Multi-Omics Pan-Cancer Bioinformatics Workflow zur Bewertung von PTDSS1 und PTDSS2 als prognostische und Immunbiomarker

Zusammenfassung

Diese Studie führte eine umfassende bioinformatische Analyse unter Verwendung mehrerer öffentlicher Datenbanken durch, um die Genexpressionsmuster, klinische Korrelationen, Überlebensprognose, Tumorstamm-Werte und immunbezogene Merkmale von PTDSS1 und PTDSS2 bei verschiedenen Krebsarten zu bewerten. Die Ergebnisse deuten darauf hin, dass diese Gene als potenzielle Biomarker für Krebsdiagnose, Prognose und Immuntherapie dienen könnten.

Zusammenfassung

Die Phosphatidylserin-Syntheseenzyme PTDSS1 und PTDSS2 spielen wichtige Rollen in zellulären Prozessen, einschließlich Membranzusammensetzung und Signaltransduktion. Abnormale Expressionen dieser Enzyme sind mit tumorassoziierter Makrophageninfiltration und schlechten Überlebenschancen bei Brustkrebs in Verbindung gebracht. Ihre umfassenden Rollen über verschiedene Krebsarten hinweg bleiben jedoch unklar. In dieser Studie führten wir eine Pankrebsanalyse durch, um die diagnostische, prognostische, immuninvasive und immuntherapeutische Relevanz von PTDSS1 und PTDSS2 zu bewerten. Mehrere öffentliche Datenbanken wurden verwendet, um Genexpressionsmuster, klinische Korrelationen, Überlebensergebnisse, Tumorstamm-Scores und immunbezogene Eigenschaften bei verschiedenen Krebsarten zu analysieren. Die Ergebnisse zeigten, dass PTDSS1 und PTDSS2 in menschlichen Geweben weit verbreitet exprimiert und in den meisten Tumorgeweben im Vergleich zu normalen Geweben signifikant hochreguliert sind. Eine hohe Expression von PTDSS1 oder PTDSS2 war mit einem schlechteren Gesamtüberleben (OS) bei mehreren Krebsarten assoziiert und zeigte signifikante Korrelationen mit klinischen Stadien und Tumorstamm-Werten. Darüber hinaus deuteten funktionelle Analysen darauf hin, dass diese Gene zur Tumorgenese, Immunregulation und Chemoresistenz beitragen könnten. Insgesamt heben die Ergebnisse die prognostische Bedeutung von PTDSS1 und PTDSS2 bei mehreren Krebsarten hervor und deuten darauf hin, dass sie als potenzielle Biomarker für Krebsdiagnose und -prognose sowie als vielversprechende Ziele für die Immuntherapie dienen könnten.

Einleitung

Obwohl in den letzten Jahrhunderten erhebliche Fortschritte in der Onkologie erzielt wurden, bleibt Krebs weltweit eine der Hauptursachen für Todesfälle und Krankheitsbelastungen ^1,2. Das aktuelle klinische Management stützt sich zunehmend auf multimodale Behandlungsstrategien, bei denen verschiedene therapeutische Ansätze kombiniert werden, um die Wirksamkeit zu maximieren und gleichzeitig das Überleben und das allgemeine Wohlbefinden der Patienten zu verbessern². In diesem Zusammenhang hat sich die Krebsimmuntherapie rasch zu einer zentralen Säule der modernen Onkologie entwickelt. Seine Vorteile – darunter Zielselektivität, anhaltende therapeutische Effekte, Anwendbarkeit über mehrere Tumortypen, resistenzmindernde Fähigkeit und Kompatibilität mit anderen Behandlungen – haben großes Interesse geweckt. Dennoch bleibt seine klinische Anwendung durch mehrere Faktoren eingeschränkt, darunter variable Patientenreaktion, immunbezogene Toxizitäten, erworbene Resistenz, eine hohe wirtschaftliche Belastung und Einschränkungen bei der Behandlungsüberwachung. Diese Herausforderungen unterstreichen die Notwendigkeit kontinuierlicher Verfeinerung und Innovation in diesem Bereich. Gleichzeitig hat sich die metabolische Umprogrammierung als Markenzeichen von Krebs etabliert, wobei der Lipidstoffwechsel zunehmend Aufmerksamkeit erregt. Veränderungen in der Lipidaufnahme, -synthese und -nutzung bieten eine wesentliche Unterstützung für das Wachstum und das Überleben von Tumorzellen und können auch eine Rolle bei der Entwicklung therapeutischer Resistenz^spielen. Umprogrammierte Lipidaufnahme und -nutzung unterstützen die Proliferation von Krebszellen und können zur therapeutischen Resistenz beitragen⁵. Darüber hinaus wurden lipidbezogene Biomarker mit der Patientenprognose und der Behandlungsansprache in Verbindung gebracht ^6,7. Trotz zunehmender Aufmerksamkeit sind die Mechanismen des Lipidstoffwechsels bei Krebs und die Entwicklung wirksamer lipidgerichteter Therapien weiterhin unzureichend verstanden, was weitere Untersuchungen rechtfertigt.

Phosphatidylserinsynthasen, PTDSS1 und PTDSS2, sind Schlüsselenzyme, die für die Biosynthese von Phosphatidylserin (PS)^8,9,10 verantwortlich sind, einem der wichtigsten anionischen Phospholipide in Zellmembranen¹¹, das für die Aufrechterhaltung der Membranstruktur und Funktion unerlässlich^ist. Diese Enzyme weisen eine moderate Sequenzähnlichkeit (~32%)¹³ auf und besitzen mehrere transmembranale Regionen, die hauptsächlich auf das endoplasmatische Retikulum und mitochondrienassoziierte Membranen 14,15,16 lokalisiert sind. PS wird durch eine Serinaustauschreaktion mit bestehenden Phospholipiden ^8,9 erzeugt, wobei PTDSS1 bevorzugt Phosphatidylcholin^17,18 und PTDSS2 mit Phosphatidylethanolamin^19,20 verwendet. PTDSS1 ist breit über Gewebe²¹ exprimiert, während PTDSS2 eine stärkere eingeschränkte Verteilung mit höheren Konzentrationen in Maus-Gehirnneuronen und Testikel-Sertoli-Zellen¹⁹ aufweist. Funktional ist PTDSS2 für die normale Hodenentwicklung unerlässlich, da etwa 10 % der männlichen Knockout-Mäuse Unfruchtbarkeit und eine verkleinerte Hodengröße zeigen – ein Phänotyp, der bei PTDSS1-defizienten Mäusen¹⁹ nicht beobachtet wird. Obwohl die Löschung eines einzelnen Gens eines der beiden Enzyme die Lebensfähigkeit nicht beeinträchtigt, führt der gleichzeitige Verlust zu embryonaler Lethalität^19,22, was die Bedeutung der PS-Biosynthese für das Zellüberleben unterstreicht. Jüngste Erkenntnisse deuten darauf hin, dass eine Dysregulation von PTDSS1 und PTDSS2 in Tumoren mit veränderter tumorassoziierter Makrophageinfiltration und einer schlechteren Überlebensrate bei Brustkrebspatientinnen zusammenhängt²³. Zusammen deuten diese Ergebnisse darauf hin, dass PTDSS1 und PTDSS2 für die Membranhomöostase entscheidend sind und ihre abnormale Expression zum Krankheitsverlauf beitragen kann, insbesondere bei Krebs.

Diese Studie vergleicht systematisch die Pankrebs-Effekte von PTDSS1 und PTDSS2 auf Tumorexpression, Prognose, Stammbild, Immunregulation, genomische Veränderungen und Behandlungsansprechwert. Im Gegensatz zu früheren Studien, die sich auf einzelne Krebsarten oder isolierte Lipidstoffwechselereignisse konzentrierten, integriert die vorliegende Forschung Multi-Omics-Daten, um potenzielle Zusammenhänge zwischen Phosphatidylserin-Biosynthese, Tumorimmunität und Krebsprogression zu untersuchen. Die Analyse umfasst Expressionsmuster, Korrelationen mit Tumormerkmalen und immunbezogenen Faktoren, genomische Merkmale und die Vorhersage der Arzneimittelsensitivität. Diese Studie zielt darauf ab, das Verständnis der funktionellen Rollen von PTDSS1 und PTDSS2 über verschiedene Malignitäten hinweg zu vertiefen und eine theoretische Grundlage sowie praktische Leitlinien für die Entwicklung personalisierter Behandlungsstrategien zu bieten.

Protokoll

Diese Studie basierte ausschließlich auf öffentlich zugänglichen Datensätzen und beinhaltete keine direkte Beteiligung von Menschen oder Tieren; Daher waren keine institutionelle ethische Zustimmung und informierte Zustimmung erforderlich

1. PTDSS1- oder PTDSS2-Expressionsanalyse

1. Bewertung der PTDSS1- und PTDSS2-mRNA-Expression in normalen menschlichen Geweben mithilfe der Human Protein Atlas (HPA)-Datenbank (https://www.proteinatlas.org).
2. Entnehmen Sie PTDSS1- und PTDSS2-Genexpressionsprofile über mehrere Krebsarten hinweg aus dem "Gene DE"-Modul der TIMER2-Plattform (http://timer.cistrome.org/).
3. Laden Sie RNA-Seq-Expressionsdaten für normale und Tumorgewebe aus den TCGA (http://cancergenome.nih.gov) und GTEx (http://commonfund.nih.gov/GTEx/) Datenbanken herunter.

2. Pathologische Stadium-, Überlebens- und Tumorstamm-Analyse

1. Laden Sie den TCGA Pan-Cancer (PANCAN, N = 10.535, G = 60.499) Datensatz von der UCSC Xena-Plattform (https://xenabrowser.net/) herunter.
2. Entnehmen Sie PTDSS1- und PTDSS2-Expressionsdaten aus allen Stichproben und schließen Einträge mit null Ausdruckswerten aus. Normalisieren Sie die verbleibenden Ausdrucksdaten mit der log2(x + 0.001)-Transformation.
3. Entfernen Sie Krebsarten mit weniger als drei Proben, was zu einem endgültigen Datensatz mit 37 Tumortypen führt. Führen Sie differentielle Expressionsanalysen über klinische Stadien hinweg mit R-Software durch.
4. Bewertung der statistischen Signifikans zwischen zwei Gruppen mit dem ungepaarten Student's t-Test und bei mehreren Gruppen mittels Varianzanalyse (ANOVA)²⁴.
5. Abrufen Sie den TCGA Pan-Cancer-Datensatz von der UCSC Xena-Plattform (https://xenabrowser.net/). Extrahiere PTDSS1- und PTDSS2-Expressionsprofile und schließen Proben mit null Expressionswerten aus.
6. Entfernen Sie Fälle mit Nachfolgedauern von weniger als 30 Tagen. Normalisieren Sie die verbleibenden Expressionsdaten mit der log2-Transformation und einem Pseudo-Count von 0,001.
7. Krebsarten mit weniger als 10 Proben werden ausgeschlossen, was zu einem endgültigen Datensatz mit 39 Krebsarten mit entsprechenden OS-Informationen führt. Überlebensanalysen mit dem R-Paket Überlebensanalysen durchführen.
8. Konstruiere Cox-Proportionalhazard-Modelle mit der Coxph-Funktion, um die Zusammenhänge zwischen PTDSS1/PTDSS2-Expression und Patientenprognose über Krebsarten hinweg zu bewerten. Überlebensunterschiede mit dem Log-Rank-Test²⁴ bewerten.
   HINWEIS: Aufgrund der Heterogenität und unvollständigen Verfügbarkeit klinischer Annotationsdaten über verschiedene Tumortypen bei TCGA wurden zusätzliche klinische Kovariaten (wie Alter, Geschlecht und Tumorstadium) nicht einheitlich in die Cox-Regressionsanalysen einbezogen.
9. Beziehen Sie den TCGA Pan-Cancer-Datensatz von der UCSC Xena-Plattform (https://xenabrowser.net/). Extrahiere PTDSS1- und PTDSS2-Expressionsprofile und berechnen Sie Tumorstamm-Indizes basierend auf DNA-Methylierungsmerkmalen.
10. Integriere Stammness-Scores mit Genexpressionsdaten für spätere Analysen. Proben mit null Ausdruckswerten ausschließen und die verbleibenden Ausdrucksdaten mit der log2-Transformation normalisieren.
11. Entfernen Sie Krebsarten, die durch weniger als drei Proben repräsentiert werden, um die analytische Zuverlässigkeit zu verbessern. Führen Sie Pearson-Korrelationsanalysen durch, um den Zusammenhang zwischen PTDSS1/PTDSS2-Expression und Tumorstammigkeit über verschiedene Krebsarten hinweg zu bewerten 24.
    HINWEIS: Stichproben mit null Ausdruckswerten wurden ausgeschlossen, um den potenziellen Einfluss von technischem Rauschen und undefinierten Werten während der logaritumtransformationsbasierten Normalisierung zu verringern. Das gleiche Prinzip gilt für nachfolgende Schritte.

3. Analyse der Überlebensprognose

1. Analysieren Sie die Zusammenhänge zwischen PTDSS1/PTDSS2-Expression und Tumorstadium mit dem "Stage Plot"-Modul in der Gene Expression Profiling Interactive Analysis (GEPIA)-Plattform (http://gepia.cancer-pku.cn/).
2. Bewertung der prognostischen Signifikans von PTDSS1 und PTDSS2 über mehrere Krebsarten hinweg mithilfe der KM-Plotterdatenbank (https://kmplot.com/analysis/).
3. Schichten Sie Patienten in Hoch- und Niedrigausdrucksgruppen anhand der mittleren Expressionswerte (Cutoff-High = 50 %, Cutoff-Low = 50 %).
4. Erstellung von OS-Signifikanzkarten und Kaplan–Meier-Überlebenskurven für PTDSS1 und PTDSS2 über TCGA-Tumore mit GEPIA2. Die statistische Signifikanz wird mit dem Log-Rank-Test bewertet.

4. PTDSS1- oder PTDSS2-bezogene Genanalyse

1. Erhalten Sie Protein-Protein-Interaktionsnetzwerke von PTDSS1 und PTDSS2 aus der STRING-Datenbank (https://cn.string-db.org/) durch Auswahl experimentell validierter Interaktionen bei Homo sapiens mit folgenden Parametern: minimaler Interaktionsscore = 0,150 (geringe Zuverlässigkeit), vollständiger Netzwerktyp, evidenzbasierte Kanten und maximale Anzahl von Interaktoren = 50.
2. Identifizieren Sie potenzielle ko-exprimierte Gene mit dem Modul "Similar Gene Detection" in GEPIA2 (http://gepia2.cancer-pku.cn/#index) und wählen Sie die Top 100 verwandten Gene für eine weitere Analyse aus.
3. Bewerten Sie die Expressionskorrelationen zwischen PTDSS1/PTDSS2 und den Top 10 interagierenden Proteinen über Tumortypen hinweg mit dem "Gene_Corr"-Modul in TIMER2.0 (http://timer.cistrome.org/) und visualisieren Sie die Ergebnisse als Heatmaps.
4. Rufen Sie die Kyoto Encyclopedia of Genes and Genomes (KEGG) Signalweg-Annotationen über die KEGG REST API (https://www.kegg.jp/kegg/rest/keggapi.html) ab und nutzen Sie sie als Referenzhintergrund für funktionelle Anreicherungsanalysen.
5. Führen Sie Gensatz-Anreicherungsanalysen mit dem R-Paket clusterProfiler mit Gensatzgrößen von 5 bis 5000 durch.
   HINWEIS: Die statistische Signifikanz ist definiert als P < 0,05 und die Falschentdeckungsrate (FDR) < 0,25.
6. Führen Sie Genontologie-(GO)-Anreicherungsanalysen durch, einschließlich biologischer Prozess (BP), zellulärer Komponente (CC) und molekularer Funktion (MF), mit Hilfe der DAVID-Datenbank. Visualisieren Sie angereicherte Pfade mithilfe der Mikrobiom-Plattform.

5. Analyse der genetischen Veränderung

1. Untersuchen Sie die Mutationsprofile von PTDSS1 und PTDSS2 über mehrere Krebsarten hinweg mithilfe der cBioPortal-Plattform (http://www.cbioportal.org/) basierend auf der TCGA Pan-Cancer Atlas Studies-Kohorte.
2. Untersuchen Sie die Häufigkeits- und Veränderungstypen von PTDSS1 und PTDSS2 mit den Modulen "OncoPrint" und "Cancer Types Summary". Verwenden Sie das "OncoPrint"-Modul, um Mutationen, Kopiennummernvariationen und Veränderungen der Genexpression über Proben hinweg zu visualisieren.
3. Abfrage von PTDSS1 oder PTDSS2 in den Abschnitten "Cancer Types Summary" und "Mutations", um detaillierte Informationen über Veränderungsstellen, Mutationstypen und deren Verbreitung zwischen verschiedenen Krebsarten zu erhalten.
4. Laden Sie den TCGA Pan-Cancer (PANCAN, N = 10.535, G = 60.499) Datensatz aus der UCSC Xena-Datenbank (https://xenabrowser.net/) herunter. Extrahiere PTDSS1- und PTDSS2-Expressionsdaten für jede Probe und erziele entsprechende Mikrosatelliten-Instabilitätswerte (MSI). Integration von Genexpressions- und MSI-Daten für nachgelagerte Analysen.
5. Stichproben mit null Ausdruckswerten ausschließen und die verbleibenden Daten mit log2(x + 0,001)-Skala transformieren. Entfernen Sie Krebstypen, die durch weniger als drei Stichproben repräsentiert werden, was zu einem endgültigen Datensatz führt, der Expressions- und MSI-Daten über 37 Krebstypen²⁴ umfasst.
6. Holen Sie den TCGA Pan-Cancer-Datensatz aus der UCSC-Xena-Datenbank ab und extrahieren Sie PTDSS1- und PTDSS2-Expressionsdaten für jede Probe. Laden Sie die mit MuTect2 verarbeiteten Level-4-Nukleotid-Variationsdaten aus dem GDC-Portal (https://portal.gdc.cancer.gov/) herunter.
7. Berechnen Sie die Tumormutationslast (TMB) für jede Probe mithilfe der TMB-Funktion im Maftools-R-Paket und integrieren Sie TMB-Werte mit den entsprechenden Genexpressionsdaten.
8. Stichproben mit null Ausdruckswerten ausschließen und die verbleibenden Daten mit log2(x + 0,001)-Skala transformieren. Entfernen Sie Krebstypen, die durch weniger als drei Stichproben repräsentiert werden, was zu einem endgültigen Datensatz mit 37 Krebsarten führt.

6. Immunregulatorische Gene, Immunkontrollpunkte und RNA-modifizierte Genanalyse

1. Beziehen Sie den TCGA Pan-Cancer-Datensatz aus der UCSC-Datenbank und extrahieren Sie PTDSS1- oder PTDSS2-Expressionsdaten zusammen mit 150 Markergenen, die fünf immunbezogene Wege repräsentieren (Chemokin: 41 Gene; Rezeptor: 18 Gene; MHC: 21 Gene; Immuninhibitor: 24 Gene; Immunstimulator: 46 Gene) für jede Probe.
2. Ausschließen Sie normale Gewebeproben und Proben mit null Expressionswerten und wenden Sie eine log2(x + 0,001)-Transformation auf alle Expressionsdaten an. Führen Sie eine Pearson-Korrelationsanalyse durch, um Assoziationen zwischen PTDSS1 oder PTDSS2 und Immunsignalmarker-Genen zu bewerten.
3. Holen Sie den TCGA Pan-Cancer-Datensatz aus der UCSC-Datenbank ab und extrahieren Sie PTDSS1- oder PTDSS2-Expressionsdaten zusammen mit 60 Genen, die an Immuncheckpunkt-Wegen beteiligt sind (inhibitorisch: 24 Gene; stimulierend: 36 Gene).
4. Entfernen Sie normale Stichproben und Proben mit null Ausdruckswerten und transformieren Sie alle Ausdrucksdaten mit log2(x + 0,001). Führen Sie eine Pearson-Korrelationsanalyse durch, um Zusammenhänge zwischen PTDSS1 oder PTDSS2 und immuncheckpoint-bezogenen Genen zu bewerten.
5. Laden Sie den TCGA Pan-Cancer-Datensatz aus der UCSC-Datenbank herunter und extrahieren Sie PTDSS1- oder PTDSS2-Expressionsdaten zusammen mit 44 Genen, die mit drei Arten von RNA-Modifikationen (m1A: 10 Gene; m5C: 13 Gen; m6A: 21 Gene) für jede Probe assoziiert sind.
6. Ausschließen Sie normale Gewebeproben und Proben mit null Expressionswerten und wenden Sie eine log2(x + 0,001)-Transformation auf alle Expressionsdaten an. Führen Sie eine Pearson-Korrelationsanalyse durch, um die Beziehungen zwischen PTDSS1- oder PTDSS2- und RNA-modifikationsbezogenen Genen zu bewerten.

7. Analyse der Immuninfiltration

1. Laden Sie den TCGA Pan-Cancer-Datensatz aus der UCSC-Xena-Datenbank herunter und extrahieren Sie PTDSS1- und PTDSS2-Expressionsdaten für jede Probe.
2. Normale Stichproben und Proben mit null Ausdruckswerten werden ausgeschlossen. Normalisiere Expressionsdaten mit log2(x + 0,001)-Transformation und vergleiche Gen-Identifikatoren auf das GeneSymbol-Format.
3. Berechnen Sie StromalScore, ImmuneScore und ESTIMATE Score für jeden Patienten mit dem ESTIMATE R-Paket, was zu Immuninfiltrationswerten für 9.554 Tumorproben über 39 Krebsarten hinweg führt.
4. Führen Sie eine Pearson-Korrelationsanalyse mit der Funktion "corr.test" im psych R-Paket durch, um Zusammenhänge zwischen Genexpression und Immuninfiltrationsscores zu bewerten.
5. Schätzung der Immunzellinfiltrationswerte für B-Zellen, CD4^+- T-Zellen, CD8⁺ T-Zellen, Neutrophile, Makrophagen und dendritische Zellen mit dem im IOBR R-Paket implementierten TIMER-Algorithmus für 9.405 Proben über 36 Tumortypen hinweg.
6. Führen Sie eine Pearson-Korrelationsanalyse durch, um Zusammenhänge zwischen PTDSS1/PTDSS2-Expression und Immunzellinfiltrationsniveaus zu bewerten.

8. Arzneimittelsensitivität von PTDSS1 und PTDSS2 bei Pankrebs

1. Laden Sie NCI-60-Verbindungsaktivitätsdaten und RNA-Seq-Expressionsprofile von CellMiner herunter.
2. Wählen Sie FDA-zugelassene oder klinische Studienverbindungen für eine weitere Analyse aus.
3. Führen Sie eine Arzneimittelsensitivitätsanalyse von PTDSS1 und PTDSS2 im Pankrebs mit R-Software durch.

Ergebnisse

PTDSS1- oder PTDSS2-mRNA-Expression in verschiedenen menschlichen normalen Geweben

Anhand von Daten aus der HPA-Datenbank wurden die mRNA-Expressionsprofile von PTDSS1 und PTDSS2 über verschiedene menschliche Gewebe hinweg untersucht. Die Analyse zeigte bemerkenswerte gewebespezifische Expressionsmuster. PTDSS1 war hoch exprimiert in der Nebenschilddrüse, Herzmuskel, Lymphknoten, Mandeln und Knochenmark (Abbildung 1A

Diskussion

Krebs ist eine systemische Erkrankung, die durch die Dysregulation mehrerer Systeme gekennzeichnet ist und typischerweise in drei Phasen fortschreitet: Eliminierung, Gleichgewicht und Flucht²⁵. In der Eliminationsphase eliminiert das Immunsystem effektiv neu gebildete Krebszellen; Während der Gleichgewichtsphase befinden sich Krebszellen und Immunzellen in einem relativen Gleichgewicht, was Tumorwachstum oder Metastasen verhindert; Letztlich entgehen Krebszellen i...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
cBioPortal-Plattform	cBioPortal	http://www.cbioportal.org/	Plattform zur Visualisierung und Analyse multidimensionaler Krebsgenomik-Daten
GDC-Portal	Genomische Daten-Commons (GDC)	https://portal.gdc.cancer.gov/	Portal zum Herunterladen von TCGA-Genomik- und Mutationsdatensätzen
GEPIA-Plattform	GEPIA	http://gepia.cancer-pku.cn/	Webserver für Genexpressionsprofilierung und Überlebensanalysen basierend auf TCGA- und GTEx-Datensätzen
GEPIA2	GEPIA2	http://gepia2.cancer-pku.cn/#index	Aktualisierter Webserver für Genexpressionskorrelation und interaktive Analyse
GTEx-Datenbanken	Genotyp-Gewebe-Expression (GTEx) Projekt	http://commonfund.nih.gov/GTEx/	Datenbank mit Genexpressionsprofilen aus normalen menschlichen Geweben
Human Protein Atlas (HPA) Datenbank	Humaner Proteinatlas	https://www.proteinatlas.org	Datenbank zur Analyse von Protein- und RNA-Expressionsprofilen in normalen Geweben und Krebserkrankungen
KEGG REST API	Kyoto-Enzyklopädie der Gene und Genome (KEGG)	https://www.kegg.jp/kegg/rest/keggapi.html	Anwendungsprogrammierschnittstelle zum Abruf von KEGG-Signalwegannotationen
KM-Plotter-Werkzeug	KMplot	https://kmplot.com/analysis/	Online-Tool zur Bewertung der prognostischen Bedeutung von Genen bei mehreren Krebsarten
maftools R-Paket	Bioleiterpaket-Maftools	Version 2.8.05	R-Paket für Tumormutationslast und Mutationsanalyse verwendet
psych R-Paket	CRAN R Paket Psych	Version 2.1.6	R-Paket, das für Korrelations- und psychologische statistische Analysen verwendet wird
R-Paket	R-Stiftung für statistische Berechnung	Version 4.1.3	Statistische Rechensoftware für die Analyse der Arzneimittelsensitivität
R-Paket clusterProfiler	Bioconductor-Gehäuse clusterProfiler	Version 3.14.3	R-Paket, das für KEGG und funktionale Anreicherungsanalysen verwendet wird
Überleben des R-Pakets	CRAN R Paket Überleben	Version 3.2-7	R-Paket, das für Cox-Regression und Kaplan verwendet wird; Meier-Überlebensanalyse
R-Software	R-Stiftung für statistische Berechnung	Version 3.6.4	Statistische Rechensoftware für Bioinformatik und Überlebensanalysen
STRING-Datenbank	STRING	https://cn.string-db.org/	Datenbank für protein– Analyse des Protein-Interaktionsnetzwerks
TCGA-Datenbanken	Der Krebsgenom-Atlas (TCGA)	http://cancergenome.nih.gov	Großflächige Datenbank für Krebsgenomik mit genomischen, transkriptomischen und klinischen Krebsdaten
TIMER2.0	TIMER2.0	http://timer.cistrome.org/	Plattform zur Schätzung der Immunzellinfiltration und Korrelationsanalyse in Tumoren
Tumor Immune Estimation Resource 2.0 (TIMER2) Plattform	TIMER2.0	http://timer.cistrome.org/	Webplattform zur systematischen Analyse der Immuninfiltration bei verschiedenen Krebsarten
UCSC Xena-Plattform	UCSC Xena	https://xenabrowser.net/	Plattform zur Visualisierung und Analyse von TCGA und anderen öffentlichen Multi-Omics-Datensätzen