Forschungsartikel

Prognostische Modellierung von Eierstockkrebs basierend auf perioperativen anästhesiebezogenen Wirkstoffzielgenen: Ein bioinformatischer Ansatz

93 Ansichten

⸱

DOI:

10.3791/72629

⸱

14. August 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

In diesem Artikel

Zusammenfassung

Diese Studie integriert perioperative, anästhesiebezogene Arzneimittelziel-Genen mit multi-omischen Ovarialkarzinomdaten, um ein prognostisches Modell zu erstellen und zu validieren sowie assoziierte immunologische, räumliche und regulatorische Merkmale zu charakterisieren.

Zusammenfassung

Die Heterogenität des Ovarialkarzinoms (OV) stellt erhebliche Herausforderungen für die Klassifizierung von Krankheitsuntertypen, die Risikostratifizierung und das präzise klinische Management dar. Daher entwickelte diese Studie ein prognostisches Modell basierend auf perioperativen, anästhesiebezogenen Arzneimittelzielgenen (PARDTGs), um die klinische Bedeutung von PARDTGs bei OV-Patienten zu untersuchen. In dieser Studie wurden PARDTGs bei OV durch Integration von Multi-Omics-Daten, einschließlich Bulk-Transkriptomdaten, Einzelzell-RNA-Sequenzierungsdaten (scRNA-seq) und räumlichen Transkriptomdaten, umfassend analysiert. Basierend auf den Expressionsmerkmalen von PARDTGs entwickelten wir ein prognostisches Merkmal unter Verwendung eines stepAIC-Cox-Proportional-Hazards-Modells. Dieses Modell wurde auf dem TCGA-OV-Datensatz aufgebaut und anhand der Datensätze GSE26193, GSE30161 und GSE63885 validiert. Darüber hinaus erstellten wir Nomogramme, die PARDTG-Merkmale und klinische Faktoren kombinieren. Wir analysierten die Korrelation zwischen Risikoscores und funktioneller Anreicherung, Signalwegen sowie dem tumorimmunologischen Mikromilieu. Wir identifizierten 17 PARDTGs, die stark mit der Prognose von OV assoziiert sind. Die prognostische Signatur, die in den Kohorten TCGA-OV, GSE26193, GSE30161 und GSE63885 validiert wurde, zeigte eine robuste Vorhersagegenauigkeit für das Gesamtüberleben (OS). Im Vergleich zur Gen-Signatur allein wies das Nomogramm, das das prognostische Modell und klinische Parameter integriert, eine verbesserte prognostische Leistung auf. Zusätzlich ergab die Analyse des Tumormikromilieus eine signifikante Anreicherung immunbezogener Signalwege und niedrigere TIDE-Scores bei Patienten mit geringem Risiko, was darauf hindeutet, dass diese Patienten stärker von einer Immuntherapie profitieren könnten. Die Studie belegt sowohl die prognostische Relevanz als auch die klinische Nützlichkeit von PARDTGs beim Ovarialkarzinom. Die Integration genetischer Merkmale in die klinische Diagnostik verspricht eine Verbesserung der klinischen Therapie und Prognose.

Einleitung

OV ist eine verbreitete und aggressive maligne Erkrankung, die durch verdeckte Anfangssymptome, starke Invasivität und unspezifische frühe klinische Anzeichen gekennzeichnet ist. Studien haben gezeigt, dass sich die meisten Patienten zum Zeitpunkt der Diagnose bereits im fortgeschrittenen klinischen Stadium befinden, wobei die gesamte Fünf-Jahres-Überlebensrate unter 45 % liegt1. Trotz Fortschritten in der Chirurgie, Chemotherapie und zielgerichteten Therapien bestehen Herausforderungen wie Tumorrezidiv, Chemoresistenz und Immunflucht weiterhin und begrenzen die therapeutische Wirksamkeit2. Daher ist die Identifizierung neuartiger molekularer Biomarker und die Entwicklung zuverlässiger Risikobewertungswerkzeuge dringend erforderlich, um der Tumorheterogenität zu begegnen und personalisierte klinische Strategien zu unterstützen.

Die chirurgische Resektion und das perioperative Management bleiben die zentralen Säulen der OV-Behandlung. Allerdings deuten zunehmende Erkenntnisse darauf hin, dass perioperative physiologische Stressreaktionen, entzündliche Reaktionen und immunologische Modulationen das biologische Verhalten beeinflussen und damit die Langzeitprognose beeinträchtigen können3. Als wesentlicher Bestandteil perioperativer Interventionen reichen die Wirkungen anästhetischer Substanzen über die bloße Unterdrückung des zentralen Nervensystems hinaus. Aktuelle Studien zeigen, dass Anästhesietechniken und anästhetische Wirkstoffe neuroendokrine Reaktionen, entzündliche Kaskaden und die Aktivität immunvermittelter Zellen modulieren können, wodurch sich die postoperative Tumormikroumgebung verändert und die Migrationsfähigkeit von Tumorzellen, die Immunüberwachung sowie metastaserelevante Prozesse beeinflusst werden4. Insbesondere verändern bestimmte Anästhetika direkt das Schicksal von Tumorzellen: Propofol erhöht das Überleben zirkulierender Tumorzellen durch Nrf2-vermittelte Unterdrückung der Ferroptose und fördert dadurch die Metastasierung5. Ketamin induziert Ferroptose in hepatzellulären Karzinomzellen über die Kontrolle der lncPVT1/miR-214-3p/GPX4-Achse, was darauf hindeutet, dass anästhetische Substanzen das Schicksal von Tumorzellen direkt beeinflussen können6. Darüber hinaus könnten Benzodiazepine, als positive allosterische Modulatoren von GABA-Rezeptoren, die antitumorale Wirksamkeit von chemoimmuntherapeutischen Kombinationen abschwächen7. Die derzeitige Forschung konzentriert sich jedoch hauptsächlich auf einzelne anästhetische Wirkstoffe und untersucht systematisch deren potenzielle Wirkungen auf Ebene der Gen-Target-Netzwerke nicht ausreichend.

Perioperative anästhesiebezogene Wirkstoff-Target-Gene (PARDTGs), als direkte molekulare Substrate der anästhetischen Wirkung, sind an mehreren zentralen Signalwegen beteiligt, darunter die Regulation von Neurotransmitterrezeptoren, die Aufrechterhaltung der Kalzium-Homöostase, die Dynamik des Aktin-Zytoskeletts sowie die Rückkopplung in der endokrinen Stressachse8,9. Unter perioperativem chirurgischem Stress können diese Signalwege aktiviert oder unterdrückt werden und beeinflussen dadurch die Polarisierung von Immunzellen sowie die Remodellierung der tumorassoziierten mikro-milieuspezifischen Umgebung8,10. In Bezug auf OV sind die Expressionslandschaft, funktionellen Eigenschaften und klinische Relevanz der PARDTGs jedoch bislang nur unzureichend charakterisiert. Gleichzeitig hat die Entwicklung der scRNA-seq- und der räumlichen Transkriptomik die Genexpressionsprofilierung mit zellulärer Auflösung und räumlicher Lokalisierung ermöglicht und bietet somit neue Einblicke in die räumliche Verteilung, mikromilieuspezifische Präferenzen und zellspezifischen Effekte von anästhetischen Target-Genen in Tumorgeweben11.

In dieser Studie integrierten wir PARDTGs mit OV-Multi-Omics-Datensätzen, identifizierten systematisch differentiell exprimierte Gene und erstellten ein verallgemeinerbares prognostisches Risikomodell. Wir analysierten die biologische Grundlage der Risikostratifizierung aus den Perspektiven der immunen Infiltration, Stammzelleigenschaften, mutationalen Landschaften und funktionellen Signalwege. Durch die Kombination multimodaler Sequenzierungsdaten kartierten wir Zelltyp-Originale und räumliche ökologische Nischen ab, konstruierten miRNA/Transkriptionsfaktor-Regulationsnetzwerke und führten eine Pan-Krebs-Validierung durch, um die Bedeutung über Tumorentitäten hinweg zu belegen. Diese Arbeit liefert mechanistische Hinweise zum potenziellen Rolle von anästhetischen Zielnetzwerken bei OV und bietet translationsrelevante Implikationen für die klinische Risikostratifizierung, prognostische Vorhersage sowie Strategien zum perioperativen Management.

Protokoll

Datenerfassung

Wir untersuchten 120 perioperative anästhesiebezogene Arzneimittelzielgene aus früherer Literatur12 und listen sie in Zusatz-Tabelle S1 auf. Anschließend wurden Genexpressionsprofile, klinische Informationen und Überlebensdaten aus der UCSC Xena TCGA TARGET GTEx Toil-Rechenressource (http://xena.ucsc.edu/) bezogen. Der Expressionsdatensatz bestand aus 420 primären Proben von ovariellen serösen Zystadenokarzinomen aus dem Cancer Genome Atlas (TCGA-OV) sowie aus 88 normalen Eierstockproben des Genotype-Tissue Expression (GTEx)-Projekts. Die Genexpressionswerte wurden als RSEM-Genlevel-FPKM-Werte ermittelt, die mit der Toil-Pipeline generiert wurden13. Eine detaillierte Beschreibung des Probenflusses zur Veranschaulichung der Einbeziehung der TCGA-Proben für jede nachgeschaltete Analyse ist in Zusatz-Tabelle S2 enthalten. Zusätzlich luden wir für die externe Validierung die Datensätze GSE2619314 (n = 107 Proben), GSE3016115 (n = 58 Proben) und GSE6388516 (n = 70 Proben) aus der GEO-Datenbank (http://www.ncbi.nlm.nih.gov/geo/) herunter, um die Genexpressionsprofile und das Überleben der entsprechenden Patienten zu analysieren. Um die Datenkonsistenz sicherzustellen, wurden ENSEMBL-Genidentifikatoren in offizielle Genbezeichnungen umgewandelt. Gene, deren Expression in weniger als der Hälfte der Proben nachweisbar war, wurden ausgeschlossen. Außerdem bezogen wir aus der GEO-Datenbank den menschlichen Einzelzell-Transkriptomdatensatz des Ovarialkarzinoms GSE15460017 sowie den räumlichen Transkriptomdatensatz des Ovarialkarzinoms GSE211956-GSM6506110-SP118.

Verarbeitung von Daten der räumlichen Transkriptomsequenzierung bei Eierstockkrebs

Die räumlichen Transkriptomdaten wurden mit Seurat19 (Version 5.4.0) verarbeitet. Die Spots wurden anhand derselben Qualitätskontrollkriterien wie bei der Einzelzell-RNA-Sequenzierungsanalyse gefiltert (nFeature_RNA: 200–5.000; Anteil an mitochondrialen Genen < 10 %). Nach der Normalisierung und Identifizierung hochvariabler Gene wurde eine dimensionsreduzierende PCA-Analyse durchgeführt, und die Clusterung erfolgte mithilfe des graphenbasierten Clusterungsalgorithmus von Seurat. Untergruppen und Genexpressionsmuster wurden mit der Funktion SpatialFeaturePlot visualisiert. Zusätzlich wurden die Genexpressionsniveaus auf Ebene des räumlichen Transkriptoms mithilfe von „AUCell“19 (Version 1.32.0) visualisiert und analysiert.

scRNA-seq-Datenanalyse

Einzelzell-RNA-Sequenzierungsdaten aus GSE154600 wurden mit dem Seurat-Paket (Version 5.4.0)19 analysiert. Zellen von geringer Qualität wurden anhand von Qualitätskontrollkriterien entfernt. Zellen mit weniger als 200 oder mehr als 5.000 detektierten Genen oder einem Anteil an mitochondrialen Genen von über 10 % wurden ausgeschlossen. Nach der Normalisierung mithilfe der NormalizeData-Funktion wurden die 2.000 stärksten variablen Gene mit der VST-Methode identifiziert. Die PCA basierte auf variablen Genen, und die ersten 15 Hauptkomponenten wurden für die Clusterung und Dimensionsreduktion verwendet. Zellcluster wurden mithilfe von FindNeighbors und FindClusters mit einer Auflösung von 0,5 sowie anschließender UMAP- und t-SNE-Visualisierung identifiziert. Die FindAllMarkers-Funktion diente der Identifizierung von Markergenen für unterschiedliche Zellcluster. Zusätzlich annotierten wir die Zellcluster anhand der CellMarker-2.020-Datenbank und führten eine quantitative Analyse der Genaktivität mithilfe der ssGSEA-Funktion des GSVA-Pakets (Version 2.4.9) durch.

Differenziell exprimierte Gen- (DEG-) und Funktionsanalysen

Die Analyse der differentiellen Expression wurde mit dem „limma“-Paket21 (Version 3.56.2) basierend auf den Expressionsprofilen von PARDTGs zwischen Eierstockkrebs und normalem Ovarialgewebe durchgeführt. Vor der Analyse wurden die FPKM-Expressionswerte mittels der Formel log2(FPKM+1) log2-transformiert. Das im limma-Paket implementierte Standard-Linear-Modell wurde angewendet, um differentiell exprimierte PARDTGs zu identifizieren. Gene mit einer falschen Entdeckungsrate (FDR) < 0,05 und |log2-Fold-Change (FC)| > 1 galten als signifikant differentiell exprimiert. Die GO- und KEGG-Anreicherung wurde für die differentiell exprimierten PARDTGs mithilfe von ClusterProfiler22 (Version 4.8.3) durchgeführt. Wasserfallplots wurden mit „maftools“23 (Version 2.16.0) erstellt, um somatische Mutationen in PARDTGs beim Eierstockkrebs zu detektieren. Anschließend wurde das PPI-Netzwerk von PARDTGs mit dem STRING-Repository (Version 12.0) unter Verwendung der Standardparameter aufgebaut.

Entwicklung eines auf PARDTG basierenden Risikoscoresystems

Zur Identifizierung der optimalen PARDTGs wurde eine schrittweise Cox-Regression mit proportionalen Hazards durchgeführt, um prognostisch signifikante Gene unter den differentiell exprimierten PARDTGs zu筛选en und deren Beitrag zum Gesamtüberleben bei Ovarialkarzinom (OV) zu bestimmen. Die Annahme proportionaler Hazards für das endgültige multivariate Cox-Regressionsmodell wurde mithilfe von Schoenfeld-Residualtests überprüft, die in der cox.zph-Funktion des R survival-Pakets (Version 3.5.5) implementiert sind. Ein prognostischer Risikoscore wurde basierend auf den Expressionsniveaus der Signaturgene und ihren entsprechenden Cox-Regressionskoeffizienten berechnet. Aufgrund der Heterogenität zwischen transkriptomischen Plattformen wurden die prognostischen Modelle unabhängig in den Kohorten TCGA-OV, GSE26193, GSE30161 und GSE63885 evaluiert. Für jede Kohorte wurden anhand der Expressionsprofile der Signaturgene kohortenspezifische Risikoscores berechnet, und die Patienten wurden anhand des medianen Risikoscores als Trennwert in Gruppen mit hohem und niedrigem Risiko eingeteilt. Das Gesamtüberleben (OS) wurde zwischen den beiden Gruppen mittels Kaplan-Meier-Analyse verglichen, wobei die statistische Signifikanz mit dem Log-Rang-Test bewertet wurde. Der unabhängige prognostische Wert des Risikoscores wurde anschließend durch univariate und multivariate Cox-Regression mit proportionalen Hazards analysiert.

Entwicklung eines prognostischen klinischen Modells für Eierstockkrebs

Um zu bestimmen, ob der Risikoscore prognostische Informationen jenseits konventioneller klinischer Variablen lieferte, wurden univariate und multivariate Cox-Regressionen mit proportionalen Hazards durchgeführt, wobei der Risikoscore zusammen mit klinisch-pathologischen Merkmalen berücksichtigt wurde. Anschließend wurden prognostische Nomogramme unter Verwendung des molekularen Risikoscores und klinisch relevanter Variablen wie Tumorstadium und -grad als Eingabeparameter erstellt. Die Auswahl der Variablen erfolgte basierend auf ihrer klinischen Relevanz und dem Ziel, ein integriertes prognostisches Modell zu entwickeln, und nicht allein aufgrund statistischer Signifikanz. Die Nomogramme wurden mit dem „rms“-Paket24 (Version 6.7.1) generiert, um die Gesamtüberlebenswahrscheinlichkeiten nach 1, 3 und 5 Jahren anhand der aus den einzelnen Variablen abgeleiteten Gesamtpunktzahlen zu schätzen.

Charakterisierung der immunologischen Eigenschaften

Die Infiltration von Immunzellen wurde mithilfe des CIBERSORT-Algorithmus mit der LM22-Signaturmatrix geschätzt. Die Analyse erfolgte mit 1.000 Permutationen, und Proben mit einem Entmischungs-P-Wert < 0,05 wurden als statistisch verlässlich angesehen. Wasserfall-Diagramme wurden mit maftools (Version 2.16.0) erstellt, um die Häufigkeit stark mutierter Gene beim Ovarialkarzinom zu veranschaulichen. Die Gen-Set-Verknüpfungsanalyse (GSEA) wurde über ClusterProfiler (Version 4.8.3) mit einer Signifikanzschwelle von p < 0,05 durchgeführt.

Konstruktion des CeRNA-Netzwerks

In dieser Studie wurde NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 zur Analyse der Interaktion zwischen prognostischen Genen und Transkriptionsfaktoren verwendet. Mithilfe von NetworkAnalyst 3.0 wurde das miRNA-TF-koordinierende Netzwerk erstellt.

Gewebeproben von Ovarialkarzinomen

Ovarialkarzinom-Gewebe und dazugehörige angrenzende normale Proben (N = 6) wurden von Patientinnen, die einer elektiven chirurgischen Resektion unterzogen wurden, gewonnen. Das Studienprotokoll wurde von dem Ethikkomitee der Frauenheilkunde & Gynäkologisches Krankenhaus der Fudan-Universität (2024-54-X1), und von allen Teilnehmenden wurde schriftlich informiert zugestimmt. Die Studie wurde gemäß der Deklaration von Helsinki durchgeführt.

Western-Blot-Analyse

Gesamtprotein wurde aus menschlichen Gewebeproben mit RIPA-Lysepuffer, der Phenylmethylsulfonylfluorid (PMSF), Proteaseinhibitoren-Cocktail und Phosphataseinhibitoren enthielt, extrahiert. Die Protein-Konzentrationen wurden mittels eines Bicinchoninsäure-(BCA)-Proteinassays bestimmt. Gleichmäßige Proteinmengen wurden durch SDS-Polyacrylamid-Gelelektrophorese (SDS-PAGE) getrennt und anschließend auf Polyvinylidenfluorid-(PVDF)-Membranen übertragen. Nach der Übertragung wurden die Membranen 90 Minuten bei Raumtemperatur mit 5 % fettfreier Milch in TBS-T blockiert. Danach erfolgte die Inkubation der Membranen über Nacht bei 4 °C mit primären Antikörpern gegen Cytokeratin 81 (Kaninchen-polyklonal, 1:2.000) oder GAPDH (Maus-monoklonal, 1:10.000). Nach dem Waschen wurden die entsprechenden sekundären Antikörper 90 Minuten bei Raumtemperatur hinzugefügt. Die Proteinbanden wurden mittels eines verbesserten Chemilumineszenz-(ECL)-Detektionsreagens sichtbar gemacht und mit einem kommerziellen Bildgebungssystem aufgezeichnet. Die dichtometrische Analyse wurde in ImageJ durchgeführt, und die KRT81-Expression wurde relativ zur GAPDH-Ladekontrolle normalisiert. Unterschiede in der Proteinexpression zwischen gepaarten Proben wurden mittels eines gepaarten t-Tests bewertet, wobei ein P < 0,05 als statistisch signifikant angesehen wurde.

pankankerales Analyse

In dieser Studie wurde TCGAplot26 (Version 5.0.0) verwendet, um die Beziehungen zwischen den Expressionsniveaus von KRT81 zu ermitteln. Die Pearson-Korrelationsanalyse wurde zur Berechnung statistischer Korrelationen herangezogen. Das mutatorische Profil von KRT81 in verschiedenen Krebserkrankungen wurde mit der cBioPortal-Plattform (http://www.cbioportal.org/) (Version 7.0.6) untersucht.

Statistische Analysen

Alle Datenanalysen wurden mit der R-Software (Version 4.3.1) durchgeführt. Der Vergleich zwischen zwei Gruppen erfolgte mittels des Wilcoxon-Rangsummentests, während Unterschiede zwischen drei oder mehr Gruppen mit dem Kruskal-Wallis-Test bewertet wurden. Die Gesamtüberlebenszeit wurde nach der Kaplan-Meier-Methode analysiert, und die statistische Signifikanz zwischen den Überlebenskurven wurde mittels des Log-Rang-Tests bestimmt. Sofern nicht anders angegeben, galt ein zweiseitiger P-Wert < 0,05 als statistisch signifikant. Die Signifikanzniveaus werden wie folgt angegeben: P < 0,05 *, P < 0,01 **, P < 0,001 *** und P < 0,0001 ****.

Ergebnisse

Immunologische Merkmale perioperativer, anästhesiebezogener Arzneimittelzielgene in räumlichen und Einzelzell-Transkriptom-Analysen

SCTransform wurde verwendet, um die Sequenziertiefe zu korrigieren und Prozeduren durchzuführen, wodurch letztendlich 11 verschiedene Zelltypen identifiziert wurden. Um die Bedeutung perioperativer anästhesiebezogener Arzneimittelzielgene (PARDTGs) in jeder Zellsubpopulation zu bewerten, verwendeten wir das AUCell R-Paket, um PARDTG-bezogene Aktivitäten in jeder Zellsubpopulation zu bestimmen (Abbildung 1A,B). Anschließend berechneten wir die Korrelation zwischen Zellhäufigkeit und PARDTG-assoziierten Aktivitäten über alle Loci hinweg mithilfe der Spearman-Rangkorrelation. Bemerkenswerterweise zeigten PARDTG-bezogene Aktivitäten eine negative Korrelation mit Tumorzellen (Abbildung 1C). Wir erhielten Daten der Einzelzell-RNA-Sequenzierung von 5 OV-Patienten, die insgesamt 41.367 Zellen enthielten. Basierend auf der Expression von Markergenen wurden die Zellen in 11 Hauptcluster eingeteilt (Abbildung 1D). Die Interaktionsnetzwerke und -stärken für den Zelltyp sind in Abbildung 1E dargestellt. Wir bewerteten die PARDTG-Aktivität in allen Einzelzellen, indem wir die Expression von 120 PARDTGs mittels ssGSEA in Seurat bewerteten (Abbildung 1F). Auffälligerweise wiesen Tumorzellen eine deutlich geringere Aktivität auf als alle anderen Zelltypen (Abbildung 1G).

Identifizierung und molekulare Charakterisierung perioperativer, anästhesiebezogener Arzneimittel-Zielgene beim Ovarialkarzinom

Aus der TCGA-Datenbank identifizierten wir 68 unterschiedlich exprimierte PARDTGs, die in Abbildung 2A dargestellt sind (siehe auch Ergänzende Tabelle S3). Abbildung 2B beschreibt die Expression dieser 68 perioperativ anästhesieassoziierten DEGs in der TCGA-OV-Kohorte. Anschließend konstruierten wir ein PPI-Netzwerk, um die komplexen Beziehungen zwischen den mit DEGs assoziierten Proteinen aufzuklären. Wir identifizierten fünf potenzielle Hub-Gene – SLC6A4, CHRNA4, DRD2, SLC6A3 und GRIN2A –, die möglicherweise wichtige Effekte in der Pathogenese von Ovarialkarzinom haben (Abbildung 2C). Außerdem untersuchten wir das Profil molekularer Veränderungen von 120 PARDTGs beim Ovarialkarzinom, wobei Nonsens-Mutationen die häufigste Variantenart waren (Abbildung 2D). Die am häufigsten mutierten Gene waren SCN10A, DNMT1, GRIN2A, LTF und SCN11A. Wir analysierten die Häufigkeit von Kopplungszahlvariationen (CNV) und die Ergebnisse zeigten, dass die 20 PARDTGs mit den häufigsten Mutationen signifikante CNV-Veränderungen aufwiesen (Abbildung 2E). GO- und KEGG-Anreicherungsanalysen ergaben, dass PARDTGs mit neuroaktiven Ligandensignalwegen, Calciumsignalwegen, Hormonsignalwegen, Amphetaminabhängigkeit, Kokainabhängigkeit und neuroaktiven Ligand-Rezeptor-Interaktionen assoziiert sind (Abbildung 2F,G).

Aufbau und Validierung eines prognostischen Modells basierend auf perioperativen, anästhesiebezogenen Arzneimittel-Zielgenen

Um die Modellkomplexität zu minimieren, wurde StepAIC verwendet, um den Gensatz zu reduzieren, und letztendlich wurden 17 PARDTGs beibehalten, um das prognostische Modell aufzubauen (ergänzende Tabelle S4). Der globale Schoenfeld-Residualtest zeigte keine signifikante Abweichung von der Annahme proportionaler Hazardraten (p = 0,265), was die Zuverlässigkeit des 17-Gen-prognostischen Modells unterstützt. Der Risikoscore wurde anhand der folgenden Gleichung berechnet: Risikoscore = ADRA1D*(0,4452) + 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*(0,1101) + OPRD1*(-3,2372) + SLC6A2*(1,4901) + SLC18A1*(4,2170) + SLC18A2*(-1,4600) + CHRNA1*(-0,1723). Die Patienten wurden anschließend anhand ihrer Risikoscores in niedrig- und hochriskante Gruppen eingeteilt, wobei die Gruppe mit niedrigem Risiko eine signifikant verbesserte OS im Vergleich zur Gruppe mit hohem Risiko zeigte in den Kohorten TCGA-OV (Abbildung 3A, p < 0,0001), GSE26193 (Abbildung 3B, p = 0,00021), GSE30161 (Abbildung 3C, p = 0,0017) und GSE63885 (Abbildung 3D, p = 0,0041). Darüber hinaus veranschaulichen Abbildung 3E–H die Verteilungen des Überlebensstatus und der Risikoscores in den Kohorten TCGA-OV, GSE26193, GSE30161 und GSE63885 und liefern unabhängige Belege für die Stabilität und Vorhersagezuverlässigkeit des prognostischen Modells bei OV.

Aufstellung und Bewertung eines nomogrammbasierten Überlebensmodells

Sowohl univariate als auch multivariate Cox-Regressionanalysen zeigten, dass der Risikoscore als unabhängiger Prädiktor für die Prognose bei Patientinnen mit Ovarialkarzinom diente (Abbildung 4A,B). Die Verteilung der Genexpression des Modells, der entsprechenden Risikoscores und der klinisch-pathologischen Merkmale in der TCGA-OV-Kohorte ist in Abbildung 4C dargestellt. Um die klinische Anwendbarkeit zu verbessern, wurde ein prognostischer Nomogramm erstellt, das den Risikoscore zusammen mit Alter, Tumorstadium und Grad beinhaltet, um das Gesamtüberleben (OS) abzuschätzen (Abbildung 4D). Im Vergleich zur Gen-Signatur allein erreichte das integrierte Nomogramm eine überlegene Vorhersageleistung. Die Überlebensanalyse zeigte zudem ein signifikant längeres OS in der Gruppe mit niedrigem Risiko im Vergleich zur Gruppe mit hohem Risiko (Abbildung 4E; P < 0,0001). Das kombinierte Modell ergab zeitabhängige AUC-Werte von 0,769, 0,690 und 0,728 für die OS-Vorhersage (Abbildung 4F). Die Decision-Curve-Analyse unterstützte die potenzielle klinische Nützlichkeit des Nomogramms, indem sie einen größeren Nettovorteil über einen Bereich von Schwellenwahrscheinlichkeiten hinweg aufzeigte (Abbildung 4G). Darüber hinaus zeigten Kalibrierungsdiagramme eine enge Übereinstimmung zwischen den vorhergesagten und beobachteten Überlebenswahrscheinlichkeiten, was auf eine gute Modellkalibrierung hindeutet (Abbildung 4H). Insgesamt deuten diese Ergebnisse darauf hin, dass das vorgeschlagene Nomogramm über eine starke Vorhersagekraft für die Beurteilung der Prognose von Patientinnen mit OV verfügt.

Assoziation des PARDTG-basierten prognostischen Modells mit der Immuninfiltration und der tumorimmunologischen Mikroumgebung

Zur Charakterisierung der Immuninfiltration wurde die Häufigkeit von Immunzellen in den Proben quantifiziert. Es wurden siebzehn Gene identifiziert, die signifikant mit tumorinfiltrierenden Immunzellen assoziiert waren, wobei ADRA1D, KCNA1 und SLC18A2 positive Korrelationen mit M2-Makrophagen aufwiesen (Abbildung 5A). Anschließend untersuchten wir die zellulären Lokalisierungsmuster dieser Gene. Die Punktdiagrammanalyse zeigte, dass KRT81 vorwiegend in CD8Tex- und Tprolif-Zellen exprimiert wurde, während die Expression von EPHA4 hauptsächlich in endothelialen Zellen und Fibroblasten angereichert war, was auf eine mögliche Beteiligung in unterschiedlichen zellulären Kompartimenten innerhalb der Tumormikroumgebung hindeutet (Abbildung 5B). Zusätzlich bewerteten wir die TIDE-Scores der Patienten und stellten fest, dass der Hochrisiko-Subcluster höhere TIDE-Scores und eine positive Korrelation aufwies (Abbildung 5C). Darüber hinaus waren die Stammzellähnlichkeits-Anreicherungsscores in der Hochrisikogruppe signifikant höher als in der Niedrigrisikogruppe (Abbildung 5D). Die Analyse somatischer Mutationen ergab eine hohe Gesamtmutationsfrequenz in beiden Risikogruppen (Abbildung 5E,F). Unter diesen wiesen die Mutationsfrequenzen von CSMD3 und MUC16 in den Hochrisikoproben höhere Werte auf.

Die GSEA zeigte, dass immunbezogene Signalwege, einschließlich der Antigenverarbeitung und -präsentation sowie der Transplantatabstoßung, in der Gruppe mit niedrigem Risiko signifikant angereichert waren, während Signalwege, die mit Tumoreinwanderung und -beweglichkeit assoziiert sind, wie die Regulation des Aktin-Zytoskeletts, Proteoglykane in der Krebsentwicklung und Motorproteine, vorwiegend in der Gruppe mit hohem Risiko angereichert waren (Abbildung 5G,H). Diese Ergebnisse deuten darauf hin, dass Patienten in der Gruppe mit hohem Risiko eine begrenzte Ansprechrate auf eine Immuntherapie aufweisen könnten.

Identifizierung und Netzwerkanalyse prognostischer PARDTGs beim Eierstockkrebs

Um den Mechanismus aufzuklären, identifizierten wir 490 miRNAs und 17 potenzielle regulatorische Netzwerke von Biomarkern (Abbildung 6A). Unter diesen besitzen hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p und hsa-miR-20b-5p das Potenzial, die meisten Gene zu regulieren. Letztendlich identifizierten unsere Forschungsergebnisse 37 Transkriptionsfaktoren, die die kandidaten Diagnosegene regulierten (Abbildung 6B). Zusätzlich wurde festgestellt, dass FOXC1 ebenfalls mehrere regulatorische Funktionen besitzt.

Pan-karzinom-Analyse der KRT81-Expression

RNA-seq-Daten von TCGA wurden beschafft, um zu bewerten KRT81 Expression. Die Ergebnisse zeigten, dass es in den meisten Krebserkrankungen stark exprimiert war, jedoch in GBM, LGG, SKCM, TGCT und THCA auf niedrigem Niveau exprimiert wurde (Abbildung 7A). Um das Ergebnis zu überprüfen, dass KRT81 ist in Ovarialkarzinomen stark exprimiert, wie durch bioinformatische Analysen ermittelt wurde; daher führten wir ein Western-Blot-Experiment durch. Die Ergebnisse zeigten, dass KRT81 die Expression war in Tumorgeweben im Vergleich zu normalem Gewebe signifikant erhöht und stimmte weitgehend mit den Transkriptomdaten der TCGA überein (Abbildung 7B, Zusätzliche Informationen Abbildung S1, und Zusatz-Tabelle S5). Um die Beziehungen zwischen KRT81 und Krebs untersuchten wir die Genexpression und das Infiltrat von Immunzellen (Abbildung 7C). Die Analyse ergab, dass KRT81 die Expression war in den meisten Krebsarten positiv mit der Infiltration von T-Zellen, Tregs und M2-Makrophagen korreliert. Außerdem war die KRT81-Expression in den meisten Krebsarten positiv mit den stromalen und immunologischen Scores assoziiertAbbildung 7D). Außerdem analysierten wir die Korrelation zwischen KRT81 Expression und Aneuploidie-Score, und das Radar-Diagramm zeigte, dass KRT81 mit dem Aneuploidie-Score in UCEC, SARC, LUAD, LIHC und KIRP korreliert war (Abbildung 7E). Anschließend analysierten wir die Korrelation zwischen KRT81 und Tumor-Ploidie, und das Radar-Diagramm zeigte, dass KRT81 wurde mit der Tumor-Ploidie in THCA, TGCT, SARC, MESO, LIHC und CESC korreliert (Abbildung 7F). Anschließend zeigte das Radar-Diagramm, dass KRT81 mit SNV-Neoantigenen in UCEC, THYM, LUAD, LIHC, GBM und BRCA korreliert war (Abbildung 7G). Darüber hinaus zeigte die Online-Analyse mit cBioPortal, dass die höchste Häufigkeit von KRT81 Genmutation war in UCEC, wobei die häufigsten Typen „Mutation“ und „Amplifikation“ waren (Abbildung 7H, I). Mithilfe einer univariaten Cox-Regression mit proportionalem Hazard-Modell identifizierten wir KRT81 als Prädiktor für das Gesamtüberleben (OS) bei KIRC, LUAD und STAD (Abbildung 7J).

Datenverfügbarkeit:

Die in dieser Studie analysierten öffentlich zugänglichen Datensätze sind über TCGA, UCSC Xena und GEO erhältlich. Die ursprünglichen Western-Blot-Bilder und die entsprechenden quantitativen Daten, die im Rahmen dieser Studie generiert wurden, finden sich in den ergänzenden Materialien (Supplementary Figure S1 und Supplementary Table S5).

Analyse der räumlichen Transkriptomik: Genexpressions-Heatmaps, Korrelationsplots, Zellinteraktionsnetzwerke.
Abbildung 1. Mit PARDTG assoziierte Merkmale in der räumlichen Analyse und der scRNA-seq. (A,B) Räumliche Abbildung der PARDTG-Expressionsintensität (C), Spearman-Korrelation der mit PARDTG assoziierten Aktivität. (D) Analyse der Zelltypen. (E) Analyse der Anzahl und Stärke der Interaktionen zwischen Zelltypen. (F) Der PARDTG-Anreicherungswert in Zellen. (G) Die Verteilung von PARDTG. Abkürzungen: PARDTG = perioperative anesthesia-related drug target genes; scRNA-seq = single-cell RNA sequencing. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Vulkandiagramm, Heatmap, Netzwerkdiagramm für die Genexpressionsanalyse; Mutations-, CNV-, Pfaddaten.
Abbildung 2. Genetische Veränderungslandschaft von PARDTGs bei OV-Patienten. (A) Vulkandarstellung der DEGs in OV (blau: downregulierte DEGs; rot: upregulierte DEGs; grau: stabile Gene), FDR < 0,05 und |log2FC| > 1. (B) Heatmap zur Darstellung der unterschiedlich exprimierten Merkmale zwischen OV- und Normalgruppen. Blau steht für die Normalgruppe, rot für die OV-Gruppe; das blaue Quadrat repräsentiert geringe Expression, das gelbe Quadrat hohe Expression. (C) PPI-Netzwerk perioperativ anästhesiebezogener DEGs, abgerufen von der String-Website. (D) Die 20 wichtigsten PARDTGs in der TCGA-Kohorte. (E) Häufigkeiten von CNV-Gewinn, -Verlust und Nicht-CNV unter den 20 wichtigsten PARDTGs. (F) GO-Dotplot angereicherter GO-Terme. (G) Balkendiagramm angereicherter KEGG-Pfade. OV = Ovarialkarzinom; GO = Genontologie; KEGG = Kyoto-Enzyklopädie für Gene und Genome; PPI = Protein-Protein-Interaktion. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Kaplan-Meier-Überlebensanalyse-Diagramme zum Vergleich von Zeit-bis-Ereignis-Daten zur Risikostratifizierung von Patienten.
Abbildung 3. Aufbau und Validierung einer auf PARDTG basierenden prognostischen Signatur für Eierstockkrebs. (A–D). OS bei Patienten mit niedrigem und hohem Risiko in (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885. (E–H) Verteilung des mit PARDTG assoziierten Risikoscores unter Verwendung des Überlebensstatus und der Zeit in (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Analyse der Krebsprognose mittels Nomogramm; Hazard-Ratio, Heatmap, Überlebenskurve, ROC, Kalibrierung.
Abbildung 4. Erstellung und Validierung eines prognostischen Nomogramms basierend auf der aus der PARDTG-abgeleiteten Risikosignatur. (A,B) Die klinisch-pathologischen Merkmale und Risikoscores im TCGA-OV-Kollektiv. (C) Die Verteilung der klinischen Merkmale und die Expression der Modellgene in Abhängigkeit vom Risikoscore. (D) Ein Nomogramm zur Vorhersage der Prognose bei OV-Patienten. (E) Kaplan-Meier-Analysen für zwei OV-Gruppen. (F) ROC-Kurvenanalyse im TCGA-OV-Kollektiv. (G) DCA zeigt die Nettovorteile des Nomogramms und weiterer klinischer Merkmale. (H) Kalibrierungsdiagramme zeigen das OS im TCGA-OV-Kollektiv. Abkürzungen: ROC = receiver operating characteristic; DCA = decision curve analysis. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Korrelation der Genexpression in Heatmap, Punktdiagramm und Violindiagramm, mit Risikoanalyse und Mutationshäufigkeiten.
Abbildung 5. Analyse der Tumormikroumgebung bei Patienten mit niedrigem und hohem Risiko. (A) Korrelation zwischen tumorinfiltrierenden Immunzellen und Genen im PA-bezogenen prognostischen Modell. (B) Blasendiagramm, das die durchschnittliche Expression und den Anteil prognostischer Biomarker in verschiedenen Zellsubtypen zeigt. (C) Violindiagramm der TIDE-Scores. (D) Violindiagramm der Anreicherungsscores für Tumor-Stammeigenschaften. (E,F) Wasserfallplot zur Darstellung somatischer Mutationsmerkmale in der Kategorie mit (E) niedrigem Risiko und (F) hohem Risikoscore. (G,H) GSEA-Ergebnisse von KEGG-Wegen in der (G) Untergruppe mit niedrigem Risiko und (H) Untergruppe mit hohem Risiko. Abkürzungen: TIDE = Tumor Immune Dysfunction and Exclusion; GSEA = Gene Set Enrichment Analysis. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Geninteraktionsnetzwerkdiagramm, das komplexe Genbeziehungen und -verbindungen veranschaulicht.
Abbildung 6. Interaktionsnetzwerkanalyse prognostischer Marker. (A) Koregulatorisches Netzwerk von miRNA-Prognosemarkern. (B) Koregulatorisches Netzwerk von Transkriptionsfaktor-Prognosemarkern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Studie zu Krebsbiomarkern; Diagramme und Heatmaps; Tumormarker, Genexpression, statistische Analyse.
Abbildung 7. Expressionsniveau, immunologische Merkmale und genetische Veränderungen von KRT81 in menschlichen Tumoren. (A) KRT81-Expression in TCGA-Tumoren und angrenzendem Gewebe. (B) Western-Blot-Analyse der KRT81-Proteinexpression in gepaarten, benachbarten normalen und Tumorgeweben von sechs Patienten mit Ovarialkarzinom (n = 6). Die relativen Bandenintensitäten wurden auf GAPDH normalisiert, und die Daten wurden mittels gepaartem t-Test analysiert. Die Daten sind als Mittelwert ± SD dargestellt.   (C) Die Korrelation zwischen KRT81 und dem Anteil immunologischer Zellen ist in einer Heatmap dargestellt. (D) Korrelation zwischen KRT81 und den Immun-, Stroma- und ESTIMATE-Scores, dargestellt in einer Heatmap. (E–G) Korrelation zwischen der Expression von KRT81 und (E) Aneuploidie-Score, (F) Tumor-Ploidie, (G) SNV-Neoantigenen in den TCGA-Datenbanken. (H) KRT81-Mutationen in verschiedenen Krebsarten aus der cBioPortal-Datenbank. (I) Verteilung der KRT81-Mutationsstellen im Pan-Krebs-Kontext. (J) Eine Pan-Krebs-Cox-Regressionsanalyse von KRT81 über alle TCGA-Krebsarten hinweg. *p < 0,05; ***p < 0,001; ****p < 0,0001. Abkürzungen: SNV = Single Nucleotide Variant; N = normal; T = Tumor. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Ergänzende Tabelle S1: Perioperative anästhesiebezogene Arzneimittelzielgene. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle S2: Beschreibung des Probendurchflusses.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungstabelle S3: Differenziell exprimierte perioperative anästhesiebezogene Arzneimittelzielgene. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle S4: Prognostische perioperative, anästhesiebezogene Arzneimittelzielgene.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungstabelle S5: Quelldaten für die Westernblot-Analyse.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S1: Ursprüngliche Daten der Western-Blot-Analyse.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Als unvermeidlicher Bestandteil von Krebsbehandlungsabläufen hat die perioperative Anästhesie zunehmend Aufmerksamkeit aufgrund ihrer potenziellen immunmodulatorischen Wirkungen, ihrer Fähigkeit zur Umgestaltung des Mikroumfelds und ihres möglichen Beitrags zur Tumorausbreitung erhalten. Da Krebs zunehmend als systemische und ökologische Erkrankung und nicht als strikt gengetriebene Lokalläsion betrachtet wird27, können perioperative physiologische Dysregulation, entzündliche Reaktionen und metabolischer Stress mikroumfeldliche Nischen neu gestalten und die evolutionären Verläufe von Tumoren beeinflussen. Durch die Integration von Transkriptomdaten auf mehreren Ebenen beschrieb die vorliegende Studie systematisch die Expressionsmuster, biologischen Assoziationen und prognostische Bedeutung von PARDTGs beim Ovarialkarzinom (OV) und lieferte damit mögliche Hinweise für eine präzise perioperative Anästhesie.

Die räumliche und Einzelzell-Transkriptomik zeigte eine deutliche räumliche Variation der PARDTG-Aktivität, wobei eine verminderte Aktivität in tumorösen epithelialen Zellen und eine erhöhte Aktivität in Immun-, Endothel- und Fibroblasten-Zellen festgestellt wurde. Dieses Muster der „Anreicherung in Nicht-Tumorzellen“ legt nahe, dass das anästhetische Zielnetzwerk seine Wirkung hauptsächlich durch die Modulation des Zustands von Stromazellen und Immunzellen entfaltet, anstatt über direkte, tumorzellintrinsische Mechanismen. Diese Beobachtung steht im Einklang mit der Vorstellung, dass die Tumorprogression gemeinsam durch Tumorzellen und ihre Wirtsmikroumgebung geprägt wird28. Bemerkenswerterweise können akute Entzündungen, vorübergehende Immunsuppression und Gewebeumbildung, die durch eine Operation ausgelöst werden, eine kurzlebige, wundheilungsähnliche Mikroumgebung erzeugen, die Tumore nutzen können, um das Risiko von Streuung und Rezidiv zu erhöhen29.

Weitere Analysen der TCGA-Kohorte identifizierten 68 unterschiedlich exprimierte PARDTGs, die signifikant in neuroaktiven Ligand-Rezeptor-Interaktionen, Kalziumsignalwegen und suchtrelevanten Signalwegen angereichert waren. Das erstellte PPI-Netzwerk zeigte mehrere Hub-Gene, die mit Neurotransmittertransportern und -rezeptoren assoziiert sind, wie beispielsweise DRD2, SLC6A3 und SLC6A430, was auf eine zusätzliche regulatorische Rolle der perioperativen Neurotransmitter-Signalübertragung bei der OV-Progression hindeutet. Kürzlich durchgeführte Arbeiten zeigten, dass der DRD2-Antagonist ONC206 die Proliferation und Invasion in OV-Zellen sowie in transgenen Mausmodellen hemmt und Zellzyklusarrest sowie Apoptose induziert, wodurch das therapeutische Potenzial dieser Achse unterstrichen wird. CHRNA4 und GRIN2A codieren für cholinerge Rezeptor- bzw. NMDA-Rezeptor-assoziierte Proteine; die Aktivierung dieser Rezeptoren begünstigt den intrazellulären Ca2⁺-Einstrom31,32, während Kalziumstörungen das Cytoskelett umgestalten und tumorsfördernde transkriptionelle Programme aktivieren können33. Zudem wurden suchtrelevante Rezeptoren (z. B. µ-opioide Rezeptoren) mit der Aktivierung von mTORC1 und der Immunflucht in Verbindung gebracht34. Insgesamt legen diese Befunde einen möglichen Kreuzkommunikationsweg zwischen anästhetischen Zielstrukturen und dem perioperativen Stress-Neuro-Immun-Netzwerk nahe, der somit die Tumorplastizität und das Rezidivrisiko innerhalb eines kurzen perioperativen Zeitfensters beeinflussen könnte.

Das 17-Gen-Risikomodell zeigte eine stabile prognostische Leistung über mehrere unabhängige Kohorten hinweg. Hochrisikopatienten wiesen eine Anreicherung in Signalwegen wie „Regulation des Aktin-Zytoskeletts“ und „Proteoglykane beim Krebs“ auf, was auf eine verstärkte Zytoskelett-Umgestaltung und ein erhöhtes Metastasierungspotential hindeutet. Die Immunprofilerstellung ergab höhere Anteile von M2-Makrophagen, eine Hochregulation immunbezogener Checkpoint-Gene sowie erhöhte TIDE-Scores in der Hochrisikogruppe. M2-Makrophagen fördern die Immunflucht, und eine postoperative inflammatorische Aktivierung könnte die Rekrutierung myeloider supressiver Zellen (MDSCs)35 begünstigen. Bemerkenswerterweise wurde EPHA4 vorwiegend in endothelialen und fibroblastischen Zellsubpopulationen exprimiert, was auf eine mögliche Beteiligung an der Gefäßregulation, stromalen Umgestaltung und Interaktionen im Tumormikroumfeld hindeutet. EPHA4 ist ein Mitglied der Eph-Rezeptor-Tyrosinkinase-Familie und fungiert als wichtiger Vermittler der Zell-Zell-Kommunikation über die Eph/Ephrin-Signalgebung. Die Aktivierung von EPHA4 kann nachgeschaltete Signalwege regulieren, die an der Zytoskelett-Umordnung, Zelladhäsion, Migration und Organisation der extrazellulären Matrix beteiligt sind36. Im Tumormikroumfeld wurde eine dysregulierte EPHA4-Signalgebung mit der Förderung von Tumorzellinvasion, angiogenetischen Reaktionen, stromaler Aktivierung sowie Interaktionen zwischen malignen Zellen und umgebenden stromalen Komponenten in Verbindung gebracht37. Diese Befunde legen nahe, dass EPHA4 durch die Modulation der vaskulär-stromalen Kommunikation und die Umgestaltung des Tumor-Ökosystems zu den aggressiven biologischen Merkmalen von Hochrisikopatienten beitragen könnte. Gleichzeitig wiesen Hochrisikopatienten höhere Mutationsraten in Genen wie MUC16 und CSMD3 auf, die mit stromalen Interaktionen und Immunflucht assoziiert sind38,39. Insgesamt scheinen Hochrisikopatienten maligne ökologische Merkmale aufzuweisen, die durch dysregulierte Zytoskelett-Dynamik, immunsuppressive Mikroumgebungen und Matrixumgestaltung gekennzeichnet sind, was darauf hindeutet, dass PARDTGs mit Veränderungen in der Tumorökologie und Krankheitsprogression assoziiert sein könnten.

Anästhetika können auch die Expression mehrerer Gene durch Modulation von Netzwerken nichtcodierender RNA umprogrammieren, wodurch die Tumorzelladhäsion, Migration, Apoptoseresistenz und Aufrechterhaltung der Stammzellähnlichkeit beeinflusst werden und dadurch das Risiko eines postoperativen Rezidivs möglicherweise verändert wird40,41. In unserem miRNA–Transkriptionsfaktor-Regelnetzwerk wurden miR-27a-3p, miR-34a-5p und miR-106b-5p als potenzielle regulatorische Zentralpunkte identifiziert, und umfangreiche Belege stützen deren Beteiligung an der Progression von Ovarialkarzinomen (OV) sowie an anästhetikabezogenen pharmakologischen Reaktionen42,43,44. FOXC1, als zentraler Transkriptionsfaktor, spielt eine entscheidende Rolle bei der Förderung von Migration, Invasion und EMT-Phänotypen bei OV und wird durch mehrere nichtcodierende RNAs auf der Ebene der upstream-Regulation beeinflusst45.

Eine Pan-Krebs-Analyse wurde durchgeführt, um die biologischen Eigenschaften von KRT81 über verschiedene Malignitäten hinweg weiter zu untersuchen, und nicht um das prognostische Modell für Ovarialkarzinom zu validieren. In unserer Analyse war KRT81 in den meisten Krebstypen signifikant hochreguliert und korrelierte mit Aneuploidie, Immuninfiltration und stromalen Scores, was auf eine Beteiligung an der Umgestaltung des ökologischen Nischenmilieus und an der Immunvermeidung hindeutet. Als Mitglied der Typ-II-Keratinfamilie ist KRT81 an der Aufrechterhaltung der epithelialen Zytoskelettsintegrität, der zellulären mechanischen Stabilität und der Anpassung an Stress beteiligt. Eine dysregulierte Expression von KRT81 könnte die Tumorzellplastizität beeinflussen, indem sie die Organisation des Zytoskeletts, die epitheliale Differenzierung sowie die Interaktionen zwischen Tumorzellen und der umgebenden Mikroumgebung verändert. Zudem wurde eine abnormale Keratin-Umgestaltung in der Krebsprogression durch Modulation der Zellproliferation, Migration, Invasion und der Kommunikation zwischen Immun- und Stroma-Zellen impliziert. Frühere Studien berichteten, dass KRT81 als Biomarker für die Immun-Subtypisierung und prognostische Stratifikation beim Ovarialkarzinom46 dient und zur Bildung eines immunsuppressiven Mikromilieus sowie zur Vorhersage der Immuntherapieantwort beim triple-negativen Mammakarzinom beiträgt47. Daher könnte KRT81 einen zentralen Knotenpunkt in Netzwerken der perioperativen Tumorzellplastizität mit mechanistischer und translationaler Relevanz darstellen.

Insgesamt liefert diese Studie die erste räumliche und Einzelzell-Ebene Charakterisierung der Expressionsökologie von PARDTGs in OV und veranschaulicht deren Assoziationen mit immunologischen Mikroumgebungen, Stammzelleigenschaften und genomischer Instabilität, was darauf hindeutet, dass perioperative, anästhesiebezogene Arzneimittelzielgene mit tumoralen evolutionären Trajektorien assoziiert sein könnten. Dennoch sollten mehrere Limitationen anerkannt werden. Erstens basierte diese Studie hauptsächlich auf öffentlich verfügbaren transkriptomischen Datensätzen, und Unterschiede in Probenquellen, Sequenzierplattformen und Kohortenmerkmalen könnten potenzielle Batch-Effekte hervorrufen und die Robustheit der Ergebnisse beeinflussen. Zweitens wurde das prognostische Modell zwar anhand externer Kohorten zur Validierung herangezogen, jedoch aus retrospektiven Datensätzen entwickelt, sodass eine potenzielle Überanpassung aufgrund der verwendeten Merkmalsauswahlverfahren nicht vollständig ausgeschlossen werden kann. Drittens haben zwar Einzelzell- und räumliche Transkriptom-Analysen Einblicke in die biologischen Rollen der PARDTGs ermöglicht, diese Befunde beruhten jedoch hauptsächlich auf rechnergestützten Inferenzen und bedürfen weiterer experimenteller Validierung. Außerdem umfassten einige explorative Analysen, einschließlich Pan-Krebs- und Immun-Korrelationsanalysen, multiple Vergleiche, sodass potenzielle falsch-positive Assoziationen vorsichtig interpretiert werden sollten. Schließlich stellen die begrenzte räumliche Transkriptom-Auflösung und das Fehlen einer funktionellen Validierung der vorhergesagten regulatorischen Netzwerke zusätzliche Limitationen dar. Zukünftige Studien, die experimentelle Modelle und klinische Proben einbeziehen, sind erforderlich, um die identifizierten Mechanismen weiter zu validieren.

Diese Studie zeigte, dass PARDTGs wichtige transkriptionelle ökologische Funktionen im OV ausüben und an der postoperativen, mikroumgebungsgetriebenen Invasion und Immunflucht beteiligt sein könnten, was neue molekulare Hinweise für eine präzise perioperative Anästhesie, Risikostratifizierung und Rezidivprävention liefert.

Offenlegungen

Die Autoren erklären, dass sie keine konkurrierenden Interessen haben

Danksagungen

Wir danken den Forschern, die ihre wertvollen Datensätze in den Datenbanken TCGA und GEO, einschließlich TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 und GSE211956, geteilt haben, sehr herzlich.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Antikörper gegen Cytokeratin 81 (Kaninchen, polyklonal)Proteintech, USA11342-1-AP
Antikörper gegen GAPDH (Maus, monoklonal)Proteintech, USA60004-1-Ig
BCA-Protein-Assay-KitThermo Fisher, USA23225
CIBERSORTStanford Universityhttps://cibersort.stanford.eduImmuninfiltration | LM22-Signaturmatrix | Analyse der Immunzellinfiltration
Klinische Merkmale von OV-PatientenUCSC Xenahttp://xena.ucsc.edu/Klinische Daten | 341 Patienten | Analyse der klinischen Korrelation
clusterProfiler-PaketBioconductorhttps://bioconductor.org/packages/clusterProfilerFunktionelle Enrichment-Analyse | Version 4.8.3 | GO-, KEGG- und GSEA-Analysen
ggplot2-PaketCRANhttps://cran.r-project.org/package=ggplot2Datenvisualisierung | Version 4.0.2 | Datenvisualisierung
GSE26193GEO-Datenbankhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Validierungsdatensatz | 107 Proben | Externe Validierung
GSE30161GEO-Datenbankhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Validierungsdatensatz | 58 Proben | Externe Validierung
GSE63885GEO-Datenbankhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Validierungsdatensatz | 70 Proben | Externe Validierung
GSVA-PaketBioconductorhttps://bioconductor.org/packages/GSVAGen-Set-Enrichment-Analyse | Version 2.4.9 | ssGSEA-Analyse
limma-PaketBioconductorhttps://bioconductor.org/packages/limma/Differenzielle Expressionsanalyse | Version 3.56.2 | DEG-Analyse
Überlebensinformationen von OV-PatientenUCSC Xenahttp://xena.ucsc.edu/Überlebensdaten | 353 Patienten | Konstruktion des prognostischen Modells
PVDF-MembranMillipore, USAIPVH00010
RR Foundation for Statistical Computinghttps://www.r-project.org/Bioinformatik-Software | Version 4.3.1 | Statistische Analysen
RIPA-PufferBeyotime, ChinaP0013B
Seurat-PaketCRANhttps://satijalab.org/seurat/Einzelzellanalyse | Version 5.4.0 | Einzelzell-RNA-seq-Analyse
STRING-DatenbankSTRING-Konsortiumhttps://string-db.orgProteininteraktionsdatenbank | Version 12.0 | PPI-Netzwerkkonstruktion
survival-PaketCRANhttps://cran.r-project.org/package=survivalÜberlebensanalyse | Version 3.5.5 | Überlebensanalyse
TCGA TARGET GTEx (Toil) Ovar-GenexpressionsdatenUCSC Xenahttp://xena.ucsc.edu/Trainingsdatensatz | 420 TCGA-Tumorproben | Trainingskohorte
TCGA TARGET GTEx (Toil) Ovar-NormalgewebedatenUCSC Xenahttp://xena.ucsc.edu/Referenz-Normaldatensatz | 88 GTEx-Normalproben | Differenzielle Expressionsanalyse

Referenzen

  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.

Nachdrucke und Genehmigungen

Schlagwörter

An sthetika WirkstofftargetsMulti Omics DatenEinzelzell RNAr umliche TranskriptomikCox Proportional Hazards Modelltumorales immunologisches Mikromilieuklinisches Nomogramm
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.