Dieses Protokoll integriert öffentliche transkriptomische Datensätze und die Validierung von Kolonepithelzellen, um S100P als gemeinsamen Biomarker zu identifizieren, der mit entzündlichen Darmerkrankungen, Darmkrebs und Pankreataskaladenokarzinom assoziiert ist.
Forschungsartikel
S100P als gemeinsamer Biomarker bei entzündlichen Darmerkrankungen, Darmkrebs und Bauchspeicheldrüsenadenokarzinom: Eine integrierte transkriptomische Analyse
* These authors contributed equally
In diesem Artikel
Zusammenfassung
Zusammenfassung
Entzündliche Darmerkrankungen (IBD) sind mit einem erhöhten Risiko für Darmkrebs (CRC) und Bauchspeicheldrüsenadenokarzinom (PAAD) verbunden, doch die gemeinsamen molekularen Merkmale dieser Erkrankungen sind weiterhin unvollständig verstanden. Diese Studie hatte zum Ziel, gemeinsame Gene und biologische Signalwege zu identifizieren, die mit IBD, CRC und PAAD durch integrierte transkriptomische Analyse und experimentelle Validierung assoziiert sind. Genexpressionsdatensätze für IBD, CRC und PAAD wurden aus den Datenbanken The Cancer Genome Atlas und Gene Expression Omnibus bezogen. Gewichtete Gen-Koexpressionsnetzwerk-Analysen und differenzielle Expressionsanalysen wurden durchgeführt, um krankheitsassoziierte und geteilte Gene zu identifizieren. Genontologie und die Kyoto-Enzyklopädie der Gene und Genome (Analysen wurden verwendet, um bereicherte biologische Funktionen und Wege zu erforschen. Die Infiltration von Immunzellen wurde mittels Zelltypidentifikation durch Schätzung relativer Teilmengen von RNA-Transkripten bewertet. Eine Analyse der Empfänger-Betriebseigenschaften wurde durchgeführt, um die diagnostische Leistung gemeinsamer Gene zu bewerten. Eine Einzelzell-RNA-Sequenzierungsanalyse wurde durchgeführt, um die zelluläre Verteilung von S100P zu untersuchen. Zusätzlich wurden die Effekte der S100P-Downregulation in lipopolysaccharid-(LPS)-stimulierten Colonepithelfeln untersucht. Insgesamt wurden 162 krankheitsassoziierte Gene und vier gemeinsame Gene identifiziert. Funktionelle Anreicherungsanalysen zeigten eine signifikante Anreicherung immun- und entzündungsbezogener Signalwege, einschließlich des Interleukin-17-Signalwegs. Die Analyse der Immuninfiltration zeigte ähnliche Trends in mehreren Immunzellpopulationen in IBD, CRC und PAAD. Die Einzelzellanalyse zeigte eine erhöhte S100P-Expression in Epithelzellen aller drei Krankheiten. Die Herunterregulierung von S100P stellte die Proliferationskapazität der LPS-stimulierten Kolonepithelzellen wieder her und reduzierte die entzündliche Zytokinexpression. Die integrierte transkriptomische Analyse identifizierte S100P als Biomarker, der mit IBD, CRC und PAAD assoziiert ist und hob gemeinsame immunbezogene Merkmale über diese Krankheiten hinweg hervor.
Einleitung
Entzündliche Darmerkrankung (IBD) stellt ein Spektrum immunbedingter Erkrankungen dar, die den Magen-Darm-Trakt betreffen, darunter Colitis ulcerosa und Morbus Crohn1. Die Ätiologie von IBD ist hochkomplex und umfasst mukosale Immunabomalien, Dysbiose und genetische Anfälligkeit2. IBD ist ein globales Gesundheitsproblem mit steigenden Inzidenzraten und erheblichen wirtschaftlichen Belastungen, und seine wachsende Verbreitung hat erheblicheAufmerksamkeit erregt. Wichtig ist, dass Patienten mit IBD ein signifikant erhöhtes Risiko haben, an Darmkrebs (CRC)3 und Pankreasadenokarzinom (PAAD)4 zu erkranken. Obwohl dieser Zusammenhang gut dokumentiert ist, ist das genetische Kreuzsprechen zwischen IBD, CRC und PAAD weiterhin unvollständig verstanden.
Frühere Studien deuten stark darauf hin, dass IBD, CRC und PAAD gemeinsame pathogene Prozesse teilen; Allerdings fehlen weiterhin spezifische und empfindliche diagnostische Biomarker, und die gemeinsamen pathogenen Mechanismen sind noch nicht vollständig aufgeklärt. Glücklicherweise sind mit dem raschen Fortschritt und der weit verbreiteten Verfügbarkeit von Hochdurchsatz-Sequenzierungstechnologien zahlreiche transkriptomische Datensätze von Patienten mit IBD, CRC und PAAD öffentlich zugänglich geworden, was eine systematische Untersuchung der molekularen Zusammenhänge zwischen diesen Erkrankungenermöglicht.
Diese Studie nutzte Hochdurchsatz-Sequenzierungsdaten von Patienten mit IBD, CRC und PAAD, um krankheitsassoziierte und geteilte Gene mittels gewichteter Gen-Koexpressionsnetzwerkanalyse (WGCNA) und differentieller Expressionsanalyse zu identifizieren. Diese Gene wurden weiter untersucht, um potenzielle gemeinsame Signalwege zwischen IBD, CRC und PAAD zu identifizieren. Zusätzlich haben wir den diagnostischen Wert dieser gemeinsamen Gene bewertet. Eine Einzelzell-RNA-Sequenzierungsanalyse (scRNA-seq) zeigte, dass das Schlüsselgen S100P überwiegend in Epithelzellen exprimiert wird. Abschließend untersuchten wir die biologische Rolle von S100P bei IBD.
Abschließend hatte diese Studie das Ziel, gemeinsame diagnostische Biomarker und biologische Wege zu identifizieren, die mit IBD, CRC und PAAD assoziiert sind, und so wertvolle klinische Einblicke in die gemeinsame Prävention und Behandlung dieser Krankheiten zu liefern.
Protokoll
Diese Studie nutzte öffentlich zugängliche, de-identifizierte Datensätze aus dem Cancer Genome Atlas (TCGA) und dem Gene Expression Omnibus (GEO) sowie etablierte kommerzielle Zelllinien. Es waren keine neu rekrutierten menschlichen Teilnehmer, identifizierbare Patienteninformationen oder von Patienten abgeleitete Stichproben beteiligt. Alle Analysen wurden gemäß den relevanten institutionellen Richtlinien und den Nutzungsbedingungen der öffentlichen Datenbanken durchgeführt. Daher waren für diese Studie keine zusätzliche institutionelle ethische Zulassung und informierte Zustimmung erforderlich.
Datenquelle
RNA-seq-Daten für die IBD-Kohorten (GSE179285; Plattform: GPL6480 und GSE24287; Plattform: GPL6480), CRC-Kohorten (TCGA-CRC; Plattform: Illumina HiSeq 2000 und GSE87211; Plattform: GPL13497) und PAAD-Kohorten (GSE128735; Plattform: GPL20301 und GSE62452; Plattform: GPL6244) wurden von TCGA und dem GEO heruntergeladen. Alle Datensätze wurden am 5. Dezember 2025 abgerufen.
Für jeden Datensatz wurden die Stichproben streng in zwei Untergruppen unterteilt, wobei Krankheitsläsionen/Tumorgewebe als Fallgruppe dienten und entsprechende nicht-läsionierte normale Gewebe als Kontrollgruppe. Konkret enthielt die IBD-Kohorte 297 Proben der Darmschleimhaut von Patienten mit IBD und 56 normale Proben der Darmschleimhaut gesunder Personen; die CRC-Kohorte umfasste 841 primäre kolorektale Tumorgewebe und 211 übereinstimmende benachbarte normale kolorektale Epithelgewebe; und die PAAD-Kohorte bestand aus 114 PAAD-Tumorgeweben und 106 normalen Pankreas-Parenchymalgeweben.
Alle Datensätze innerhalb derselben Krankheitskategorie wurden einheitlich integriert. Die normalizeBetweenArrays-Funktion des Limma-Pakets wurde angewandt, um Quantilnormalisierungen querprobenübergreifend durchzuführen, wodurch Batch-Effekte zwischen den Plattformen effektiv eliminiert und Genexpressionswerte über verschiedene Datensätze hinweg für die anschließende differentielle Expressionsanalyse standardisiert wurden.
Screening von IBD-, CRC- und PAAD-bezogenen Genen sowie gemeinsamen Genen
Zunächst wurden differenziell exprimierte Gene (DEGs) aus den IBD-, CRC- und PAAD-Kohorten mit dem Limma-Paket gescreent, und die ursprünglichen P-Werte wurden mit der Benjamini-Hochberg-False Discovery Rate (FDR)-Methode korrigiert. In den IBD-, CRC- und PAAD-Kohorten wurden die Screening-Kriterien auf |logFC| festgelegt. > 0,4 und P < 0,05. Zusätzlich wurde WGCNA auf allen Genen durchgeführt, mit einem Mindestmodul-Gen-Schwellenwert von 100 (weiche Schwellenleistung = 0,90; Netzwerktyp = signed). Folglich wurden gemeinsame DEGs und Modulgene in den drei Kohorten identifiziert. Gene, die mit beiden Methoden konsistent identifiziert wurden, wurden als gemeinsame Gene definiert, während die übrigen Gene als verwandte Gene kategorisiert wurden.
PPI- und funktionelle Anreicherungsanalyse
Diese Analysen wurden an den krankheitsassoziierten Genen durchgeführt. Die Analyse der Protein-Protein-Interaktion (PPI) wurde mit der STRING-Datenbank durchgeführt (Interaktionswert > 0,40). Die funktionelle Anreicherungsanalyse umfasste Gene Ontology (GO) und Kyoto Encyclopedia of Genes and Genomes (KEGG) Analysen, die mit clusterProfiler, Enrichplot und org durchgeführt wurden. Hs.eg.db Pakete (P < 0,05 und FDR-bereinigter q-Wert [Benjamini–Hochberg-Methode] < 0,05).
Profilierung der Immunmikroumgebung
CIBERSORT ist ein zuverlässiger Algorithmus zur Schätzung der Infiltrationsniveaus von Immunzellen anhand von Genexpressionsdaten mittels der Standard-LM22-Signaturmatrix7. In dieser Studie wurde der CIBERSORT-Algorithmus verwendet, um das Ausmaß der Immunzellinfiltration in Proben aus den Kohorten von IBD, CRC und PAAD zu schätzen, um die gemeinsamen Eigenschaften der Immunmikroumgebung zwischen den drei Krankheiten zu untersuchen. Die Analyse wurde mit 1.000 Permutationen durchgeführt, um für jede Probe P-Werte zu berechnen, und die Quantilnormalisierung (QN = TRUE) wurde auf die Mischungsausdrucksdatei angewendet. Für spätere Analysen wurden nur Proben mit einem CIBERSORT-P-Wert < 0,05 erhalten, um die Zuverlässigkeit der Dekonvolutionsergebnisse sicherzustellen.
Bewertung des diagnostischen Wertes gemeinsamer Gene
Der Diagnosewert der gemeinsamen Gene in den Kohorten IBD, CRC und PAAD wurde mittels Empfänger-Funktionsmerkmale-(ROC)-Analyse mit dem pROC-Paket in R bewertet. Der optimale Kompromiss zwischen Sensitivität und Spezifität wurde mithilfe von ROC-Kurven visualisiert.
qRT-PCR, Zelltransfektion und Koloniebildungstest
qRT-PCR und Zelltransfektion wurden laut früheren Studien 8,9,10 durchgeführt. Die transiente Transfektion wurde gemäß den Anweisungen des Herstellers mit jetPRIME-Transfektionsreagenz (Polyplus, China) durchgeführt. Die Zellen wurden 6 Stunden lang mit der Transfektionsmischung inkubiert, danach wurde das Medium durch vollständiges DMEM ersetzt. Nachfolgende Experimente wurden 48 Stunden nach der Transfektion durchgeführt.
Kurz gesagt wurde die gesamte zelluläre RNA mit TRIzol-Reagenz extrahiert. RNA wurde rückwärts in cDNA mit PrimeScript RT Master Mix transkribiert. Quantitative PCR wurde mit TB Green qPCR durchgeführt. β-Aktin wurde als internes Referenzgen für die Expressionsnormalisierung verwendet. Biologische Experimente wurden dreifach durchgeführt. Die Primer-Sequenzen und die siS100P-Sequenz finden sich in einer früheren Studie 11.
NCM460, FHC, HCT116, SW116, PANC1 und BXPC2 Zellen wurden wie in der Materialtabelle aufgeführt erworben. Alle Zelllinien wurden einer Zellidentifikation und Mycoplasma-Tests unterzogen.
Während der Experimente wurden alle Zellen über 3–5 Generationen hinweg durchführt. Alle Zellen wurden in vollständigem DMEM kultiviert, das 10 % fetales Rinderserum und 1 % Penicillin–Streptomycin enthielt.
Der Assay zur Koloniebildung wurde wie in einer früheren Studie12 beschrieben durchgeführt. Kurz gesagt wurden 1.000 Zellen in jede Bohrung einer 6-Loch-Platte eingesät und zehn Tage lang kultiviert, bevor das Experiment beendet wurde. Die Zellen wurden mit 4 % Paraformaldehyd fixiert, mit 0,1 % Kristallviolett gefärbt, und die Kolonien wurden mit ImageJ gezählt.
Analyse gemeinsamer Gene auf Basis von scRNA-seq-Daten
scRNA-seq-Daten aus dem IBD-Datensatz (GSE214695), CRC-Datensatz (GSE166555) und PAAD-Datensatz (GSE154778) wurden wie in früheren Studien 8,13 vorverarbeitet. Rohzählmatrizen wurden durch mittlere Expression für doppelte Gensymbole unter Verwendung von limma::avereps kollabiert. Die anfängliche Filterung behielt Gene, die in mindestens drei Zellen und Zellen mit mindestens 50 einzigartigen Transkripten nachgewiesen wurden. Zellen mit einer mitochondrialen Transkriptfraktion >5 % oder weniger als 50 nachgewiesene Gene wurden entfernt. Die Log-Normalisierung wurde mit einem Skalenfaktor von 10.000 durchgeführt, gefolgt von einer varianzstabilisierenden Transformation, um die 1.500 wichtigsten hochvariablen Gene zu identifizieren, die vor der Hauptkomponentenanalyse (PCA) Z-Score-Standardisierung waren. Cluster-definierende Markergene wurden mit log2 (Fold-Veränderung) > 0,5, einer Detektionsfraktion ≥0,25 in Zielclustern und einem angepassten P-Wert <0,05 gefiltert.
Kurz gesagt wurde die Datenvorverarbeitung mit dem Seurat-Paket durchgeführt, und die Zelltypannotation erfolgte mit dem SingleR-Paket (Version 2.6.0). Das Zellclustering wurde in Seurat unter Verwendung der k-nächstgelegenen Nachbargraphenkonstruktion und der t-SNE-Einbettung basierend auf den PCA-Dimensionen 1–20 durchgeführt. Die Verteilung und Expression der gemeinsamen Gene über verschiedene Zelltypen hinweg wurden anschließend untersucht.
Entwicklung des IBD-Modells
Laut früherenStudien 14 wurde Lipopolysaccharid (LPS) verwendet, um Entzündungen in normalen menschlichen Colonepithelzellen (FHC und NCM460) zu induzieren und so ein entzündungsähnliches IBD-Modell zu erzeugen. Biologische Experimente wurden dreifach durchgeführt. Die Zellen wurden routinemäßig in einem befeuchteten Inkubator bei 37 °C mit 5 %CO2 kultiviert. Wenn die Zellkonfluenz etwa 50–70 % erreichte, wurde das Kulturmedium durch frisches, vollständiges Medium ersetzt und die Zellen wurden 12 Stunden lang mit 10 ng/mL LPS behandelt. Ein gleiches Volumen steriler phosphatgepufferter Kochsalzlösung (PBS) wurde als Fahrzeugsteuerung verwendet. Das Kulturvolumen betrug 2 ml pro Bohrloch in 6-Bohrlochplatten. Nach der Behandlung wurde das Medium entfernt, die Zellen zweimal mit vorgekühltem sterilem PBS gewaschen und die Zellen für weitere Analysen gesammelt.
Statistische Analyse
Alle bioinformatischen Analysen wurden mit R-Software (Version 4.1.2) durchgeführt. Vergleiche zwischen zwei Gruppen wurden mit dem Student's t-Test durchgeführt, während Vergleiche zwischen mehreren Gruppen mit einer Einweg-Varianzanalyse (ANOVA) durchgeführt wurden. Die Korrelationsanalyse wurde mit der Spearman-Methode durchgeführt. Alle zellulären Experimente wurden mindestens dreimal wiederholt, und die Daten werden als Mittelwert ± Standardabweichung (SD) präsentiert. Ein P-Wert oder FDR < 0,05 galt als statistisch signifikant. NS, nicht signifikant; P < 0,05 (*), P < 0,01 (**) und P < 0,001 (***).
Ergebnisse
DEGs in IBD, CRC und PAAD
Zunächst wurden die IBD-Kohorten (GSE179285 und GSE24287), CRC-Kohorten (TCGA-CRC und GSE87211) und PAAD-Kohorten (GSE128735 und GSE62452) integriert, und die Integration wurde mittels PCA- und Genexpressionsdichtediagrammen ausgewertet. Die Ergebnisse zeigten, dass Batch-Effekte zwischen den verschiedenen Datensätzen nach der Integration effektiv eliminiert wurden (Abbildung 1A–F).
Abbildung 1. Normalisierung der entzündlichen Darmerkrankung (IBD), Kolorektalkrebs (CRC) und Pankreasadenokarzinom (PAAD) Kohorten. (A) Die Hauptkomponentenanalyse (PCA) zeichnet vor und nach der Normalisierung der IBD-Kohorten (GSE179285 und GSE24287). (B) Die Genexpressionsverteilung zeichnet vor und nach der Normalisierung der IBD-Kohorten. (C) PCA zeichnet vor und nach der Normalisierung der CRC-Kohorten (TCGA-CRC und GSE87211). (D) Die Verteilung der Genexpression vor und nach der Normalisierung der CRC-Kohorten. (E) PCA zeichnet vor und nach der Normalisierung der PAAD-Kohorten (GSE62452 und GSE128735). (F) Die Verteilung der Genexpression erfolgt vor und nach der Normalisierung der PAAD-Kohorten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Nach der Integration von Datensätzen und der Korrektur des Batch-Effekts wurde eine differentielle Expressionsanalyse an den Kohorten von IBD, CRC und PAAD durchgeführt. Innerhalb jeder Kohorte wurden Krankheitsläsionen oder Tumorgewebe mit abgestimmten normalen Geweben verglichen, um DEGs zu identifizieren. In der IBD-Kohorte wurden 183 DEGs identifiziert, darunter 64 herunterregulierte und 119 hochregulierte Gene (Abbildung 2A). In der CRC-Kohorte wurden 5.064 DEGs identifiziert, darunter 2.477 herunterregulierte und 2.587 hochregulierte Gene (Abbildung 2B). In der PAAD-Kohorte wurden 2.293 DEGs identifiziert, darunter 901 herunterregulierte und 1.392 hochregulierte Gene (Abbildung 2C). Letztlich wurden 40 überlappende DEGs unter den Kohorten von IBD, CRC und PAAD identifiziert (Abbildung 2D).
Abbildung 2. Differentialexpressionsanalyse der Kohorten von IBD, CRC und PAAD. (A) Heatmap und Vulkandiagramm der differenziell exprimierten Gene (DEGs) in der IBD-Kohorte. (B) Heatmap und Vulkandiagramm der DEGs in der CRC-Kohorte. (C) Heatmap und Vulkandiagramm der DEGs in der PAAD-Kohorte. (D) Venn-Diagramm, das überlappende DEGs unter den Kohorten von IBD, CRC und PAAD zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
WGCNA in IBD, CRC und PAAD
WGCNA wurde in den Kohorten von IBD, CRC und PAAD durchgeführt. In der IBD-Kohorte wurden drei Module als eng mit klinischen Merkmalen assoziiert identifiziert, wobei die MEbrown- und MEturquoise-Module die stärksten Korrelationen zeigten (Abbildung 3A). Ähnlich wurden in der CRC-Kohorte acht Module als eng mit klinischen Merkmalen assoziiert identifiziert, wobei die MEbrown- und MEturquoise-Module die stärksten Korrelationen zeigten (Abbildung 3B). In der PAAD-Kohorte wurde ein Modul als eng mit klinischen Merkmalen assoziiert identifiziert, wobei die MEblack- und MEbrown-Module die stärksten Korrelationen zeigten (Abbildung 3C).
Abbildung 3. Analyse des gewichteten Gen-Koexpressionsnetzwerks (WGCNA) der Kohorten von IBD, CRC und PAAD. (A) Heatmap, die Korrelationen zwischen Gen-Koexpressionsmodulen und klinischen Merkmalen in der IBD-Kohorte zeigt. (B) Heatmap, die Korrelationen zwischen Gen-Koexpressionsmodulen und klinischen Merkmalen in der CRC-Kohorte zeigt. (C) Heatmap, die Korrelationen zwischen Gen-Koexpressionsmodulen und klinischen Merkmalen in der PAAD-Kohorte zeigt. (D) Venn-Diagramm, das überlappende Gene zeigt, die aus wichtigen Koexpressionsmodulen in den IBD-, CRC- und PAAD-Kohorten identifiziert wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Basierend auf Genen aus Modulen, die signifikant mit klinischen Merkmalen korrelieren, wurden 434 modulassoziierte Gene identifiziert, die potenziell an IBD, CRC und PAAD beteiligt sind (Abbildung 3D).
Funktionelle Anreicherungsanalyse von gemeinsamen Genen in IBD, CRC und PAAD
Durch die Kombination der Ergebnisse der differenziellen Expressionsanalyse und WGCNA wurden 40 gemeinsame DEGs und 122 gemeinsame modulassoziierte Gene identifiziert. Um die gemeinsamen molekularen Eigenschaften von IBD, CRC und PAAD zu untersuchen, wurden diese Gene für weitere Analysen integriert, was zu 158 krankheitsassoziierten Genen führte.
Zunächst wurden die 158 Gene mit der STRING-Datenbank analysiert, um ein PPI-Netzwerk zu erstellen (Abbildung 4A). Anschließend wurden GO- und KEGG-Anreicherungsanalysen durchgeführt. Die GO-Analyse zeigte eine signifikante Anreicherung in biologischen Prozessen, einschließlich des hormonellen Stoffwechselprozesses (Abbildung 4B,C), während die KEGG-Analyse eine Anreicherung in Signalwegen wie dem Interleukin-17 (IL-17) Signalweg und dem Peroxisom-Proliferator-aktivierten Rezeptor (PPAR) Signalweg zeigte (Abbildung 4D, E).
Abbildung 4. Funktionelle Anreicherungsanalyse von krankheitsassoziierten Genen, die in IBD, CRC und PAAD identifiziert wurden. (A) Protein-Protein-Interaktionsnetzwerk (PPI) von krankheitsassoziierten Genen. (B) Genontologie-(GO)-Anreicherungsanalyse, präsentiert als Punktdiagramm von angereicherten biologischen Prozessen, zellulären Komponenten und molekularen Funktionstermen. (C) GO-Gen-Konzept-Netzwerk, das die Beziehungen zwischen angereicherten GO-Begriffen und zugehörigen Genen zeigt. (D) Kyoto Encyclopedia of Genes and Genomes (KEGG) Signalweganreicherungsanalyse, präsentiert als Punktdiagramm. (E) KEGG-Gen-Signalweg-Netzwerk, das die Beziehungen zwischen angereicherten Signalwegen und assoziierten Genen zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Korrelationsanalyse gemeinsamer Gene mit der Immunzellinfiltration bei IBD, CRC und PAAD
CIBERSORT wurde verwendet, um die Infiltrationswerte von Immunzellen in den Kohorten IBD, CRC und PAAD zu schätzen. In der IBD-Kohorte wurden Unterschiede in den Infiltrationsniveaus von Immunzellen zwischen normalen und IBD-Proben beobachtet (Abbildung 5A), und Korrelationen zwischen gemeinsamen Genen und Immunzellpopulationen wurden bewertet (Abbildung 5B). Ebenso wurden Unterschiede in den Infiltrationsniveaus von Immunzellen zwischen normalen und CRC-Proben in der CRC-Kohorte beobachtet (Abbildung 5C), und Korrelationen zwischen gemeinsamen Genen und Immunzellpopulationen wurden bewertet (Abbildung 5D). In der PAAD-Kohorte wurden auch Unterschiede in den Infiltrationsniveaus von Immunzellen zwischen normalen und PAAD-Proben beobachtet (Abbildung 5E), und Korrelationen zwischen gemeinsamen Genen und Immunzellpopulationen wurden bewertet (Abbildung 5F).
Abbildung 5. Immunzellinfiltrationsanalyse in Kohorten von IBD, CRC und PAAD. (A) Violindiagramme, die die geschätzten Anteile der Immunzellpopulationen in der IBD-Kohorte zeigen. (B) Korrelationsanalyse zwischen gemeinsamen Genen und Immunzellpopulationen in der IBD-Kohorte, einschließlich der Immunzellkorrelations-Heatmap und des Gen-Immunzell-Assoziationsnetzwerks. (C) Violin-Diagramme, die die geschätzten Anteile der Immunzellpopulationen in der CRC-Kohorte zeigen. (D) Korrelationsanalyse zwischen gemeinsamen Genen und Immunzellpopulationen in der CRC-Kohorte, einschließlich der Immunzellen-Korrelations-Heatmap und des Gen-Immunzell-Assoziationsnetzwerks. (E) Violin-Diagramme zeigen die geschätzten Anteile der Immunzellpopulationen in der PAAD-Kohorte. (F) Korrelationsanalyse zwischen gemeinsamen Genen und Immunzellpopulationen in der PAAD-Kohorte, einschließlich der Immunzellkorrelations-Heatmap und des Gen-Immunzell-Assoziationsnetzwerks. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Bewertung des potenziellen Wertes gemeinsamer Gene in IBD, CRC und PAAD
Die Expressionsmuster der gemeinsamen Gene wurden in den Kohorten von IBD, CRC und PAAD weiter untersucht. S100P wurde in allen drei Kohorten konstant überausgedrückt (Abbildung 6A, D, G). Zusätzlich wurde die diagnostische Leistung der gemeinsamen Gene mittels ROC-Analyse bewertet.
Abbildung 6. Diagnostische Leistung gemeinsamer Gene in IBD-, CRC- und PAAD-Kohorten. (A) Expressionsniveaus von FXYD3, S100P, PLA2G2A und MUC1 in der IBD-Kohorte. (B) Empfänger-Betriebscharakteristik (ROC)-Kurven, die die diagnostische Leistung einzelner gemeinsamer Gene in der IBD-Kohorte zeigen. (C) ROC-Kurve, die die diagnostische Leistung des kombinierten Diagnosemodells in der IBD-Kohorte darstellt. (D) Expressionsniveaus von FXYD3, S100P, PLA2G2A und MUC1 in der CRC-Kohorte. (E) ROC-Kurven, die die diagnostische Leistung einzelner gemeinsamer Gene in der CRC-Kohorte zeigen. (F) ROC-Kurve, die die diagnostische Leistung des kombinierten Diagnosemodells in der CRC-Kohorte zeigt. (G) Expressionsniveaus von FXYD3, S100P, PLA2G2A und MUC1 in der PAAD-Kohorte. (H) ROC-Kurven, die die diagnostische Leistung einzelner gemeinsamer Gene in der PAAD-Kohorte zeigen. (I) ROC-Kurve, die die diagnostische Leistung des kombinierten Diagnosemodells in der PAAD-Kohorte zeigt. Die Fläche unter den Kurvenwerten (AUC) und entsprechende 95%-Konfidenzintervalle sind, wo anwendbar, angegeben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
In der IBD-Kohorte betrugen die Flächenwerte unter der Kurve (AUC) 0,626 für FXYD3, 0,597 für S100P, 0,670 für PLA2G2A und 0,697 für MUC1, während das kombinierte Diagnosemodell einen AUC von 0,815 ergab (Abbildung 6B,C). Ähnlich lagen in der CRC-Kohorte die AUC-Werte bei 0,839 für FXYD3, 0,738 für S100P, 0,716 für PLA2G2A und 0,672 für MUC1, während das kombinierte Diagnosemodell einen AUC von 0,925 ergab (Abbildung 6E,F). In der PAAD-Kohorte lagen die AUC-Werte bei 0,852 für FXYD3, 0,896 für S100P, 0,637 für PLA2G2A und 0,733 für MUC1, während das kombinierte Diagnosemodell einen AUC von 0,901 ergab (Abbildung 6H,I).
scRNA-seq-Analyse basierend auf gemeinsamen Genen
Nach der Vorverarbeitung der scRNA-seq-Daten aus dem IBD-Datensatz wurden 17 Zellcluster und 8 Zelltypen identifiziert. Die Verteilung der gemeinsamen Gene über verschiedene Zellpopulationen wurde anschließend untersucht, und es wurde festgestellt, dass die gemeinsamen Gene überwiegend in Epithelzellen exprimiert werden (Abbildung 7A). Ebenso identifizierte die Vorverarbeitung des CRC-Datensatzes 20 Zellcluster und 8 Zelltypen, wobei die gemeinsamen Gene ebenfalls überwiegend in Epithelzellen exprimiert werden (Abbildung 7B). Schließlich identifizierte die Vorverarbeitung des PAAD-Datensatzes 19 Zellcluster und 7 Zelltypen, und die gemeinsamen Gene wurden ebenfalls überwiegend in Epithelzellen exprimiert (Abbildung 7C).
Abbildung 7. Einzelzell-RNA-Sequenzierung (scRNA-seq) Analyse gemeinsamer Gene in IBD-, CRC- und PAAD-Geweben. (A) Einheitliche Mannigfaltigkeitsannäherung und -projektion (UMAP) Visualisierung von Zellclustern im IBD-Datensatz (GSE214695), entsprechende Zelltyp-Annotationen und Merkmalsdiagramme, die die Expression von FXYD3, S100P, PLA2G2A und MUC1 über Zellpopulationen hinweg zeigen. (B) UMAP-Visualisierung von Zellclustern im CRC-Datensatz (GSE166555), entsprechende Zelltyp-Annotationen und Merkmalsdiagramme, die die Expression von FXYD3, S100P, PLA2G2A und MUC1 über Zellpopulationen hinweg zeigen. (C) UMAP-Visualisierung von Zellclustern im PAAD-Datensatz (GSE154778), entsprechende Zelltyp-Annotationen und Merkmalsdiagramme, die die Expression von FXYD3, S100P, PLA2G2A und MUC1 über Zellpopulationen hinweg zeigen. Farbskalen geben relative Genexpressionsniveaus an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Biologische Funktion von S100P in IBD
Angesichts der konstanten Überexpression von S100P in den Kohorten von IBD, CRC und PAAD sowie früherer Berichte, die seine Rolle bei CRC und PAAD15,16 beschrieben, untersuchte diese Studie die biologische Funktion von S100P in IBD weiter.
Erstens wurde die Expression von S100P im LPS-induzierten IBD-Modell signifikant erhöht, und die Knockdown-Effizienz von siS100P wurde bestätigt (Abbildung 8A,B). Außerdem reduzierte die LPS-Behandlung die Zellproliferation, während die Hemmung der S100P-Expression die Zellproliferation teilweise wiederherstellte (Abbildung 8C). Darüber hinaus reduzierte S100P-Knockdown signifikant die Expression von IL-1β, IL-6 und TNF-α in den IBD-Modellzelllinien FHC und NCM460 (Abbildung 8D,E). Schließlich reduzierte die Downregulation von S100P die IL17RA-Expression in Kolonepithelzellen, CRC-Zellen und PAAD-Zellen (Abbildung 8F).
Abbildung 8. Die Herunterregulierung von S100P schwächt die durch Lipopolysaccharid (LPS)-induzierten Entzündungsreaktionen in Coloniapithelzellen ab. (A) Relative S100P-mRNA-Expression in FHC-Zellen nach LPS-Stimulation und S100P-Knockdown. (B) Relative S100P-mRNA-Expression in NCM460-Zellen nach LPS-Stimulation und S100P-Knockdown. (C) Repräsentative Kolonienbildungsbilder und Quantifizierung der Zellproliferation in FHC- und NCM460-Zellen nach LPS-Stimulation und S100P-Knockdown. (D) ELISA-Messung der IL-1β-, IL-6- und TNF-α-Spiegel in FHC-Zellen nach LPS-Stimulation und S100P-Knockdown. (E) ELISA-Messung der IL-1β-, IL-6- und TNF-α-Spiegel in NCM460-Zellen nach LPS-Stimulation und S100P-Knockdown. (F) Relative IL-17RA-mRNA-Expression nach S100P-Knockdown in FHC-, NCM460-, HCT116-, SW1116-, PANC-1- und BxPC-3-Zellen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Datenverfügbarkeit
Die während der aktuellen Studie analysierten Datensätze sind öffentlich im TCGA und im GEO-Repository unter den Zugangsnummern TCGA-CRC, GSE179285, GSE24287, GSE87211, GSE128735, GSE62452, GSE214695, GSE166555 und GSE154778 verfügbar. Während dieser Studie wurden keine neuen Sequenzierungsdatensätze generiert.
Diskussion
Frühere Studien haben den Zusammenhang von IBD, einer immunbedingten gastrointestinalen Erkrankung, mit mehreren Erkrankungen hervorgehoben, darunter neurodegenerative Erkrankungen17, MultipleSklerose 18, amyotrophe Lateralsklerose19, Endometriose20, rheumatoide Arthritis2, Hodgkin-Lymphom21, CRC22 und PAAD23. IBD gilt allgemein als erhöht das Risiko, sowohl CRC24 als auch PAAD23 zu entwickeln. Obwohl epidemiologische Zusammenhänge zwischen diesen Krankheiten berichtet wurden, sind ihre gemeinsamen molekularen Merkmale weiterhin unvollständig verstanden. In dieser Studie integrierten wir umfangreiche transkriptomische Datensätze, scRNA-seq-Daten und zelluläre funktionelle Experimente, um gemeinsame molekulare Merkmale von IBD, CRC und PAAD zu untersuchen. Unsere Ergebnisse liefern zusätzliche Einblicke in mögliche molekulare und immunbezogene Merkmale, die in diesen Krankheitssettings gemeinsam sind.
In dieser Studie identifizierten wir 158 krankheitsassoziierte Gene mittels Differentialexpressionsanalyse und WGCNA, die 40 gemeinsame DEGs und 122 gemeinsame modulassoziierte Gene umfassen. Die Analyse der funktionellen Anreicherung zeigte eine signifikante Anreicherung von Signalwegen, einschließlich des IL-17-Signalwegs. Frühere Studien haben wichtige Rollen der IL-17-Signalübertragung im Fortschreiten von IBD, CRC und PAAD 25,26,27 gemeldet. Diese Beobachtungen deuten darauf hin, dass IL-17-bezogene Prozesse ein gemeinsames biologisches Merkmal dieser Krankheiten darstellen könnten. Die vorliegende Studie untersuchte jedoch nicht direkt die mechanistische Beziehung zwischen S100P- und IL-17-Signalübertragung, und weitere funktionelle Studien sind erforderlich, um diesen Zusammenhang zu klären. Vier gemeinsame Gene (FXYD3, S100P, PLA2G2A und MUC1) wurden in den analysierten Datensätzen identifiziert. Frühere Studien haben gezeigt, dass FXYD3 das Wachstum der PAAD-Zellen28 reguliert, S100P in CRC- und PAAD-Progression15,16 beteiligt ist und MUC1 am Fortschreiten von IBD, CRC und PAAD 29,30,31 beteiligt ist. Im Gegensatz dazu wurde PLA2G2A bei allen drei Krankheiten weniger umfassend untersucht. Die ROC-Analyse zeigte, dass jedes der vier Gene messbare diagnostische Leistung zeigte, während das kombinierte Diagnosemodell eine höhere diagnostische Leistung als die einzelnen Gene erzielte. Unsere Ergebnisse erweitern daher frühere Beobachtungen, indem wir diese Gene als gemeinsame molekulare Merkmale über IBD, CRC und PAAD identifizieren.
Die Analyse der Immunzellinfiltration zeigte ähnliche Infiltrationsmuster für naive B-Zellen, ruhende natürliche Killerzellen (NK) und M0-Makrophagen in den Kohorten von IBD, CRC und PAAD. Darüber hinaus zeigte die scRNA-seq-Analyse, dass FXYD3, S100P, PLA2G2A und MUC1 überwiegend in Epithelzellen exprimiert wurden. Diese Ergebnisse liefern zusätzliche Informationen über die zelluläre Verteilung der identifizierten Gene und deren mögliche Assoziation mit immunbezogenen Merkmalen. Die vorliegenden Analysen stellen jedoch keine direkten Wechselwirkungen zwischen Epithelzellen und der Immunmikroumgebung fest, weshalb weitere mechanistische Studien erforderlich sind.
Abschließend untersuchten wir die biologische Rolle von S100P in einem LPS-induzierten, entzündungsähnlichen IBD-Modell. Die S100P-Expression wurde nach der LPS-Stimulation signifikant erhöht, und die siRNA-vermittelte Knockdown reduzierte die Expression effektiv. Unter den untersuchten experimentellen Bedingungen stellte S100P-Knockdown die Zellproliferation teilweise wieder her und reduzierte die Expression der entzündlichen Zytokine IL-1β, IL-6 und TNF-α. Darüber hinaus war die S100P-Downregulation mit einer reduzierten IL17RA-Expression assoziiert. Diese Ergebnisse unterstützen eine weitere Untersuchung von S100P in entzündungsbedingten zellulären Reaktionen.
Diese Studie hat mehrere Einschränkungen. Erstens wurden nur Funktionsverlust-Experimente durchgeführt, und Überexpressions- oder Rettungsexperimente wurden nicht durchgeführt; daher kann keine direkte kausale Rolle von S100P festgestellt werden. Zweitens wurde die Expression von S100P hauptsächlich auf mRNA-Ebene untersucht, und eine Validierung auf Proteinebene wurde nicht durchgeführt. Drittens waren die funktionellen Experimente auf ein entzündungsähnliches Zellmodell beschränkt, während CRC- und PAAD-Modelle nicht experimentell untersucht wurden. Schließlich haben Multiomics-Analysen zwar die Identifikation gemeinsamer molekularer Merkmale gestärkt, aber zusätzliche mechanistische Studien und eine In-vivo-Validierung sind erforderlich, um die biologischen Rollen von S100P und den anderen gemeinsamen Genen weiter zu klären.
Abschließend identifizierte diese Studie gemeinsame molekulare Merkmale, biologische Wege und immunbezogene Eigenschaften bei IBD, CRC und PAAD. Vier gemeinsame Gene (FXYD3, S100P, PLA2G2A und MUC1) zeigten diagnostisches Potenzial über die analysierten Datensätze hinweg, und S100P wurde weiter in einem entzündungsähnlichen IBD-Modell untersucht. Diese Ergebnisse bilden die Grundlage für zukünftige Studien, die die gemeinsamen molekularen Mechanismen untersuchen, die IBD, CRC und PAAD verbinden.
Offenlegungen
Interessenkonflikt:
Die Autoren erklären keine konkurrierenden Interessen.
Danksagungen
Die Autoren erkennen die finanzielle Unterstützung aus dem Nationalen Schlüssel-F&E-Plan Chinas an (Grant Nr. 2023YFB3210400).
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| BXPC2 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human pancreatic adenocarcinoma cell line |
| CIBERSORT | N/A | N/A | Immune cell infiltration analysis |
| clusterProfiler package | Bioconductor | v4.8.0 | Gene Ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) enrichment analyses |
| Dulbecco's Modified Eagle Medium (DMEM) | Thermo Fisher Scientific | 11965092 | Cell culture medium |
| Fetal bovine serum (FBS) | Thermo Fisher Scientific | A5256701 | Cell culture supplement |
| FHC cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human normal colonic epithelial cell line |
| GEO dataset (GSE128735) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE154778) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE166555) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for colorectal cancer |
| GEO dataset (GSE179285) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for inflammatory bowel disease |
| GEO dataset (GSE214695) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for inflammatory bowel disease |
| GEO dataset (GSE24287) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for inflammatory bowel disease |
| GEO dataset (GSE62452) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE87211) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for colorectal cancer |
| ggplot2 package | CRAN | v3.4.2 | Data visualization |
| HCT116 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human colorectal cancer cell line |
| ImageJ | National Institutes of Health (NIH) | v1.8.0 | Colony counting |
| jetPRIME Transfection Reagent | Polyplus | 101000046 | Cell transfection |
| Lipopolysaccharide (LPS) | Beyotime Co., Ltd | S1735 | Induction of an inflammation-mimicking IBD cell model |
| limma package | Bioconductor | v3.54.0 | Differential expression analysis |
| NCM460 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human normal colonic epithelial cell line |
| org.Hs.eg.db package | Bioconductor | v3.23.1 | Gene annotation for enrichment analysis |
| PANC1 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human pancreatic adenocarcinoma cell line |
| Penicillin–streptomycin | Thermo Fisher Scientific | 15140-122 | Antibiotic supplement for cell culture |
| pheatmap package | CRAN | v1.0.12 | Heatmap visualization |
| pROC package | CRAN | v1.19.0.1 | Receiver operating characteristic (ROC) analysis |
| PrimeScript RT Master Mix | Takara Bio | RR036A | Reverse transcription of RNA into cDNA |
| Primer sets for qRT-PCR | Tsingke Biotech Co., Ltd | N/A | Primer sequences reported in Reference 11 |
| R software | R Foundation for Statistical Computing | v4.1.2 | Statistical and bioinformatics analyses |
| Seurat package | CRAN | v4.0 | Single-cell RNA sequencing data preprocessing and analysis |
| siS100P | Tsingke Biotech Co., Ltd | N/A | Small interfering RNA targeting S100P |
| SingleR package | Bioconductor | v2.6.0 | Cell type annotation for single-cell RNA sequencing |
| STRING database | STRING Consortium | N/A | Protein-protein interaction analysis |
| SW1116 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human colorectal cancer cell line |
| TB Green qPCR Mix | Takara Bio | RR430B | Quantitative real-time PCR |
| TCGA-CRC dataset | The Cancer Genome Atlas (TCGA) | N/A | Public colorectal cancer transcriptomic dataset |
| TRIzol reagent | Invitrogen | 15596-026 | Total RNA extraction |
| WGCNA package | CRAN | v1.73 | Weighted gene co-expression network analysis |
Referenzen
- Xu R, Du W, Yang Q, Du A. ITGB2 related to immune cell infiltration as a potential therapeutic target of inflammatory bowel disease using bioinformatics and functional research. Journal of cellular and molecular medicine. 2024;28(15):e18501.
- Sun HW, Zhang X, Shen CC. The shared circulating diagnostic biomarkers and molecular mechanisms of systemic lupus erythematosus and inflammatory bowel disease. Frontiers in immunology. 2024;15:1354348.
- Faye AS, Holmer AK, Axelrad JE. Cancer in inflammatory bowel disease. Gastroenterology clinics of North America. 2022;51(3):649-66.
- Yu J, et al. Risk of hepato-pancreato-biliary cancer is increased by primary sclerosing cholangitis in patients with inflammatory bowel disease: A population-based cohort study. United European gastroenterology journal. 2022;10(2):212-24.
- Xia B, et al. Identification of potential shared gene signatures between gastric cancer and type 2 diabetes: A data-driven analysis. Frontiers in medicine. 2024;11:1382004.
- Luo Y, et al. Exploring the molecular mechanism of comorbidity of type 2 diabetes mellitus and colorectal cancer: Insights from bulk omics and single-cell sequencing validation. Biomolecules. 2024;14(6).
- Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nature methods. 2015;12(5):453-7.
- Sun W, et al. Construction and validation of a novel senescence-related risk score can help predict the prognosis and tumor microenvironment of gastric cancer patients and determine that STK40 can affect the ROS accumulation and proliferation ability of gastric cancer cells. Frontiers in immunology. 2023;14:1259231.
- Hong J, et al. A zinc metabolism-related gene signature for predicting prognosis and characteristics of breast cancer. Front Immunol. 2023;14:1276280.
- Man KF, et al. CREB1-BCL2 drives mitochondrial resilience in RAS GAP-dependent breast cancer chemoresistance. Oncogene. 2025;44(16):1093-105.
- Zhou H, et al. S100P promotes trophoblast syncytialization during early placenta development by regulating YAP1. Frontiers in endocrinology. 2022;13:860261.
- Zhou C, et al. Novel exosome-associated LncRNA model predicts colorectal cancer prognosis and drug response. Hereditas. 2025;162(1):79.
- Hong J, et al. Integrative PANoptosis-focused omics analysis uncovers GSDMC as a candidate biomarker in breast cancer. Frontiers in Cell and Developmental Biology. 2026;Volume 14 - 2026.
- Qiu C, et al. Hsa_circ_0004662 accelerates the progression of ulcerative colitis via the microRNA-532/HMGB3 signalling axis. Journal of cellular and molecular medicine. 2025;29(6):e70430.
- Schmid F, et al. Calcium-binding protein S100P is a new target gene of MACC1, drives colorectal cancer metastasis and serves as a prognostic biomarker. British journal of cancer. 2022;127(4):675-85.
- Arumugam T, Simeone DM, Van Golen K, Logsdon CD. S100P promotes pancreatic cancer growth, survival, and invasion. Clinical cancer research: an official journal of the American Association for Cancer Research. 2005;11(15):5356-64.
- Zong J, et al. The two-directional prospective association between inflammatory bowel disease and neurodegenerative disorders: A systematic review and meta-analysis based on longitudinal studies. Frontiers in immunology. 2024;15:1325908.
- Yaqubi K, et al. Inflammatory bowel disease is associated with an increase in the incidence of multiple sclerosis: A retrospective cohort study of 24,934 patients. European journal of medical research. 2024;29(1):186.
- Li CY, et al. Genome-wide genetic links between amyotrophic lateral sclerosis and autoimmune diseases. BMC medicine. 2021;19(1):27.
- Shigesi N, et al. The association between endometriosis and autoimmune diseases: A systematic review and meta-analysis. Human reproduction update. 2019;25(4):486-503.
- Sonnenberg A, Duong HT, McCarty DJ, El-Serag HB. Concurrence of inflammatory bowel disease with multiple sclerosis or Hodgkin lymphoma. European journal of gastroenterology & hepatology. 2023;35(12):1349-53.
- Chacon-Millan P, et al. A combination of microarray-based profiling and biocomputational analysis identified miR331-3p and hsa-let-7d-5p as potential biomarkers of ulcerative colitis progression to colorectal cancer. International journal of molecular sciences. 2024;25(11).
- Everhov Å H, et al. Inflammatory bowel disease and pancreatic cancer: A Scandinavian register-based cohort study 1969-2017. Alimentary pharmacology & therapeutics. 2020;52(1):143-54.
- Contran N, et al. Colorectal cancer and inflammatory bowel diseases share common salivary proteomic pathways. Scientific reports. 2024;14(1):17711.
- Sun W, et al. Osthole pretreatment alleviates TNBS-induced colitis in mice via both cAMP/PKA-dependent and independent pathways. Acta pharmacologica Sinica. 2017;38(8):1120-8.
- Li SY, et al. Diosgenin exerts anti-tumor effects through inactivation of cAMP/PKA/CREB signaling pathway in colorectal cancer. European journal of pharmacology. 2021;908:174370.
- Castro-Pando S, et al. Pancreatic epithelial IL17/IL17RA signaling drives B7-H4 expression to promote tumorigenesis. Cancer immunology research. 2024;12(9):1170-83.
- Kayed H, et al. FXYD3 is overexpressed in pancreatic ductal adenocarcinoma and influences pancreatic cancer cell growth. International journal of cancer. 2006;118(1):43-54.
- Wang H, et al. Mesenchymal stem cells ameliorate DSS-induced experimental colitis by modulating the gut microbiota and MUC-1 pathway. Journal of inflammation research. 2023;16:2023-39.
- Li W, et al. MUC1-C drives stemness in progression of colitis to colorectal cancer. JCI insight. 2020;5(12).
- Murthy D, et al. The MUC1-HIF-1α signaling axis regulates pancreatic cancer pathogenesis through polyamine metabolism remodeling. Proceedings of the National Academy of Sciences of the United States of America. 2024;121(14):e2315509121.
- Sun W, et al. TRIM47 regulates energy metabolism via glycolytic reprogramming to drive hepatocellular carcinoma progression and represents an efficient therapeutic target. Adv Sci (Weinh). 2026;13(17):e16996.
- Sun W, et al. METTL4 enhances GLI1 translation through m(6)Am modification to promote tumor progression as a therapeutic target for hepatocellular carcinoma. J Adv Res. 2026.
- Yuan Y, et al. RNA nanotherapeutics for hepatocellular carcinoma treatment. Theranostics. 2025;15(3):965-92.