مقالة بحثية

النمذجة الإنذارية لسرطان المبيض استناداً إلى الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة: نهج المعلوماتية الحيوية

101 مشاهدة

⸱

DOI:

10.3791/72629

⸱

أغسطس 14, 2026

 ,  ,  ,  ,  ,  , 
1Shanghai Key Lab of Reproduction and Development, Shanghai Key Lab of Female Reproductive Endocrine Related Diseases, Obstetrics & Gynecology Hospital of Fudan University, 2Department of Critical Care Medicine, Aerospace Center Hospital, 3Department of Anesthesiology, The First Affiliated Hospital of Dalian Medical University, 4Department of Anesthesiology, Peking Union Medical College Hospital

* These authors contributed equally

في هذه المقالة

ملخص

تدمج هذه الدراسة الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة مع بيانات متعددة الأوميكس لسرطان المبيض لبناء نموذج إنذاري والتحقق من صحته، وتوصيف الميزات المناعية والمكانية والتنظيمية المرتبطة بها.

الملخص

تفرض عدم التجانس في سرطان المبيض (OV) تحديات كبيرة أمام تصنيف الأنواع الفرعية للمرض، وتحديد مستويات المخاطر، والإدارة السريرية الدقيقة. وبناءً على ذلك، طورت هذه الدراسة نموذجاً إنذارياً يعتمد على الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة (PARDTGs) لإيجاد الأهمية السريرية لهذه الجينات لدى مرضى سرطان المبيض. وقد قامت الدراسة بتحليل شامل لـ PARDTGs في سرطان المبيض من خلال دمج بيانات متعددة الأوميكس، بما في ذلك بيانات النسخ الشاملة (bulk transcriptomic)، وبيانات تسلسل الحمض النووي الريبوزي أحادي الخلية (scRNA-seq)، وبيانات النسخ المكاني. واستناداً إلى خصائص تعبير PARDTGs، طورنا سمة إنذارية باستخدام نموذج مخاطر كوكس النسبية (stepAIC Cox proportional hazards model). تم بناء هذا النموذج بناءً على مجموعة بيانات TCGA-OV وتم التحقق من صحته باستخدام مجموعات البيانات GSE26193 وGSE30161 وGSE63885. علاوة على ذلك، أنشأنا مخططات نوموجرام تدمج سمات PARDTG والعوامل السريرية. كما قمنا بتحليل الارتباط بين درجات المخاطر والإثراء الوظيفي، ومسارات التأشير، والبيئة الدقيقة المناعية للورم. وقد حددنا 17 جيناً من PARDTGs ترتبط ارتباطاً وثيقاً بإنذار سرطان المبيض. وأظهرت البصمة الإنذارية، التي تم التحقق من صحتها عبر مجموعات TCGA-OV وGSE26193 وGSE30161 وGSE63885، دقة تنبؤية قوية للبقاء على قيد الحياة الإجمالي (OS). ومقارنةً بالبصمة الجينية وحدها، أظهر النوموجرام الذي يدمج النموذج الإنذاري والمعايير السريرية أداءً إنذارياً محسناً. بالإضافة إلى ذلك، كشف تحليل البيئة الدقيقة للورم عن إثراء كبير للمسارات المرتبطة بالمناعة ودرجات TIDE أقل لدى المرضى منخفضي المخاطر، مما يشير إلى أن هؤلاء المرضى قد يكونون أكثر عرضة للاستفادة من العلاج المناعي. وتثبت الدراسة كلاً من الصلة الإنذارية والفائدة السريرية لـ PARDTGs في سرطان المبيض. إن دمج الخصائص الجينية في الاختبارات السريرية يفتح آفاقاً واعدة لتحسين العلاج السريري والإنذار.

المقدمة

يعد سرطان المبيض (OV) ورماً خبيثاً شائعاً وعدوانياً، يتميز بأعراض أولية خفية، وقدرة عالية على الغزو، وعلامات سريرية مبكرة غير محددة. وقد أظهرت الدراسات أن معظم المرضى يكونون في مراحل سريرية متأخرة عند التشخيص، حيث يقل معدل البقاء على قيد الحياة لمدة خمس سنوات إجمالاً عن 45%1. ورغم التقدم المحرز في الجراحة والعلاج الكيميائي والعلاجات الموجهة، لا تزال هناك تحديات قائمة مثل تكرار الورم، والمقاومة الكيميائية، والهروب المناعي، مما يحد من الفعالية العلاجية2. لذا، تبرز حاجة ملحة لتحديد مؤشرات حيوية جزيئية جديدة وتطوير أدوات قوية لتقييم المخاطر للتعامل مع التباين الورمي ودعم الاستراتيجيات السريرية المخصصة.

لا يزال الاستئصال الجراحي والإدارة في الفترة المحيطة بالجراحة يمثلان حجر الزاوية في علاج أورام المبيض (OV). ومع ذلك، تشير الأدلة المتزايدة إلى أن الإجهاد الفسيولوجي في الفترة المحيطة بالجراحة، والاستجابات الالتهابية، والتعديل المناعي قد تؤثر على السلوك البيولوجي، وبالتالي تؤثر على الإنذار طويل المدى3. وباعتباره مكوناً رئيسياً للتدخل في الفترة المحيطة بالجراحة، فإن تأثيرات العوامل التخديرية تمتد إلى ما هو أبعد من تثبيط الجهاز العصبي المركزي. وتشير الدراسات الحالية إلى أن تقنيات التخدير وأدوية التخدير يمكن أن تعدل الاستجابات الغدية العصبية، وشلالات الالتهاب، ونشاط الخلايا المناعية المؤثرة، مما يؤدي إلى إعادة تشكيل البيئة الدقيقة للورم بعد الجراحة والتأثير على قدرة الخلايا الورمية على الهجرة، والمراقبة المناعية، والعمليات المرتبطة بالنقائل4. والجدير بالذكر أن بعض مواد التخدير المحددة تغير مصير الخلايا الورمية بشكل مباشر: حيث يعزز propofol بقاء الخلايا الورمية المنتشرة عبر تثبيط ferroptosis بوساطة Nrf2، مما يعزز النقائل5. بينما يحفز ketamine عملية ferroptosis في خلايا سرطان الخلايا الكبدية من خلال التحكم في محور lncPVT1/miR-214-3p/GPX4، مما يشير إلى أن العوامل التخديرية يمكن أن تؤثر بشكل مباشر على تحديد مصير الخلايا الورمية6. بالإضافة إلى ذلك، فإن البنزوديازيبينات، باعتبارها معدلات خيفية إيجابية لمستقبلات GABA، قد تضعف الفعالية المضادة للأورام لمجموعات العلاج الكيميائي والمناعي المشتركة7. ومع ذلك، يركز البحث الحالي في المقام الأول على عوامل تخدير مفردة، ويفتقر إلى فحص منهجي لتأثيراتها المحتملة على مستوى شبكة الأهداف الجينية.

تشارك الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة (PARDTGs)، بصفتها ركائز جزيئية مباشرة لمفعول التخدير، في العديد من مسارات التأشير الرئيسية، بما في ذلك تنظيم مستقبلات الناقلات العصبية، والحفاظ على التوازن الداخلي للكالسيوم، وديناميكيات الهيكل الخلوي للأكتين، والتغذية الراجعة في محور الإجهاد الغدّي8,9. وتحت تأثير الإجهاد الجراحي في الفترة المحيطة بالجراحة، قد يتم تنشيط هذه المسارات أو تثبيطها، مما يؤثر على استقطاب الخلايا المناعية وإعادة تشكيل البيئة الدقيقة المرتبطة بالأورام8,10. ومع ذلك، لا يزال مشهد التعبير، والخصائص الوظيفية، والأهمية السريرية لـ PARDTGs في سرطان المبيض (OV) غير محددة بدقة. وفي الوقت ذاته، أتاح ظهور تقنيات تسلسل الحمض النووي الريبي أحادي الخلية (scRNA-seq) والترانسكريبتوميات المكانية إمكانية تحديد ملف التعبير الجيني بدقة خلوية مع تحديد الموقع المكاني، مما وفر رؤى جديدة حول التوزيع المكاني، وتفضيلات البيئة الدقيقة، والتأثيرات النوعية للخلايا للجينات المستهدفة للتخدير في الأنسجة الورمية11.

في هذه الدراسة، قمنا بدمج PARDTGs مع مجموعات بيانات الأوميكس المتعددة لسرطان المبيض (OV)، وحددنا بشكل منهجي الجينات ذات التعبير المتباين، وأنشأنا نموذجاً عاماً للتنبؤ بالمخاطر. كما قمنا بتحليل الأساس البيولوجي لتصنيف المخاطر من منظور الارتشاح المناعي، وسمات الجذعية، والمشهد الطفراتي، والمسارات الوظيفية. ومن خلال دمج بيانات التسلسل متعدد الوسائط، حددنا أصول أنواع الخلايا والنطاقات البيئية المكانية، وأنشأنا شبكات تنظيمية من miRNA وعوامل النسخ، وأجرينا تحقُّقاً شاملاً عبر أنواع السرطانات لإثبات الأهمية العابرة للأورام. يقدم هذا العمل دليلاً آلياً لفهم الدور المحتمل لشبكات أهداف التخدير في OV، ويطرح دلالات ترجمية لتصنيف المخاطر السريرية، والتنبؤ بالإنذار، واستراتيجيات الإدارة في الفترة المحيطة بالجراحة.

البروتوكول

جمع البيانات

قمنا بفرز 120 جيناً مستهدفاً للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة من الدراسات السابقة12 وأدرجناها في الجدول التكميلي S1. لاحقاً، تم الحصول على ملفات التعبير الجيني والمعلومات السريرية وبيانات البقاء على قيد الحياة من مورد UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). وتكونت مجموعة بيانات التعبير من 420 عينة أولية من سرطان الغدة الكيسية المصلية في المبيض من أطلس جينوم السرطان (TCGA-OV) و88 عينة مبيض طبيعية من مشروع التعبير الجيني في الأنسجة (GTEx). تم الحصول على قيم التعبير الجيني كقيم FPKM على مستوى الجين لـ RSEM تم إنتاجها بواسطة مسار Toil13. يتوفر وصف تفصيلي لتدفق العينات يوضح إدراج عينات TCGA لكل تحليل لاحق في الجدول التكميلي S2. بالإضافة إلى ذلك، ومن أجل التحقق الخارجي، قمنا بتنزيل مجموعات البيانات GSE2619314 (عدد العينات = 107)، وGSE3016115 (عدد العينات = 58)، وGSE6388516 (عدد العينات = 70) من قاعدة بيانات GEO (http://www.ncbi.nlm.nih.gov/geo/) لتحليل ملفات التعبير الجيني وبقاء المرضى المطابقين. ولضمان اتساق البيانات، تم تحويل معرفات جينات ENSEMBL إلى رموز الجينات الرسمية. كما تم استبعاد الجينات التي كان تعبيرها في أقل من نصف العينات. بالإضافة إلى ذلك، حصلنا على مجموعة بيانات ترانسكريبتوم الخلية الواحدة لسرطان المبيض البشري GSE15460017 ومجموعة بيانات الترانسكريبتوم المكاني لسرطان المبيض GSE211956-GSM6506110-SP118 من قاعدة بيانات GEO.

معالجة بيانات تسلسل الترانسكريبتوم المكاني لسرطان المبيض

تمت معالجة بيانات النسخ المكانية (Spatial transcriptomic data) باستخدام برنامج Seurat19 (الإصدار 5.4.0). تمت تصفية البقع (Spots) باستخدام نفس معايير مراقبة الجودة المستخدمة في تحليل تسلسل RNA خلية واحدة (nFeature_RNA: 200–5,000؛ ونسبة الجينات الميتوكوندرية < 10%). وبعد إجراء التسوية (normalization) وتحديد الجينات عالية التباين، تم تنفيذ تقليل الأبعاد بناءً على تحليل المكونات الرئيسية (PCA)، وأجري التجميع باستخدام خوارزمية التجميع المعتمدة على الرسم البياني في Seurat. كما تم تصور المجموعات الفرعية وأنماط التعبير الجيني باستخدام دالة SpatialFeaturePlot. بالإضافة إلى ذلك، تم تصور وتحليل مستويات التعبير الجيني على مستوى النسخ المكاني باستخدام "AUCell"19 (الإصدار 1.32.0).

تحليل بيانات scRNA-seq

تم تحليل بيانات تسلسل RNA أحادي الخلية من GSE154600 باستخدام حزمة Seurat (الإصدار 5.4.0)19. استُبعدت الخلايا منخفضة الجودة بناءً على معايير مراقبة الجودة؛ حيث تم استبعاد الخلايا التي تحتوي على أقل من 200 أو أكثر من 5,000 جين مكتشف، أو التي تتجاوز فيها نسبة الجينات الميتوكوندرية 10%. وبعد إجراء عملية التسوية (normalization) باستخدام دالة NormalizeData، تم تحديد أعلى 2,000 جين شديد التباين باستخدام طريقة VST. أُجري تحليل المكونات الرئيسية (PCA) بناءً على الجينات المتغيرة، واستُخدمت أول 15 مكوناً رئيسياً للتجميع وتقليل الأبعاد. تم تحديد مجموعات الخلايا باستخدام دالتي FindNeighbors وFindClusters بدقة (resolution) تبلغ 0.5، ثم تلا ذلك التصور المرئي باستخدام UMAP و t-SNE. واستُخدمت دالة FindAllMarkers لتحديد الجينات العلامة (marker genes) لمجموعات الخلايا المختلفة. بالإضافة إلى ذلك، قمنا بتصنيف مجموعات الخلايا باستخدام قاعدة بيانات CellMarker 2.020 وأجرينا تحليلاً كمياً لنشاط الجينات باستخدام دالة ssGSEA من خلال حزمة GSVA (الإصدار 2.4.9).

تحليلات الجينات ذات التعبير التفاضلي (DEG) والتحليلات الوظيفية

أُجري تحليل التعبير التفاضلي باستخدام حزمة "limma"21 (الإصدار 3.56.2) بناءً على ملفات التعبير لـ PARDTGs بين أنسجة سرطان المبيض وأنسجة المبيض الطبيعية. وقبل التحليل، تم تحويل قيم تعبير FPKM لوغاريتمياً باستخدام الصيغة log2(FPKM+1). كما طُبِّق النموذج الخطي القياسي المدمج في حزمة limma لتحديد PARDTGs ذات التعبير التفاضلي. واعتُبرت الجينات التي كان معدل الاكتشاف الخاطئ (FDR) لها < 0.05 وقيمة |log2 fold change (FC)| > 1 ذات تعبير تفاضلي معنوي. نُفِّذ إثراء GO و KEGG على PARDTGs ذات التعبير التفاضلي باستخدام ClusterProfiler22 (الإصدار 4.8.3). وأُنشئت مخططات الشلال (Waterfall plots) باستخدام "maftools"23 (الإصدار 2.16.0) للكشف عن الطفرات الجسدية في PARDTGs في سرطان المبيض. بعد ذلك، تم إنشاء شبكة PPI لـ PARDTGs باستخدام مستودع STRING (الإصدار 12.0) مع المعايير الافتراضية.

تطوير نظام لتسجيل المخاطر قائم على PARDTG

لتحديد جينات PARDTGs المثلى، تم إجراء تحليل انحدار كوكس للمخاطر النسبية (Cox proportional hazards regression) خطوة بخطوة لفحص الجينات ذات الدلالة الإنذارية من بين جينات PARDTGs ذات التعبير التفاضلي، ولتحديد مساهماتها في البقاء على قيد الحياة الإجمالي في سرطان المبيض (OV). كما تم تقييم افتراض المخاطر النسبية لنموذج انحدار كوكس متعدد المتغيرات النهائي باستخدام اختبارات بقايا شونفيلد (Schoenfeld residual tests) المطبقة في الـ cox.zph وظيفة حزمة survival في برنامج R (الإصدار 3.5.5). تم حساب درجة مخاطر إنذارية بناءً على مستويات تعبير الجينات المميزة ومعاملات انحدار كوكس المقابلة لها. ونظراً لعدم التجانس عبر المنصات النسخية، تم تقييم النماذج الإنذارية بشكل مستقل في المجموعات TCGA-OV وGSE26193 وGSE30161 وGSE63885. وبالنسبة لكل مجموعة، استُخدمت ملفات التعبير للجينات المميزة لحساب درجات مخاطر خاصة بكل مجموعة، ثم صُنِّف المرضى إلى فئات عالية ومنخفضة المخاطر باستخدام وسيط درجة المخاطر كنقطة فصل. وقورنت نسبة البقاء على قيد الحياة الإجمالية (OS) بين المجموعتين باستخدام تحليل كابلان-ماير، مع تقييم الدلالة الإحصائية بواسطة اختبار رتبة السجل (log-rank test). بعد ذلك، تم تقييم القيمة الإنذارية المستقلة لدرجة المخاطر من خلال تحليلات انحدار كوكس للمخاطر النسبية أحادية المتغير ومتعددة المتغيرات.

تطوير نموذج سريري إنذاري لسرطان المبيض

لتحديد ما إذا كانت درجة المخاطرة توفر معلومات إنذارية تتجاوز المتغيرات السريرية التقليدية، أُجريت تحليلات انحدار كوكس للمخاطر النسبية أحادية ومتعددة المتغيرات، مع دمج درجة المخاطرة مع الخصائص المرضية السريرية. لاحقاً، تم بناء مخططات إنذارية (Nomograms) باستخدام درجة المخاطرة الجزيئية والمتغيرات ذات الصلة سريرياً، مثل مرحلة الورم ودرجته، كمعلمات إدخال. تم اختيار المتغيرات بناءً على أهميتها السريرية والهدف من تطوير نموذج إنذاري متكامل، بدلاً من الاعتماد فقط على الدلالة الإحصائية. أُنشئت المخططات الإنذارية باستخدام حزمة “rms”24 (الإصدار 6.7.1) لتقدير احتمالات البقاء على قيد الحياة الإجمالية لمدة 1 و3 و5 سنوات بناءً على الدرجات الإجمالية المستمدة من المتغيرات الفردية.

توصيف الخصائص المناعية

تم تقدير ارتشاح الخلايا المناعية باستخدام خوارزمية CIBERSORT مع مصفوفة البصمة LM22. أُجري التحليل باستخدام 1,000 تبديلة، واعتُبرت العينات ذات قيمة P لفك الالتفاف < 0.05 موثوقة إحصائياً. تم إنشاء مخططات الشلال باستخدام maftools (الإصدار 2.16.0) لتوضيح انتشار الجينات ذات الطفرات العالية في سرطان المبيض. كما أُجري تحليل إثراء مجموعة الجينات (GSEA) عبر ClusterProfiler (الإصدار 4.8.3) مع عتبة دلالة p < 0.05.

بناء شبكة CeRNA

في هذه الدراسة، تم استخدام NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 لتحليل التفاعل بين الجينات ذات الدلالة الإنذارية وعوامل النسخ. كما تم إنشاء شبكة التنظيم المشترك لـ miRNA-TF باستخدام NetworkAnalyst 3.0.

عينات أنسجة سرطان المبيض

تم جمع أنسجة من سرطان المبيض وعينات طبيعية مجاورة مطابقة لها (العدد = 6) من مريضات خضعن لاستئصال جراحي اختياري. وقد تمت الموافقة على بروتوكول الدراسة من قبل لجنة الأخلاقيات في قسم التوليد &؛ مستشفى أمراض النساء بجامعة فودان (2024-54-X1)، وتم الحصول على موافقة مستنيرة مكتوبة من جميع المشاركين. وقد أُجريت هذه الدراسة وفقاً لإعلان هلسنكي.

تحليل لطخة ويسترن (Western blot)

تَم استخلاص البروتين الكلي من عينات أنسجة بشرية باستخدام محلول RIPA lysis buffer الذي يحتوي على phenylmethylsulfonyl fluoride (PMSF)، ومزيج مثبطات البروتياز، ومثبطات الفوسفاتاز. وقِيست تركيزات البروتين باستخدام مقايسة البروتين بحمض bicinchoninic (BCA). وفُصلت كميات متساوية من البروتين بواسطة الفصل الكهربائي للهلام متعدد الأكريلاميد وبوجود دوديسيل كبريتات الصوديوم (SDS-PAGE) قبل نقلها إلى أغشية polyvinylidene fluoride (PVDF). وبعد عملية النقل، حُجبت الأغشية لمدة 90 min في درجة حرارة الغرفة باستخدام حليب خالي الدسم بنسبة 5% مُحضّر في TBS-T. ثم حُضنت الأغشية طوال الليل في درجة حرارة 4 °C مع أجسام مضادة أولية ضد Cytokeratin 81 (أرنب متعدد النسائل، 1:2,000) أو GAPDH (فأر أحادي النسيلة، 1:10,000). وبعد الغسل، ضُيفت الأجسام المضادة الثانوية المناسبة لمدة 90 min في درجة حرارة الغرفة. وكُشف عن حزم البروتين باستخدام كاشف الكشف عن التلألؤ الكيميائي المعزز (ECL) وجرى التقاط الصور بنظام تصوير تجاري. وأُجري التحليل densitometric باستخدام برنامج ImageJ، وتم معايرة تعبير KRT81 مقابل ضابط التحميل GAPDH. وقُيمت الفروق في التعبير البروتيني بين العينات المزدوجة باستخدام اختبار t-test المزدوج، مع اعتبار P < 0.05 ذات دلالة إحصائية.

تحليل شامل للسرطانات

في هذه الدراسة، تم استخدام TCGAplot26 (الإصدار 5.0.0) لتحديد العلاقات بين مستويات تعبير KRT81. كما استُخدم تحليل ارتباط بيرسون لحساب الارتباطات الإحصائية. وتم فحص ملف الطفرات لـ KRT81 عبر أنواع مختلفة من السرطانات باستخدام منصة cBioPortal (http://www.cbioportal.org/) (الإصدار 7.0.6).

التحليلات الإحصائية

أجريت جميع تحليلات البيانات باستخدام برنامج R (الإصدار 4.3.1). وتم إجراء المقارنات بين مجموعتين باستخدام اختبار ويلكوكسون لمجموع الرتب (Wilcoxon rank-sum test)، بينما تم تقييم الاختلافات بين ثلاث مجموعات أو أكثر باستخدام اختبار كروكسال-واليس (Kruskal–Wallis test). كما تم تحليل البقاء على قيد الحياة الإجمالي باستخدام طريقة كابلان-ماير (Kaplan–Meier method)، وتحديد الدلالة الإحصائية بين منحنيات البقاء باستخدام اختبار رتبة السجل (log-rank test). وما لم يُذكر خلاف ذلك، اعتبرت قيمة P الثنائية < 0.05 ذات دلالة إحصائية. وقد تم الإشارة إلى مستويات الدلالة كما يلي: P < 0.05 *، وP < 0.01 **, P < 0.001 ***، وP < 0.0001 ****.

النتائج

الخصائص المناعية للجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة في تحليلات الترانسكريبتوميك المكانية ووحيدة الخلية

تم استخدام SCTransform لتصحيح عمق التسلسل وتطبيق الإجراءات، مما أدى في النهاية إلى تحديد 1 نوعاً مختلفاً من الخلايا. ولتقييم أهمية الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة (PARDTGs) في كل مجموعة فرعية من الخلايا، استخدمنا حزمة AUCell في لغة R لتحديد الأنشطة المرتبطة بـ PARDTG في كل مجموعة فرعية من الخلايا (الشكل 1A,B). لاحقاً، قمنا بحساب الارتباط بين وفرة الخلايا والأنشطة المرتبطة بـ PARDTG عبر جميع المواقع باستخدام معامل ارتباط سبيرمان للرتب. ومن الملاحظ أن الأنشطة المرتبطة بـ PARDTG كانت مرتبطة ارتباطاً عكسياً بالخلايا الورمية (الشكل 1C). حصلنا على بيانات تسلسل RNA أحادي الخلية من 5 مريضات سرطان مبيض (OV)، تحتوي على إجمالي 41,367 خلية. وبناءً على تعبير الجينات العلامة، تم تصنيف الخلايا إلى 1 عنقوداً رئيسياً (الشكل 1D). تظهر شبكات التفاعل وقوتها لنوع الخلية في الشكل 1E. قمنا بتقييم نشاط PARDTG في جميع الخلايا الفردية من خلال تسجيل تعبير 120 من جينات PARDTGs باستخدام ssGSEA في برنامج Seurat (الشكل 1F). ومن المثير للاهتمام أن الخلايا الورمية أظهرت نشاطاً أقل بشكل ملحوظ من جميع أنواع الخلايا الأخرى (الشكل 1G).

تحديد وتوصيف جزيئي للجينات المستهدفة للأدوية المتعلقة بالتخدير في الفترة المحيطة بالجراحة في سرطان المبيض

من قاعدة بيانات TCGA، حددنا 68 من جينات PARDTGs ذات التعبير التفاضلي، والموضحة في الشكل 2A (انظر أيضاً الجدول التكميلي S3). يصف الشكل 2B تعبير هذه الجينات الـ 68 (DEGs) المرتبطة بالتخدير في الفترة المحيطة بالجراحة في مجموعة TCGA-OV. لاحقاً، قمنا ببناء شبكة PPI لتوضيح العلاقات المعقدة بين البروتينات المرتبطة بالجينات ذات التعبير التفاضلي (DEGs). وقد حددنا خمسة جينات مركزية محتملة وهي SLC6A4, CHRNA4, DRD2, SLC6A3, و GRIN2A، والتي قد يكون لها تأثيرات هامة في إمراض سرطان المبيض (الشكل 2C). علاوة على ذلك، بحثنا في ملف التغيرات الجزيئية لـ 120 من جينات PARDTGs في سرطان المبيض، حيث كانت الطفرات غير المعبرة (nonsense mutations) هي النوع الأكثر شيوعاً من المتغيرات (الشكل 2D). وكانت الجينات الأكثر تحوراً هي SCN10A, DNMT1, GRIN2A, LTF, و SCN1A. كما استقصينا مدى انتشار طفرات تباين عدد النسخ (CNV)، وأظهرت النتائج أن أعلى 20 جين من PARDTGs التي حدثت بها طفرات أظهرت تغيرات ملحوظة في CNV (الشكل 2E). وأشار إثراء GO و KEGG إلى أن جينات PARDTGs مرتبطة بتأشير الربائط النشطة عصبياً، ومسارات تأشير الكالسيوم، وتأشير الهرمونات، وإدمان الأمفيتامين، وإدمان الكوكايين، والتفاعلات بين الربائط النشطة عصبياً ومستقبلاتها (الشكل 2F,G).

بناء والتحقق من صحة نموذج إنذاري يعتمد على الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة

لتقليل تعقيد النموذج، استُخدم StepAIC لتقليص مجموعة الجينات، وفي النهاية تم الاحتفاظ بـ 17 PARDTGs لبناء النموذج التنبؤي (الجدول التكميلي S4). وأظهر اختبار Schoenfeld المتبقي الشامل عدم وجود انحراف معنوي عن افتراض المخاطر النسبية (p = 0.265)، مما يدعم موثوقية النموذج التنبؤي المكون من 17 جينًا. تم حساب درجة المخاطرة باستخدام المعادلة التالية: risk score = ADRA1D*(0.452) + ADRB1*(-0.5347) + CHRNA4*(0.3495) + DBH*(-0.5765) + EPHA4*(0.2827) + EPHA7*(-0.5707) + EPHA8*(0.8765) + GABRB2*(0.5979) + GRIN2A*(-0.1750) + GRIN2D*(0.2746) + KCNA1*(2.2753) + KRT81*(0.101) + OPRD1*(-3.2372) + SLC6A2*(1.4901) + SLC18A1*(4.2170) + SLC18A2*(-1.460) + CHRNA1*(-0.1723). تم تقسيم المرضى لاحقًا إلى فئات منخفضة وعالية المخاطر وفقًا لدرجات المخاطرة الخاصة بهم، حيث أظهرت المجموعة ذات المخاطر المنخفضة تحسنًا معنويًا في OS مقارنة بالمجموعة ذات المخاطر العالية في مجموعة TCGA-OV (الشكل 3A، p < 0.01)، ومجموعة GSE26193 (الشكل 3B، p = 0.0021)، ومجموعة GSE30161 (الشكل 3C، p = 0.017)، ومجموعة GSE6385 (الشكل 3D، p = 0.041). علاوة على ذلك، يوضح الشكل 3E–H توزيعات حالة البقاء على قيد الحياة ودرجات المخاطرة عبر مجموعات TCGA-OV وGSE26193 وGSE30161 وGSE6385، مما يوفر دليلًا مستقلًا على استقرار وموثوقية النموذج التنبؤي في OV.

إنشاء وتقييم نموذج بقاء قائم على المخطط البياني (nomogram)

أظهرت تحليلات انحدار كوكس أحادية المتغير ومتعددة المتغيرات أن درجة المخاطرة كانت بمثابة مؤشر تنبئي مستقل للإنذار لدى المريضات المصابات بسرطان المبيض (الشكل 4A،B). ويوضح الشكل 4C توزيع التعبير الجيني للنموذج، ودرجات المخاطرة المقابلة، والخصائص المرضية السريرية في مجموعة TCGA-OV. ولتحسين القابلية للتطبيق السريري، تم إنشاء مخطط ترقيمي (nomogram) إنذاري يدمج درجة المخاطرة مع العمر ومرحلة الورم ودرجته لتقدير البقاء على قيد الحياة الإجمالي (OS) (الشكل 4D). وبالمقارنة مع البصمة الجينية وحدها، حقق المخطط الترقيمي المتكامل أداءً تنبئيًا متفوقًا. كما أظهر تحليل البقاء أن البقاء على قيد الحياة الإجمالي (OS) كان أطول بشكل ملحوظ في مجموعة المخاطر المنخفضة مقارنة بمجموعة المخاطر العالية (الشكل 4E؛ P < 0.01). وأعطى النموذج المدمج قيم AUC المعتمدة على الوقت بمقدار 0.769 و0.690 و0.728 للتنبؤ بالبقاء على قيد الحياة الإجمالي (OS) (الشكل 4F). ودعم تحليل منحنى القرار الفائدة السريرية المحتملة للمخطط الترقيمي من خلال إظهار فائدة صافية أكبر عبر مجموعة من احتمالات العتبة (الشكل 4G). علاوة على ذلك، أشارت مخططات المعايرة إلى توافق وثيق بين احتمالات البقاء المتوقعة والملاحظة، مما يشير إلى معايرة جيدة للنموذج (الشكل 4H). وبشكل جماعي، تشير هذه النتائج إلى أن المخطط الترقيمي المقترح يمتلك قدرة تنبؤية قوية لتقييم الإنذار لدى المريضات المصابات بـ OV.

ارتباط النموذج الإنذاري القائم على PARDTG بالتسلل المناعي والبيئة الدقيقة المناعية للورم

لتوصيف الارتشاح المناعي، تم قياس وفرة الخلايا المناعية في جميع العينات. وقد تم تحديد سبعة عشر جينًا مرتبطة بشكل ملحوظ بالخلايا المناعية المرتشحة للورم، ومن بينها أظهرت جينات ADRA1D و KCNA1 و SLC18A2 ارتباطات إيجابية مع البلاعم M2 (الشكل 5A). بعد ذلك، بحثنا في أنماط التموضع الخلوي لهذه الجينات. وكشف تحليل المخطط النقطي أن جين KRT81 تم التعبير عنه بشكل أساسي في خلايا CD8Tex و Tprolif، بينما كان التعبير عن EPHA4 غنيًا بشكل أساسي في الخلايا البطانية والأرومات الليفية، مما يشير إلى احتمال مشاركتها في مقصورات خلوية متميزة داخل البيئة الدقيقة للورم (الشكل 5B). بالإضافة إلى ذلك، قمنا بتقييم درجات TIDE للمرضى ولاحظنا أن المجموعة الفرعية عالية المخاطر سجلت درجات TIDE أعلى وارتباطًا إيجابيًا (الشكل 5C). علاوة على ذلك، كانت درجات إثراء الخصائص الجذعية أعلى بشكل ملحوظ في المجموعة عالية المخاطر مقارنة بالمجموعة منخفضة المخاطر (الشكل 5D). وكشف تحليل الطفرات الجسدية عن تردد طفرات إجمالي مرتفع في كلتا مجموعتي المخاطر (الشكل 5E،F). ومن بينها، كانت ترددات طفرات CSMD3 و MUC16 أعلى في العينات عالية المخاطر.

كشف تحليل GSEA أن المسارات المرتبطة بالمناعة، بما في ذلك معالجة المستضدات وعرضها ورفض الطعم الخيفي، كانت غنية بشكل ملحوظ في المجموعة منخفضة المخاطر، بينما كانت المسارات المرتبطة بغزو الأورام وحركتها، مثل تنظيم الهيكل الخلوي للأكتين والبروتيوجليكانات في السرطان والبروتينات الحركية، غنية بشكل أساسي في المجموعة عالية المخاطر (الشكل 5G,H). وتشير هذه النتائج إلى أن المرضى في المجموعة عالية المخاطر قد يظهرون استجابة محدودة للعلاج المناعي.

تحديد وتحليل شبكة الجينات المرتبطة بتصنيع البروتين (PARDTGs) ذات القيمة الإنذارية في سرطان المبيض

لتوضيح الآلية، حددنا 490 من الـ miRNAs و17 شبكة تنظيمية محتملة للمؤشرات الحيوية (الشكل 6A). ومن بينها، تملك hsa-miR-27a-3p وhsa-miR-34a-5p وhsa-miR-106b-5p وhsa-miR-20b-5p القدرة على تنظيم معظم الجينات. وفي النهاية، حددت نتائج بحثنا 37 عاملاً من عوامل النسخ التي نظمت الجينات التشخيصية المرشحة (الشكل 6B). بالإضافة إلى ذلك، وُجد أن FOXC1 يمتلك أيضاً وظائف تنظيمية متعددة.

تحليل تعبير KRT81 في مختلف أنواع السرطانات

تم الحصول على بيانات RNA-seq من TCGA لتقييم تعبير KRT81. وأشارت النتائج إلى أنه كان عالي التعبير في معظم أنواع السرطانات، ولكنه عُبّر عنه بمستويات منخفضة في GBM وLGG وSKCM وTGCT وTHCA (الشكل 7A). وللتحقق من نتيجة أن KRT81 عالي التعبير في سرطان المبيض، كما حدده تحليل المعلوماتية الحيوية، أجرينا تجربة لطخة ويسترن (western blot). وأشارت النتائج إلى أن تعبير KRT81 كان مرتفعاً بشكل ملحوظ في الأنسجة الورمية مقارنة بالأنسجة الطبيعية، وكان متسقاً إلى حد كبير مع بيانات النسخ الخاصة بـ TCGA (الشكل 7B، والشكل التكميلي S1، والجدول التكميلي S5). ولتوضيح العلاقات بين KRT81 والسرطان، فحصنا التعبير الجيني وتسلل الخلايا المناعية (الشكل 7C). وكشف التحليل أن تعبير KRT81 كان مرتبطاً إيجابياً بتسلل الخلايا التائية (T cells)، والخلايا التائية التنظيمية (Tregs)، والبلعميات من النوع M2 في معظم أنواع السرطانات. بالإضافة إلى ذلك، ارتبط تعبير KRT81 إيجابياً بدرجات السدى والمناعة في معظم أنواع السرطانات (الشكل 7D). علاوة على ذلك، حللنا الارتباط بين تعبير KRT81 ودرجة اختلال الصيغة الصبغية (Aneuploidy Score)، وأظهر المخطط الراداري أن KRT81 كان مرتبطاً بدرجة اختلال الصيغة الصبغية في UCEC وSARC وLUAD وLIHC وKIRP (الشكل 7E). ثم حللنا الارتباط بين KRT81 ومضاعفات المادة الوراثية للورم (Tumor Ploidy)، وأظهر المخطط الراداري أن KRT81 كان مرتبطاً بمضاعفات المادة الوراثية للورم في THCA وTGCT وSARC وMESO وLIHC وCESC (الشكل 7F). بعد ذلك، أظهر المخطط الراداري أن KRT81 كان مرتبطاً بالمستضدات الجديدة من نوع SNV في UCEC وTHYM وLUAD وLIHC وGBM وBRCA (الشكل 7G). وعلاوة على ذلك، كشف التحليل عبر الإنترنت باستخدام cBioPortal أن أعلى تكرار لطفرة جين KRT81 كان في UCEC، وكانت معظم أنواعها "طفرة" (mutation) و"تضخم" (Amplification) (الشكل 7H، I). ومن خلال تحليل انحدار كوكس للمخاطر النسبية أحادية المتغير، حددنا أن KRT81 كان مؤشراً للبقاء على قيد الحياة الإجمالي (OS) في KIRC وLUAD وSTAD (الشكل 7J).

توافر البيانات:

تتوفر مجموعات البيانات المتاحة علنًا والتي تم تحليلها في هذه الدراسة من TCGA وUCSC Xena وGEO. كما تتوفر صور لطخة ويسترن الأصلية والبيانات الكمية المقابلة التي تم استخراجها خلال هذه الدراسة في المواد التكميلية (الشكل التكميلي S1 والجدول التكميلي S5).

تحليل النسخ المكاني: الخرائط الحرارية للتعبير الجيني، ومخططات الارتباط، وشبكات التفاعل الخلوي.
الشكل 1الميزات المرتبطة بـ PARDTG في التسلسل الجيني المكاني وتسلسل الحمض النووي الريبي أحادي الخلية (scRNA-seq). (أ، ب(رسم الخرائط المكانية لكثافة تعبير PARDTG ()كربون)، ارتباط سبيرمان للنشاط المرتبط بـ PARDTG. (د) تحليل أنواع الخلايا. (هـتحليل عدد وقوة التفاعل بين أنواع الخلايا.ف) قيمة إثراء PARDTG في الخلايا. (جـتوزيع PARDTG. الاختصارات: PARDTG = الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة؛ scRNA-seq = تسلسل الحمض النووي الريبي أحادي الخلية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط البركان، والخريطة الحرارية، ومخطط الشبكة لتحليل التعبير الجيني؛ بيانات الطفرات، وتغير عدد النسخ (CNV)، وبيانات المسارات.
الشكل 2مشهد التغيرات الجينية لجينات PARDTGs في مرضى سرطان المبيض. (Aتمثيل "بركان" (Volcano visualization) للجينات المعبّر عنها تفاضلياً (DEGs) في OV (باللون الأزرق: الجينات المعبّر عنها تفاضلياً بانخفاض؛ وباللون الأحمر: الجينات المعبّر عنها تفاضلياً بارتفاع؛ وباللون الرمادي: الجينات المستقرة)، ومعدل الاكتشاف الخاطئ (FDR)< 0.05 و |log2FC| > 1. (Bخريطة حرارية توضح السمات ذات التعبير المتباين بين مجموعتي سرطان المبيض (OV) والمجموعة الضابطة الطبيعية. يمثل اللون الأزرق المجموعة الطبيعية، واللون الأحمر مجموعة سرطان المبيض (OV)، ويمثل المربع الأزرق تعبيراً منخفضاً، بينما يمثل المربع الأصفر تعبيراً مرتفعاً.جشبكة التفاعلات البروتينية-البروتينية (PPI) للجينات المعبّر عنها تفاضلياً (DEGs) المرتبطة بالتخدير في الفترة المحيطة بالجراحة، كما تم الحصول عليها من موقع String.دأعلى 20 جيناً من جينات PARDTGs في مجموعة TCGA.هـترددات اكتساب تباين عدد النسخ (CNV gain)، وفقدانه (loss)، وعدم حدوث تباين في عدد النسخ (non-CNV) بين أهم 20 جيناً مرتبطة بمرض باركينسون (PARDTGs).ف) مخطط نقطي (dotplot) لـ GO الخاص بـ مصطلحات GO المثرية. (جي) مخطط شريطي للمسارات المثرية في قاعدة بيانات KEGG. OV = سرطان المبيض؛ GO = الوجود الجيني (Gene Ontology)؛ KEGG = موسوعة كيوتو للجينات والجينومات؛ PPI = التفاعل البروتيني-البروتيني. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخططات تحليل البقاء على قيد الحياة بطريقة كابلان-ماير لمقارنة بيانات الوقت المستغرق لوقوع الحدث من أجل تقسيم المرضى إلى فئات حسب درجة الخطورة.
الشكل 3بناء والتحقق من صحة توقيع إنذاري قائم على PARDTG لسرطان المبيض. (أ-دمعدل البقاء على قيد الحياة الإجمالي (OS) لدى المرضى ذوي المخاطر المنخفضة والعالية في (A(TCGA-OV)، (B(GSE26193، (كربون(GSE30161، (د( GSE6385. (هـ- هـتوزيع درجة المخاطر المرتبطة بـ PARDTG باستخدام حالة البقاء على قيد الحياة والوقت في (هـ(TCGA-OV)، (ف(GSE26193)، (ج(GSE30161، (هـ) GSE6385. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تحليل مآل السرطان باستخدام المخطط البياني (nomogram)؛ نسب المخاطر، الخريطة الحرارية، منحنى البقاء، منحنى خصائص تشغيل المستقبل (ROC)، والمعايرة.
الشكل 4بناء والتحقق من صحة مخطط تقديري (nomogram) للإنذار بناءً على بصمة المخاطر المستمدة من PARDTG. (أ، ب( السمات العيادية المرضية ودرجات المخاطر في مجموعة TCGA-OV. (سيتوزيع الخصائص السريرية وتعبير الجينات النموذجية حسب درجة المخاطرة.د(مخطط بياني للتنبؤ بإنذار المرضى المصابين بسرطان المبيض.)هـ) تحليلات كابلان-ماير لمجموعتين من OV. (ف(تحليل منحنى خصائص تشغيل المستقبل (ROC) في مجموعة بيانات أطلس جينوم السرطان لسرطان المبيض (TCGA-OV). (جيوضح منحنى تحليل قرار القرار (DCA) صافي الفوائد للمخطط البياني (nomogram) والخصائص السريرية الأخرى.Hتُظهر مخططات المعايرة البقاء الإجمالي (OS) في مجموعة بيانات TCGA-OV. الاختصارات: ROC = خصائص تشغيل المستقبل؛ DCA = تحليل منحنى القرار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

ارتباط التعبير الجيني في مخطط حراري، ومخطط نقطي، ومخطط كمان، يوضح تحليل المخاطر وتكرارات الطفرات.
الشكل 5تحليل البيئة الدقيقة للورم لدى المرضى ذوي المخاطر المنخفضة والمرتفعة. (A(الارتباط بين الخلايا المناعية المرتشحة إلى الورم والجينات في النموذج الإنذاري المرتبط بـ PA.)Bمخطط فقاعي يوضح متوسط التعبير والنسبة المئوية للمؤشرات الحيوية الإنذارية عبر الأنواع الفرعية المختلفة للخلايا.كربونمخطط الكمان لدرجات TIDE.د) مخطط كمان لدرجات إثراء الجذعية الورمية. (هـ، ومخطط الشلال الذي يوضح خصائص الطفرات الجسدية في (هـ) منخفضة المخاطر و(ففئات درجات الخطورة العالية.ج، حنتائج تحليل إثراء مجموعة الجينات (GSEA) لمسارات KEGG في (ج) مجموعة فرعية منخفضة المخاطر و (هـ) مجموعة فرعية عالية المخاطر. الاختصارات: TIDE = خلل واستبعاد المناعة الورمية؛ GSEA = تحليل إثراء مجموعة الجينات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط شبكة التفاعل الجيني يوضح العلاقات والترابطات الجينية المعقدة.
الشكل 6تحليل شبكة التفاعل للمؤشرات الإنذارية. (Aشبكة التنظيم المشترك للمؤشرات الإنذارية لـ miRNA.Bشبكة تنظيم مشترك لعلامات الإنذار من عوامل النسخ. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

دراسة المؤشرات الحيوية للسرطان؛ الرسوم البيانية والخرائط الحرارية؛ مؤشرات الأورام، التعبير الجيني، التحليل الإحصائي.
الشكل 7مستوى التعبير، والسمات المناعية، والتغيرات الجينية لـ KRT81 في الأورام البشرية. (A) KRT81 التعبير في أورام TCGA والأنسجة المجاورة. (Bتحليل لطخة ويسترن لـ KRT81 التعبير البروتيني في أنسجة طبيعية وأورام متجاورة ومزدوجة من ست مريضات يعانين من سرطان المبيض (العدد = 6). تم تطبيع شدة النطاقات النسبية بالنسبة لـ GAPDH، وحُللت البيانات باستخدام اختبار t المزدوج. البيانات معروضة في صورة المتوسط ± الانحراف المعياري.   (كربونالارتباط بين KRT81 ويتم عرض نسبة الخلايا المناعية بواسطة خريطة حرارية. (دالارتباط بين KRT81 والدرجات المناعية، والسداوية، ودرجات ESTIMATE، معروضة في خريطة حرارية. (إي-جي (E-G)الارتباط بين تعبير KRT81 و(هـدرجة اختلال الصيغة الصبغية، (فتعدد الصيغ الصبغية للأورام، (جالمستضدات الجديدة لمتغيرات النوكليوتيدات المفردة (SNV) في قواعد بيانات أطلس جينوم السرطان (TCGA).هـ) KRT81 الطفرات عبر أنواع السرطان المختلفة من قاعدة بيانات cBioPortal. (Iتوزيع الـ KRT81 مواقع الطفرات في أنواع السرطان المختلفة.جتحليل انحدار كوكس الشامل لأنواع السرطان لـ KRT81 عبر سرطانات TCGA. *p < 0.05؛ ***p < 0.01؛ ****p < 0.001. الاختصارات: SNV = متغير نوكليوتيدي مفرد؛ N = طبيعي؛ T = ورم. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول التكميلي S1: الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة.يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي S2: وصف تدفق العينات.يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي S3: الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة والتي يتم التعبير عنها بشكل تفاضلي.يرجى النقر هنا لتحميل هذا الملف.

الجدول الإضافي S4: الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة ذات الدلالة الإنذارية.يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي S5: بيانات مصدر تحليل لطخة ويسترن.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي S1: البيانات الأصلية لطريقة لطخة ويسترن.يرجى النقر هنا لتحميل هذا الملف.

المناقشة

باعتباره جزءًا لا مفقودًا من مسارات علاج السرطان، حظي التخدير في الفترة المحيطة بالجراحة باهتمام متزايد نظرًا لتأثيراته المحتملة في تعديل المناعة، وقدرته على إعادة تشكيل البيئة الدقيقة، واحتمالية تحفيزه لانتشار الورم. ومع الاعتراف المتزايد بالسرطان كمرض جهازي وبيئي بدلاً من كونه مجرد آفة بؤرية مدفوعة جينيًا بشكل صارم27، فإن الاختلال الفسيولوجي في الفترة المحيطة بالجراحة، والاستجابات الالتهابية، والإجهاد الأيضي قد تعيد تشكيل المنافذ البيئية الدقيقة وتؤثر على مسارات تطور الورم. ومن خلال تكامل النسخ المتعدد الطبقات، وصفت هذه الدراسة بشكل منهجي أنماط التعبير، والارتباطات البيولوجية، والقيمة الإنذارية لـ PARDTGs في سرطان المبيض (OV)، مما يوفر أدلة محتملة للتخدير الدقيق في الفترة المحيطة بالجراحة.

سلط التوصيف النسخي المكاني والخلوي المفرد الضوء على تباين مكاني ملحوظ في نشاط PARDTG، حيث ظهر انخفاض في النشاط داخل الخلايا الظهارية الورمية وزيادة في النشاط في الخلايا المناعية والبطانية والليفية. ويشير نمط "الإثراء في الخلايا غير الورمية" هذا إلى أن شبكة أهداف التخدير قد تمارس تأثيراتها بشكل أساسي من خلال تعديل حالات الخلايا السدوية والمناعية بدلاً من الآليات الجوهرية المباشرة للخلايا الورمية. ويتفق هذا الملاحظة مع المفهوم القائل بأن تطور الورم يتشكل بشكل مشترك من خلال الخلايا الورمية والبيئة الدقيقة للمضيف28. ومن الجدير بالذكر أن الالتهاب الحاد الناجم عن الجراحة، وكبت المناعة العابر، وإعادة تشكيل الأنسجة قد تولد بيئة دقيقة قصيرة الأمد لالتئام الجروح يمكن للأورام استغلالها لزيادة خطر الانتشار والنكس29.

أدى تحليل إضافي لمجموعة TCGA إلى تحديد 68 جينًا من جينات PARDTGs ذات تعبير متباين، والتي أظهرت إثراءً ملحوظًا في تفاعلات المستقبلات والروابط ذات النشاط العصبي، وإشارات الكالسيوم، والمسارات المرتبطة بالإدمان. وقد أبرزت شبكة PPI التي تم بناؤها عدة جينات مركزية مرتبطة بمستقبلات وناقلات النواقل العصبية، مثل DRD2 وSLC6A3 وSLC6A430، مما يشير إلى وجود مدخلات تنظيمية إضافية من إشارات النواقل العصبية في الفترة المحيطة بالجراحة في تطور سرطان المبيض (OV). وأظهرت أعمال حديثة أن مضاد DRD2 المسمى ONC206 يثبط التكاثر والغزو في خلايا سرطان المبيض ونماذج الفئران المعدلة وراثياً، كما يحفز توقف الدورة الخلوية والموت الخلوي المبرمج، مما يسلط الضوء على الإمكانات العلاجية لهذا المحور. ويقوم CHRNA4 وGRIN2A بتشفير بروتينات متعلقة بالمستقبلات الكولينرجية ومستقبلات NMDA على التوالي؛ حيث يسهل تنشيط هذه المستقبلات تدفق Ca2⁺ إلى داخل الخلايا31,32، بينما يمكن لاضطراب الكالسيوم أن يعيد تشكيل الهيكل الخلوي وينشط برامج نسخ تعزز نمو الورم33. بالإضافة إلى ذلك، تم ربط المستقبلات المرتبطة بالإدمان (مثل مستقبلات µ-opioid) بتنشيط mTORC1 والهروب المناعي34. وبشكل جماعي، تشير هذه النتائج إلى وجود تداخل محتمل بين مسارات الأهداف التخديرية وشبكة الإجهاد العصبي والمناعي في الفترة المحيطة بالجراحة، مما يؤثر بالتالي على مرونة الورم وخطر تكراره خلال نافذة زمنية قصيرة في الفترة المحيطة بالجراحة.

أظهر نموذج المخاطر المكون من 17 جينًا أداءً إنذاريًا مستقرًا عبر عدة مجموعات مستقلة. وقد تزايدت نسبة المرضى ذوي المخاطر العالية في مسارات مثل "تنظيم الهيكل الخلوي للأكتين" و"البروتيوجليكانات في السرطان"، مما يشير إلى تعزيز إعادة تشكيل الهيكل الخلوي والقدرة على الانتقال الورمي. وكشف التوصيف المناعي عن نسب أعلى من البلاعم M2، وزيادة في تعبير الجينات المرتبطة بنقاط التفتيش المناعية، وارتفاع درجات TIDE في المجموعة ذات المخاطر العالية. وتعزز البلاعم M2 الهروب المناعي، كما قد يؤدي التنشيط الالتهابي بعد الجراحة إلى تحفيز تجنيد الخلايا الكابتة المشتقة من النخاع (MDSCs)35. والجدير بالذكر أن EPHA4 تم التعبير عنه بشكل أساسي في المجموعات الفرعية للخلايا البطانية والخلائية الليفية، مما يشير إلى احتمالية مشاركته في التنظيم الوعائي، وإعادة تشكيل السدى، والتفاعلات البيئية الدقيقة للورم. يعد EPHA4 عضوًا في عائلة مستقبلات تيروزين كيناز Eph ويعمل كوسيط مهم للتواصل بين الخلايا من خلال إشارات Eph/ephrin. ويمكن لتنشيط EPHA4 أن ينظم المسارات المصبة المشاركة في إعادة ترتيب الهيكل الخلوي، والتصاق الخلايا، والهجرة، وتنظيم المصفوفة خارج الخلوية36. وفي البيئة الدقيقة للورم، ارتبط خلل إشارات EPHA4 بتعزيز غزو الخلايا الورمية، والاستجابات الوعائية، وتنشيط السدى، والتفاعلات بين الخلايا الخبيثة ومكونات السدى المحيطة37. وتشير هذه النتائج إلى أن EPHA4 قد يساهم في الخصائص البيولوجية العدوانية للمرضى ذوي المخاطر العالية عن طريق تعديل التواصل الوعائي-السدوي وإعادة التشكيل البيئي للورم. وبالتوازي مع ذلك، أظهر المرضى ذوو المخاطر العالية ترددات طفرية أعلى في جينات مثل MUC16 وCSMD3، والتي ترتبط بالتفاعلات السدوية والهروب المناعي38,39. وبناءً على ذلك، يبدو أن المرضى ذوي المخاطر العالية يظهرون سمات بيئية خبيثة تتميز بديناميكيات غير منضبطة للهيكل الخلوي، وبيئات دقيقة مثبطة للمناعة، وإعادة تشكيل المصفوفة، مما يشير إلى أن PARDTGs قد تكون مرتبطة بالتغيرات في بيئة الورم وتطور المرض.

يمكن للعوامل المخدرة أيضاً إعادة برمجة التعبير عن جينات متعددة عبر تعديل شبكات الحمض الريبي النووي (RNA) غير المشفر، مما يؤثر على التصاق الخلايا الورمية، وهجرتها، ومقاومتها لموت الخلايا المبرمج، والحفاظ على الخصائص الجذعية، وبالتالي قد يؤدي ذلك إلى تغيير مخاطر تكرار الورم بعد الجراحة40,41. وفي شبكة التنظيم المركزية الخاصة بنا المكونة من miRNA وعوامل النسخ، تم تحديد miR-27a-3p و miR-34a-5p و miR-106b-5p كمراكز تنظيمية محتملة، وتدعم أدلة واسعة النطاق دورها في تطور سرطان المبيض (OV) والاستجابات الدوائية المرتبطة بالتخدير42,43,44. ويلعب FOXC1، كعامل نسخ مركزي، دوراً حاسماً في تعزيز الهجرة، والغزو، والأنماط الظاهرية للانتقال الظهاري الميزنشيمي (EMT) في سرطان المبيض، ويتم تنظيمه في المراحل العليا بواسطة العديد من جزيئات RNA غير المشفرة45.

أُجري تحليل شامل لأنواع السرطانات لاستكشاف الخصائص البيولوجية لـ KRT81 عبر الأورام الخبيثة المختلفة، بدلاً من التحقق من صحة نموذج التنبؤ بمرض سرطان المبيض. في تحليلنا، كان هناك ارتفاع ملحوظ في تنظيم KRT81 في معظم أنواع السرطان، وارتبط ذلك بـ aneuploidy، والارتشاح المناعي، ودرجات السدى (stromal scores)، مما يشير إلى تورطه في إعادة تشكيل النيش البيئي والهروب المناعي. وباعتباره عضواً في عائلة الكيراتين من النوع الثاني، يشارك KRT81 في الحفاظ على سلامة الهيكل الخلوي الظهاري، والاستقرار الميكانيكي الخلوي، والتكيف مع الإجهاد. وقد يؤثر خلل تنظيم تعبير KRT81 على مرونة الخلايا الورمية من خلال التأثير على تنظيم الهيكل الخلوي، والتمايز الظهاري، والتفاعلات بين الخلايا الورمية والبيئة الدقيقة المحيطة. علاوة على ذلك، ارتبطت عملية إعادة تشكيل الكيراتين غير الطبيعية بتطور السرطان من خلال تعديل تكاثر الخلايا، وهجرتها، وغزوها، والتواصل المناعي السدوي. وقد أفادت دراسات سابقة أن KRT81 يعمل كعلامة حيوية للتنميط المناعي والتقسيم الإنذاري في OV46، ويساهم في تكوين بيئة دقيقة مثبطة للمناعة والتنبؤ بالاستجابة للعلاج المناعي في سرطان الثدي ثلاثي السلبية47. وبناءً على ذلك، قد يمثل KRT81 عقدة رئيسية في شبكات مرونة الورم في الفترة المحيطة بالجراحة ذات أهمية ميكانيكية وترجمية.

بشكل جماعي، تقدم هذه الدراسة أول توصيف على مستوى الخلية الواحدة والمستوى المكاني لبيئة تعبير PARDTG في سرطان المبيض (OV)، وتوضح ارتباطاتها بالبيئات المجهرية المناعية، وسمات الجذعية، وعدم الاستقرار الجينومي، مما يشير إلى أن الجينات المستهدفة للأدوية المرتبطة بالتخدير في الفترة المحيطة بالجراحة قد تكون مرتبطة بمسارات التطور الورمي. ومع ذلك، يجب الإقرار بوجود عدة قيود. أولاً، اعتمدت هذه الدراسة بشكل أساسي على مجموعات بيانات ترانسكريبتومية متاحة علناً، وقد تؤدي الاختلافات في مصادر العينات، ومنصات التسلسل، وخصائص المجموعات إلى إحداث تأثيرات الدفعة (batch effects) المحتملة والتأثير على متانة النتائج. ثانياً، على الرغم من استخدام مجموعات خارجية للتحقق، إلا أن النموذج التنبؤي قد تم تطويره من مجموعات بيانات استرجاعية، ولا يمكن استبعاد احتمالية حدوث فرط التخصيص (overfitting) الناتج عن مناهج اختيار الميزات بشكل كامل. ثالثاً، رغم أن تحليلات الترانسكريبتوميك المكانية والخلية الواحدة قدمت رؤى حول الأدوار البيولوجية لـ PARDTGs، إلا أن هذه النتائج استندت بشكل أساسي إلى الاستنتاج الحسابي وتتطلب مزيداً من التحقق التجريبي. بالإضافة إلى ذلك، تضمنت بعض التحليلات الاستكشافية، بما في ذلك تحليلات الارتباط المناعي والارتباط عبر أنواع السرطانات المختلفة، مقارنات متعددة، لذا يجب تفسير الارتباطات الإيجابية الكاذبة المحتملة بحذر. وأخيراً، يمثل الدقة المحدودة للترانسكريبتوميك المكاني والافتقار إلى التحقق الوظيفي من الشبكات التنظيمية المتوقعة قيوداً إضافية. وتبرز الحاجة إلى دراسات مستقبلية تدمج النماذج التجريبية والعينات السريرية لمزيد من التحقق من الآليات المحددة.

كشفت هذه الدراسة أن PARDTGs تمارس وظائف بيئية نسخية مهمة في سرطان المبيض (OV)، وقد تشارك في الغزو والهروب المناعي المدفوع بالبيئة الدقيقة بعد الجراحة، مما يوفر أدلة جزيئية جديدة للتخدير الدقيق في الفترة المحيطة بالجراحة، وتصنيف المخاطر، والوقاية من الانتكاس.

الإفصاحات

يقر المؤلفون بعدم وجود أي تضارب في المصالح

شكر وتقدير

نتوجه بخالص الشكر للباحثين الذين شاركوا مجموعات بياناتهم القيمة في قاعدتي بيانات TCGA وGEO، بما في ذلك TCGA-OV وGSE26193 وGSE30161 وGSE63885 وGSE154600 وGSE211956.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
الأجسام المضادة لـ Cytokeratin 81 (متعدد النسيلة من الأرنب)Proteintech, USA11342-1-AP
الأجسام المضادة لـ GAPDH (أحادية النسيلة من الفأر)Proteintech, USA60004-1-Ig
طقم مقايسة BCA للبروتينThermo Fisher, USA23225
CIBERSORTStanford Universityhttps://cibersort.stanford.eduالارتشاح المناعي | مصفوفة بصمة LM22 | تحليل ارتشاح الخلايا المناعية
الخصائص السريرية لمرضى سرطان المبيض (OV)UCSC Xenahttp://xena.ucsc.edu/بيانات سريرية | 341 مريضاً | تحليل الارتباط السريري
حزمة clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfilerتحليل الإثراء الوظيفي | الإصدار 4.8.3 | تحليلات GO و KEGG و GSEA
حزمة ggplot2CRANhttps://cran.r-project.org/package=ggplot2تصور البيانات | الإصدار 4.0.2 | تصور البيانات
GSE26193GEO databasehttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193مجموعة بيانات التحقق | 107 عينة | التحقق الخارجي
GSE30161GEO databasehttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161مجموعة بيانات التحقق | 58 عينة | التحقق الخارجي
GSE63885GEO databasehttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885مجموعة بيانات التحقق | 70 عينة | التحقق الخارجي
حزمة GSVABioconductorhttps://bioconductor.org/packages/GSVAتحليل إثراء مجموعة الجينات | الإصدار 2.4.9 | تحليل ssGSEA
حزمة limmaBioconductorhttps://bioconductor.org/packages/limma/تحليل التعبير التفاضلي | الإصدار 3.56.2 | تحليل DEG
معلومات البقاء الإجمالي لمرضى سرطان المبيض (OV)UCSC Xenahttp://xena.ucsc.edu/بيانات البقاء | 353 مريضاً | بناء النموذج التنبؤئي
غشاء PVDFMillipore, USAIPVH00010
RR Foundation for Statistical Computinghttps://www.r-project.org/برمجيات المعلوماتية الحيوية | الإصدار 4.3.1 | التحليلات الإحصائية
محلول RIPA المنظمBeyotime, ChinaP0013B
حزمة SeuratCRANhttps://satijalab.org/seurat/تحليل الخلية الواحدة | الإصدار 5.4.0 | تحليل RNA-seq للخلية الواحدة
قاعدة بيانات STRINGSTRING Consortiumhttps://string-db.orgقاعدة بيانات التفاعل البروتيني | الإصدار 12.0 | بناء شبكة PPI
حزمة survivalCRANhttps://cran.r-project.org/package=survivalتحليل البقاء | الإصدار 3.5.5 | تحليل البقاء
بيانات التعبير الجيني للمبيض من TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/مجموعة بيانات التدريب | 420 عينة ورمية من TCGA | مجموعة التدريب
بيانات أنسجة المبيض الطبيعية من TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/مجموعة بيانات المرجع الطبيعي | 88 عينة طبيعية من GTEx | تحليل التعبير التفاضلي

المراجع

  1. Caruso G, Weroha SJ, Cliby W. Ovarian cancer: a review. JAMA. 2025;334(14):1278-91.
  2. Konstantinopoulos PA, Matulonis UA. Clinical and translational advances in ovarian cancer therapy. Nat Cancer. 2023;4(9):1239-57.
  3. Horowitz M, Neeman E, Sharon E, Ben-Eliyahu S. Exploiting the critical perioperative period to improve long-term cancer outcomes. Nat Rev Clin Oncol. 2015;12(4):213-26.
  4. Piegeler T, Beck-Schimmer B. Anesthesia and colorectal cancer: the perioperative period as a window of opportunity. Eur J Surg Oncol. 2016;42(9):1286-95.
  5. Zhang B, et al. Anesthetic propofol inhibits ferroptosis and aggravates distant cancer metastasis via Nrf2 upregulation. Free Radic Biol Med. 2023;195:298-308.
  6. He GN, et al. Ketamine induces ferroptosis of liver cancer cells by targeting lncRNA PVT1/miR-214-3p/GPX4. Drug Des Devel Ther. 2021;15:3965-78.
  7. Montégut L, et al. Benzodiazepines compromise the outcome of cancer immunotherapy. Oncoimmunology. 2024;13(1):2413719.
  8. Wall T, Sherwin A, Ma D, Buggy DJ. Influence of perioperative anaesthetic and analgesic interventions on oncological outcomes: a narrative review. Br J Anaesth. 2019;123(2):135-50.
  9. Ponferrada A, et al. Anaesthesia and cancer: can anaesthetic drugs modify gene expression? Ecancermedicalscience. 2020;14:1080.
  10. Piegeler T, et al. Endothelial barrier protection by local anesthetics: ropivacaine and lidocaine block tumor necrosis factor-α-induced endothelial cell Src activation. Anesthesiology. 2014;120(6):1414-28.
  11. Xu J, et al. Single-cell RNA sequencing reveals the tissue architecture in human high-grade serous ovarian cancer. Clin Cancer Res. 2022;28(16):3590-602.
  12. Yu D, et al. Development and validation of a breast cancer survival prediction model based on perioperative anesthesia-related drug target genes and analysis of immune microenvironment and drug sensitivity. Comput Biol Chem. 2026;120(Pt 2):108681.
  13. Wang S, et al. UCSCXenaShiny: an R/CRAN package for interactive analysis of UCSC Xena data. Bioinformatics. 2022;38(2):527-9.
  14. Gentric G, et al. PML-regulated mitochondrial metabolism enhances chemosensitivity in human ovarian cancers. Cell Metab. 2019;29(1):156-73.e10.
  15. Ferriss JS, et al. Multi-gene expression predictors of single-drug responses to adjuvant chemotherapy in ovarian carcinoma: predicting platinum resistance. PLoS One. 2012;7(2):e30550.
  16. Lisowska KM, et al. Gene expression analysis in ovarian cancer: faults and hints from DNA microarray study. Front Oncol. 2014;4:6.
  17. Liang L, et al. Integration of scRNA-seq and bulk RNA-seq to analyse the heterogeneity of ovarian cancer immune cells and establish a molecular risk model. Front Oncol. 2021;11:711020.
  18. Denisenko E, et al. Spatial transcriptomics reveals discrete tumour microenvironments and autocrine loops within ovarian cancer subclones. Nat Commun. 2024;15(1):2860.
  19. Quan W, et al. Single-cell analysis reveals the roles and regulatory mechanisms of type I interferons in Parkinson’s disease. Cell Commun Signal. 2024;22(1):212.
  20. Hu C, et al. CellMarker 2.0: an updated database of manually curated cell markers in human/mouse and web tools based on scRNA-seq data. Nucleic Acids Res. 2023;51(D1):D870-6.
  21. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  22. Yu G, Wang LG, Han Y, He QY. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-7.
  23. Mayakonda A, et al. Maftools: efficient and comprehensive analysis of somatic variants in cancer. Genome Res. 2018;28(11):1747-56.
  24. Zu S, et al. Development and validation of a recurrence risk prediction model for elderly schizophrenia patients. BMC Psychiatry. 2025;25(1):73.
  25. Zhou G, et al. NetworkAnalyst 3.0: a visual analytics platform for comprehensive gene expression profiling and meta-analysis. Nucleic Acids Res. 2019;47(W1):W234-41.
  26. Liao C, Wang X. TCGAplot: an R package for integrative pan-cancer analysis and visualization of TCGA multi-omics data. BMC Bioinformatics. 2023;24(1):483.
  27. Swanton C, et al. Embracing cancer complexity: hallmarks of systemic disease. Cell. 2024;187(7):1589-616.
  28. Vendramin R, Litchfield K, Swanton C. Cancer evolution: Darwin and beyond. EMBO J. 2021;40(18):e108389.
  29. Demicheli R, et al. The effects of surgery on tumor growth: a century of investigations. Ann Oncol. 2008;19(11):1821-8.
  30. Marinho V, et al. Genetic influence alters the brain synchronism in perception and timing. J Biomed Sci. 2018;25(1):61.
  31. Pan X, et al. Hepatocyte CHRNA4 mediates the MASH-promotive effects of immune cell-produced acetylcholine and smoking exposure in mice and humans. Cell Metab. 2023;35(12):2231-49.e7.
  32. Camp AJ, et al. Loss of Grin2a causes a transient delay in the electrophysiological maturation of hippocampal parvalbumin interneurons. Commun Biol. 2023;6(1):952.
  33. Sun Y, et al. Identification of potential diagnoses based on immune infiltration and autophagy characteristics in major depressive disorder. Front Genet. 2022;13:702366.
  34. Lennon FE, Moss J, Singleton PA. The µ-opioid receptor in cancer progression: is there a direct effect? Anesthesiology. 2012;116(4):940-5.
  35. Mohammadpour H, et al. β2-adrenergic receptor-mediated signaling regulates the immunosuppressive potential of myeloid-derived suppressor cells. J Clin Invest. 2019;129(12):5537-52.
  36. Bhatia S, et al. Effects of altered ephrin-A5 and EphA4/EphA7 expression on tumor growth in a medulloblastoma mouse model. J Hematol Oncol. 2015;8:105.
  37. Dong Y, et al. MicroRNA-335 suppresses the proliferation, migration, and invasion of breast cancer cells by targeting EphA4. Mol Cell Biochem. 2018;439(1-2):95-104.
  38. Li X, Pasche B, Zhang W, Chen K. Association of MUC16 mutation with tumor mutation load and outcomes in patients with gastric cancer. JAMA Oncol. 2018;4(12):1691-8.
  39. Zhao Y, et al. Patient-derived ovarian cancer organoid carries immune microenvironment and blood vessel keeping high response to cisplatin. MedComm (2020). 2024;5(9):e697.
  40. Jiang S, et al. Effects of propofol on cancer development and chemotherapy: potential mechanisms. Eur J Pharmacol. 2018;831:46-51.
  41. Wang ZT, et al. Propofol suppresses proliferation and invasion of pancreatic cancer cells by upregulating microRNA-133a expression. Genet Mol Res. 2015;14(3):7529-37.
  42. Li E, Han K, Zhou X. MicroRNA-27a-3p downregulation inhibits malignant biological behaviors of ovarian cancer by targeting BTG1. Open Med (Wars). 2019;14:577-85.
  43. Zhang Y, et al. Sevoflurane inhibits the apoptosis of hypoxia/reoxygenation-induced cardiomyocytes via regulating miR-27a-3p-mediated autophagy. J Pharm Pharmacol. 2021;73(11):1470-9.
  44. Zhao H, et al. Sevoflurane inhibits migration and invasion of glioma cells via regulating the miR-34a-5p/MMP-2 axis. Life Sci. 2020;256:117897.
  45. Wu Z, et al. Circ-PTK2 (hsa_circ_0008305) regulates the pathogenic processes of ovarian cancer via the miR-639 and FOXC1 regulatory cascade. Cancer Cell Int. 2021;21(1):277.
  46. Hu Y, et al. DNA methylation and transcription factor-driven immune subtypes in ovarian cancer. Discov Oncol. 2025;16(1):1646.
  47. Yan Z, et al. The prognostic marker KRT81 is involved in suppressing CD8+ T cells and predicts immunotherapy response for triple-negative breast cancer. Cancer Biol Ther. 2024;25(1):2355705.

إعادة الطباعة والأذونات

الوسوم

تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.