مقالة بحثية

التعدين في سرطان بطانة الرحم بناء على قاعدة بيانات TCGA وبناء نماذج تنبؤية

DOI:

10.3791/69650

⸱

يناير 16, 2026

 ,  ,  , 
1Heilongjiang University of Traditional Chinese Medicine, 2Department of Gynecology, First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 3Department of Gynecology, Harbin Medical University Affiliated Cancer Hospital, 4Hysteroscopy Room of the First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 5Institute of Traditional Chinese Medicine, Heilongjiang University of Traditional Chinese Medicine

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحدد هذا البروتوكول نهجا حسابيا لتحديد الجينات المرتبطة بأيض النيكوتيناميد في سرطان بطانة الرحم، باستخدام مجموعات بيانات TCGA وGEO. لتسهيل اكتشاف المؤشرات الحيوية وتعزيز تقدير المخاطر في سرطان بطانة الرحم في جسم الرحم، يصف هذا البحث تحليل إجراءات التعبير المميز، وتعزيز المسار، وتصميم نموذج التنبؤ، وإجراءات التقييم.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد سرطان بطانة الرحم (EC) من بين أقل الأورام النسائية انتشارا على مستوى العالم، مع ارتفاع معدل الحدوث بسبب التقدم في العمر والسمنة. لا تزال انتشارات العقد اللمفاوية شائعة في سرطان بطانة الرحم في الجسم الرحمي (UCEC)، مما يستلزم وجود مؤشرات حيوية تنبؤية جديدة لتوجيه العلاج. في هذا البحث، تم تحليل معلومات UCEC من أطلس جينوم السرطان (TCGA)، وتم التحقق من النتائج باستخدام مجموعة التعبير الجيني (GEO). تم تحديد ثمانية عشر عاملا جينيا معبر عنه بشكل مختلف مرتبطا بعملية أيض النيكوتيناميد (NMRDEGs). أشار تحليل إثراء مجموعات الجينات (GSEA) إلى دورها في عمليات الإجهاد التأكسدي، نقص الأكسجين، التحلل السكري، وعمليات الاستماتة المبرمجة. حدد الانحدار الأحادي متغير كوكس ستة جينات رئيسية (AURKA، CDKN3، FOXM1، CDKN2A، TK1، وCDK1)، تستخدم لتطوير إطار توقع المخاطر. كشف تحليل تفاعل البروتين مع البروتين (PPI) عن جينات محورية إضافية مثل CDK2، CCNA2، TP53، وFOXM1. أظهرت الجينات الستة الرئيسية قيمة تنبؤية قوية، وكان نموذج المخاطر في الدراسة قادرا على توجيه القرارات السريرية. وجد أن أيض النيكوتيناميد مرتبط بشكل كبير بتقدم EC. تقدم هذه الدراسة تصورات جديدة حول دور استقلاب النيكوتيناميد في EC وتقترح سبل محتملة لتقدم العلاج.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

سرطان بطانة الرحم (EC) شائع لدى الإناث1. يمكن تصنيف EC إلى النوع المعتمد على الهرمونات والنوعالمستقل عن الهرمونات النوع الثاني. في عام 2020، شملت تحديثات الإرشادات لإدارة مرضى EC اكتشاف العلامات الجزيئية والتصنيف الجزيئي، مما أثر بشكل كبير على علاج المساعدات بعد العملية والتوقعات السريرية ل EC3. المرض الناتج عن السرطان متعدد الأوجه، حيث يتضمن طفرات أو فقدان عدة جينات مسرطمة و/أو جينات مثبطة للورم، إلى جانب تشوهات في مسارات الإشارة المتعددة التي يمكن أن تؤثر على تقدم المرض ونتائجه. البحث عن مؤشرات حيوية جديدة وتحديد أهداف علاجية فعالة أمر بالغ الأهمية. يهدف هذا السعي إلى تعميق فهم مسببات الأمراض في EC والمؤشرات الحيوية التنبؤية المحتملة، مما يؤسس أساسا للكشف المبكر والعلاج المستهدف.

يشبه النياسيناميد النياسين ويلعب دورا في امتصاص الدهون وتحلل الجليكوجين. إنه ضروري لجسم الإنسان كمكون مهم للأنزيم المساعد. يشمل استقلابية النيكوتيناميد العمليات التي يمتص بها جسم الإنسان ويتحول ويستخدمه.

يبدأ أيض النياسيناميد بالامتصاص. يمكن أن يكتسبه من خلال تناول الطعام أو تحويل الأحماض الأمينية داخل الجسم ويمتص بواسطة خلايا الظهارة المخاطية في الأمعاء. ثم يتحول إلى أشكاله الأكثر تعقيدا، وهي أمر حيوي في العديد من العمليات الكيميائية الحيوية. بالإضافة إلى ذلك، يمكن تحويل النيكوتيناميد إلى مركبات أخرى، بما في ذلك المستقلب 1-ميثيلنيكوتيناميد عبر نيكوتيناميد أدينين ثنائي نيوكليوتيد ميثيل ترانسفيراز (NMT). قد تؤثر هذه التحولات على بداية وتطور أمراض الأيض المختلفة. كما أبلغ، فإن مكملات النياسيناميد لها تأثيرات مفيدة متعددة، بما في ذلك الوقاية والعلاج من الأورام4. أكدت الدراسات الحديثة أنه قد يقلل من مستوى فسفرة STAT3Y705في خلايا سرطان الرئة. وجدت دراسة أن استخدام النياسيناميد وحده يمكن أن يثبط أورام الغشاء غير الميلانومي الغازية لدى المرضى ذوي الخطورة العالية6. وجد كورتزيديس وآخرون أن مكملات النياسيناميد يمكن أن تثبط زيادة الوزن لدى الفئران، وتعزز نشاط إنازيم ترانس كيتولاز (TK) وخلايا الدم الحمراء Na+- K+- ATPase، ويؤثر على أيض الطاقة في الجسم. وقد اعترفت دراسة سابقة بأن نيكوتيناميد N-ميثيل ترانسفيراز (NNMT)، وهو إنزيم ميثيل ترانسفيراز، يعد قضية مهمة في نشاط الخلايا الليفية المرتبطة بالسرطان8. علاوة على ذلك، ثبت أن إنزيم النيكوتيناميد الفوسفوريبوزيل ترانسفيراز يساهم في مقاومة فينيتوكلكس في أقسام جذع اللوكيميا النخاعية الحرجة المنتكسة9. لذلك، كان الهدف هو تحديد الجينات المرتبطة بالتمثيل الغذائي ل NAD+ (NMRGs) المرتبطة بخطر الإصابة ب EC بشكل شامل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استخدمت هذه الدراسة بيانات سريرية ونسخية متاحة للجمهور، وغير محددة الهوية من أطلس جينوم السرطان ومجموعة تعبير الجينات. جميع الدراسات المساهمة حصلت على موافقة مسبقة من لجنة المراجعة المؤسسية وموافقة مستنيرة. وبما أن التحليل الثانوي فقط للبيانات المجهولة كان يجرى، لم تكن هناك حاجة لموافقة أخلاقية إضافية. قواعد البيانات والبرمجيات المستخدمة مدرجة في جدول المواد.

1. تحميل البيانات

استخدمت الأبحاث مجموعة بيانات EC (TCGA-سرطان بطانة الرحم بطانية الرحم (TCGA-UCEC))رقم 10، والتي تتكون من 589 عينة، بما في ذلك 554 عينة من أنسجة الورم من مرضى UCEC (مجموعة UCEC) وبيانات تسلسل من 35 نسجا طبيعيا مجاورا (المجموعة الطبيعية). تم استخدام قاعدة بيانات UCSC Xena لاسترجاع البيانات السريرية المقابلة11، باستثناء تلك التي تفتقر إلى المعلومات السريرية الكاملة. في النهاية، كان هناك 577 عينة تحتوي على بيانات سريرية متاحة للتحليل. تم توفير معلومات أساسية مفصلة في الجدول 1.

تم تحميل مجموعات بيانات إضافية متعلقة ب EC و GSE115810 وGSE63678 12 باستخدام حزمة GEOquery13. تم دمج مجموعة البيانات GSE115810 و GSE63678 لإنشاء مجموعات البيانات المجمعة لمزيد من التحليل (الجدول 2).

جينات NAD+ المرتبطة بالتمثيل الغذائي (NMRGs) تقع بعد سجل GeneCardsرقم 14 والأدبيات ذات الصلة15. باستخدام مصطلح البحث "استقلوب النياسيناميد" في GeneCards، تم تحديد 345 من NMRG ذات درجات ذات صلة أعلى من 4. تم جمع وإزالة النسخ المكررة من 42 NMRG الموجودة في الأدبيات إلى ما مجموعه 371 NMRG (الجدول التكميلي 1). تم جمع البيانات السريرية كملفات ظاهرية .tsv؛ تم تنزيل البيانات بصيغة HTSeq-FPKM. كانت العينات المستبعدة أكثر من 20٪ من بياناتها السريرية مفقودة. تم تحويل FPKM إلىlog-2 وتحويله إلى TPM (نصوص لكل مليون). تم تعيين معرفات المسبار إلى رموز جينية لمجموعات بيانات GEO، وتم حساب المجسات المكررة.

2. جينات معبرة بشكل تفاضلي في استقلاب النيكوتيناميد

بدأ البحث بتطبيق مجموعة Rsva16 لإزالة ملكيات المجموعة بعد مجموعات البيانات GSE115810 و GSE63678، مما أدى إلى مجموعة بيانات مشتركة تحتوي على 31 عينة EC (UCEC) و8 عينات طبيعية مجاورة. بعد ذلك، تم استخدام مجموعة ليما17 لإجراء فحص تباين في تعبير الجينات على مجموعة بيانات TCGA-UCEC.

تقاطع DEGs من تحليل TCGA-UCEC مع 337 NMRG لتحديد DEGs المرتبطة بعملية أيض النيكوتيناميد. وقد أنتج ذلك قائمة بالجينات المعبر عنها تفاضليا مرتبطة بعملية أيض النياسيناميد (NMRDEGs)، والتي تم تصويرها في رسم فين. تم توضيح نتائج فحص مظهر التباين من خلال حزمة ggplot2 Rرقم 18، بينما تم إنشاء خريطة حرارية لمستويات NMRDEG باستخدام مجموعة خريطة التخمير19. يتم القضاء على التباين بين مجموعات البيانات من خلال تصحيح الدفعات باستخدام ComBat (بايز التجريبي). تم استخدام إطار نموذج بايز الخطي التجريبي ليما في تحليل المعادلات المدمجة (DEG). عتبات التعبير التفاضلي المطبقة صراحة:

|log2FC| ≥ 1

روزفلت أقل من 0.05.

تقاطعت قائمة NMRG فقط مع DEGs التي استوفت كلا المتطلبين. مخططات للبراكين وخرائط حرارية مصنوعة باستخدام ggplot2 وpheatmap.

3. اختبار تحسين وظيفة NMRDEG (GO)، المسار (KEGG)

تم إكمال اختبارات تعزيز GO20 وKEGG21بواسطة مجموعة clusterProfiler 22. في كلا التحليلين، تم التعرف على عتبات الدلالة عند p. adjust< 0.05 وFDR (القيمة القرصي) < 0.25. كما دمجت الأبحاث قيم logFC في تحليل الإثراء، حيث مثلت النتائج في مخططات دائرية وخطوطية. عتبات دلالة التخصيب: القيمة p المعدلة < 0.05 FDR < 0.25 (قيمة q). تم استخدام المحلل العنقودي في دراسات GO وKEGG. يتم عرض الاتجاهية الجينية باستخدام مخططات الأوتار والدائرة التي تتضمن بيانات تغير لوغاريتميةذات طليفين.

4. تحليل إثراء مجموعات الجينات (GSEA)

يمكن تحديد نوع مجموعات العوامل الوراثية التي ساهمت بشكل أكبر في النمط الظاهري باستخدام GSEA23. لهذا التحليل، تم تصنيف مجموعة بيانات TCGA-UCEC بناء على قيم logFC، وأجري اختبار تحسين باستخدام حزمة clusterProfiler. شملت القيود الرئيسية قيمة بذرة 2022 و10,000 تبديل. تم استخدام مجموعة جينات MSigDB "c2.all.v2022.1.Hs.symbols.gmt"24. تم تصور المسارات الأكثر تطورا، بما في ذلك جينات نقص الأكسجين في مانالو، والشيخوخة الناتجة عن الإجهاد التأكسدي، وتحلل السكر، ومسارات الاستماتة المبرمجة، باستخدام مخطط جبلي. قبل GSEA، كانت الجينات مرتبة حسب اللوغاريتم. تم استخدام 10,000 تبديل في التحليل. c2.all.v2022.1.Hs.symbols.gmt هو مجموعة MSigDB التي تم استخدامها. لإعادة الإنتاج، تم استخدام بذرة عشوائية ثابتة (2022). المسارات ذات الأهمية كانت تلك التي < فيها p 0.05 وQ < 0.25.

5. بناء نموذج كوكس وفحص التوقعات ذات الصلة

لتحديد القيمة التنبؤية للجينات المعبر عنها تفاضليا المرتبطة بالأيض بالنيكوتيناميد (NMRDEGs) في سرطان بطانة الرحم (UCEC)، استخدم الباحثون تحليل الانحدار أحادي المتغير Cox لتصنيف العوامل الوراثية المتقدمة أولا؛ تم تحديد أن تلك التي لديها نسبة خطر (HR) > 1 وقيمة p < 0.1 مناسبة لإطار المخاطر النسبية متعدد المتغيرات لكوكس.

معايير اختيار كوكس أحادي المتغير: p < 0.10 ونسبة > 1. تم استخدام قيم تعبير مطبرة ب Log 2-TPM في نموذج كوكس متعدد المتغيرات. يستخدم مزيج خطي من معاملات كوكس × التعبير الجيني لتحديد درجة المخاطر. تم استخدام احتمالات OS للسنوات 1 و3 و5 سنوات في معايرة النوموغرام. تم استخدام قيم AUC للعمر 1 و3 و5 سنوات في الروابط المعتمدة على الزمن. تم استخدام نهج الإحصاء الأقصى surv_cutpoint لإيجاد قيم الحد للبقاء. استخدمت تحليلات KM وROC نفس العتبات.

تم بناء رسم نوموغراف من نموذج كوكس متعدد المتغيرات لتقييم دقته أو قدرته التنبؤية وحساب فرص الوجود الكلي لمدة سنة واحدة وثلاث وخمس سنوات. تستخدم أقواس التوحيد لتقييم الاستقرار بين التوقعات المتوقعة والعواقب الحقيقية، وتم استخدام تحليل منحنى القرار (DCA) لقياس الفعالية الطبية للهيكل25.

تم تحديد مستويات تعبير mRNA كقيم سجلات محولة لوغاريتم-�� في مليون (TPM) مطبعة بواسطة حزمة DESeq2. أخذت نماذج TPM في الاعتبار تعقيد التسلسل وقياس الجينات لتوفير تقديرات قوية وغير متحيزة لمستويات التعبير بين العينات.

باستخدام معاملات نموذج كوكس متعدد المتغيرات، تم تحديد تقييم الخطر التنبؤي لكل مريض كما يلي:

riskScore = معامل σi (الجينi) *تعبير mRNA (الجينi) (1)

تم إعداد أقواس كابلان-ماير (KM) لتقييم التحمل العام للعناقيد الطويلة والمنخفضة المخاطر التي تم إنشاؤها بناء على تصنيفات المخاطر المحددة. تم إنتاج أقواس خصائص تشغيل المستقبل المعتمدة على الزمن (ROC) في روتين الأطر عند فترات 1 و3 و5 سنوات26,27.

لتصنيف التعبير الجيني حسب مجموعات التعبير العالي والمنخفض لتقسيم البقاء، يستخدم دور النقطة surv_cut بعد حزمة R الناشئ. تحدد هذه الدالة أكبر قيمة قطع من خلال تعظيم إحصائية اللوغاريتم-رتب الموحدة، مما يعطي نقطة قطع غير متحيزة ومثالية إحصائيا.

تشير قيم القطع التي تم الحصول عليها لكل جين تنبؤي في منحنيات ال ROC كخطوط متقطعة. طبقت الأبحاث نفس العتبات لجميع تحليلات البقاء وتحليل ROC.

تم تنزيل TCGA RNA-seq بصيغة HTSeq-FPKM؛ تم استيراد البيانات السريرية كملفات نمط ظاهري TSV؛ تم تحويل FPKM إلى TPM وتحويله إلى log₂؛ تم تعيين مجموعات بيانات GEO من معرفات المسبار إلى رموز الجينات باستخدام تعليقات المنصة؛ تم حساب متوسط المجسات المكررة لقيمة جينية واحدة؛ تم استبعاد العينات التي تحتوي على أكثر من 20٪ من المعلومات السريرية المفقودة؛ تم استخدام ComBat (بايز التجريبي) لتصحيح الدفعات لمجموعات بيانات GSE؛ تم استخدام PCA وboxplots للتحقق من نجاح التصحيح الدفعي. تطبيع TPM باستخدام تقنيات تحويل التعبير القياسية؛ تصحيح دفعات باستخدام ComBat مع أصل مجموعة البيانات كمتغير دفعي؛ تم حساب التعبير التفاضلي باستخدام نمذجة ليما الخطية (مصفوفة تصميم الورم مقابل المصفوفة الطبيعية)؛ قوائم الجينات المرتبة التي تم توليدها من تغييرات log₂ للطيات لإدخال GSEA؛ وانحدارات كوكس أحادية المتغير ومتعددة المتغيرات التي أجريت باستخدام أدوات تحليل البقاء

6. تحليل تباين مجموعات الجينات (GSVA)

تم استخدام GSVA28 لقياس كيفية التحسين بين المجموعات. في مجموعة بيانات TCGA-UCEC، تم إثراء 50 مسارا مميزا، أظهرت 41 منها تغييرات مهمة بين التجميعات الثنائية. تم استخدام GSVA مع مجموعات جينات العلامة التجارية للحصول على نشاط المسار لكل عينة؛ تم استيراد بيانات تفاعل بروتينات STRING إلى Cytoscape؛ تم استخدام خوارزمية MCC لتحديد جينات المحور؛ تم حساب درجات المخاطر كمجموع قيم تعبير الجين مضروبا في معاملات كوكس الخاصة بها؛ تم توليد منحنيات ROC المعتمدة على الوقت باستخدام روتينات ROC في زمن البقاء. لكل عينة، كانت GSVA تحسب درجات الإثراء على مستوى المسار. يستخدم اختبار ويلكوكسون لمجموع الترتيب لتقييم الفروقات في نشاط مسار العلامة الهولماركية. من بين خمسين مسارا توقيعا، كان واحد وأربعون مختلفا بشكل ملحوظ (معدل p < 0.05).

7. نظام تفاعل البروتين والبروتين (PPI)

تم إنشاء نظام PPI يحتوي على الجينات المهمة (AURKA، CDKN3، FOXM1، CDKN2A، TK1، وCDK1) باستخدام ملف STRING29 وعتبة قيمة اتصال تبلغ 0.70، مما يدل على ثقة عالية. تم إنشاء هذه الشبكة باستخدام Cytoscape30، مما يبرز التفاعلات التي قد تلعب أدوارا حاسمة في تكوين أمراض UCEC. كانت طريقة المركزية القصوى للجماعة (MCC)31 مفيدة لترتيب العامل الوراثي الناتج عن درجات تفاعلهم داخل الشبكة. تم التعرف على تسلسل البروتينات العشرة العليا مع أعلى درجات الواجهة، بما في ذلك CDK2، CDK4، CCNA2، CCNB1، CCNE1، CDK1، TP53، وFOXM1. تم تحليل هذه الجينات بشكل إضافي لمشاركتها في العمليات البيولوجية الحرجة. كما استخدمت منصة GeneMANIAرقم 32 للتنبؤ بتفاعلات إضافية مع البروتينات وتوفير سياق أوسع لأدوار الجينات الرئيسية في تقدم UCEC. عتبة لدرجة الثقة في STRING: >0.70 (ثقة عالية). يعرض Cytoscape الشبكة. تستخدم تقنية المركزية الجماعية القصوى (MCC) لترتيب جينات المحور. تم استخدام تصنيف MCC لتحديد الجينات الأكثر تفاعلا (CDK2، CCNA2، TP53، إلخ). يتم إجراء توقعات إضافية للتفاعل باستخدام GeneMANIA.

8. خارطة طريق التكنولوجيا

يتم تلخيص سير العمل العام والأساليب المستخدمة في هذه الدراسة في خارطة طريق التكنولوجيا المعروضة في الشكل 1. توضح هذه الخارطة خطوات من جمع مجموعات البيانات وتحليل التعبيرات التفاضلية إلى بناء نماذج تنبؤية وتحليلات إثرائية.

9. التحليل الإحصائي

تم إجراء معالجة البيانات والتقدير الإحصائي باستخدام برنامج R (الإصدار 4.3.0). تم استخدام اختبار مان-ويتني U أو اختبار t للطالب المستقل للمقارنات بين مجموعتين؛ تم استخدام اختبار كروسكال-واليس لثلاث مجموعات أو أكثر. تم تقييم البيانات الوصفية باستخدام كاي-تربيع أو اختبار فيشر الدقيق. علاوة على ذلك، تم إجراء تحليل الارتباط بين سبيرمان وتحليل البقاء على قيد الحياة بين كابلان-ماير؛ تم اعتبار الرقم القابل للاهتزاز < 0.05.

تطبيق الاختبارات الإحصائية وفقا لتوزيع البيانات: البيانات العادية باستخدام اختبار t الخاص بالطالب. اختبار مان-ويتني U للبيانات غير الطبيعية. اختبار كروسكال-واليس لأكثر من ثلاث مجموعات. فيشر دقيق وكاي-تربيع للبيانات التصنيفية. تعرف الدلالة الإحصائية بأنها p < 0.05.

يتم الحفاظ على موثوقية البيانات بواسطة نقاط التحقق المسبقة للمعالجة، حيث يجب أن تظهر مخططات الصناديق تباين تعبير متسق عبر العينات، ويجب أن تظهر مخططات PCA غياب عناقيد خاصة بالدفعات بعد تعديل ComBat. الخرائط الحرارية التي تظهر تجميع الأورام الطبيعية ومخططات البراكين التي توضح بوضوح تنظيم الجينات للصعود والأسفل ضرورية للتحقق من صحة DEG. بالنسبة لنموذج كوكس الإسقاطي، يجب أن تتطابق مخططات المعايرة مع التوقعات والبقاء الفعلية، ويجب أن تكون قيم AUC في ROC أكبر من 0.65، ويجب أن تظهر أقواس KM فرقا كبيرا في البقاء. يجب إظهار أنشطة المسارات المختلفة بين مجموعات الخطر من خلال تحليل GSVA، بما يتماشى مع آليات معروفة مثل التوسع أو مسارات دورة الخلية. للتحقق من مرونة الشبكة، يجب أن تظهر العقد المترابطة بشكل كبير في شبكة مثبطات مضخة البروتون بشكل مركزي، ويجب أن تتطابق جينات المركز التي يحددها MCC مع منظمات فسيولوجية ذات دلالة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

دمج تصحيح مجموعة بيانات GEO

استخدمت الأبحاث مجموعة SVA R لتحديد الدفعات في مجموعات البيانات GSE115810 GSE63678 المجمعة، مما أنتج مجموعة بيانات موحدة تسمى مجموعات البيانات المركبة. تم التحقق من نتائج إزالة النتائج الجماعية باستخدام مخططات صندوق الدوران (الشكل 2A,B) ومخططات PCA (الشكل 2C,D)، والتي أظهرت أن تأثيرات الدفعات تم القضاء عليها إلى حد كبير. بعد التطبيع، يجب أن يميز مخطط PCA بو...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

حظي دور أيض الطاقة في البيئة الدقيقة لخلايا السرطان باهتمام كبير مؤخرا. أظهرت الأبحاث أن الجينات المشاركة في استقلاب النيكوتيناميد مرتبطة ارتباطا وثيقا بتطور الأورام الخبيثة المختلفة. بمجرد امتصاص النيكوتيناميد في الجسم، يتحول إلى NAD وNADP، وكلاهما يلعب دورا محوريا في العديد من العمليات المرتبطة بالسرطان. وبالتالي، يظهر استقلاب NAD كهدف علاجي واعد لعمل الأورام. يعد حيويا في أنشطة خلوية متنوعة، بما في ذلك تنظيم ما بعد النسخ، بقاء الخلايا، استقلاب الطاقة، تقدم دورة الخلية، الاستماتة المبر...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
حزمة clusterProfilerالموصل الحيويالإصدار 4.8.0تحليل إثراء GO وKEGG
سيتوسكيباتحاد سايتوسكيبv3.9.1تصور شبكة PPI
حزمة DESeq2الموصل الحيويالإصدار 1.40.0التطبيع وتحليل التعبير
قاعدة بيانات GeneCardsمجموعة جينكاردزلا يوجدمصدر الجينات المرتبطة بأيض النيكوتيناميد
منصة جين مانياgenemania.orgلا يوجدوظيفة الجين والتنبؤ بالتفاعل
مجموعات بيانات GEO (GSE115810، GSE63678)النسخة الشاملة للتعبير الجيني (GEO)لا يوجدمجموعات بيانات التعبير الجيني العامة ل EC
حزمة ggplot2كرانv3.4.2تصور البيانات
حزمة ليماالموصل الحيويv3.54.0 (مثال)تحليل التعبير التفاضلي
حزمة pheatmapكرانv1.0.12رسم خريطة الحرارة
برنامج R (الإصدار 4.3.0)مؤسسة R للحوسبة الإحصائيةالإصدار 4.3.0منصة تحليل البيانات
قاعدة بيانات السلاسل النصيةالوتر (string-db.org)الإصدار 11.5تحليل تفاعل البروتين والبروتين
حزمة ال survminerكرانv0.4.9تحليل البقاء
حزمة SVAالموصل الحيويv3.46.0إزالة تأثير الدفعة
مجموعة بيانات TCGA-UCECأطلس جينوم السرطان (TCGA)لا يوجدالنسخ النصي والبيانات السريرية لمرضى UCEC
جامعة كاليفورنيا في إس سي زيناجامعة كاليفورنيا، سانتا كروزلا يوجدمنصة لتحميل البيانات السريرية/الجينومية

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bray, F., et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 68 (6), 394-424 (2018).
  2. Ni, J., et al. All human genes of the uteroglobin family are localized on chromosome 11q12.2 and form a dense cluster. Ann N Y Acad Sci. 923, 25-42 (2000).
  3. Concin, N., et al. Esgo/estro/esp guidelines for the management of patients with endometrial carcinoma. Virchows Arch. 478 (2), 153-190 (2021).
  4. Nikas, I. P., Paschou, S. A., Ryu, H. S. The role of Nicotinamide in cancer chemoprevention and therapy. Biomolecules. 10 (3), 477(2020).
  5. Wang, W., Karamanlidis, G., Tian, R. Decreased NAD activates STAT3 and integrin pathways to drive epithelial-mesenchymal transition. Mol Cell Proteomics. 17 (10), 2005-2017 (2018).
  6. Chen, A. C., et al. A phase 3 randomized trial of Nicotinamide for skin-cancer chemoprevention. N Engl J Med. 373 (17), 1618-1626 (2015).
  7. Kourtzidis, I. A., et al. Nicotinamide riboside supplementation dysregulates redox and energy metabolism in rats: Implications for exercise performance. Exp Physiol. 103 (10), 1357-1366 (2018).
  8. Eckert, M. A., et al. Proteomics reveals NNMT as a master metabolic regulator of cancer-associated fibroblasts. Nature. 569 (7758), 723-728 (2019).
  9. Jones, C. L., et al. Nicotinamide metabolism mediates resistance to venetoclax in relapsed acute myeloid leukemia stem cells. Cell Stem Cell. 27 (5), 748-764 (2020).
  10. Colaprico, A., et al. TCGAbiolinks: An R/Bioconductor package for integrative analysis of TCGA data. Nucleic Acids Res. 44 (8), e71(2016).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Zhao, D., Liu, J., Wang, C., Zhang, Y., Chen, L. Diagnosis and prediction of endometrial carcinoma using machine learning and artificial neural networks based on public databases. Genes (Basel). 13 (6), 935(2022).
  13. Davis, S., Meltzer, P. S. GEOquery: A bridge between the Gene Expression Omnibus (GEO) and Bioconductor. Bioinformatics. 23 (14), 1846-1847 (2007).
  14. Stelzer, G., et al. The GeneCards suite: From gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 54, 1.30.1-1.30.33 (2016).
  15. Cui, H., Liu, Y., Jiang, X., Li, H., Zhang, L., Wang, Z. Comprehensive analysis of Nicotinamide metabolism-related signature for predicting prognosis and immunotherapy response in breast cancer. Front Immunol. 14, 1145552(2023).
  16. Leek, J. T., Johnson, W. E., Parker, H. S., Jaffe, A. E., Storey, J. D. The SVA package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 28 (6), 882-883 (2012).
  17. Huang, J., Wang, S., Li, Y., Liu, X., Zhang, Y., Chen, Z. Proposing a novel molecular subtyping scheme for predicting distant recurrence-free survival in breast cancer post-neoadjuvant chemotherapy with close correlation to metabolism and senescence. Front Endocrinol (Lausanne). 14, 1265520(2023).
  18. Ito, K., Murphy, D. Application of ggplot2 to pharmacometric graphics. CPT Pharmacometrics Syst Pharmacol. 2 (10), e79(2013).
  19. Li, G. M., Zhang, C. L., Rui, R. P., Sun, B., Guo, W. Bioinformatics analysis of common differential genes of coronary artery disease and ischemic cardiomyopathy. Eur Rev Med Pharmacol Sci. 22 (11), 3553-3569 (2018).
  20. Mi, H., Muruganujan, A., Ebert, D., Huang, X., Thomas, P. D. PANTHER version 14: More genomes, a new PANTHER GO-slim and improvements in enrichment analysis tools. Nucleic Acids Res. 47 (D1), D419-D426 (2019).
  21. Ogata, H., et al. KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Res. 27 (1), 29-34 (1999).
  22. 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).
  23. Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).
  24. Liberzon, A., Birger, C., Thorvaldsdóttir, H., Ghandi, M., Mesirov, J. P., Tamayo, P. The Molecular Signatures Database hallmark gene set collection. Cell Syst. 1 (6), 417-425 (2015).
  25. Tataranni, T., Piccoli, C. Dichloroacetate (DCA) and cancer: An overview towards clinical applications. Oxid Med Cell Longev. 2019, 8201079(2019).
  26. Barakat, A., Mittal, A., Ricketts, D., Rogers, B. A. Understanding survival analysis: actuarial life tables and the Kaplan-Meier plot. Br J Hosp Med (Lond). 80 (11), 642-646 (2019).
  27. Heagerty, P. J., Lumley, T., Pepe, M. S. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics. 56 (2), 337-344 (2000).
  28. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 7(2013).
  29. Wakonig, B., Auersperg, A. M. I., O'Hara, M. String-pulling in the Goffin's cockatoo (Cacatua goffiniana). Learn Behav. 49 (1), 124-136 (2021).
  30. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  31. Boughorbel, S., Jarray, F., El-Anbari, M. Optimal classifier for imbalanced data using Matthews correlation coefficient metric. PLoS One. 12 (6), e0177678(2017).
  32. Franz, M., et al. GeneMANIA update 2018. Nucleic Acids Res. 46 (W1), W60-W64 (2018).
  33. Chen, A., Jing, W., Qiu, J., Zhang, R. Prediction of cervical cancer outcome by identifying and validating a NAD⁺ metabolism-derived gene signature. J Pers Med. 12 (12), 2031(2022).
  34. Lin, L., et al. Identification of NAD⁺ metabolism-derived gene signatures in ovarian cancer prognosis and immunotherapy. Front Genet. 13, 905238(2022).
  35. Li, H., et al. circABHD2 inhibits malignant progression of endometrial cancer by regulating the NAD⁺/NAMPT metabolism axis. Mol Biotechnol. 67 (7), 2644-2659 (2025).
  36. Hu, D., et al. Comprehensive analysis of a NAD⁺ metabolism-derived gene signature to predict the prognosis and immune landscape in endometrial cancer. Biomol Biomed. 24 (2), 346-359 (2024).
  37. Deng, B., et al. AURKA emerges as a vulnerable target for KEAP1-deficient non-small cell lung cancer by activation of asparagine synthesis. Cell Death Dis. 15 (3), 233(2024).
  38. Zhang, C., Shen, Q., Gao, M., Li, J., Pang, B. The role of cyclin-dependent kinase inhibitor 3 (CDKN3) in promoting human tumors: literature review and pan-cancer analysis. Heliyon. 10 (4), e26061(2024).
  39. Bai, X., Xiong, J., Li, L., Yu, C., Sun, C. Suppression of hypoxia-induced CAV1 autophagic degradation enhances nanoalbumin-paclitaxel transcytosis and improves therapeutic activity in pancreatic cancer. Eur J Pharmacol. 969, 176431(2024).
  40. Zhao, Z., et al. Activation of the FOXM1/ASF1B/PRDX3 axis confers hyperproliferative and antioxidative stress reactivity to gastric cancer. Cancer Lett. 589, 216796(2024).
  41. Yang, C., Plum, P. S., Gockel, I., Thieme, R. Pan-cancer analysis and in vitro validation of the oncogenic and prognostic roles of AURKA in human cancers. Front Oncol. 13, 1186101(2023).
  42. Shen, X., et al. YTHDC1-dependent m6A modification-modulated FOXM1 promotes glycolysis and tumor progression through CENPA in triple-negative breast cancer. Cancer Sci. 115 (6), 1881-1895 (2024).
  43. Jiang, J., et al. HNRNPA2B1-mediated m6A modification of FOXM1 promotes drug resistance and inhibits ferroptosis in endometrial cancer via regulation of LCN2. Funct Integr Genomics. 24 (1), 3(2023).
  44. Yue, C., et al. Autophagy-related risk signature based on CDKN2A to facilitate survival prediction of patients with endometrial cancer. J Gene Med. 26 (1), e3648(2024).
  45. Fu, Y., et al. Discovery of potential biomarkers for early diagnosis of endometrial cancer via integrating metabolomics and transcriptomics. Comput Biol Med. 173, 108327(2024).
  46. Omar, I. S., et al. Aberrant upregulation of CDK1 contributes to medroxyprogesterone acetate resistance in cancer-associated fibroblasts of the endometrium. Biochem Biophys Res Commun. 628, 133-140 (2022).
  47. Zhang, B., et al. A novel glycolysis-related gene signature for predicting the prognosis of multiple myeloma. Front Cell Dev Biol. 11, 1198949(2023).
  48. Huang, H., et al. A novel five-gene metabolism-related risk signature for predicting prognosis and immune infiltration in endometrial cancer: A TCGA data mining study. Comput Biol Med. 155, 106632(2023).
  49. Mao, X., et al. High glucose levels promote glycolysis and cholesterol synthesis via ERRα and suppress the autophagy-lysosomal pathway in endometrial cancer. Cell Death Dis. 16 (1), 182(2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Endometrial CancerTCGA DatabasePrognostic ModelsUterine Corpus Endometrial CarcinomaNicotinamide MetabolismGene Set EnrichmentDifferential Gene ExpressionCox RegressionProtein Interaction AnalysisPrognostic Biomarkers

مقالات ذات صلة