L’analyse bioinformatique intégrée des données transcriptomiques humaines identifie trois biomarqueurs diagnostiques et pronostiques clés dans l’adénocarcinome pulmonaire

Résumé

Cette étude a identifié des biomarqueurs diagnostiques et pronostiques de l’adénocarcinome pulmonaire en utilisant TCGA-LUAD et GEO GSE115002 des données transcriptomiques. B3GNT3, FERMT1 et SPP1 étaient régulés à la hausse, distinguant les tumeurs des tissus normaux. Ces gènes sont liés à la transition épithéliale-mésenchymatose et à l’immunosuppression. Un nomogramme combinant l’expression génique avec le stade TNM a montré une valeur prédictive fiable.

Résumé

L’adénocarcinome pulmonaire (LUAD) est la principale cause de décès liés au cancer dans le monde. Malgré les avancées en chirurgie, thérapie ciblée et immunothérapie, le taux de survie à 5 ans du LUAD avancé reste inférieur à 20 %, indiquant un besoin urgent de biomarqueurs moléculaires fiables pour la détection précoce et le pronostic. Dans cette étude, les auteurs ont émis l’hypothèse que trois gènes constamment augmentés pourraient agir comme des biomarqueurs diagnostiques et pronostiques efficaces pour la LUAD. Les auteurs ont analysé les données transcriptomiques de deux cohortes indépendantes, TCGA-LUAD (535 tumeurs, 59 échantillons normaux) et GSE115002 (52 tumeurs, 52 échantillons normaux correspondants), afin de dépister les gènes exprimés différiellement. Trois gènes principaux — B3GNT3, FERMT1 et SPP1 — étaient systématiquement surexprimés dans les tumeurs LUAD dans les deux ensembles de données. Ces gènes ont montré d’excellentes performances diagnostiques, avec des valeurs d’AUC supérieures à 0,95 dans TCGA-LUAD et une grande précision en GSE115002. L’analyse de survie a montré qu’une forte expression de chaque gène était significativement associée à une survie globale plus courte et sans maladie, et la régression de Cox multivariée a confirmé leur valeur pronostique indépendante. L’analyse d’enrichissement fonctionnel a indiqué que ces trois gènes participent à la transition épithéliale-mésenchymate, au remodelage de la matrice extracellulaire et à la suppression immunitaire, tous étroitement liés à l’invasion et à la métastase des LUAD. Les auteurs ont également construit un nomogramme pronostique combinant les trois gènes et le stade TNM, atteignant un indice de concordance de 0,743 et démontrant de bonnes performances prédictives. Ces résultats confirment que B3GNT3, FERMT1 et SPP1 sont des biomarqueurs diagnostiques et pronostiques prometteurs pour le LUAD, soutenant leur application clinique en stratification et gestion du risque.

Introduction

Le cancer du poumon est la principale cause de mortalité mondiale par cancer, représentant environ 1,8 million de décès en 2020^. L’adénocarcinome pulmonaire (LUAD) représente près de 40 % de tous les cas de cancer du^{poumon 2}. Malgré les avancées en chirurgie, thérapie ciblée et immunothérapie, le taux de survie à 5 ans pour les LUAD avancés reste inférieur à 20 %^3,4. Des biomarqueurs moléculaires fiables pour une détection précoce et une pronostication précise sont urgemment nécessaires. Le séquençage à haut débit et les bases de....

Protocole

1. Sources de données et prétraitement

1. Traiter les données brutes dans R (version 4.1.3 ; Windows 10 Pro).
2. Pour GSE115002, appliquer la normalisation en quantile à l’aide de limma (version 3.52.3).
3. Filtrer les gènes à faible expression pour les TCGA : conserver les gènes avec CPM > 0,5 dans ≥50 % des échantillons.
4. Filtrer les gènes à faible expression pour GSE115002 : conserver les gènes avec un signal moyen >50.
5. log₂Transformer les valeurs d’expression avec un pseudo-compte de +1.
   REMARQUE : L’expression génique et les données clinique....

Résultats

Altérations globales de l’expression génique dans LUAD

Des comparaisons transcriptomiques entre les tissus adénocarcinomes pulmonaires et les tissus pulmonaires normaux ont identifié des changements généralisés dans l’expression génique. La figure 1A montre les graphiques volcaniques des gènes différenciellement exprimés dans le jeu de données TCGA-LUAD, et la figure 1B montre ceux du jeu de données GSE115002. Dan.......

Discussion

Le nomogramme a été construit à l’aide d’une analyse de régression de Cox multivariée basée sur la cohorte TCGA-LUAD. Les prédicteurs incluent le stade T pathologique, le stade N pathologique, et l’état d’expression génique de B3GNT3, FERMT1 et SPP1 (catégorisés en Élevé vs. Faible selon l’expression médiane). Pour chaque patient, les scores individuels de chaque variable sont additionnés afin de générer une valeur de « Total Points », qui correspond aux probab.......

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Publicly Available Datasets	TCGA-LUAD Dataset	The Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 échantillons de tumeurs LUAD, 59 échantillons de tissus pulmonaires normaux adjacents (comptage de séquençage d'ARN/valeurs FPKM + données cliniques: survie, mise en scène TNM)	Données transcriptomiques et cliniques pour l'expression différentielle, la survie et l'analyse de la nomogramme; cohorte d'étude primaire
	GSE115002 Dataset	Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Microarray Agilent, 52 tissus tumoraux LUAD, 52 tissus pulmonaires normaux adjacents appariés (tumeurs primaires non traitées)	Cohorte de validation indépendante pour l'expression différentielle, les performances diagnostiques et l'analyse de l'infiltration immunitaire
Logiciels de bioinformatique et environnement de programmation	Langage de programmation R	Version 4.1	Plateforme de base pour toutes les analyses transcriptomiques, statistiques et graphiques
	Paquets R (expression différentielle)	DESeq2, limma	DESeq2: analyse d'expression différentielle du comptage brut TCGA RNA-seq; limma: normalisation des puces GSE115002 et analyse d'expression différentielle (correction Benjamini-Hochberg FDR)
	Paquets R (analyse diagnostique)	pROC	Construction de courbes ROC, calcul de l'AUC (IC à 95 %), détermination du seuil optimal (indice de Youden) pour l'évaluation des performances diagnostiques
	Paquets R (analyse de survie)	survival, survminer	Génération de courbes de survie Kaplan-Meier, test de log-rank, régression de risques proportionnels de Cox univariée/multivariée (HR + IC à 95 %); stratification des patients par expression médiane des gènes
	Paquets R (enrichissement fonctionnel)	clusterProfiler, fgsea	clusterProfiler: analyse d'enrichissement des voies GO (BP/CC/MF) et KEGG (P ajusté < 0,05); fgsea: GSEA pour les ensembles de gènes MSigDB Hallmark/KEGG (FDR < 0,25)
	Paquets R (construction et validation de nomogramme)	rms	Développement d'un nomogramme pronostique (intégration de l'expression génique + stade TNM); calcul de l'indice de C de Harrell, rééchantillonnage par bootstrap (1000 répétitions) pour la correction des biais, génération d'un graphique d'étalonnage
	Paquets R (statistique et visualisation)	ggplot2, ComplexHeatmap, corrplot	Génération de graphiques volcaniques, de graphiques à bulles (enrichissement), de heatmaps (corrélation d'infiltration immunitaire), de graphiques de dispersion (cocher-cher); analyse de corrélation de Pearson/Spearman
Bases de données et outils de bioinformatique (analyse de réseau/immunitaire)	Base de données STRING	Score de confiance > 0,7	Construction de réseaux d'interaction protéine-protéine (PPI) pour B3GNT3/FERMT1/SPP1 et les interacteurs de premier degré
	Cytoscape	-	Visualisation des réseaux PPI et de cocher-cher de gènes (pondération des arêtes par la force de corrélation, identification des gènes pivots)
	Algorithme de déconvolution immunitaire	CIBERSORT	Estimation de l'abondance de l'infiltration cellulaire immunitaire (macrophages M2, cellules T CD8+, neutrophiles, cellules NK, etc.) dans les échantillons LUAD; corrélation avec l'expression des gènes candidats
Autres outils	Microsoft Office/LaTeX	-	Préparation du manuscrit, assemblage des figures et formatage des tableaux; compilation des résultats statistiques