Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Des preuves génétiques, transcriptomiques et à l'échelle de la cellule unique sur plusieurs étapes priorisent MAP1LC3A parmi les gènes liés à la ferroptose dans le glioblastome

94 vues

⸱

11 septembre 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Cerebrovascular Neurosurgery, The First People's Hospital of Zhaoqing, 2The National Key Clinical Specialty, Guangdong Provincial Key Laboratory on Brain Function Repair and Regeneration, Department of Neuro-oncological Surgery, Zhujiang Hospital, Southern Medical University

* These authors contributed equally

Dans cet article

Résumé

Un cadre multistage ancré génétiquement, intégrant la randomisation mendélienne, la transcriptomique tumorale et des analyses unicellulaires, a permis de classer MAP1LC3A comme un gène associé à la ferroptose, lié à la susceptibilité au glioblastome, et candidat à une validation expérimentale ultérieure.

Résumé

Le glioblastome (GBM) demeure une malignité hautement agressive, et la contribution des gènes liés à la ferroptose à la susceptibilité de la maladie n'est pas encore entièrement comprise. Un cadre multistage ancré sur la génétique a été appliqué afin de hiérarchiser les gènes liés à la ferroptose associés au GBM. Parmi les 483 gènes recensés dans FerrDb V2, 315 possédaient des locus quantitatifs d'expression candidats en position cis (cis-eQTL) dans eQTLGen, 250 conservaient au moins trois instruments indépendants après regroupement par déséquilibre de liaison, et 226 ont permis d'obtenir des estimations valides de randomisation mendélienne par pondération inverse de la variance (IVW) à l'aide d'une étude d'association génome entier sur le GBM comprenant 6 183 cas et 18 169 témoins. Trente-quatre gènes ont satisfait aux critères exploratoires de découverte, avec un P < 0,05 et un taux de faux positifs (BH-FDR) de Benjamini–Hochberg < 0,20, ainsi que des estimations concordantes en direction de la randomisation mendélienne pondérée bayésienne (BWMR). Une étape de réplication par randomisation mendélienne utilisant les cis-eQTLs de sang total de GTEx V10 a confirmé quatre gènes : ATG7, RPTOR, MAP1LC3A et CHMP6. L'évaluation menée sur trois cohortes indépendantes de profils transcriptomiques tumeur–témoin a démontré que MAP1LC3A était systématiquement sous-exprimé dans le tissu tumoral et présentait une estimation groupée pondérée par effets aléatoires significative (changement de l'expression, log₂ : −1,273 ; intervalle de confiance à 95 %, −1,625 à −0,920 ; taux de faux positifs = 0,016), tandis que les trois autres gènes ne présentaient pas un soutien statistique comparable entre les cohortes. Une analyse de coupure virtuelle au niveau cellulaire unique a ensuite été réalisée sur un sous-ensemble équilibré de patients composé de 2 400 cellules malignes sélectionnées parmi 4 916 cellules éligibles provenant de 20 tumeurs de GBM de type sauvage IDH chez des adultes. Au cours de cinq exécutions indépendantes, 3, 15, 4 et 7 gènes descendants robustes ont été identifiés respectivement pour ATG7, RPTOR, MAP1LC3A et CHMP6. Les ensembles consensus obtenus comprenaient 17 gènes uniques, RND3 étant partagé par les quatre cibles. Une analyse Gene Ontology a révélé un enrichissement des processus d'adhésion cellulaire et de surface cellulaire, tandis qu'aucun chemin biologique KEGG ou Reactome n'est resté significatif après correction pour tests multiples. Dans leur ensemble, ces résultats permettent de hiérarchiser MAP1LC3A pour des investigations expérimentales futures, tout en distinguant l'association génétique, la concordance d'expression dans la tumeur et la perturbation computationnelle de l'existence d'une preuve définitive de causalité ou de mécanisme.

Introduction

Le glioblastome (GBM) reste une malignité paradigmatique réfractaire au traitement. Malgré une classification moléculaire de plus en plus précise et une prise en charge pluridisciplinaire, les améliorations durables des résultats pour les patients ont été limitées1. Chez les patients aptes sur le plan médical, la prise en charge actuelle consiste en une résection maximale sûre, suivie d'une radiothérapie associée à une témozolomide concomitante et adjuvante, un régime établi dans un essai randomisé marquant et maintenu dans les lignes directrices cliniques actuelles1,2. Néanmoins, l'infiltration diffuse et l'hétérogénéité cellulaire et moléculaire importante limitent un contrôle durable de la maladie, et la plupart des patients finissent par présenter une progression ou une récidive, pour lesquelles aucun traitement standard universellement efficace n'existe1,3. Ce fossé persistant entre les progrès dans la caractérisation de la maladie et les résultats cliniques souligne la nécessité d'identifier des dépendances moléculaires biologiquement pertinentes pouvant guider de nouvelles stratégies thérapeutiques pour le GBM.

La ferroptose est une forme dépendante du fer de mort cellulaire régulée, caractérisée par une peroxydation incontrôlée des phospholipides et une défaillance des défenses antioxydantes cellulaires, ce qui la distingue mécanistiquement de l'apoptose et des autres programmes canoniques de mort cellulaire4,5. Ce processus revêt une importance particulière dans le cas du GBM, où des altérations génétiques et une plasticité métabolique modifient l'homéostasie du fer, l'équilibre redox et le métabolisme lipidique. Des profils génomiques et lipidomiques intégrés ont démontré que la délétion de CDKN2A redistribue les acides gras polyinsaturés oxydables, créant ainsi une sensibilité à la ferroptose dépendante du génotype dans les modèles de GBM6. De même, des analyses appariées de tumeurs primaires et récidivantes ont identifié des altérations associées à la rechute dans GPX4, ACSL4 et d'autres régulateurs de la ferroptose7. On a également montré que la modulation expérimentale des voies de défense contre la ferroptose influence la sensibilité au témozolomide dans les cellules de GBM et les modèles xénogreffés8. Dans leur ensemble, ces résultats identifient la ferroptose comme une vulnérabilité thérapeutique biologiquement plausible dans le GBM. Toutefois, ils reflètent principalement des associations liées à l'état tumoral ou des observations expérimentales dépendantes du contexte, et n'établissent pas si une variation constitutive de l'expression des gènes liés à la ferroptose contribue à une prédisposition héréditaire au GBM.

La plupart des études humaines portant sur la ferroptose dans le gliome se sont appuyées sur des analyses d'expression différentielle, de modélisation de la survie et de sous-typage moléculaire à l'aide des jeux de données TCGA, CGGA et GEO9,10. Bien que ces études aient établi la pertinence pronostique des programmes transcriptionnels liés à la ferroptose, leur conception observationnelle ne permet pas de déterminer si une expression génique altérée contribue à la prédisposition au GBM ou si elle constitue plutôt une conséquence du développement tumoral. Des analyses de randomisation mendélienne à l'échelle du transcriptome ont ensuite identifié des gènes régulés génétiquement et dépendants du tissu associés au risque de gliome, tandis que des études plus récentes basées sur des locus de caractères quantitatifs d'expression (eQTL) et de protéines (pQTL) ont commencé à hiérarchiser des cibles thérapeutiques potentielles pour le GBM11,12. Néanmoins, les recherches antérieures ont généralement adopté des approches orientées vers le transcriptome entier ou vers des cibles médicamenteuses, plutôt que d'évaluer un ensemble prédéfini et complet de gènes liés à la ferroptose. De plus, peu d'études ont intégré une vaste étude d'association génomique (GWAS) sur le GBM avec une randomisation mendélienne de réplication utilisant une ressource eQTL indépendante, suivie d'une évaluation à travers plusieurs cohortes transcriptomiques tumeur–contrôle. Cette distinction est importante car la régulation génétique de l'expression des gènes varie considérablement selon les tissus, et les associations eQTL dérivées du sang ne peuvent pas être supposées refléter les effets régulateurs au sein des tumeurs cérébrales11,13. Par conséquent, un cadre intégratif combinant association génétique, randomisation mendélienne en phase de réplication, transcriptomique tumorale trans-cohortes et prédiction fonctionnelle basée sur des cellules uniques provenant de patients est nécessaire pour identifier des gènes liés à la ferroptose soutenus par des preuves convergentes de leur implication dans le GBM.

Cette étude a examiné si l'expression génétiquement régulée des gènes liés à la ferroptose est associée à la susceptibilité au GBM. Une randomisation mendélienne en phase de découverte et en phase de réplication a été combinée à des analyses d'expression génique menées sur trois cohortes transcriptomiques indépendantes de tumeurs et de contrôles. Les gènes soutenus par les deux phases de la randomisation mendélienne ont ensuite été évalués à partir de données transcriptomiques unicellulaires provenant de patients, en utilisant une perturbation virtuelle afin de caractériser les réponses transcriptionnelles prédites dans les cellules malignes. Plutôt que de hiérarchiser les gènes uniquement selon leurs signatures d'expression tumorale, ce cadre analytique en plusieurs étapes exploite d'abord la variation génétique héréditaire, puis évalue les profils d'expression pertinents pour la maladie conjointement avec des profils de perturbation computationnelle résolus à l'échelle cellulaire. Les preuves convergentes ainsi obtenues ont permis de hiérarchiser les gènes liés à la ferroptose pour des investigations expérimentales futures dans le GBM.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

La présente étude a été dispensée de l'examen éthique par le comité d'éthique médicale du Premier hôpital populaire de Zhaoqing (numéro de référence B2026-08-03). L'étude a utilisé des données génétiques et transcriptomiques rétrospectivement collectées au niveau résumé et dé-identifiées, y compris des données à accès contrôlé approuvées par un comité d'accès aux données provenant d'EGAD00010001657 et des ensembles de données obtenus auprès de GEO, eQTLGen et GTEx, conformément à leurs conditions d'accès et d'utilisation applicables. Aucun nouveau participant n'a été recruté, aucun biospécimen n'a été collecté et aucune donnée identifiable au niveau des participants n'a été consultée. L'approbation éthique et le consentement éclairé pour les études initiales ont été obtenus par les producteurs respectifs des données, et les données à accès contrôlé ont été utilisées conformément à l'accord d'accès aux données applicable.

Conception de l'étude

Cette étude a utilisé un cadre multistage afin de hiérarchiser les gènes liés à la ferroptose associés à la susceptibilité du glioblastome (GBM) et d'évaluer leurs effets transcriptionnels pertinents pour la maladie (Figure 1). Premièrement, les gènes liés à la ferroptose, recensés à partir de FerrDb V2, ont été évalués à l'aide d'une randomisation mendélienne à deux échantillons (MR) combinée à des données de locus quantitatif d'expression en cis (cis-eQTL) et à une vaste étude d'association pangénomique sur le GBM (GWAS). La MR pondérée par la variance inverse (IVW) a servi de méthode de criblage principale, la randomisation mendélienne pondérée bayésienne (BWMR) a fourni une évaluation complémentaire de la robustesse, et un jeu de données eQTL indépendant a été utilisé pour la phase de réplication. Deuxièmement, les gènes soutenus par les analyses génétiques ont été évalués dans trois cohortes transcriptomiques indépendantes de tumeurs et de témoins, suivies d'une méta-analyse inter-cohorte. Troisièmement, des données transcriptomiques unicellulaires provenant de patients ont été utilisées pour réaliser une perturbation virtuelle des gènes dans les cellules malignes et identifier des réponses transcriptionnelles en aval reproductibles. Ces réponses ont ensuite été caractérisées par des analyses d'enrichissement fonctionnel et d'analyse de réseaux partagés. Dans l'ensemble, les analyses génétiques avaient pour objectif d'identifier les gènes associés à la susceptibilité au GBM, tandis que les analyses transcriptomiques et unicellulaires ont évalué la concordance biologique et généré des hypothèses destinées à une validation expérimentale ultérieure.

Sources de données

Les gènes liés à la ferroptose ont été obtenus à partir de FerrDb V2, fournissant 483 gènes uniques codant des protéines humaines après harmonisation des symboles géniques et élimination des entrées en double14. Les statistiques sommaires des locus quantitatifs d'expression en cis (cis-eQTL) sur l'ensemble du sang provenant du Consortium eQTLGen ont été utilisées comme jeu de données d'exposition pour la randomisation mendélienne (MR) au stade de découverte, tandis que les données cis-eQTL sur l'ensemble du sang de la version V10 de GTEx ont servi de jeu de données d'exposition indépendant pour la MR au stade de réplication11,15. Les associations avec le résultat du GBM ont été obtenues à partir de statistiques sommaires d'études d'association pangénomique (GWAS) sous accès contrôlé disponibles via l'European Genome-phenome Archive, comprenant 6 183 cas et 18 169 témoins d'ascendance européenne16. L'expression au niveau tissulaire des gènes génétiquement prioritaires a été évaluée dans trois cohortes indépendantes de Gene Expression Omnibus (GEO) : GSE196533, comprenant 61 échantillons de gliome de grade 4 annotés comme GBM dans les métadonnées déposées et neuf échantillons cérébraux non néoplasiques ; GSE4290, comprenant des échantillons de GBM et des échantillons cérébraux non tumoraux provenant d'épilepsie ; et GSE116520, contenant des spécimens appariés du centre tumoral et de la zone périvertumeuse ainsi que des témoins non néoplasiques17,18,19. Des données Smart-seq2 issues de patients provenant de GSE131928 ont été utilisées pour l'analyse de perturbation virtuelle des cellules malignes20. Les caractéristiques des jeux de données et leurs rôles analytiques respectifs sont résumés dans Tableau 1. Toutes les analyses ont été réalisées à l'aide de jeux de données préalablement collectés et anonymisés, pour lesquels une approbation éthique et un consentement éclairé avaient été obtenus dans les études initiales.

Sélection des instruments génétiques et harmonisation des données

Les instruments candidats ont été restreints aux locus de caractères quantitatifs d'expression en cis (cis-eQTLs) associés à l'expression génique à un seuil de signification au niveau du génome entierP < 5 × 10⁻8). Les variants ont été regroupés à l'aide du panel de référence européen du projet 1000 génomes avec un seuil de déséquilibre de liaison (LD) de r2 < 0,001 dans une fenêtre de 10 000 kb. Les gènes conservant moins de trois instruments indépendants après regroupement en fonction de la liaison déséquilibrée (clumping) ont été exclus de l'analyse principale de randomisation mendélienne (MR). Étant donné l'objectif de criblage exploratoire, un minimum de trois instruments avait été préspecifié afin de conserver les gènes bénéficiant d'un soutien faible mais solide par des eQTL cis, tout en permettant une estimation par la méthode IVW utilisant plusieurs instruments. Ce seuil était associé à un regroupement rigoureux selon la liaison déséquilibrée (LD clumping) et un filtrage strict basé sur la statistique F ; les estimations reposant uniquement sur trois ou quatre instruments ont été interprétées avec prudence, et des analyses de sensibilité n'ont été réalisées que lorsque les méthodes s'y prêtaient. La puissance des instruments a été évaluée pour chaque variant à l'aide de la statistique F (F = β2/SE2), où β et SE représentent respectivement l'estimation de l'effet cis-eQTL et son erreur standard. Les variants avec un F < 10 ont été exclus pour minimiser le biais dû à un instrument faible21,22Les jeux de données relatifs à l'exposition et au résultat ont été harmonisés en alignant les allèles d'effet et les directions d'effet. Les variants en double, les variants non disponibles dans le jeu de données GWAS du GBM et les variants présentant un codage allélique incompatible ont été exclus. Étant donné que les fréquences des allèles d'effet n'étaient pas disponibles pour le GWAS du GBM, les variants palindromiques à orientation de brin ambiguë ont été supprimés plutôt que déduits. Pour la même raison, un test formel de directionnalité de Steiger n'a pas été réalisé.

Analyses de randomisation mendélienne

L'association entre l'expression génique prédite génétiquement et la susceptibilité au GBM a été évaluée à l'aide d'une randomisation mendélienne à deux échantillons (MR). À l'étape de découverte, seuls les gènes possédant au moins trois instruments indépendants de locus quantitatif de caractères d'expression en cis (cis-eQTL) ont été inclus, et la méthode pondérée par l'inverse de la variance (IVW) a été utilisée comme approche analytique principale. Les estimations d'effet ont été exprimées sous forme de rapports de cotes (OR) avec des intervalles de confiance à 95 % (IC) par augmentation d'une unité de l'expression génique prédite génétiquement. Afin de tenir compte des tests multiples effectués sur l'ensemble des gènes évalués, les valeurs P obtenues par IVW ont été ajustées selon la procédure de Benjamini–Hochberg23. Les gènes présentant une valeur P < 0,05 et un taux de faux positifs (BH-FDR) de Benjamini–Hochberg < 0,20 ont été conservés comme candidats exploratoires. Ce seuil relativement permissif de FDR a été choisi afin de réduire l'exclusion prématurée de gènes potentiellement pertinents durant l'étape de découverte ; par conséquent, le statut de candidat a été interprété conjointement avec les analyses ultérieures, plutôt que comme une preuve confirmatoire. Une randomisation mendélienne pondérée par approche bayésienne (BWMR) a ensuite été appliquée aux candidats identifiés à l'étape de découverte, en utilisant les mêmes instruments harmonisés24. La concordance entre les résultats IVW et BWMR a été évaluée selon la significativité statistique et le sens de l'effet. Lorsque le nombre d'instruments disponibles le permettait, un test Q de Cochran, un test d'interception MR-Egger, une analyse MR-PRESSO et des analyses de type « laisser-un-de-hors » (leave-one-out) ont été réalisés afin d'évaluer l'hétérogénéité, la pléiotropie horizontale, la présence de variants aberrants influents, ainsi que l'effet de chaque polymorphisme nucléotidique unique (SNP) individuel22.

La réplication à l'étape MR a été réalisée à l'aide des données cis-eQTL de sang total de GTEx V10. La méthode du ratio de Wald a été appliquée lorsqu'un seul instrument était disponible, tandis que la méthode IVW a été utilisée pour les gènes possédant deux instruments ou plus. La réplication a été définie par un P < 0,05, un BH-FDR < 0,20 et une direction d'effet cohérente avec l'estimation correspondante à l'étape de découverte. Étant donné que plusieurs estimations de réplication GTEx reposaient sur un ou deux seuls instruments, elles ont été interprétées comme une preuve supplémentaire en faveur de la réplication plutôt que comme une preuve indépendante de causalité.

Évaluation transcriptomique transversale de cohortes

Les quatre gènes prioritaires identifiés par les analyses de randomisation mendélienne (MR) aux stades de découverte et de réplication ont été évalués dans trois cohortes transcriptomiques indépendantes. Pour GSE196533, les données brutes de comptage issues du séquençage ARN ont été analysées à l’aide de DESeq225. Les gènes dont les valeurs de comptage étaient inférieures à 10 dans tous les échantillons sauf deux ont été exclus, tandis que les quatre gènes cibles ont été conservés indépendamment du filtrage d’expression. L’expression différentielle a été évaluée entre 61 échantillons de gliome de grade 4 annotés comme GBM dans les métadonnées déposées et neuf échantillons de tissu cérébral non néoplasique.

Pour GSE4290, quatre échantillons dépourvus de diagnostic histopathologique explicite ont été exclus, laissant 77 échantillons de GBM et 23 échantillons de tissu cérébral non tumoral. Les intensités des puces à ADN traitées ont été transformées en log2, normalisées par quantiles et analysées à l'aide de modèles linéaires robustes de Bayes empirique mis en œuvre dans limma26. Lorsque plusieurs sondes étaient associées au même gène, la sonde présentant la plus forte expression moyenne parmi tous les échantillons inclus a été sélectionnée indépendamment de la significativité de l'expression différentielle.

GSE116520 comprenait des échantillons appariés de tumeur centrale et de tissu périvasculaire provenant de 17 patients, ainsi que huit témoins non néoplasiques. Les données d'expression normalisées par transformation logarithmique et normalisation quantile, déposées, ont été analysées à l'aide de limma. Les corrélations intra-patient entre les échantillons de tumeur centrale et périvasculaires ont été prises en compte à l'aide d'un blocage au niveau du patient et de la fonction duplicateCorrelation. La comparaison préspecifiée entre tumeur centrale et témoin a été utilisée pour la méta-analyse transversale de cohorte, tandis que les comparaisons périvasculaires et la tendance ordonnée témoin–périvascular–tumeur centrale ont été évaluées séparément.

Les changements différentiels log2 spécifiques à chaque étude et les erreurs standards ont été regroupés à l’aide d’un modèle à effets aléatoires par maximum de vraisemblance restreinte avec inférence de Hartung–Knapp, tel qu’implémenté dans metafor. L’hétérogénéité entre les études a été évaluée à l’aide de la statistique Q de Cochran et de l’indice I2. Les valeurs P regroupées pour les quatre gènes cibles ont été ajustées selon la procédure de Benjamini–Hochberg. Un soutien transcritomique fort a été défini par un taux de fausses découvertes (FDR) en méta-analyse < 0,05, une significativité du FDR au niveau des cohortes dans au moins deux jeux de données, et des directions d’effet concordantes dans les trois cohortes.

Analyse virtuelle de coupure unique à la cellule

Des données Smart-seq2 dérivées de patients provenant de GSE131928 ont été utilisées pour évaluer les quatre gènes confirmés par MR dans les cellules malignes. Les cellules malignes adultes ont été identifiées selon les annotations fournies dans l'étude initiale, et un nombre égal de cellules a été échantillonné aléatoirement pour chaque patient éligible afin de minimiser le déséquilibre dans la représentation des patients. Un faux knockout virtuel a été réalisé à l'aide de scTenifoldKnk et répété sur cinq itérations indépendantes. Les gènes présentant une valeur P ajustée selon Benjamini–Hochberg < 0,05 dans une itération individuelle ont été considérés comme significatifs. Les gènes en aval reproduits dans au moins trois des cinq itérations ont été définis comme l'ensemble de consensus principal, tandis qu'un critère plus strict de quatre sur cinq a été appliqué pour l'analyse de sensibilité. Ces résultats ont été interprétés comme des prédictions informatiques de perturbation transcriptionnelle, et non comme une preuve de régulation moléculaire directe.

Enrichissement fonctionnel et analyse de réseau partagé

Une analyse d'enrichissement fonctionnel a été réalisée à l'aide des gènes en aval spécifiques aux cibles identifiés de manière reproductible dans au moins trois des cinq simulations de coupure virtuel. L'enrichissement des voies de l'ontologie génique (GO), de l'Encyclopédie de Kyoto des gènes et des génomes (KEGG) et de Reactome a été évalué à l'aide de tests hypergéométriques unilatéraux, les 1 004 gènes inclus dans l'inférence du réseau servant de jeu génique de référence. Les valeurs P ont été ajustées séparément pour chaque base de données d'annotation selon la procédure de Benjamini–Hochberg, et une valeur P ajustée < 0,05 a été considérée comme statistiquement significative.

Un réseau bipartite a été construit pour représenter les relations entre les quatre cibles d'invalidation génique et leurs gènes en aval consensuels. Les gènes associés à plusieurs cibles ont été identifiés en fonction de leur degré partagé, et le recoupement entre les ensembles de gènes spécifiques à chaque cible a été quantifié à l'aide de décomptes d'intersections et d'indices de Jaccard. Les arêtes du réseau représentent des associations entre des perturbations computationnelles reproductibles et ne doivent pas être interprétées comme une preuve d'interactions moléculaires directes.

Analyse statistique et reproductibilité

Sauf indication contraire, les tests statistiques étaient bilatéraux, et les comparaisons multiples ont été corrigées à l’aide de la procédure de Benjamini–Hochberg. Les critères de significativité spécifiques à chaque analyse sont décrits dans les sous-sections correspondantes. Toutes les analyses ont été réalisées à l’aide de R ou de Python. Les procédures aléatoires ont utilisé des graines prédéfinies, et le code d’analyse, les versions des logiciels ainsi que les paramètres détaillés ont été archivés afin d’assurer la reproductibilité. Tous les jeux de données avaient été collectés et désidentifiés préalablement ; une approbation éthique et un consentement éclairé avaient été obtenus dans les études initiales.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Sélection des gènes liés à la ferroptose et des instruments génétiques

Un total de 483 gènes liés à la ferroptose a été obtenu à partir de FerrDb V2 (Figure 1). Parmi ceux-ci, 315 gènes ont été appariés au jeu de données eQTLGen et présentaient au moins un locus quantitatif de caractères d'expression cis (cis-eQTL) candidat. Après regroupement par déséquilibre de liaison, 250 gènes conservaient au moins trois instruments candidats indépendants. Su...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude a intégré des analyses d'association génétique, une randomisation mendélienne (MR) de stade de réplication, de la transcriptomique tumorale et une modélisation à partir de cellules uniques issues de patients afin de hiérarchiser les gènes liés à la ferroptose associés à la susceptibilité au glioblastome (GBM). Le criblage de 483 gènes sélectionnés par rapport à une étude d'association génomique (GWAS) sur le GBM, comprenant 6 183 cas et 18 169 témoins, a identifié 34 candidats au...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun intérêt concurrentiel.

Remerciements

Les auteurs remercient l'équipe de génomique du cancer de l'Institute of Cancer Research pour avoir fourni un accès aux statistiques sommaires de l'étude d'association pangénomique sur les gliomes via l'European Genome-phenome Archive (ensemble de données EGAD00010001657). La génération initiale de ces données a été financée par Cancer Research UK, y compris le Bobby Moore Fund, le Wellcome Trust et le DJ Fielding Medical Research Trust (C1298/A8362).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
BWMRPaquet RBWMRRandomisation mendélienne pondérée bayésienne
DESeq2BioconductorVersion 1.46.0Analyse différentielle d'expression à partir de données de séquençage ARN
FerrDb V2FerrDbVersion 2Source de 483 gènes liés à la ferroptose, soigneusement sélectionnés
Microarray massif du glioblastomeNCBI Gene Expression OmnibusGSE4290Cohorte d'évaluation transcriptomique
Résumé des statistiques de GWAS du glioblastomeEuropean Genome-phenome ArchiveEGAD00010001657Données d'issue sous accès contrôlé ; 6 183 cas et 18 169 témoins
Séquençage ARN unicellulaire Smart-seq2 du glioblastomeNCBI Gene Expression OmnibusGSE131928Analyse virtuelle de coupure d'expression dans les cellules malignes
Séquençage ARN massif du gliome de grade 4NCBI Gene Expression OmnibusGSE196533Cohorte d'évaluation transcriptomique
Résumé des statistiques des eQTL cis du sang entier de GTExProjet Genotype-Tissue ExpressionGTEx V10Données d'exposition en phase de réplication
limmaBioconductorVersion 3.62.2Analyse différentielle d'expression sur microarray
metaforPaquet RVersion 4.8-0Méta-analyse à effets aléatoires
RFondation R pour l'informatique statistiqueVersion 4.4.2Environnement de calcul statistique
scTenifoldKnkPaquet RVersion 1.0.3Analyse unicellulaire de coupure d'expression virtuelle
Microarray massif du centre tumoral et de la zone périvertébraleNCBI Gene Expression OmnibusGSE116520Cohorte d'évaluation transcriptomique
TwoSampleMRPaquet RVersion 0.6.29Randomisation mendélienne à deux échantillons
Résumé des statistiques des eQTL cis du sang entierConsortium eQTLGeneQTLGenDonnées d'exposition en phase de découverte

Références

  1. Weller M, et al. EANO guidelines on the diagnosis and treatment of diffuse gliomas of adulthood. Nat Rev Clin Oncol. 2021;18:170-186.
  2. Stupp R, et al. Radiotherapy plus concomitant and adjuvant temozolomide for glioblastoma. N Engl J Med. 2005;352:987-996.
  3. McBain C, et al. Treatment options for progression or recurrence of glioblastoma: a network meta-analysis. Cochrane Database Syst Rev. 2021;5:CD013579.
  4. Dixon SJ, et al. Ferroptosis: an iron-dependent form of nonapoptotic cell death. Cell. 2012;149:1060-1072.
  5. Stockwell BR, et al. Ferroptosis: A regulated cell death nexus linking metabolism, redox biology, and disease. Cell. 2017;171:273-285.
  6. Minami JK, et al. CDKN2A deletion remodels lipid metabolism, priming glioblastoma for ferroptosis. Cancer Cell. 2023;41:1048-1060.e1049.
  7. Kram H, et al. Glioblastoma relapses show increased markers of vulnerability to ferroptosis. Front Oncol. 2022;12:841418.
  8. Miao Z, et al. A targetable PRR11-DHODH axis drives ferroptosis- and temozolomide-resistance in glioblastoma. Redox Biol. 2024;73:103220.
  9. Liu HJ, et al. Ferroptosis-related gene signature predicts glioma cell death and glioma patient progression. Front Cell Dev Biol. 2020;8:538.
  10. Dong J, et al. Ferroptosis-related gene contributes to immunity, stemness, and predicts prognosis in glioblastoma multiforme. Front Neurol. 2022;13:829926.
  11. Robinson JW, et al. Transcriptome-wide Mendelian randomization study prioritizing novel tissue-dependent genes for glioma susceptibility. Sci Rep. 2021;11:2329.
  12. Zhang H, Wang Z, Qiao X, Wu J, Cheng C. Investigating potential drug targets for the treatment of glioblastoma: a Mendelian randomization study. BMC Cancer. 2025;25:654.
  13. GTEx Consortium. The GTEx Consortium atlas of genetic regulatory effects across human tissues. Science. 2020;369:1318-1330.
  14. Zhou N, et al. FerrDb V2: update of the manually curated database of ferroptosis regulators and ferroptosis-disease associations. Nucleic Acids Res. 2023;51:D571-D582.
  15. Võsa U, et al. Large-scale cis- and trans-eQTL analyses identify thousands of genetic loci and polygenic scores that regulate blood gene expression. Nat Genet. 2021;53:1300-1310.
  16. Melin BS, et al. Genome-wide association study of glioma subtypes identifies specific differences in genetic susceptibility to glioblastoma and non-glioblastoma tumors. Nat Genet. 2017;49:789-794.
  17. Zeng C, et al. Dissection of transcriptomic and epigenetic heterogeneity of grade 4 gliomas: implications for prognosis. Acta Neuropathol Commun. 2023;11:133.
  18. Sun L, et al. Neuronal and glioma-derived stem cell factor induces angiogenesis within the brain. Cancer Cell. 2006;9:287-300.
  19. Kruthika BS, et al. Transcriptome profiling reveals PDZ binding kinase as a novel biomarker in peritumoral brain zone of glioblastoma. J Neurooncol. 2019;141:315-325.
  20. Neftel C, et al. An integrative model of cellular states, plasticity, and genetics for glioblastoma. Cell. 2019;178:835-849.e821.
  21. Burgess S, Thompson SG. Avoiding bias from weak instruments in Mendelian randomization studies. Int J Epidemiol. 2011;40:755-764.
  22. Papadimitriou N, et al. Physical activity and risks of breast and colorectal cancer: a Mendelian randomisation analysis. Nat Commun. 2020;11:597.
  23. Song W, et al. Causal relationship between gut microbiota and lung squamous cell carcinoma: a bidirectional two-sample Mendelian randomization study. Postgrad Med J. 2025;101:526-534.
  24. Zhao J, et al. Bayesian weighted Mendelian randomization for causal inference based on summary statistics. Bioinformatics. 2020;36:1501-1508.
  25. Love MI, Huber W, Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15:550.
  26. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43:e47.
  27. Yun D, et al. A novel prognostic signature based on glioma essential ferroptosis-related genes predicts clinical outcomes and indicates treatment in glioma. Front Oncol. 2022;12:897702.
  28. Li R, et al. Identification of candidate genes associated with prognosis in glioblastoma. Front Mol Neurosci. 2022;15:913328.
  29. Bai H, Inoue J, Kawano T, Inazawa J. A transcriptional variant of the LC3A gene is involved in autophagy and frequently inactivated in human cancers. Oncogene. 2012;31:4397-4408.
  30. Hayashima K, Kimura I, Katoh H. Role of ferritinophagy in cystine deprivation-induced cell death in glioblastoma cells. Biochem Biophys Res Commun. 2021;539:56-63.
  31. Wu Y, et al. ALDH1-mediated autophagy sensitizes glioblastoma cells to ferroptosis. Cells. 2022;11:4015.
  32. Carriere A, et al. ERK1/2 phosphorylate Raptor to promote Ras-dependent activation of mTOR complex 1 (mTORC1). J Biol Chem. 2011;286:567-577.
  33. Dai E, Meng L, Kang R, Wang X, Tang D. ESCRT-III-dependent membrane repair blocks ferroptosis. Biochem Biophys Res Commun. 2020;522:415-421.
  34. Comincini S, et al. microRNA-17 regulates the expression of ATG7 and modulates the autophagy process, improving the sensitivity to temozolomide and low-dose ionizing radiation treatments in human glioblastoma cells. Cancer Biol Ther. 2013;14:574-586.
  35. Wang L, et al. Autophagy mediates glucose starvation-induced glioblastoma cell quiescence and chemoresistance through coordinating cell metabolism, cell cycle, and survival. Cell Death Dis. 2018;9:213.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Gènes de la ferroptosesusceptibilité au glioblastomerandomisation mendélienneanalyse sur cellule uniquecohortes transcriptomiquesanalyse des eQTLontologie géniquesous-expression tumoraleassociation génétique
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.