДНК. Но численное моделирование динамики заряда в таких цепочках, как правило, более затратно по вычислительным ресурсам. Поэтому, для ускорения проводимых вычислений, сначала моделирование проводится в цепочках с более удобными параметрами. Показано, что в цепочках, с параметрами близкими к параметрам цепочек ДНК, заряд может только незначительно перемещаться по цепочке, осциллируя в области своего начального положения. При модельных значениях частоты колебаний сайтов цепочки и коэффициента трения, которые значительно превышают соответствующие значения параметров цепочек ДНК, заряд может продвигаться по цепочке на достаточно большое расстояние.
Связанные с полом различия в старении человеческого мозга были изучены с использованием большого массива экспериментальных данных. В качестве источника данных был использован открытый архив CamCan: магнитные энцефалограммы, зарегистрированные совместно с магнитно -резонансными изображениями головы, были получены для каждого из 434 испытуемых (в возрасте от 18 до 87 лет лет, средний возраст 54,7 ±18,4 ): 217 женщин (средний возраст от 18 до 87 лет 54,5 - 18,4) и 217 м/с (возраст 18,4 лет, средний возраст 54,8 ± 18,3)18,3). Записи были разделены на 10-летние возрастные группы, каждая из которых состояла из равного числа мужчин и женщин, чтобы правильно рассчитать средние интерсексуальные характеристики. С помощью массового решения обратной задачи на функциональных томограммах было рассчитано пространственное распределение элементарных спектральных компонентов. Физиологический шум был устранен путем совместного анализа функциональной томограммы на основе МЭГ и магнитно-резонансного изображения для каждого пациента. Затем многоканальные спектры были преобразованы во временные ряды мощности элементарных диполей тока. Суммарная электрическая мощность была рассчитана в шести общепринятых частотных диапазонах (дельта-ритм 1–4 Гц, тета-ритм 4–8 Гц, альфа-ритм 8–13 Гц, бета-ритм 1–21 Гц, бета-ритм 2–30 Гц, гамма-ритм 30–48 Гц), а также были изучены половые различия в возрастных изменениях. Было установлено, что в самой молодой возрастной когорте (18–29 лет) суммарная электрическая мощность мозга у мужчин в 1,5 раза выше, чем у женщин. У взрослых (30–69 лет) показатели у мужчин и женщин примерно равны, а в более старших возрастных группах (70–87 лет) суммарная электрическая мощность мозга у мужчин выше. Зависимости от возраста в различных частотных диапазонах у мужчин и женщин, как правило, различаются, за исключением более высоких частот 21–48 Гц. Можно сделать основной вывод о том, что после усреднения по половому признаку суммарная электрическая мощность человеческого мозга остаётся неизменной на протяжении всей жизни — от 18 до 87 лет. Предложенный метод совместного анализа данных магнитоэнцефалографии и магнитно-резонансной томографии может быть использован для дальнейшего изучения половых различий в источниках мозговой активности в связи с возрастными изменениями.
Одно из современных направлений в клеточной биоэнергетике – это исследования молекулярных механизмов эффективного переноса протонов в белках и поверхностных протонпроводящих структурах в биологических мембранах. В данной работе разработана математическая модель молекулярного механизма направленного транспорта протонов вдоль липидных мембран. Рассмотрено движения протонов в квазиодномерных латеральных доменных структурах в многокомпонентных липидных мембранах, которые, как предполагается, играют роль протонпроводящих поверхностных структур. В работе предложена модель тройной системы, включающей подсистему цепочек водородных связей поверхностных молекул воды, взаимодействующих с подсистемами полярных групп и углеводородных цепей липидных молекул. Показано, что в рассмотренной тройной системе могут возникать коллективные возбуждения солитонного типа, приводящие к латеральному транспорту протонов, сопровождающемуся движением солитонов, которые представляет собой локальные области сжатия в подсистеме полярных групп липидов и структурные дефекты в подсистеме углеводородных цепей липидных молекул мембраны. Результаты моделирования показали, что латеральный перенос протонов в этой связанной системе не зависит от электрического поля вдоль мембраны и может определяться упругими полями деформации и кривизной мембраны, создаваемых белками и ионными каналами, встроенными в биомембраны.
Мы представляем новую структуру для синтетического формирования популяции, использующую условно-генеративные состязательные сети (CGAN) для получения микроданных о состоянии здоровья на индивидуальном уровне от маргиналов на популяционном уровне. В частности, наш подход позволяет синтезировать реалистичные микроданные для целевых групп населения, где доступны только агрегированные статистические данные, такие как распределение по возрасту и полу и распространенность заболеваний. Для решения проблем, связанных с нехваткой данных и ограничениями конфиденциальности, мы разрабатываем архитектуру cGAN, которая фиксирует и переносит сложные взаимозависимые взаимосвязи (например, зависимости от возраста и заболеваний) от исходной популяции с микроданными к целевой популяции, описываемой маргиналами. Гибридная функция потерь обеспечивает точность целевых показателей, сохраняя при этом эпидемиологическую реалистичность сгенерированных выборок. Мы оценили наш метод, используя поведенческий риск 2023 года Набор данных системы эпиднадзора за факторами риска (BRFSS) из США, демонстрирующий четкое соответствие с реальными распределениями по нескольким штатам. Модель точно воспроизводит закономерности сопутствующей заболеваемости и корреляции между возрастом и заболеваемостью, хотя они не были частью данных о влиянии факторов риска. Наши результаты показывают, что этот метод позволяет создавать масштабируемые и конфиденциальные синтетические данные, которые могут найти применение в моделировании общественного здравоохранения и агентном моделировании, особенно в регионах, где нет подробных данных на индивидуальном уровне.
Монослои дихалькогенидов переходных металлов (ДПМ) очень перспективны для многих областей применения, как и графен и слои гексагонального нитрида бора (h-BN), особенно в оптике в качестве излучателей и детекторов, а также в электронике в качестве транзисторов. Это связано в первую очередь с тем, что они обладают прямой запрещённой зоной Eg, которая зависит от внешних приложенных электрических полей. Для создания такого электрического поля предлагается использовать индуцированную полем поляризацию сегнетоэлектрического полимерного слоя, такого как поливинилиденфторид (ПВДФ) и поли(винилиденфторид-трифторэтилен) P(VDF-TrFE). Эти полимеры в сегнетоэлектрической фазе могут создавать значительную поляризацию в очень тонких слоях толщиной около 5 Å. Комбинируя такие сегнетоэлектрические слои со слоями ДПМ, можно создавать гибридные наноструктуры, которые удобны для разработки новых фотодетекторов с контролируемыми свойствами. Выдающиеся свойства этой гибридной структуры обусловлены, в частности, сверхвысоким электрическим полем, возникающим из-за сегнетоэлектрической поляризации в ПВДФ или P(VDF-TrFE), которое воздействует на слои ДПМ и регулирует ширину запрещённой зоны Eg. В этой работе мы смоделировали такую гибридную структуру на основе ПВДФ и слоёв MoTe2, h-BN и графена и изучили её особенности и свойства. Для расчета всех основных свойств используются методы теории функционала плотности (ТФП), реализованные в программе Quantum ESPRESSO. Полуэмпирический метод PM3, реализованный в программном пакете HyperChem, применяется для моделирования и изучения как отдельных слоев гибридной структуры, так и особенностей их совместного взаимодействия, а также для изучения колебательных мод. Полученные результаты убедительно демонстрируют сильное влияние на ширину запрещенной зоны Eg и частоты колебательных мод всех исследуемых наноструктур за счет воздействия сегнетоэлектрической поляризации P и индуцированного поляризацией электрического поля E, которое влияет на все слои гибридной гетероструктуры.
В статье обсуждается влияние замены ионов кальция Ca2+ в определенных позициях гидроксиапатита на ионы железа Fe2+ и Fe3+. Показано, как методом моделирования молекулярной динамики с применением косоугольной ячейки в периодических граничных условиях найти плотность гидроксиапатита. Полученные значения плотности хорошо согласуются с известными данными и результатами расчетом методами теории функционала плотности. Также описан процесс выпаривания ионов, плавления и сублимации разных образцов гидроксиапатита. Результаты молекулярно-динамического моделирования показывают заметные различия в температурах структурных перестроек для гидроксиапатита с замещениями ионами Fe2+ и Fe3+. Так, образец гидроксиапатита с ионами Fe2+ испытывает значительные структурные перестройки уже в диапазоне температур 727–827 °С, что согласуется с экспериментальными данными по распаду катион-замещенного гидроксиапатита с ионами железа при температурах около 800 °С.
Денге, одно из самых распространенных вирусных инфекционных заболеваний XXI века, переносимых комарами, поражает примерно 100-400 миллионов человек во всем мире. Отсутствие окончательного лечения привело к проведению нескольких исследований в лабораторных условиях и in silico в поисках потенциальных противовирусных препаратов. РНК-геликаза вируса денге (DENV) является жизненно важным белком, который играет важную роль в репликации вируса. В этом исследовании была проанализирована противовирусная активность флаванона нарингенина и его производных методами in silico и in vitro, направленная на фермент геликазу DENV NS3. В этом исследовании скрининг in silico, основанный на молекулярном докинге и свойствах ADMET 20 производных нарингенина, выявил молекулы, такие как 6-фторнарингенин, в качестве подходящего соединения. Кроме того, сравнительное моделирование MD и исследование MM-PBSA таких комплексов, как NS3-нарингенин, NS3-6-фторнарингенин и NS3-ST-610 (стандартная молекула ингибитора), показало, что нарингенин способен образовывать стабильный комплекс с ферментом геликазой NS3 из DENV2. Эти результаты настоящего исследования предсказывают многообещающую противоденговую природу соединения нарингенина в качестве ингибитора репликации.
В естественных условиях на растения воздействует комплекс неблагоприятных факторов внешней среды, в ответ на которые изменяется РНК профиль. На сегодняшний день проводятся исследования РНК профилей в условиях воздействия одного фактора, однако работ по метаанализу ответных реакций у дуба черешчатого (Quercus robur L.) не проводилось. В связи с этим целью нашего исследования стало проведение метаанализа данных экспрессии генов RNA Seq, связанных с засухой, стрессом от заражения мучнистой росой и поедания насекомыми для выявления дифференциально экспрессируемых генов (ДЭГ), включая транскрипционные факторы (ТФ). В результате было обнаружено четыре перекрёстных ДЭГ при воздействии всех стресс факторов: histone H4, flavonol synthase, acyltransferase GLAUCE like и неохарактеризованный ген, содержащий домен DUF1223. Результаты анализа РНК профилей с помощью программы iTAK v1.6 показали участие 225 ТФ, из которых 159, ассоциированы с ответом на поедание насекомыми, 24 ТФ, связанных с поражением мучнистой росой и 42 ТФ, участвующих в реакции на засуху. Было обнаружено, что происходит подавление четырех общих ТФ при засухе и повреждении насекомыми. При стрессах вызванными мучнистой росой и насекомыми выявлено 9 ТФ, среди которых с повышенной экспрессией были три гена WRKY и по одному из семейств AP2/ERF, NAC, MYB и GRAS, оставшиеся два ТФ принадлежали семейству MYB related. Пересечения в экспрессии ТФ между засухой и мучнистой росой не обнаружено. Результаты анализа коэксперссии (WGCNA) позволили выявить 14 модулей из которых шесть обладали наибольшей связью с признаком и были использованы для дальнейшего определения генов хабов. В результате анализа коэкспрессии было выявлено шесть генов хабов, из них три автоматически аннотированных NAC, GDSL, CESA3 и оставшиеся не охарактеризованные. Результаты метаанализа показали, что устойчивость растения к различным стрессам обеспечивается как специфическими, так и общими механизмами, при этом ключевую роль играют коэкспрессионные модули и ТФ, что позволяет выделить потенциальные гены кандидаты для дальнейших исследований и селекции.
Проведен сравнительный анализ регрессионных моделей машинного обучения для прогнозирования изменений относительной численности природных популяций красной полевки на один год вперед. Для обучения, валидации и тестирования моделей случайного леса и многослойного персептрона использовали демографические и климатические данные для восточного сектора Субарктики в целом, а также отдельно для двух пунктов региона. Каждый набор данных, содержащий ежегодные наблюдения за различными показателями, в модели представлен как вектор признаков (целевой признак – относительная численность на один год вперед; предикторы – популяционные и климатические данные), без привязки к временной структуре. При традиционном прогнозировании временных рядов будущие значения получают на основе последовательности прошлых значений, в то время как предсказание по векторам рассматривает каждое наблюдение как отдельную точку в пространстве признаков, формируя векторные представления данных. Показано, что многослойный персептрон демонстрирует лучшие результаты и точность прогноза по всем выборкам. Случайный лес характеризуется меньшей устойчивостью и точностью. В целом по региону и отдельным пунктам предпочтительнее использовать нейросетевые методы, например, многослойный персептрон. В случае необходимости выполнения быстрого моделирования или интерпретируемости можно использовать модель случайного леса. На примере популяций красной полевки показано, что точный прогноз относительной численности мелких грызунов на один год вперед можно получить, используя ограниченный по времени набор данных о состоянии популяций и условиях их обитания. Модели машинного обучения могут применяться для решения задач эпидемиологии и защиты растений.
Генные сети, контролирующие экспрессию генов, играют первейшую роль в детерминации эпигенетических и биохимических свойств клеток. В то же время взаимосвязанность генных сетей с сетями других типов и уровней требует подходов, учитывающих эту комплексность. В статье данная проблема решается в аспекте вложенности генных сетей в клетки, которые сами являются узлами сети более высокого уровня, а именно клеточного ансамбля. Созданы информационные модели (объектная, реляционная и объектно-реляционная) управляющей генной сети над генетическими блоками, а также модели клеточного ансамбля как сети над клеточными управляющими генными сетями. Объединенная двухуровневая модель описывает генно-сетевые структуры в составе клеточных ансамблей с динамическими характеристиками основных молекулярно-генетических процессов. На основе моделей разработана платформа SETIES для исследования in silico молекулярно-генетических систем управления экспрессией генов про- и эукариот. Платформа включает в себя программные компоненты для дизайна и визуализации клеточных и межклеточных генных сетей, автоматического построения их математических моделей, моделирования сетевой динамики в бесклеточных системах, в клеточных линиях и клональных клеточных популяциях, а также в клеточных ансамблях с постоянной и динамической структурой. Счетные модули реализуют формализм обобщенных пороговых моделей, сочетающий в себе преимущества дискретных и непрерывных методов моделирования этих систем. Среди решаемых задач – построение диаграмм активности генов во времени, расчет кинетических кривых для концентраций мРНК и белков, выявление паттернов генной экспрессии как функциональных состояний генной сети, оценка параметрической устойчивости режимов, моделирование механизмов эпигенетического наследования, фенотипической гетерогенности и морфогенетического позиционирования. В целом, платформа реализуют парадигму «сети сетей», служащую основой для перспективных исследований в области системной и синтетической биологии.
Рассмотрены Интернет-ресурсы, предоставляющие свободный доступ к экспериментальным функциональным данным, включая данные электро- и магнитной энцефалографии, структурной и функциональной магнитно-резонансной томографии, полученным в ряде исследовательских проектов при изучении мозга человека. Использование таких ресурсов полезно для развития и отладки новых методов обработки и анализа энцефалограмм, а также для верификации и сравнения результатов.
Рассмотрены основные подходы к исследованию сердца человека с помощью неинвазивных измерений. Для изучения структуры сердца используются такие методы, как эхокардиография, компьютерная томография, магнитно-резонансная томография. Функция сердца изучается в основном с помощью электрокардиографии и магнитной кардиографии. Описаны наборы данных, доступные для использования при математическом моделировании сердца при изучении его работы и при диагностике. Предложен метод функциональной томографии, который преобразует набор временных рядов в пространственное распределение электрических или магнитных источников. Экспериментальные данные магнитной кардиографии, полученные в Центре нейромагнетизма Нью-Йоркского университета, в НИЦ «Курчатовский институт» и в Институте радиотехники и электроники им. В. А. Котельникова РАН, были использованы для реконструкции трехмерной функциональной структуры сердца и временных рядов электрической активности сердца. Токовый диполь, найденный по магнитной кардиограмме, был успешно локализован в пространстве реконструированной структуры сердца, а его амплитуда и направление изменялись в соответствии с фазой сердечного цикла. Метод может быть использован для детального изучения пространственного распределения элементарных источников электрической активности сердца человека по данным многоканальных неинвазивных измерений.
Предложен оригинальный подход к классификации коронавирусов, основанный на представлении анализируемого гена (N-гена белка нуклеокапсида) соответствующим вектором частот кодонов аминокислот и его последующего сравнения с вектором усредненных частот кодонов для аналогичных известных генов вирусного таксона (одного из четырех родов коронавируса). Для определения принадлежности анализируемого вектора частот к каждому рассматриваемому таксону нестандартным образом применяется метод главных компонент. Метод протестирован на 5769 N-генах коронавирусов четырех родов и показал надежность распознавания рода выше 95 %. Предлагаемый подход к классификации коронавирусов позволяет сократить размерность вектора частот кодонов до 28 компонент без снижения надежности, ограничиваясь рассмотрением наиболее значимых частот встречаемости кодонов аминокислот в N-гене. Подход относится к методам без выравнивания, которые в последнее десятилетие завоевывают все большую популярность для классификации вирусов.
Издательство
- Издательство
- ИМПБ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 142290, Московская обл, г Серпухов, г Пущино, ул Институтская, д 4
- Юр. адрес
- 142290, Московская обл, г Серпухов, г Пущино, ул Институтская, д 4
- ФИО
- Костеркина Ирина Марковна (ГЛАВНЫЙ БУХГАЛТЕР)
- Контактный телефон
- +7 (___) _______
- Сайт
- https://www.impb.ru/