Artículo de investigación

Modelado pronóstico del cáncer de ovario basado en genes diana de fármacos relacionados con la anestesia perioperatoria: un enfoque bioinformático

107 visualizaciones

⸱

DOI:

10.3791/72629

⸱

14 de agosto de 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

En este artículo

Resumen

Este estudio integra genes diana de fármacos relacionados con la anestesia perioperatoria con datos multi-ómicos de cáncer de ovario para construir y validar un modelo pronóstico y caracterizar las características inmunitarias, espaciales y reguladoras asociadas.

Resumen

La heterogeneidad del cáncer de ovario (OV) plantea desafíos significativos para la clasificación de subtipos de enfermedad, la estratificación de riesgos y la gestión clínica de precisión. Por lo tanto, este estudio desarrolló un modelo pronóstico basado en genes diana relacionados con fármacos anestésicos perioperatorios (PARDTGs) para determinar el significado clínico de los PARDTGs en pacientes con OV. Este estudio analizó exhaustivamente los PARDTGs en OV mediante la integración de datos multi-ómicos, incluyendo datos transcriptómicos masivos, datos de secuenciación de ARN a nivel de célula individual (scRNA-seq) y datos transcriptómicos espaciales. Basándonos en las características de expresión de los PARDTGs, desarrollamos una firma pronóstica utilizando un modelo de riesgos proporcionales de Cox con selección de variables mediante stepAIC. Este modelo se construyó con el conjunto de datos TCGA-OV y se validó utilizando los conjuntos de datos GSE26193, GSE30161 y GSE63885. Además, construimos nomogramas que combinan las características de los PARDTGs y factores clínicos. Analizamos la correlación entre las puntuaciones de riesgo y el enriquecimiento funcional, las vías de señalización y el microentorno inmunitario tumoral. Identificamos 17 PARDTGs que se asocian fuertemente con el pronóstico del OV. La firma pronóstica, validada en las cohortes TCGA-OV, GSE26193, GSE30161 y GSE63885, demostró una precisión predictiva robusta para la supervivencia global (OS). En comparación con la firma génica por sí sola, el nomograma que integra el modelo pronóstico y los parámetros clínicos mostró un mejor desempeño pronóstico. Adicionalmente, el análisis del microentorno tumoral reveló un enriquecimiento significativo de vías relacionadas con la inmunidad y puntuaciones TIDE más bajas en pacientes de bajo riesgo, lo que indica que estos pacientes podrían beneficiarse más de la inmunoterapia. El estudio demuestra la relevancia pronóstica y la utilidad clínica de los PARDTGs en el cáncer de ovario. La integración de características genéticas en las pruebas clínicas tiene potencial para mejorar el tratamiento clínico y el pronóstico.

Introducción

El carcinoma de ovario (OV) es una malignidad prevalente y agresiva caracterizada por síntomas iniciales ocultos, fuerte invasividad y signos clínicos tempranos no específicos. Estudios han demostrado que la mayoría de los pacientes ya se encuentran en estadios clínicos avanzados al momento del diagnóstico, con una tasa de supervivencia general a cinco años inferior al 45 %1. A pesar de los avances en cirugía, quimioterapia y terapias dirigidas, persisten desafíos como la recurrencia tumoral, la quimiorresistencia y el escape inmunitario, lo que limita la eficacia terapéutica2. Por lo tanto, se requiere con urgencia la identificación de nuevos biomarcadores moleculares y el desarrollo de herramientas robustas de evaluación de riesgos para abordar la heterogeneidad tumoral y apoyar estrategias clínicas personalizadas.

La resección quirúrgica y el manejo perioperatorio siguen siendo la piedra angular del tratamiento del OV. Sin embargo, hay evidencia creciente de que el estrés fisiológico perioperatorio, las respuestas inflamatorias y la modulación inmunitaria pueden influir en el comportamiento biológico y, a su vez, afectar el pronóstico a largo plazo3. Como componente clave de la intervención perioperatoria, los efectos de los agentes anestésicos van más allá de la supresión del sistema nervioso central. Estudios actuales indican que las técnicas anestésicas y los fármacos anestésicos pueden modular las respuestas neuroendocrinas, las cascadas inflamatorias y la actividad de las células efectoras inmunitarias, remodelando así el microambiente tumoral postoperatorio e influyendo en el potencial migratorio de las células tumorales, la vigilancia inmunitaria y los procesos relacionados con la metástasis4. En particular, ciertas anestesias alteran directamente el destino de las células tumorales: el propofol mejora la supervivencia de las células tumorales circulantes mediante la supresión mediada por Nrf2 de la ferroptosis, promoviendo así la metástasis5. La ketamina induce la ferroptosis en células de carcinoma hepatocelular mediante el control del eje lncPVT1/miR-214-3p/GPX4, lo que sugiere que los agentes anestésicos pueden influir directamente en la determinación del destino de las células tumorales6. Además, las benzodiazepinas, como moduladores alostéricos positivos de los receptores GABA, podrían atenuar la eficacia antitumoral de las combinaciones quimioinmunoterapéuticas7. No obstante, la investigación actual se centra principalmente en agentes anestésicos individuales, sin un examen sistemático de sus posibles efectos a nivel de red de dianas génicas.

Los genes diana de fármacos relacionados con la anestesia perioperatoria (PARDTGs), como sustratos moleculares directos de la acción anestésica, participan en varias vías de señalización clave, incluida la regulación de receptores de neurotransmisores, el mantenimiento de la homeostasis del calcio, la dinámica del citoesqueleto de actina y la retroalimentación en el eje endocrino del estrés8,9. Bajo el estrés quirúrgico perioperatorio, estas vías pueden activarse o suprimirse, influyendo en la polarización de las células inmunitarias y en la remodelación del microentorno asociado al tumor8,10. Sin embargo, en OV, el panorama de expresión, las características funcionales y la relevancia clínica de los PARDTGs permanecen poco caracterizados. Al mismo tiempo, la aparición de la secuenciación de ARN a nivel de una sola célula (scRNA-seq) y la transcriptómica espacial han permitido el perfilado de la expresión génica con resolución celular y localización espacial, proporcionando nuevas perspectivas sobre la distribución espacial, las preferencias microambientales y los efectos celulares específicos de los genes diana de anestésicos en tejidos tumorales11.

En este estudio, integramos los PARDTGs con conjuntos de datos multi-ómicos de OV, identificamos sistemáticamente genes diferencialmente expresados y construimos un modelo pronóstico de riesgo generalizable. Además, analizamos la base biológica de la estratificación de riesgo desde las perspectivas de la infiltración inmunitaria, las características de inmadurez celular, los paisajes mutacionales y las vías funcionales. Combinando datos de secuenciación multimodal, delimitamos los orígenes de los tipos celulares y los nichos ecológicos espaciales, construimos redes reguladoras de ARNmi/factores de transcripción y realizamos una validación pan-cancerosa para demostrar su significancia transversal a tumores. Este trabajo aporta evidencia mecanicista para comprender el papel potencial de las redes diana de anestésicos en OV y ofrece implicaciones traslacionales para la estratificación clínica de riesgo, la predicción pronóstica y las estrategias de manejo perioperatorio.

Protocolo

Recolección de datos

Seleccionamos 120 genes diana relacionados con anestesia perioperatoria a partir de estudios previos12 y los listamos en la Tabla Suplementaria S1. Posteriormente, obtuvimos perfiles de expresión génica, información clínica y datos de supervivencia de la plataforma UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). El conjunto de datos de expresión incluyó 420 muestras de cistoadenocarcinoma seroso ovárico primario del Proyecto del Genoma del Cáncer (TCGA-OV) y 88 muestras de ovario normal del Proyecto de Expresión Genotipo-Tejido (GTEx). Los valores de expresión génica se obtuvieron como valores FPKM por gen mediante RSEM, generados por la canalización Toil13. Se proporciona una descripción detallada del flujo de muestras que ilustra la inclusión de las muestras TCGA en cada análisis subsiguiente en la Tabla Suplementaria S2. Además, para validación externa, descargamos los conjuntos de datos GSE2619314 (n = 107 muestras), GSE3016115 (n = 58 muestras) y GSE6388516 (n = 70 muestras) de la base de datos GEO (http://www.ncbi.nlm.nih.gov/geo/) para analizar los perfiles de expresión génica y la supervivencia de los pacientes emparejados. Para garantizar la consistencia de los datos, se convirtieron los identificadores génicos ENSEMBL a símbolos génicos oficiales. Se filtraron los genes con expresión en menos de la mitad de las muestras. Además, obtuvimos el conjunto de datos de transcriptómica unicelular del cáncer ovárico humano GSE15460017 y el conjunto de datos de transcriptómica espacial del cáncer ovárico GSE211956-GSM6506110-SP118 de la base de datos GEO.

Procesamiento de datos de secuenciación del transcriptoma espacial de cáncer de ovario

Los datos de transcriptómica espacial se procesaron utilizando Seurat19 (versión 5.4.0). Los spots se filtraron usando los mismos criterios de control de calidad que en el análisis de secuenciación de ARN de célula única (nFeature_RNA: 200–5.000; porcentaje de genes mitocondriales < 10%). Tras la normalización y la identificación de genes altamente variables, se realizó una reducción de dimensionalidad basada en PCA, y el agrupamiento se llevó a cabo utilizando el algoritmo de agrupamiento basado en grafos de Seurat. Los subgrupos y los patrones de expresión génica se visualizaron mediante la función SpatialFeaturePlot. Además, los niveles de expresión génica a nivel del transcriptoma espacial se visualizaron y analizaron utilizando «AUCell»19 (versión 1.32.0).

Análisis de datos de scRNA-seq

Los datos de secuenciación de ARN a nivel de célula individual procedentes de GSE154600 se analizaron utilizando el paquete Seurat (versión 5.4.0)19. Se eliminaron las células de baja calidad según criterios de control de calidad. Se excluyeron las células con menos de 200 o más de 5.000 genes detectados, o cuyas proporciones de genes mitocondriales superaban el 10 %. Tras la normalización mediante la función NormalizeData, se identificaron los 2.000 genes más variables mediante el método VST. Se realizó un PCA basado en los genes variables, y se utilizaron los primeros 15 componentes principales para la agrupación y la reducción de dimensionalidad. Los grupos celulares se identificaron mediante FindNeighbors y FindClusters con una resolución de 0,5, seguido de la visualización mediante UMAP y t-SNE. Se utilizó la función FindAllMarkers para identificar genes marcadores de los diferentes grupos celulares. Además, anotamos los grupos celulares utilizando la base de datos CellMarker 2.020 y realizamos un análisis cuantitativo de la actividad génica mediante la función ssGSEA del paquete GSVA (versión 2.4.9).

Análisis de genes diferencialmente expresados (GDE) y análisis funcionales

Se realizó un análisis de expresión diferencial utilizando el paquete «limma»21 (versión 3.56.2) basado en los perfiles de expresión de los PARDTG entre tejidos de cáncer ovárico y tejidos ováricos normales. Antes del análisis, los valores de expresión FPKM se transformaron mediante log2 usando la fórmula log2(FPKM+1). Se aplicó el modelo lineal estándar implementado en el paquete limma para identificar PARDTG expresados diferencialmente. Se consideró que los genes con una tasa de descubrimiento falso (FDR) < 0,05 y |cambio logarítmico en la razón (FC)| > 1 presentaban una expresión diferencial significativa. Se realizaron enriquecimientos GO y KEGG en los PARDTG expresados diferencialmente utilizando ClusterProfiler22 (versión 4.8.3). Se generaron gráficos de cascada utilizando «maftools»23 (versión 2.16.0) para detectar mutaciones somáticas en los PARDTG en el cáncer ovárico. A continuación, se estableció la red de interacción de proteínas (PPI) de los PARDTG utilizando el repositorio STRING (versión 12.0) con los parámetros predeterminados.

Desarrollo de un sistema de puntuación de riesgo basado en PARDTG

Para identificar los PARDTGs óptimos, se realizó un análisis paso a paso de regresión de riesgos proporcionales de Cox para seleccionar los genes con significado pronóstico entre los PARDTGs diferencialmente expresados y determinar su contribución a la supervivencia global en el cáncer de ovario (OV). Se evaluó el supuesto de riesgos proporcionales del modelo final de regresión múltiple de Cox mediante pruebas de residuos de Schoenfeld implementadas en la función cox.zph del paquete survival de R (versión 3.5.5). Se calculó una puntuación de riesgo pronóstico basada en los niveles de expresión de los genes firmas y sus correspondientes coeficientes de regresión de Cox. Debido a la heterogeneidad entre las plataformas transcriptómicas, los modelos pronósticos se evaluaron independientemente en las cohortes TCGA-OV, GSE26193, GSE30161 y GSE63885. Para cada cohorte, se utilizaron los perfiles de expresión de los genes firmas para calcular puntuaciones de riesgo específicas de la cohorte, y los pacientes se estratificaron en categorías de alto y bajo riesgo utilizando la puntuación mediana de riesgo como punto de corte. Se comparó la supervivencia global (OS) entre los dos grupos mediante análisis de Kaplan-Meier, con la significancia estadística evaluada mediante la prueba log-rank. Luego, se evaluó el valor pronóstico independiente de la puntuación de riesgo mediante análisis de regresión de riesgos proporcionales de Cox tanto univariante como multivariante.

Desarrollo de un modelo clínico pronóstico para el cáncer de ovario

Para determinar si el puntaje de riesgo proporcionaba información pronóstica más allá de las variables clínicas convencionales, se realizaron análisis de regresión de Cox univariados y multivariados de riesgos proporcionales, incorporando el puntaje de riesgo junto con características clinicopatológicas. Posteriormente, se construyeron nomogramas pronósticos utilizando el puntaje molecular de riesgo y variables clínicamente relevantes, como la etapa y el grado del tumor, como parámetros de entrada. Las variables se seleccionaron según su relevancia clínica y el objetivo de desarrollar un modelo pronóstico integrado, más que únicamente según su significancia estadística. Los nomogramas se generaron mediante el paquete «rms»24 (versión 6.7.1) para estimar las probabilidades de supervivencia global a 1, 3 y 5 años, basadas en los puntajes totales derivados de las variables individuales.

Caracterización de las propiedades inmunitarias

La infiltración de células inmunitarias se estimó mediante el algoritmo CIBERSORT con la matriz de firmas LM22. El análisis se realizó utilizando 1.000 permutaciones, y las muestras con un valor P de desconvolución < 0,05 se consideraron estadísticamente confiables. Los diagramas de cascada se generaron con maftools (versión 2.16.0) para ilustrar la prevalencia de genes altamente mutados en el cáncer de ovario. El análisis de enriquecimiento de conjuntos de genes (GSEA) se realizó mediante ClusterProfiler (versión 4.8.3) con un umbral de significancia de p < 0,05.

Construcción de la red CeRNA

En este estudio, se utilizó NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 para analizar la interacción entre genes pronósticos y factores de transcripción. La red co-reguladora de miARN-TF se construyó utilizando NetworkAnalyst 3.0.

Muestras de tejido de cáncer de ovario

Tejidos de carcinoma ovárico y muestras normales adyacentes apareadas (N = 6) se obtuvieron de pacientes sometidas a resección quirúrgica electiva. El protocolo del estudio fue aprobado por el Comité de Ética de Obstetricia & Hospital de Ginecología de la Universidad Fudan (2024-54-X1), y se obtuvo el consentimiento informado por escrito de todos los participantes. Este estudio se llevó a cabo de acuerdo con la Declaración de Helsinki.

Análisis de inmunotransferencia

Se extrajo proteína total a partir de especímenes de tejido humano utilizando tampón de lisis RIPA que contenía fluoruro de fenilmetilsulfonilo (PMSF), un cóctel de inhibidores de proteasas y inhibidores de fosfatasas. Las concentraciones de proteína se midieron mediante un ensayo de proteína con ácido bicinconínico (BCA). Se separaron cantidades iguales de proteína mediante electroforesis en gel de poliacrilamida-SDS (SDS-PAGE) antes de transferirlas a membranas de fluoruro de polivinilideno (PVDF). Tras la transferencia, las membranas se bloquearon durante 90 min a temperatura ambiente con leche descremada al 5 % preparada en TBS-T. Luego, las membranas se incubaron durante la noche a 4 °C con anticuerpos primarios contra Cytokeratin 81 (policlonal de conejo, 1:2.000) o GAPDH (monoclonal de ratón, 1:10.000). Después del lavado, se aplicaron los anticuerpos secundarios apropiados durante 90 min a temperatura ambiente. Las bandas proteicas se visualizaron utilizando un reactivo de detección de quimioluminiscencia mejorada (ECL) y se capturaron con un sistema de imagen comercial. Se realizó análisis densitométrico en ImageJ, y la expresión de KRT81 se normalizó respecto al control de carga GAPDH. Las diferencias en la expresión proteica entre muestras apareadas se evaluaron mediante una prueba t pareada, considerándose estadísticamente significativo un valor de P < 0,05.

Análisis pan-cancero

En este estudio, se utilizó TCGAplot26 (versión 5.0.0) para identificar las relaciones entre los niveles de expresión de KRT81. El análisis de correlación de Pearson se empleó para calcular las correlaciones estadísticas. El perfil mutacional de KRT81 en diversos tipos de cáncer se examinó mediante la plataforma cBioPortal (http://www.cbioportal.org/) (versión 7.0.6).

Análisis estadísticos

Todos los análisis de datos se realizaron utilizando el software R (versión 4.3.1). Las comparaciones entre dos grupos se llevaron a cabo con la prueba de suma de rangos de Wilcoxon, mientras que las diferencias entre tres o más grupos se evaluaron mediante la prueba de Kruskal-Wallis. La supervivencia global se analizó utilizando el método de Kaplan-Meier, y la significancia estadística entre las curvas de supervivencia se determinó con la prueba logarítmica de rangos. A menos que se indique lo contrario, se consideró estadísticamente significativo un valor de P bilateral < 0,05. Los niveles de significancia se indican de la siguiente manera: P < 0,05 *, P < 0,01 **, P < 0,001 ***, y P < 0,0001 ****.

Resultados

Características inmunitarias de los genes diana de fármacos relacionados con la anestesia perioperatoria en análisis transcriptómicos espaciales y de célula individual

Se utilizó SCTransform para corregir la profundidad de secuenciación y aplicar procedimientos, identificando finalmente 11 tipos celulares diferentes. Para evaluar la importancia de los genes diana relacionados con anestesia perioperatoria (PARDTGs) en cada subpoblación celular, empleamos el paquete AUCell de R para determinar las actividades relacionadas con PARDTGs en cada subpoblación celular (Figura 1A,B). Posteriormente, calculamos la correlación entre la abundancia celular y las actividades asociadas a PARDTGs en todos los loci mediante la correlación de rangos de Spearman. Destacablemente, las actividades relacionadas con PARDTGs mostraron una correlación negativa con las células tumorales (Figura 1C). Obtenimos datos de secuenciación de ARN unicelular de 5 pacientes con OV, que incluían un total de 41.367 células. Basándonos en la expresión de genes marcadores, las células se clasificaron en 11 grupos principales (Figura 1D). Las redes de interacción y sus intensidades para el tipo celular se muestran en la Figura 1E. Evaluamos la actividad de PARDTGs en todas las células individuales puntuando la expresión de 120 PARDTGs mediante ssGSEA en Seurat (Figura 1F). Sorprendentemente, las células tumorales mostraron una actividad marcadamente menor que todos los demás tipos celulares (Figura 1G).

Identificación y caracterización molecular de genes diana de fármacos relacionados con la anestesia perioperatoria en el cáncer de ovario

A partir de la base de datos TCGA, identificamos 68 PARDTGs con expresión diferencial, que se muestran en la Figura 2A (véase también la Tabla Suplementaria S3). La Figura 2B describe la expresión de estos 68 DEGs asociados a la anestesia perioperatoria en la cohorte TCGA-OV. Posteriormente, construimos una red de interacción de proteínas (PPI) para elucidar las relaciones complejas entre las proteínas asociadas a los DEGs. Identificamos cinco genes centrales potenciales—SLC6A4, CHRNA4, DRD2, SLC6A3 y GRIN2A—que podrían tener efectos importantes en la patogénesis del cáncer de ovario (Figura 2C). Además, investigamos el perfil de alteraciones moleculares de 120 PARDTGs en el cáncer de ovario, siendo las mutaciones sin sentido el tipo de variante más común (Figura 2D). Los genes más frecuentemente mutados fueron SCN10A, DNMT1, GRIN2A, LTF y SCN11A. Exploramos la prevalencia de mutaciones por variación del número de copias (CNV), y los resultados revelaron que los 20 PARDTGs con mutaciones más frecuentes presentaron alteraciones significativas de CNV (Figura 2E). El enriquecimiento GO y KEGG indicó que los PARDTGs están asociados a la señalización de ligandos neuroactivos, vías de señalización del calcio, señalización hormonal, adicción a la anfetamina, adicción a la cocaína y a interacciones entre ligandos neuroactivos y receptores (Figura 2F,G).

Construcción y validación de un modelo pronóstico basado en genes diana relacionados con fármacos de anestesia perioperatoria

Para minimizar la complejidad del modelo, se utilizó StepAIC para reducir el conjunto de genes, y finalmente se conservaron 17 PARDTGs para construir el modelo pronóstico (Tabla suplementaria S4). La prueba global de residuos de Schoenfeld no mostró una desviación significativa del supuesto de proporcionalidad de riesgos (p = 0,265), lo que respalda la fiabilidad del modelo pronóstico de 17 genes. El puntaje de riesgo se calculó utilizando la siguiente ecuación: puntaje de riesgo = 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). Posteriormente, los pacientes se dividieron en categorías de bajo y alto riesgo según sus puntuaciones de riesgo, mostrando el grupo de bajo riesgo una supervivencia global (OS) significativamente mejorada en comparación con el grupo de alto riesgo en el TCGA-OV (Figura 3A, p < 0.0001), cohorte GSE26193 (Figura 3B, p = 0,00021), cohorte GSE30161 (Figura 3C, p = 0,0017) y cohorte GSE63885 (Figura 3D, p = 0,0041). Además, Figura 3E–H ilustran las distribuciones del estado de supervivencia y de las puntuaciones de riesgo en las cohortes TCGA-OV, GSE26193, GSE30161 y GSE63885, proporcionando evidencia independiente de la estabilidad y fiabilidad predictiva del modelo pronóstico en OV.

Establecimiento y evaluación de un modelo de supervivencia basado en un nomograma

Tanto los análisis de regresión de Cox univariados como multivariados demostraron que el puntaje de riesgo sirvió como un predictor independiente del pronóstico en pacientes con cáncer de ovario (Figura 4A,B). En la Figura 4C se ilustra la distribución de la expresión génica del modelo, los puntajes de riesgo correspondientes y las características clínico-patológicas en la cohorte TCGA-OV. Para mejorar la aplicabilidad clínica, se estableció un nomograma pronóstico que incorpora el puntaje de riesgo junto con la edad, la etapa tumoral y el grado para estimar la supervivencia global (OS) (Figura 4D). En comparación con la firma génica por sí sola, el nomograma integrado logró un rendimiento predictivo superior. El análisis de supervivencia mostró además una OS significativamente más larga en el grupo de bajo riesgo que en el grupo de alto riesgo (Figura 4E; P < 0,0001). El modelo combinado produjo valores de AUC dependientes del tiempo de 0,769, 0,690 y 0,728 para la predicción de OS (Figura 4F). El análisis de curva de decisión respaldó la utilidad clínica potencial del nomograma al demostrar un beneficio neto mayor en un rango de probabilidades umbral (Figura 4G). Además, los gráficos de calibración indicaron una estrecha concordancia entre las probabilidades de supervivencia predichas y observadas, lo que sugiere una buena calibración del modelo (Figura 4H). En conjunto, estos resultados indican que el nomograma propuesto posee una fuerte capacidad predictiva para evaluar el pronóstico de pacientes con OV.

Asociación del modelo pronóstico basado en PARDTG con la infiltración inmunitaria y el microambiente inmunitario tumoral

Para caracterizar la infiltración inmunitaria, se cuantificó la abundancia de células inmunitarias en las muestras. Se identificaron diecisiete genes significativamente asociados con células inmunitarias infiltrantes en el tumor, entre los cuales ADRA1D, KCNA1 y SLC18A2 mostraron correlaciones positivas con macrófagos M2 (Figura 5A). A continuación, investigamos los patrones de localización celular de estos genes. El análisis de gráficos de puntos reveló que KRT81 se expresaba predominantemente en células CD8Tex y Tprolif, mientras que la expresión de EPHA4 estaba principalmente enriquecida en células endoteliales y fibroblastos, lo que sugiere su posible participación en compartimentos celulares distintos dentro del microambiente tumoral (Figura 5B). Además, evaluamos las puntuaciones TIDE de los pacientes y observamos que el subgrupo de alto riesgo presentaba puntuaciones TIDE más altas y una correlación positiva (Figura 5C). Asimismo, las puntuaciones de enriquecimiento de estaminalidad fueron significativamente más altas en el grupo de alto riesgo que en el grupo de bajo riesgo (Figura 5D). El análisis de mutaciones somáticas reveló una frecuencia de mutación general alta en ambos grupos de riesgo (Figura 5E,F). Entre ellos, las frecuencias de mutación de CSMD3 y MUC16 fueron más altas en las muestras de alto riesgo.

El análisis GSEA reveló que las vías relacionadas con el sistema inmunitario, incluyendo el procesamiento y la presentación de antígenos y el rechazo de aloinjertos, estaban significativamente enriquecidas en el grupo de bajo riesgo, mientras que las vías asociadas a la invasión y movilidad tumorales, como la regulación del citoesqueleto de actina, los proteoglicanos en el cáncer y las proteínas motoras, se enriquecieron predominantemente en el grupo de alto riesgo (Figura 5G,H). Estos hallazgos sugieren que los pacientes en el grupo de alto riesgo podrían presentar una respuesta limitada a la inmunoterapia.

Identificación y análisis de red de PARDTG pronósticos en el cáncer de ovario

Para elucidar el mecanismo, identificamos 490 miARNs y 17 redes reguladoras potenciales de biomarcadores (Figura 6A). Entre ellos, hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p y hsa-miR-20b-5p tienen el potencial de regular la mayoría de los genes. En última instancia, nuestros resultados de investigación identificaron 37 factores de transcripción que regulan los genes candidatos para el diagnóstico (Figura 6B). Además, se encontró que FOXC1 también posee múltiples funciones reguladoras.

Análisis pan-cancero de la expresión de KRT81

Datos de RNA-seq de TCGA fueron obtenidos para evaluar KRT81 expresión. Los resultados sugirieron que estaba altamente expresado en la mayoría de los cánceres, pero expresado a bajos niveles en GBM, LGG, SKCM, TGCT y THCA (Figura 7A). Para verificar el resultado de que KRT81 se expresa altamente en el cáncer de ovario, según se determinó mediante análisis bioinformático, realizamos un experimento de inmunotransferencia (western blot). Los resultados indicaron que KRT81 la expresión se elevó significativamente en los tejidos tumorales en comparación con los tejidos normales y fue en gran medida consistente con los datos transcriptómicos de TCGA (Figura 7B, Suplementario Figura S1, y Tabla suplementaria S5). Para ilustrar las relaciones entre KRT81 y cáncer, examinamos la expresión génica y las infiltraciones de células inmunitarias (Figura 7C). El análisis reveló que KRT81 la expresión mostró una correlación positiva con la infiltración de linfocitos T, Tregs y macrófagos M2 en la mayoría de los cánceres. Además, la expresión de KRT81 se asoció positivamente con los puntajes estromales e inmunitarios en la mayoría de los cánceres (Figura 7D). Además, analizamos la correlación entre KRT81 expresión y Puntuación de Aneuploidía, y el gráfico de radar mostró que KRT81 se correlacionó con la Puntuación de Aneuploidía en UCEC, SARC, LUAD, LIHC y KIRP (Figura 7E). Luego analizamos la correlación entre KRT81 y ploidía tumoral, y el gráfico de radar mostró que KRT81 se correlacionó con la ploidía tumoral en THCA, TGCT, SARC, MESO, LIHC y CESC (Figura 7F). Luego, el gráfico de radar mostró que KRT81 se correlacionó con las neoantígenos SNV en UCEC, THYM, LUAD, LIHC, GBM y BRCA (Figura 7G). Además, el análisis en línea de cBioPortal reveló que la frecuencia más alta de KRT81 la mutación génica se encontraba en UCEC, cuyos tipos más frecuentes eran "mutación" y "amplificación" (Figura 7H, I). Mediante análisis de regresión univariante de riesgo proporcional de Cox, identificamos que KRT81 era un predictor para la supervivencia global (OS) en KIRC, LUAD y STAD (Figura 7J).

Disponibilidad de datos:

Los conjuntos de datos disponibles públicamente analizados en este estudio están disponibles en TCGA, UCSC Xena y GEO. Las imágenes originales de inmunotransferencia y los datos cuantitativos correspondientes generados durante este estudio se proporcionan en los Materiales Suplementarios (Supplementary Figure S1 y Supplementary Table S5).

Análisis de transcriptómica espacial: mapas de calor de expresión génica, gráficos de correlación, redes de interacción celular.
Figura 1. Características asociadas a PARDTG en los análisis espaciales y de scRNA-seq. (A,B) Mapa espacial de la intensidad de expresión de PARDTG (C), correlación de Spearman de la actividad asociada a PARDTG. (D) Análisis de los tipos celulares. (E) Análisis del número y la fuerza de interacciones entre tipos celulares. (F) Valor de enriquecimiento de PARDTG en las células. (G) Distribución de PARDTG. Abreviaturas: PARDTG = genes diana relacionados con anestesia perioperatoria; scRNA-seq = secuenciación de ARN a nivel celular único. Haga clic aquí para ver una versión más grande de esta figura.

Gráfico de volcán, mapa de calor, diagrama de red para el análisis de expresión genética; datos de mutación, CNV y vías.
Figura 2. Panorama de alteraciones genéticas de los PARDTG en pacientes con OV. (A) Representación en gráfico de volcán de los genes diferencialmente expresados (DEG) en OV (azul: DEG regulados a la baja; rojo: DEG regulados al alza; gris: genes estables), FDR < 0,05 y |log2FC| > 1. (B) Mapa de calor que muestra las características expresadas diferencialmente entre los grupos OV y normales. El azul corresponde al grupo normal, el rojo al grupo OV, el cuadrado azul representa baja expresión y el cuadrado amarillo representa alta expresión. (C) Red de interacción proteína-proteína (PPI) de los DEG relacionados con anestesia perioperatoria, obtenida del sitio web String. (D) Los 20 PARDTG principales en la cohorte TCGA. (E) Frecuencias de ganancia de CNV, pérdida y no-CNV entre los 20 PARDTG principales. (F) Gráfico de puntos (dotplot) de los términos GO enriquecidos. (G) Gráfico de barras de las vías KEGG enriquecidas. OV = cáncer de ovario; GO = Ontología Genética; KEGG = Enciclopedia de Genes y Genomas de Kioto; PPI = interacción proteína-proteína. Haga clic aquí para ver una versión más grande de esta figura.

Gráficos de análisis de supervivencia de Kaplan-Meier que comparan datos de tiempo hasta el evento para la estratificación de riesgo en pacientes.
Figura 3. Construcción y validación de una firma pronóstica basada en PARDTG para el cáncer de ovario. (A-D). Supervivencia global (OS) en pacientes de bajo y alto riesgo en (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885. (E-H) Distribución del puntaje de riesgo asociado a PARDTG utilizando el estado de supervivencia y el tiempo en (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885. Haga clic aquí para ver una versión ampliada de esta figura.

Análisis del pronóstico del cáncer mediante nomograma; razones de riesgo, mapa de calor, curva de supervivencia, ROC, calibración.
Figura 4. Construcción y validación de un nomograma pronóstico basado en la firma de riesgo derivada de PARDTG. (A,B) Las características clínico-patológicas y los puntajes de riesgo en la cohorte TCGA-OV. (C) La distribución de las características clínicas y la expresión de los genes del modelo según el puntaje de riesgo. (D) Un nomograma para predecir el pronóstico en pacientes con OV. (E) Análisis de Kaplan-Meier para dos grupos de OV. (F) Análisis de la curva ROC en TCGA-OV. (G) El DCA muestra los beneficios netos del nomograma y de otras características clínicas. (H) Los gráficos de calibración muestran la supervivencia global (OS) en TCGA-OV. Abreviaturas: ROC = característica de operación del receptor; DCA = análisis de curva de decisión. Haga clic aquí para ver una versión más grande de esta figura.

Correlación de la expresión génica en mapa de calor, gráfico de puntos y gráfico de violín, que muestra análisis de riesgo y frecuencias de mutación.
Figura 5. Análisis del microambiente tumoral en pacientes de bajo y alto riesgo. (A) Correlación entre las células inmunitarias infiltrantes del tumor y los genes en el modelo pronóstico relacionado con PA. (B) Gráfico de burbujas que muestra la expresión promedio y la proporción de biomarcadores pronósticos en diferentes subtipos celulares. (C) Gráfico de violín de las puntuaciones TIDE. (D) Gráfico de violín de las puntuaciones de enriquecimiento de la tumorigenicidad. (E,F) Gráfico de cascada que representa las características de las mutaciones somáticas en categorías con puntuación de (E) bajo riesgo y (F) alto riesgo. (G,H) Resultados del GSEA de las vías KEGG en el subgrupo de (G) bajo riesgo y (H) alto riesgo. Abreviaturas: TIDE = Tumor Immune Dysfunction and Exclusion; GSEA = Gene Set Enrichment Analysis. Haga clic aquí para ver una versión más grande de esta figura.

Diagrama de red de interacción génica que ilustra relaciones génicas complejas y conectividad.
Figura 6. Análisis de la red de interacciones de marcadores pronósticos. (A) Red coregulatoria de marcadores pronósticos de miARN. (B) Red coregulatoria de marcadores pronósticos de factores de transcripción. Haga clic aquí para ver una versión más grande de esta figura.

Estudio de biomarcadores del cáncer; gráficos y mapas de calor; marcadores tumorales, expresión génica, análisis estadístico.
Figura 7. Nivel de expresión, características inmunitarias y alteraciones genéticas de KRT81 en tumores humanos. (A) Expresión de KRT81 en tumores del TCGA y tejidos adyacentes. (B) Análisis por inmunotransferencia de la expresión proteica de KRT81 en tejidos normales adyacentes y tumorales apareados de seis pacientes con cáncer de ovario (n = 6). Las intensidades relativas de las bandas se normalizaron respecto a GAPDH, y los datos se analizaron mediante una prueba t pareada. Los datos se presentan como media ± DE.   (C) Correlación entre KRT81 y la proporción de células inmunitarias, mostrada mediante un mapa de calor. (D) Correlación entre KRT81 y las puntuaciones inmunitaria, estromal y ESTIMATE, mostrada en un mapa de calor. (E-G) Correlación entre la expresión de KRT81 y (E) la puntuación de aneuploidía, (F) la ploidía tumoral, (G) los neoantígenos por SNV en las bases de datos del TCGA. (H) Mutaciones de KRT81 en diferentes tipos de cáncer procedentes de la base de datos cBioPortal. (I) Distribución de los sitios de mutación de KRT81 en pan-cáncer. (J) Análisis de regresión de Cox pan-cáncer de KRT81 en los cánceres del TCGA. *p < 0,05; ***p < 0,001; ****p < 0,0001. Abreviaturas: SNV = Variante de nucleótido único; N = normal; T = tumor. Haga clic aquí para ver una versión más grande de esta figura.

Tabla suplementaria S1: Genes diana de fármacos relacionados con la anestesia perioperatoria. Haga clic aquí para descargar este archivo.

Tabla suplementaria S2: Descripción del flujo de muestras.Haga clic aquí para descargar este archivo.

Tabla suplementaria S3: Genes diana de fármacos relacionados con la anestesia expresados diferencialmente durante el período perioperatorio. Haga clic aquí para descargar este archivo.

Tabla suplementaria S4: Genes diana de fármacos relacionados con la anestesia perioperatoria con valor pronóstico.Haga clic aquí para descargar este archivo.

Tabla suplementaria S5: Datos originales de inmunotransferencia.Haga clic aquí para descargar este archivo.

Figura suplementaria S1: Datos originales del inmunotransferencia.Haga clic aquí para descargar este archivo.

Discusión

Como un componente inevitable de los flujos de trabajo en el tratamiento del cáncer, la anestesia peroperatoria ha atraído una atención creciente debido a sus posibles efectos inmunomoduladores, su capacidad de remodelar el microambiente y su potencial para promover la diseminación tumoral. Dado que el cáncer se reconoce cada vez más como una enfermedad sistémica y ecológica en lugar de una lesión focal estrictamente impulsada por genes27, la desregulación fisiológica peroperatoria, las respuestas inflamatorias y el estrés metabólico podrían remodelar los nichos microambientales e influir en las trayectorias evolutivas del tumor. Mediante la integración de transcriptomas de múltiples capas, este estudio describió sistemáticamente los patrones de expresión, las asociaciones biológicas y el valor pronóstico de los PARDTGs en el OV, aportando pistas potenciales para la anestesia de precisión peroperatoria.

Los perfiles transcriptómicos espaciales y de célula individual destacaron una marcada variación espacial de la actividad de PARDTG, mostrando una actividad disminuida en las células epiteliales tumorales y un aumento en las células inmunitarias, endoteliales y fibroblastos. Este patrón de «enriquecimiento en células no tumorales» sugiere que la red diana de los anestésicos podría ejercer sus efectos principalmente mediante la modulación de los estados de las células estromales e inmunitarias, en lugar de a través de mecanismos intrínsecos directos en las células tumorales. Esta observación concuerda con el concepto de que la progresión tumoral está moldeada conjuntamente por las células tumorales y su microambiente huésped28. Cabe destacar que la inflamación aguda inducida por la cirugía, la inmunosupresión transitoria y la remodelación de los tejidos pueden generar un microambiente efímero de cicatrización que los tumores pueden aprovechar para aumentar el riesgo de diseminación y recurrencia29.

Un análisis adicional de la cohorte TCGA identificó 68 genes PARDTG diferencialmente expresados significativamente enriquecidos en interacciones de receptores y ligandos neuroactivos, señalización de calcio y vías relacionadas con la adicción. La red PPI construida destacó varios genes centrales relacionados con transportadores y receptores de neurotransmisión, como DRD2, SLC6A3 y SLC6A430, lo que sugiere una entrada reguladora adicional proveniente de la señalización de neurotransmisores durante el periodo perioperatorio en la progresión del OV. Trabajos recientes han demostrado que el antagonista de DRD2, ONC206, suprime la proliferación y la invasión en células de OV y modelos de ratón transgénicos, induciendo la detención del ciclo celular y apoptosis, lo que resalta el potencial terapéutico de este eje. CHRNA4 y GRIN2A codifican proteínas relacionadas con receptores colinérgicos y receptores NMDA, respectivamente; la activación de estos receptores facilita la entrada intracelular de Ca2⁺31,32, mientras que las alteraciones del calcio pueden remodelar el citoesqueleto y activar programas transcripcionales que promueven el tumor33. Además, se ha relacionado a receptores asociados con la adicción (por ejemplo, receptores opioides µ) con la activación de mTORC1 y la evasión inmunitaria34. En conjunto, estos hallazgos sugieren una posible interacción entre las vías diana de los anestésicos y la red neuro-inmunitaria asociada al estrés perioperatorio, influyendo así en la plasticidad tumoral y el riesgo de recurrencia dentro de un breve periodo perioperatorio.

El modelo de riesgo de 17 genes demostró un desempeño pronóstico estable en múltiples cohortes independientes. Los pacientes de alto riesgo mostraron enriquecimiento en vías como «Regulación del citoesqueleto de actina» y «Proteoglicanos en el cáncer», lo que sugiere un remodelado citoesquelético potenciado y una mayor capacidad metastásica. El perfil inmunitario reveló proporciones más altas de macrófagos M2, una sobreexpresión de genes relacionados con puntos de control inmunitarios y puntuaciones TIDE elevadas en el grupo de alto riesgo. Los macrófagos M2 promueven la evasión inmunitaria, y la activación inflamatoria posoperatoria podría inducir el reclutamiento de células supresoras derivadas de la médula ósea (MDSC, por sus siglas en inglés)35. Destacablemente, EPHA4 se expresó predominantemente en subpoblaciones de células endoteliales y fibroblastos, lo que sugiere su posible participación en la regulación vascular, el remodelado estromal y las interacciones en el microambiente tumoral. EPHA4 es un miembro de la familia de receptores tirosina quinasas Eph y actúa como mediador importante en la comunicación célula-célula mediante la señalización Eph/ephrina. La activación de EPHA4 puede regular vías descendentes implicadas en el reordenamiento citoesquelético, la adhesión y migración celular, y la organización de la matriz extracelular36. En el microambiente tumoral, se ha implicado a la señalización disfuncional de EPHA4 en la promoción de la invasión de células tumorales, respuestas angiogénicas, activación estromal e interacciones entre células malignas y componentes estromales circundantes37. Estos hallazgos sugieren que EPHA4 podría contribuir a las características biológicas agresivas de los pacientes de alto riesgo mediante la modulación de la comunicación vascular-estromal y el remodelado ecológico del tumor. Concurrentemente, los pacientes de alto riesgo presentaron frecuencias más altas de mutaciones en genes como MUC16 y CSMD3, que están implicados en interacciones estromales y evasión inmunitaria38,39. En conjunto, parece que los pacientes de alto riesgo exhiben características ecológicas malignas caracterizadas por una dinámica citoesquelética disregulada, microambientes inmunosupresores y remodelado de la matriz, lo que sugiere que los PARDTG podrían estar asociados con cambios en la ecología tumoral y la progresión de la enfermedad.

Los agentes anestésicos también pueden reprogramar la expresión de múltiples genes mediante la modulación de redes de ARN no codificantes, afectando la adhesión celular tumoral, la migración, la resistencia a la apoptosis y el mantenimiento de la pluripotencialidad, alterando así potencialmente el riesgo de recurrencia posoperatoria40,41. En nuestra red reguladora principal de ARNm y factores de transcripción, miR-27a-3p, miR-34a-5p y miR-106b-5p fueron identificados como posibles centros reguladores, y existe amplia evidencia que respalda su participación en la progresión del OV y en las respuestas farmacológicas relacionadas con anestésicos42,43,44. FOXC1, como un factor de transcripción principal, desempeña un papel crítico en la promoción de la migración, la invasión y los fenotipos de EMT en el OV y está regulado hacia arriba por múltiples ARN no codificantes45.

Se realizó un análisis pan-cáncer para explorar más a fondo las características biológicas de KRT81 en diferentes malignidades, en lugar de validar el modelo pronóstico del cáncer de ovario. En nuestro análisis, KRT81 se encontró significativamente sobreexpresado en la mayoría de los tipos de cáncer y correlacionado con aneuploidía, infiltración inmunitaria y puntuaciones estromales, lo que sugiere su participación en la remodelación del nicho ecológico y en la evasión inmunitaria. Como miembro de la familia de queratinas de tipo II, KRT81 participa en el mantenimiento de la integridad del citoesqueleto epitelial, la estabilidad mecánica celular y la adaptación al estrés. Una expresión disregulada de KRT81 podría afectar la plasticidad de las células tumorales al influir en la organización del citoesqueleto, la diferenciación epitelial y las interacciones entre las células tumorales y el microentorno circundante. Además, se ha implicado que la remodelación anómala de queratinas contribuye a la progresión del cáncer mediante la modulación de la proliferación celular, la migración, la invasión y la comunicación inmuno-estromal. Estudios previos han reportado que KRT81 actúa como biomarcador para la subtipificación inmunitaria y la estratificación pronóstica en OV46 y contribuye a la formación de un microentorno inmunosupresor y a la predicción de la respuesta a la inmunoterapia en el cáncer de mama triple negativo47. Por lo tanto, KRT81 podría representar un nodo clave en las redes de plasticidad tumoral peroperatoria con relevancia mecanicista y traslacional.

En conjunto, este estudio proporciona la primera caracterización espacial y a nivel de célula individual de la ecología de expresión de PARDTG en OV e ilustra sus asociaciones con microentornos inmunitarios, características de inmadurez celular y inestabilidad genómica, lo que sugiere que los genes diana relacionados con anestesia perioperatoria podrían estar asociados con trayectorias evolutivas tumorales. No obstante, deben reconocerse varias limitaciones. Primero, este estudio se basó principalmente en conjuntos de datos transcriptómicos disponibles públicamente, y las diferencias en los orígenes de las muestras, plataformas de secuenciación y características de las cohortes podrían introducir efectos por lotes potenciales e influir en la solidez de los hallazgos. Segundo, aunque se utilizaron cohortes externas para validación, el modelo pronóstico se desarrolló a partir de conjuntos de datos retrospectivos, y no puede descartarse por completo un sobreajuste potencial debido a los métodos de selección de características. Tercero, aunque los análisis transcriptómicos unicelulares y espaciales aportaron información sobre los roles biológicos de los PARDTG, estos hallazgos se basaron principalmente en inferencias computacionales y requieren validación experimental adicional. Además, algunos análisis exploratorios, incluidos los análisis pancancerígenos y de correlación inmunitaria, implicaron múltiples comparaciones, por lo que las posibles asociaciones falsas positivas deben interpretarse con cautela. Finalmente, la resolución limitada de la transcriptómica espacial y la falta de validación funcional de las redes reguladoras predichas representan limitaciones adicionales. Se requieren estudios futuros que incorporen modelos experimentales y muestras clínicas para validar aún más los mecanismos identificados.

Este estudio reveló que los PARDTG ejercen importantes funciones ecológicas transcripcionales en OV y podrían participar en la invasión impulsada por el microentorno posoperatorio y en la evasión inmune, aportando nuevas evidencias moleculares para la anestesia de precisión perioperatoria, la estratificación de riesgos y la prevención de recurrencias.

Divulgaciones

Los autores declaran que no tienen intereses en competencia

Agradecimientos

Agradecemos sinceramente a los investigadores que compartieron sus valiosos conjuntos de datos en las bases de datos TCGA y GEO, incluidos TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 y GSE211956.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Anticuerpo anti-citoqueratina 81 (policlonal de conejo)Proteintech, USA11342-1-AP
Anticuerpo anti-GAPDH (monoclonal de ratón)Proteintech, USA60004-1-Ig
Kit de ensayo de proteínas BCAThermo Fisher, USA23225
CIBERSORTUniversidad de Stanfordhttps://cibersort.stanford.eduInfiltración inmune | Matriz de firmas LM22 | Análisis de infiltración de células inmunitarias
Características clínicas de pacientes con OVUCSC Xenahttp://xena.ucsc.edu/Datos clínicos | 341 pacientes | Análisis de correlación clínica
Paquete clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfilerAnálisis de enriquecimiento funcional | Versión 4.8.3 | Análisis GO, KEGG y GSEA
Paquete ggplot2CRANhttps://cran.r-project.org/package=ggplot2Visualización de datos | Versión 4.0.2 | Visualización de datos
GSE26193Base de datos GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Conjunto de datos de validación | 107 muestras | Validación externa
GSE30161Base de datos GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Conjunto de datos de validación | 58 muestras | Validación externa
GSE63885Base de datos GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Conjunto de datos de validación | 70 muestras | Validación externa
Paquete GSVABioconductorhttps://bioconductor.org/packages/GSVAAnálisis de enriquecimiento de conjuntos de genes | Versión 2.4.9 | Análisis ssGSEA
Paquete limmaBioconductorhttps://bioconductor.org/packages/limma/Análisis de expresión diferencial | Versión 3.56.2 | Análisis de DEG
Información sobre la supervivencia global de pacientes con OVUCSC Xenahttp://xena.ucsc.edu/Datos de supervivencia | 353 pacientes | Construcción del modelo pronóstico
Membrana de PVDFMillipore, USAIPVH00010
RFoundation R para la Computación Estadísticahttps://www.r-project.org/Software bioinformático | Versión 4.3.1 | Análisis estadísticos
Tampón RIPABeyotime, ChinaP0013B
Paquete SeuratCRANhttps://satijalab.org/seurat/Análisis de célula única | Versión 5.4.0 | Análisis de ARN-seq de célula única
Base de datos STRINGConsortium STRINGhttps://string-db.orgBase de datos de interacciones proteicas | Versión 12.0 | Construcción de red PPI
Paquete survivalCRANhttps://cran.r-project.org/package=survivalAnálisis de supervivencia | Versión 3.5.5 | Análisis de supervivencia
Datos de expresión génica ovárica TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Conjunto de datos de entrenamiento | 420 muestras tumorales de TCGA | Cohorte de entrenamiento
Datos de tejido normal ovárico TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Conjunto de datos normal de referencia | 88 muestras normales de GTEx | Análisis de expresión diferencial

Referencias

  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.

Reimpresiones y permisos

Etiquetas

Dianas farmacol gicas de anestesiadatos multi micosARN de c lula nicamica espacialriesgos proporcionales de Coxmicroambiente inmunitario tumoralnomograma cl nico
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.