Workflow multi-omiques Pan-Cancer Bioinformatics pour évaluer PTDSS1 et PTDSS2 comme biomarqueurs pronostiques et immunitaires

Résumé

Cette étude a mené une analyse bioinformatique complète utilisant plusieurs bases de données publiques pour évaluer les schémas d’expression génique, les corrélations cliniques, le pronostic de survie, les scores de tige tumorale et les caractéristiques immunitaires de PTDSS1 et PTDSS2 à travers divers cancers. Les résultats suggèrent que ces gènes pourraient servir de biomarqueurs potentiels pour le diagnostic, le pronostic et l’immunothérapie du cancer.

Résumé

Les enzymes de synthèse de phosphatidylsérine PTDSS1 et PTDSS2 jouent un rôle important dans les processus cellulaires, notamment la composition membranaire et la transduction du signal. Des expressions anormales de ces enzymes ont été associées à une infiltration des macrophages associée à la tumeur et à de faibles résultats de survie dans le cancer du sein. Cependant, leur rôle global dans différents types de cancer reste flou. Dans cette étude, nous avons réalisé une analyse pan-cancéreuse afin d’évaluer la pertinence diagnostique, pronostique, d’infiltration immunitaire et immunothérapeutique de PTDSS1 et PTDSS2. Plusieurs bases de données publiques ont été utilisées pour analyser les schémas d’expression génique, les corrélations cliniques, les résultats de survie, les scores de tige tumorale et les caractéristiques immunitaires liées à divers cancers. Les résultats ont montré que PTDSS1 et PTDSS2 sont largement exprimés dans les tissus humains et significativement augmentés dans la plupart des tissus tumoraux par rapport aux tissus normaux. Une forte expression de PTDSS1 ou PTDSS2 était associée à une survie globale (SO) plus faible dans plusieurs types de cancers et a montré des corrélations significatives avec les scores de stade clinique et de tige tumorale. De plus, des analyses fonctionnelles ont suggéré que ces gènes pourraient contribuer à la tumorigenèse, à la régulation immunitaire et à la chimiorésistance. Dans l’ensemble, les résultats mettent en lumière l’importance pronostique de PTDSS1 et PTDSS2 dans plusieurs cancers et suggèrent qu’ils pourraient servir de biomarqueurs potentiels pour le diagnostic et le pronostic du cancer, ainsi que de cibles prometteuses pour l’immunothérapie.

Introduction

Bien que des avancées substantielles aient été réalisées en oncologie au cours des derniers siècles, le cancer reste l’une des principales causes de mortalité et de charge maladie dans le^{monde 1,2}. La prise en charge clinique actuelle repose de plus en plus sur des stratégies de traitement multimodales, combinant différentes approches thérapeutiques pour maximiser l’efficacité tout en améliorant la survie et le bien-être général des^{patients 2}. Dans ce contexte, l’immunothérapie contre le cancer est rapidement devenue un pilier central de l’oncologie moderne. Ses avantages — notamment la sélectivité des cibles, les effets thérapeutiques durables, l’applicabilité à plusieurs types de tumeurs, la capacité à atténuer la résistance et la compatibilité avec d’autres traitements — ont suscité un large intérêt. Néanmoins, son application clinique reste limitée par plusieurs facteurs, notamment la réactivité variable du patient, les toxicités liées au système immunitaire, la résistance acquise, un fardeau économique élevé et des limitations dans la surveillance du traitement. Ces défis soulignent la nécessité d’un raffinement et d’une innovation continus dans ce domaine. Parallèlement, la reprogrammation métabolique est devenue une caractéristique du cancer, le métabolisme lipidique attirant une attention croissante. Les altérations dans l’acquisition, la synthèse et l’utilisation des lipides fournissent un soutien essentiel à la croissance et à la survie des cellules tumorales et peuvent également jouer un rôle dans le développement de la résistance thérapeutique ^3,4. L’absorption et l’utilisation reprogrammées des lipides soutiennent la prolifération des cellules cancéreuses et peuvent contribuer à la résistance^{thérapeutique 5}. De plus, les biomarqueurs liés aux lipides ont été associés au pronostic et à la réponse au traitement^{du patient 6,7}. Malgré une attention croissante, les mécanismes du métabolisme lipidique dans le cancer et le développement de thérapies efficaces ciblant les lipides restent insuffisamment comprises, ce qui nécessite des recherches supplémentaires.

Les synthases phosphatidylsérine, PTDSS1 et PTDSS2, sont des enzymes clés responsables de la biosynthèse de la phosphatidylsérine (PS)^8,9,10, l’un des principaux phospholipides anioniques dans les membranes^{cellulaires 11}, essentiels au maintien de la structure et de la fonction^{membranaires 8,12,13}. Ces enzymes partagent une similarité modérée de séquence (~32 %⁾¹³, et possèdent plusieurs régions transmembranaires, principalement localisées au réticulum endoplasmique et aux membranes associées aux^{mitochondries} 14,15,16. La PS est générée par une réaction d’échange de sérine avec les phospholipides^{existants 8,9}, PTDSS1 utilisant préférentiellement la phosphatidylcholine^17,18 et la PTDSS2 utilisant la phosphatidyléthanolamine^19,20. PTDSS1 est largement exprimé sur les^{tissus 21}, tandis que PTDSS2 présente une distribution plus restreinte, avec des niveaux plus élevés dans les neurones cérébraux de souris et les cellules Sertoli^{testiculaires 19}. Sur le plan fonctionnel, le PTDSS2 est essentiel au développement normal des testicules, car environ 10 % des souris knockout mâles présentent une infertilité et une taille testiculaire réduite, un phénotype non observé chez les souris déficientes en PTDSS1¹⁹. Bien que la délétion d’un seul gène de l’une ou l’autre enzyme n’altére pas la viabilité, la perte simultanée conduit à une létalité^{embryonnaire 19,22}, soulignant l’importance de la biosynthèse du PS pour la survie cellulaire. Des preuves récentes suggèrent que la dysrégulation de PTDSS1 et PTDSS2 chez les tumeurs est associée à une infiltration altérée des macrophages associée à la tumeur et à une survie moins élevée chez les patientes atteintes de cancer du^{sein 23}. Collectivement, ces résultats indiquent que PTDSS1 et PTDSS2 sont essentiels à l’homéostasie membranaire, et leur expression anormale peut contribuer à la progression de la maladie, en particulier dans le cancer.

Cette étude compare systématiquement les effets pan-cancéreux de PTDSS1 et PTDSS2 sur l’expression tumorale, le pronostic, la tige, la régulation immunitaire, les altérations génomiques et la réponse au traitement. Contrairement aux études précédentes portant sur des types de cancer uniques ou des événements isolés de métabolisme lipidique, la présente recherche intègre des données multi-omiques pour explorer les liens potentiels entre la biosynthèse de la phosphatidylsérine, l’immunité tumorale et la progression du cancer. L’analyse inclut les schémas d’expression, les corrélations avec les caractéristiques tumorales et les facteurs immunitaires, les caractéristiques génomiques et la prédiction de la sensibilité aux médicaments. Cette étude vise à approfondir la compréhension des rôles fonctionnels de PTDSS1 et PTDSS2 à travers différentes cancers et à fournir une base théorique et des conseils pratiques pour le développement de stratégies de traitement personnalisées.

Protocole

Cette étude était basée exclusivement sur des ensembles de données accessibles au public et n’impliquait pas de participation directe humaine ou animale ; par conséquent, l’approbation éthique institutionnelle ni le consentement éclairé n’étaient pas requis

1. Analyse de l’expression de PTDSS1 ou PTDSS2

1. Évaluer l’expression des ARNm PTDSS1 et PTDSS2 dans les tissus humains normaux à l’aide de la base de données Human Protein Atlas (HPA) (https://www.proteinatlas.org).
2. Récupérez les profils d’expression génique de PTDSS1 et PTDSS2 sur plusieurs types de cancer à partir du module « Gene DE » de la plateforme TIMER2 (http://timer.cistrome.org/).
3. Téléchargez les données d’expression ARN-seq pour les tissus normaux et tumoraux à partir des bases de données TCGA (http://cancergenome.nih.gov) et GTEx (http://commonfund.nih.gov/GTEx/).

2. Analyse du stade pathologique, de la survie et de la tige tumorale

1. Téléchargez le jeu de données TCGA Pan-Cancer (PANCAN, N = 10 535, G = 60 499) depuis la plateforme UCSC Xena (https://xenabrowser.net/).
2. Extraire les données d’expression de PTDSS1 et PTDSS2 de tous les échantillons et exclure les entrées avec des valeurs d’expression nulles. Normaliser les données d’expression restantes en utilisant la transformation log2(x + 0,001).
3. Retirez les types de cancer contenant moins de trois échantillons, ce qui donne un ensemble de données final comprenant 37 types de tumeurs. Effectuer des analyses d’expression différentielle à travers les stades cliniques à l’aide d’un logiciel R.
4. Évaluer la signification statistique entre deux groupes à l’aide du test t de l’Étudiant non apparié et entre plusieurs groupes à l’aide de l’analyse de la variance (ANOVA⁾²⁴.
5. Récupérez le jeu de données TCGA Pan-Cancer depuis la plateforme UCSC Xena (https://xenabrowser.net/). Extraire les profils d’expression PTDSS1 et PTDSS2 et exclure les échantillons sans valeurs d’expression.
6. Retirez les cas dont les suivis sont inférieurs à 30 jours. Normaliser les données d’expression restantes en utilisant la transformation log2 avec un pseudo-comptage de 0,001.
7. Excluez les types de cancer contenant moins de 10 échantillons, ce qui aboutit à un jeu de données final comprenant 39 types de cancers avec des informations OS correspondantes. Effectuer des analyses de survie en utilisant le package R survival.
8. Construire des modèles de risques proportionnels de Cox en utilisant la fonction de coxph pour évaluer les associations entre l’expression de PTDSS1/PTDSS2 et le pronostic du patient à travers les cancers. Évaluer les différences de survie à l’aide du test log-rank²⁴.
   REMARQUE : En raison de l’hétérogénéité et de la disponibilité incomplète des données d’annotation clinique entre différents types de tumeurs dans le TCGA, des covariables cliniques supplémentaires (telles que l’âge, le sexe et le stade tumoral) n’ont pas été intégrées de manière uniforme dans les analyses de régression de Cox.
9. Obtenez le jeu de données TCGA Pan-Cancer depuis la plateforme Xena de l’UCSC (https://xenabrowser.net/). Extraire les profils d’expression de PTDSS1 et PTDSS2 et calculer les indices de tige tumorale en fonction des caractéristiques de méthylation de l’ADN.
10. Intégrez les scores de stemness avec les données d’expression génique pour les analyses ultérieures. Excluez les échantillons à valeurs d’expression nulles et normalisez les données d’expression restantes en utilisant la transformation log2.
11. Retirez les types de cancers représentés par moins de trois échantillons pour améliorer la fiabilité analytique. Réaliser des analyses de corrélation de Pearson pour évaluer l’association entre l’expression de PTDSS1/PTDSS2 et la tige tumorale chez différents types de cancers 24.
    REMARQUE : Les échantillons avec des valeurs d’expression nulles ont été exclus afin de réduire l’influence potentielle du bruit technique et des valeurs indéfinies lors de la normalisation basée sur la transformation logarithmique. Le même principe s’applique aux étapes suivantes.

3. Analyse du pronostic de survie

1. Analysez les associations entre l’expression de PTDSS1/PTDSS2 et le stade tumoral à l’aide du module « Stage Plot » de la plateforme Gene Expression Profiling Interactive Analysis (GEPIA) (http://gepia.cancer-pku.cn/).
2. Évaluez la signification pronostique de PTDSS1 et PTDSS2 sur plusieurs types de cancer à l’aide de la base de données KM Plotter (https://kmplot.com/analysis/).
3. Stratifiez les patients en groupes à haute et faible expression selon les valeurs médianes d’expression (seuil-haut = 50 %, seuil-bas = 50 %).
4. Générez des cartes de signification du système opératoire et des courbes de survie Kaplan–Meier pour PTDSS1 et PTDSS2 à travers les tumeurs TCGA à l’aide de GEPIA2. La signification statistique est évaluée à l’aide du test log-rank.

4. Analyse génique liée à PTDSS1 ou PTDSS2

1. Obtenez les réseaux d’interactions protéine-protéine de PTDSS1 et PTDSS2 à partir de la base de données STRING (https://cn.string-db.org/) en sélectionnant des interactions validées expérimentalement chez Homo sapiens avec les paramètres suivants : score d’interaction minimal = 0,150 (faible confiance), type de réseau complet, arêtes fondées sur des preuves, et nombre maximal d’interacteurs = 50.
2. Identifier les gènes potentiellement co-exprimés à l’aide du module « Détection de gènes similaires » dans GEPIA2 (http://gepia2.cancer-pku.cn/#index), puis sélectionner les 100 gènes apparentés les plus proches pour une analyse approfondie.
3. Évaluer les corrélations d’expression entre PTDSS1/PTDSS2 et les 10 principales protéines interagissant entre types de tumeurs à l’aide du module « Gene_Corr » de TIMER2.0 (http://timer.cistrome.org/), et visualiser les résultats sous forme de cartes thermiques.
4. Récupérez les annotations de la voie de la Kyoto Encyclopedia of Genes and Genomes (KEGG) via l’API REST KEGG (https://www.kegg.jp/kegg/rest/keggapi.html) et utilisez-les comme base de référence pour l’analyse d’enrichissement fonctionnel.
5. Effectuer une analyse d’enrichissement de l’ensemble de gènes à l’aide du clusterProfiler du package R, avec des tailles d’ensembles de gènes allant de 5 à 5000.
   REMARQUE : La signification statistique est définie comme P < 0,05 et le taux de fausses découvertes (FDR) < 0,25.
6. Réaliser des analyses d’enrichissement de l’ontologie génique (GO), y compris le processus biologique (BP), le composant cellulaire (CC) et la fonction moléculaire (MF), en utilisant la base de données DAVID. Visualisez les voies enrichies en utilisant la plateforme du microbiome.

5. Analyse de l’altération génétique

1. Étudiez les profils mutationnels de PTDSS1 et PTDSS2 à travers plusieurs types de cancers en utilisant la plateforme cBioPortal (http://www.cbioportal.org/) basée sur la cohorte TCGA Pan-Cancer Atlas Studies.
2. Examinez la fréquence et les types de modification de PTDSS1 et PTDSS2 en utilisant les modules « OncoPrint » et « Cancer Types Summary ». Utilisez le module « OncoPrint » pour visualiser les mutations, les variations du nombre de copies et les altérations de l’expression génique entre les échantillons.
3. Interrogez PTDSS1 ou PTDSS2 dans les sections « Résumé des types de cancer » et « Mutations » pour obtenir des informations détaillées sur les sites d’altération, les types de mutations et leur répartition parmi différents types de cancer.
4. Téléchargez le jeu de données TCGA Pan-Cancer (PANCAN, N = 10 535, G = 60 499) depuis la base de données UCSC Xena (https://xenabrowser.net/). Extraire les données d’expression de PTDSS1 et PTDSS2 pour chaque échantillon et obtenir les scores correspondants d’instabilité des microsatellites (MSI). Intégrer les données d’expression génique et MSI pour les analyses en aval.
5. Excluez les échantillons avec des valeurs d’expression nulles et transformez les données restantes à l’échelle log2(x + 0,001). Retirer les types de cancer représentés par moins de trois échantillons, ce qui aboutit à un ensemble de données final comprenant des données d’expression et d’MSI sur 37 types^{de cancers et 24} types.
6. Obtenez l’ensemble de données TCGA Pan-Cancer à partir de la base de données UCSC Xena et extrayez les données d’expression PTDSS1 et PTDSS2 pour chaque échantillon. Téléchargez les données de variation nucléotidique simple de niveau 4 traitées avec MuTect2 depuis le portail GDC (https://portal.gdc.cancer.gov/).
7. Calculez la charge de mutation tumorale (TMB) pour chaque échantillon en utilisant la fonction TMB dans le package R de maftools et intégrez les valeurs de TMB avec les données d’expression génique correspondantes.
8. Excluez les échantillons avec des valeurs d’expression nulles et transformez les données restantes à l’échelle log2(x + 0,001). Retirer les types de cancer représentés par moins de trois échantillons, ce qui aboutit à un ensemble de données final comprenant 37 types de cancers.

6. Gènes régulateurs immunitaires, points de contrôle immunitaires et analyse des gènes modifiés par ARN

1. Obtenez le jeu de données TCGA Pan-Cancer à partir de la base de données UCSC et extrayez les données d’expression de PTDSS1 ou PTDSS2 ainsi que 150 gènes marqueurs représentant cinq voies immunitaires liées (chimiokine : 41 gènes ; récepteur : 18 gènes ; MHC : 21 gènes ; immunoinhibiteur : 24 gènes ; immunostimulateur : 46 gènes) pour chaque échantillon.
2. Excluez les échantillons de tissus normaux et les échantillons avec des valeurs d’expression nulles et appliquez une transformation log2(x + 0,001) à toutes les données d’expression. Réaliser une analyse de corrélation de Pearson pour évaluer les associations entre PTDSS1 ou PTDSS2 et les gènes marqueurs de la voie immunitaire.
3. Récupérez l’ensemble de données TCGA Pan-Cancer à partir de la base de données UCSC et extrayez les données d’expression de PTDSS1 ou PTDSS2 ainsi que 60 gènes impliqués dans les voies de contrôle immunitaire (inhibiteurs : 24 gènes ; stimulateurs : 36 gènes).
4. Retirez les échantillons normaux et les échantillons à valeurs d’expression nulles et transformez toutes les données d’expression en utilisant log2(x + 0,001). Réaliser une analyse de corrélation de Pearson pour évaluer les associations entre PTDSS1 ou PTDSS2 et les gènes liés aux points de contrôle immunitaires.
5. Téléchargez l’ensemble de données TCGA Pan-Cancer depuis la base de données UCSC et extrayez les données d’expression de PTDSS1 ou PTDSS2 ainsi que 44 gènes associés à trois types de modifications ARN (m1A : 10 gènes ; m5C : 13 gènes ; m6A : 21 gènes) pour chaque échantillon.
6. Excluez les échantillons de tissus normaux et les échantillons avec des valeurs d’expression nulles et appliquez une transformation log2(x + 0,001) à toutes les données d’expression. Effectuer une analyse de corrélation de Pearson pour évaluer les relations entre PTDSS1 ou PTDSS2 et les gènes liés à la modification de l’ARN.

7. Analyse de l’infiltration immunitaire

1. Téléchargez l’ensemble de données TCGA Pan-Cancer depuis la base de données UCSC Xena et extrayez les données d’expression PTDSS1 et PTDSS2 pour chaque échantillon.
2. Excluez les échantillons normaux et les échantillons avec des valeurs d’expression nulles. Normaliser les données d’expression en utilisant la transformation log2(x + 0,001) et associer les identifiants de gènes au format GeneSymbol.
3. Calculez StromalScore, ImmuneScore et ESTIMATE Score pour chaque patient à l’aide du package ESTIMATE R, ce qui donne des scores d’infiltration immunitaire pour 9 554 échantillons de tumeurs répartis sur 39 types de cancers.
4. Effectuer une analyse de corrélation de Pearson en utilisant la fonction « corr.test » dans le package psych R pour évaluer les associations entre l’expression génique et les scores d’infiltration immunitaire.
5. Estimez les scores d’infiltration des cellules immunitaires pour les cellules B, les cellules T CD4⁺ , les cellules T CD8⁺ , les neutrophiles, les macrophages et les cellules dendritiques en utilisant l’algorithme TIMER implémenté dans le package IOBR R pour 9 405 échantillons répartis sur 36 types de tumeurs.
6. Réaliser une analyse de corrélation Pearson pour évaluer les relations entre l’expression de PTDSS1/PTDSS2 et les niveaux d’infiltration des cellules immunitaires.

8. Sensibilité aux médicaments de PTDSS1 et PTDSS2 dans le pan-cancer

1. Téléchargez les données d’activité des composés NCI-60 et les profils d’expression ARN-seq depuis CellMiner.
2. Sélectionnez les composés approuvés par la FDA ou les composés d’essais cliniques pour une analyse ultérieure.
3. Effectuer une analyse de sensibilité aux médicaments de PTDSS1 et PTDSS2 dans le pan-cancer à l’aide du logiciel R.

Résultats

Expression d’ARNm PTDSS1 ou PTDSS2 dans divers tissus humains normaux

En utilisant les données de la base de données HPA, les profils d’expression d’ARNm de PTDSS1 et PTDSS2 sur divers tissus humains ont été examinés. L’analyse a révélé des schémas d’expression spécifiques aux tissus notables. PTDSS1 était fortement exprimé dans la glande parathyroïde, le muscle cardiaque, les ganglions lymphatiques, les amygdales et la moelle osseuse (

Discussion

Le cancer est une maladie systémique caractérisée par la dysrégulation de plusieurs systèmes et évolue généralement à travers trois étapes : élimination, équilibre et^{évasion 25}. Au stade d’élimination, le système immunitaire élimine efficacement les cellules cancéreuses nouvellement formées ; Pendant le stade d’équilibre, les cellules cancéreuses et les cellules immunitaires sont en équilibre relatif, empêchant l’expansion ou la métastase tumorale ; Finalement, au...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Plateforme cBioPortal	cBioPortal	http://www.cbioportal.org/	Plateforme pour la visualisation et l’analyse de données multidimensionnelles de génomique du cancer
Portail GDC	Données Génomiques Communes (GDC)	https://portal.gdc.cancer.gov/	Portail pour télécharger les ensembles de données génomiques et de mutations TCGA
Plateforme GEPIA	GEPIA	http://gepia.cancer-pku.cn/	Serveur web pour le profilage de l’expression génique et l’analyse de survie basé sur les ensembles de données TCGA et GTEx
GEPIA2	GEPIA2	http://gepia2.cancer-pku.cn/#index	Serveur web mis à jour pour la corrélation de l’expression génique et l’analyse interactive
Bases de données GTEx	Projet d’expression génotype-tissu (GTEx)	http://commonfund.nih.gov/GTEx/	Base de données contenant des profils d’expression génique à partir de tissus humains normaux
Base de données de l’Atlas des protéines humaines (HPA)	Atlas des protéines humaines	https://www.proteinatlas.org	Base de données pour l’analyse des profils d’expression des protéines et de l’ARN dans les tissus normaux et les cancers
KEGG REST API	Encyclopédie Kyoto des gènes et génomes (KEGG)	https://www.kegg.jp/kegg/rest/keggapi.html	Interface de programmation d’applications pour récupérer les annotations de voies KEGG
Outil KM Plotter	KMplot	https://kmplot.com/analysis/	Outil en ligne pour évaluer la signification pronostique des gènes dans plusieurs cancers
paquet R maftools	Package Bioconductor maftools	version 2.8.05	Package R utilisé pour la charge des mutations tumorales et l’analyse des mutations
Package psych R	CRAN R package psych	Version 2.1.6	Package R utilisé pour les analyses de corrélation et de statistiques psychologiques
Paquet R	Fondation R pour l’informatique statistique	Version 4.1.3	Logiciels de calcul statistique utilisés pour l’analyse de sensibilité aux médicaments
R package clusterProfiler	ClusterProfiler du paquet Bioconductor	Version 3.14.3	Package R utilisé pour les analyses KEGG et d’enrichissement fonctionnel
Survie du paquet R	Survie du package R du CRAN	Versions 3.2-7	R utilisé pour la régression de Cox et Kaplan&ndash ; Analyse de survie de Meier
Logiciel R	Fondation R pour l’informatique statistique	Version 3.6.4	Logiciels de calcul statistique utilisés pour la bioinformatique et les analyses de survie
Base de données STRING	STRING	https://cn.string-db.org/	Base de données pour protéines & ndash ; Analyse des réseaux d’interactions protéiques
Bases de données TCGA	L’Atlas du Génome du Cancer (TCGA)	http://cancergenome.nih.gov	Base de données génomique du cancer à grande échelle contenant des données génomiques, transcriptomiques et cliniques sur le cancer
TIMER2.0	TIMER2.0	http://timer.cistrome.org/	Plateforme pour l’estimation et l’analyse de corrélation de l’infiltration des cellules immunitaires dans les tumeurs
Plateforme Tumor Immune Estimation Resource 2.0 (TIMER2)	TIMER2.0	http://timer.cistrome.org/	Plateforme web pour l’analyse systématique de l’infiltration immunitaire à travers divers types de cancer
Plateforme UCSC Xena	UCSC Xena	https://xenabrowser.net/	Plateforme de visualisation et d’analyse de la TCGA et d’autres ensembles publics de données multi-omiques