Article de recherche

Modélisation pronostique du cancer de l'ovaire basée sur les gènes cibles des médicaments liés à l'anesthésie périopératoire : une approche bioinformatique

107 vues

⸱

DOI :

10.3791/72629

⸱

14 août 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

Dans cet article

Résumé

Cette étude intègre des gènes cibles de médicaments liés à l'anesthésie périopératoire avec des données multi-omiques sur le cancer de l'ovaire afin de construire et valider un modèle pronostique et de caractériser les caractéristiques immunitaires, spatiales et régulatrices associées.

Résumé

L'hétérogénéité du cancer de l'ovaire (OV) pose d'importants défis en matière de classification des sous-types de la maladie, de stratification du risque et de prise en charge clinique personnalisée. Cette étude a donc mis au point un modèle pronostique fondé sur des gènes cibles de médicaments liés à l'anesthésie périopératoire (PARDTGs) afin d'explorer la signification clinique des PARDTGs chez les patientes atteintes d'OV. Une analyse exhaustive des PARDTGs dans l'OV a été réalisée en intégrant des données multi-omiques, notamment des données transcriptomiques globales, des données de séquençage de l'ARN unicellulaire (scRNA-seq) et des données transcriptomiques spatiales. À partir des caractéristiques d'expression des PARDTGs, nous avons élaboré une signature pronostique à l'aide d'un modèle de régression de Cox utilisant la méthode stepAIC. Ce modèle a été construit à partir du jeu de données TCGA-OV et validé à l'aide des jeux de données GSE26193, GSE30161 et GSE63885. De plus, nous avons établi des nomogrammes combinant les caractéristiques des PARDTGs et des facteurs cliniques. Nous avons analysé la corrélation entre les scores de risque et l'enrichissement fonctionnel, les voies de signalisation ainsi que le microenvironnement immunitaire tumoral. Nous avons identifié 17 PARDTGs fortement associés au pronostic de l'OV. La signature pronostique, validée sur les cohortes TCGA-OV, GSE26193, GSE30161 et GSE63885, a démontré une précision prédictive robuste pour la survie globale (OS). Par rapport à la signature génique seule, le nomogramme intégrant le modèle pronostique et les paramètres cliniques a montré une performance pronostique améliorée. En outre, l'analyse du microenvironnement tumoral a révélé un enrichissement significatif des voies immunitaires et des scores TIDE plus faibles chez les patientes à faible risque, suggérant que celles-ci pourraient bénéficier davantage de l'immunothérapie. Cette étude met en évidence la pertinence pronostique et l'utilité clinique des PARDTGs dans le cancer de l'ovaire. L'intégration des caractéristiques génétiques dans les tests cliniques offre un potentiel prometteur pour améliorer le traitement et le pronostic cliniques.

Introduction

Le cancer de l'ovaire (OV) est une tumeur fréquente et fortement agressive, caractérisée par des symptômes initiaux discrets, une grande invasivité et des signes cliniques précoces non spécifiques. Des études ont montré que la majorité des patientes sont déjà à un stade clinique avancé au moment du diagnostic, avec un taux de survie globale à cinq ans inférieur à 45 %1. Malgré les progrès réalisés en chirurgie, en chimiothérapie et en thérapies ciblées, des obstacles tels que la récidive tumorale, la chimiorésistance et l'échappement immunitaire persistent, limitant ainsi l'efficacité thérapeutique2. Par conséquent, l'identification de nouveaux biomarqueurs moléculaires et le développement d'outils fiables d'évaluation du risque sont urgemment nécessaires afin de faire face à l'hétérogénéité tumorale et de soutenir des stratégies cliniques personnalisées.

La résection chirurgicale et la prise en charge périopératoire restent le pilier du traitement du cancer de l'ovaire (OV). Toutefois, des données de plus en plus nombreuses suggèrent que le stress physiologique périopératoire, les réponses inflammatoires et la modulation immunitaire peuvent influencer le comportement biologique et, par conséquent, affecter le pronostic à long terme3. En tant qu'élément clé de l'intervention périopératoire, les effets des agents anesthésiques vont au-delà de la simple suppression du système nerveux central. Des études récentes indiquent que les techniques d'anesthésie et les médicaments anesthésiques peuvent moduler les réponses neuroendocriniennes, les cascades inflammatoires et l'activité des cellules effectrices immunitaires, remodelant ainsi le microenvironnement tumoral postopératoire et influençant le potentiel migratoire des cellules tumorales, la surveillance immunitaire et les processus liés à la métastase4. Notamment, certains anesthésiques modifient directement le destin des cellules tumorales : le propofol améliore la survie des cellules tumorales circulantes par la suppression, médiée par Nrf2, de la ferroptose, favorisant ainsi la métastase5. La kétamine induit la ferroptose dans les cellules du carcinome hépatocellulaire en régulant l'axe lncPVT1/miR-214-3p/GPX4, suggérant que les agents anesthésiques peuvent directement influencer la détermination du destin des cellules tumorales6. De plus, les benzodiazépines, en tant que modulateurs allostériques positifs des récepteurs GABA, pourraient atténuer l'efficacité antitumorale des combinaisons chimio-immunothérapeutiques7. Toutefois, les recherches actuelles se concentrent principalement sur des agents anesthésiques isolés, sans examen systématique de leurs effets potentiels au niveau du réseau cible génique.

Les gènes cibles des médicaments liés à l'anesthésie périopératoire (PARDTGs), en tant que substrats moléculaires directs de l'action anesthésique, participent à plusieurs voies de signalisation clés, notamment la régulation des récepteurs de neurotransmetteurs, le maintien de l'homéostasie calcique, la dynamique du cytosquelette d'actine et la régulation rétroactive de l'axe endocrinien du stress8,9. Sous le stress chirurgical périopératoire, ces voies peuvent être activées ou inhibées, influençant la polarisation des cellules immunitaires et la remodélisation du microenvironnement associé aux tumeurs8,10. Toutefois, dans le cas du cancer ovarien (OV), le paysage d'expression, les caractéristiques fonctionnelles et la pertinence clinique des PARDTGs restent mal caractérisés. Parallèlement, l'émergence de la séquençage d'ARN monocellulaire (scRNA-seq) et de la transcriptomique spatiale a permis de profiler l'expression génique avec une résolution cellulaire et une localisation spatiale, offrant de nouvelles perspectives sur la distribution spatiale, les préférences microenvironnementales et les effets cellulaires spécifiques des gènes cibles des anesthésiques dans les tissus tumoraux11.

Dans cette étude, nous avons intégré les PARDTGs à des jeux de données multi-omiques sur le carcinome ovarien (OV), identifié systématiquement les gènes différentiellement exprimés et construit un modèle pronostique de risque généralisable. Nous avons ensuite analysé la base biologique de la stratification du risque selon les perspectives de l'infiltration immunitaire, des caractéristiques de souche, des paysages mutationnels et des voies fonctionnelles. En combinant des données de séquençage multimodales, nous avons défini les origines cellulaires et les niches écologiques spatiales, construit des réseaux régulateurs d'ARNi/facteurs de transcription et effectué une validation pancancérique afin de démontrer leur signification trans-tumorale. Ce travail fournit des preuves mécanistiques pour comprendre le rôle potentiel des réseaux cibles des anesthésiques dans l'OV et offre des implications translationnelles pour la stratification clinique du risque, la prédiction pronostique et les stratégies de prise en charge périopératoire.

Protocole

Collecte des données

Nous avons sélectionné 120 gènes cibles liés à l'anesthésie en période périopératoire à partir de travaux antérieurs12 et les avons répertoriés dans le Tableau supplémentaire S1. Par la suite, les profils d'expression génique, les informations cliniques et les données de survie ont été obtenus à partir de la ressource UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). Le jeu de données d'expression comprenait 420 échantillons de carcinomes kystadénocarcinomateux séreux ovariens primaires provenant de The Cancer Genome Atlas (TCGA-OV) et 88 échantillons d'ovaires normaux provenant du projet Genotype-Tissue Expression (GTEx). Les valeurs d'expression génique ont été obtenues sous forme de valeurs FPKM au niveau des gènes calculées par le pipeline Toil13. Une description détaillée du flux d'échantillons illustrant l'inclusion des échantillons TCGA pour chaque analyse en aval est fournie dans le Tableau supplémentaire S2. De plus, pour une validation externe, nous avons téléchargé les jeux de données GSE2619314 (n = 107 échantillons), GSE3016115 (n = 58 échantillons) et GSE6388516 (n = 70 échantillons) à partir de la base de données GEO (http://www.ncbi.nlm.nih.gov/geo/) afin d'analyser les profils d'expression génique et la survie des patients appariés. Afin d'assurer la cohérence des données, les identifiants géniques ENSEMBL ont été convertis en symboles géniques officiels. Les gènes exprimés dans moins de la moitié des échantillons ont été éliminés. En outre, nous avons obtenu à partir de la base de données GEO le jeu de données de transcriptomique unique cellule du cancer de l'ovaire humain GSE15460017 et le jeu de données de transcriptomique spatiale du cancer de l'ovaire GSE211956-GSM6506110-SP118.

Traitement des données de séquençage du transcriptome spatial du cancer de l'ovaire

Les données de transcriptomique spatiale ont été traitées à l'aide de Seurat19 (version 5.4.0). Les spots ont été filtrés selon les mêmes critères de contrôle de qualité que ceux utilisés pour l'analyse de séquençage de l'ARN monocellulaire (nFeature_RNA : 200–5 000 ; pourcentage de gènes mitochondriaux < 10 %). Après la normalisation et l'identification des gènes hautement variables, une réduction de dimensionnalité basée sur l'ACP a été effectuée, et le regroupement a été réalisé à l'aide de l'algorithme de regroupement basé sur les graphes de Seurat. Les sous-groupes et les profils d'expression génique ont été visualisés à l'aide de la fonction SpatialFeaturePlot. De plus, les niveaux d'expression génique au niveau du transcriptome spatial ont été visualisés et analysés à l'aide de « AUCell »19 (version 1.32.0).

Analyse des données de scRNA-seq

Les données de séquençage de l'ARN à l'échelle unique cellulaire provenant de GSE154600 ont été analysées à l'aide du package Seurat (version 5.4.0)19. Les cellules de faible qualité ont été éliminées selon des critères de contrôle de qualité. Les cellules présentant moins de 200 ou plus de 5 000 gènes détectés, ou dont la proportion de gènes mitochondriaux dépassait 10 %, ont été exclues. Après normalisation à l'aide de la fonction NormalizeData, les 2 000 gènes les plus variables ont été identifiés à l'aide de la méthode VST. Une ACP a été réalisée à partir des gènes variables, et les 15 premières composantes principales ont été utilisées pour le regroupement et la réduction de dimensionnalité. Les groupes cellulaires ont été identifiés à l'aide des fonctions FindNeighbors et FindClusters avec une résolution de 0,5, suivis de la visualisation par UMAP et t-SNE. La fonction FindAllMarkers a été utilisée pour identifier les gènes marqueurs des différents groupes cellulaires. De plus, nous avons annoté les groupes cellulaires à l'aide de la base de données CellMarker 2.020 et effectué une analyse quantitative de l'activité des gènes à l'aide de la fonction ssGSEA du package GSVA (version 2.4.9).

Analyses des gènes différentiellement exprimés (GDE) et analyses fonctionnelles

Une analyse d'expression différentielle a été réalisée à l'aide du package « limma »21 (version 3.56.2) basé sur les profils d'expression des PARDTG dans le cancer de l'ovaire et les tissus ovariens normaux. Avant l'analyse, les valeurs d'expression FPKM ont été transformées en log2 selon la formule log2(FPKM+1). Le modèle linéaire standard implémenté dans le package limma a été appliqué pour identifier les PARDTG exprimés de manière différentielle. Les gènes présentant un taux de fausses découvertes (FDR) < 0,05 et une valeur absolue du rapport d'expression en log2 (FC) |log2| > 1 ont été considérés comme significativement différentiellement exprimés. Les enrichissements en GO et KEGG ont été effectués sur les PARDTG différentiellement exprimés à l'aide de ClusterProfiler22 (version 4.8.3). Des graphiques en cascade ont été générés à l'aide de « maftools »23 (version 2.16.0) afin de détecter les mutations somatiques des PARDTG dans le cancer de l'ovaire. Ensuite, le réseau d'interactions protéine-protéine (PPI) des PARDTG a été établi à l'aide du référentiel STRING (version 12.0) avec les paramètres par défaut.

Développement d'un système de score de risque basé sur PARDTG

Afin d'identifier les PARDTG optimaux, une analyse de régression de Cox proportionnelle par étapes a été réalisée afin de sélectionner les gènes présentant une signification pronostique parmi les PARDTG exprimés de manière différentielle et d'évaluer leur contribution à la survie globale dans le cancer de l'ovaire (OV). L'hypothèse de proportionnalité des risques du modèle final de régression multivariée de Cox a été évaluée à l'aide de tests de résidus de Schoenfeld implémentés dans la fonction cox.zph du package R survival (version 3.5.5). Un score pronostique de risque a été calculé en se basant sur les niveaux d'expression des gènes caractéristiques et leurs coefficients de régression de Cox correspondants. Compte tenu de l'hétérogénéité entre les plates-formes transcriptomiques, les modèles pronostiques ont été évalués indépendamment dans les cohortes TCGA-OV, GSE26193, GSE30161 et GSE63885. Pour chaque cohorte, les profils d'expression des gènes caractéristiques ont été utilisés pour calculer des scores de risque spécifiques à la cohorte, et les patients ont été répartis en catégories à risque élevé et faible en utilisant la médiane du score de risque comme seuil de coupure. La survie globale (OS) a été comparée entre les deux groupes à l'aide d'une analyse de Kaplan-Meier, la signification statistique étant évaluée par le test du log-rank. La valeur pronostique indépendante du score de risque a ensuite été évaluée par des analyses de régression de Cox proportionnelles univariées et multivariées.

Développement d'un modèle clinique pronostique pour le cancer de l'ovaire

Afin de déterminer si le score de risque fournissait des informations pronostiques allant au-delà des variables cliniques conventionnelles, des analyses de régression de Cox univariées et multivariées à risques proportionnels ont été réalisées, intégrant le score de risque conjointement avec les caractéristiques clinicopathologiques. Par la suite, des nomogrammes pronostiques ont été construits en utilisant le score de risque moléculaire et des variables cliniquement pertinentes, telles que le stade et le grade tumoral, comme paramètres d'entrée. Les variables ont été sélectionnées en fonction de leur pertinence clinique et de l'objectif de développer un modèle pronostique intégré, plutôt que sur la seule base de leur signification statistique. Les nomogrammes ont été générés à l'aide du package « rms »24 (version 6.7.1) afin d'estimer les probabilités de survie globale à 1, 3 et 5 ans à partir des scores totaux dérivés des variables individuelles.

Caractérisation des propriétés immunitaires

L'infiltration des cellules immunitaires a été estimée à l'aide de l'algorithme CIBERSORT avec la matrice de signature LM22. L'analyse a été réalisée en utilisant 1 000 permutations, et les échantillons présentant une valeur P de déconvolution < 0,05 ont été considérés comme statistiquement fiables. Des diagrammes en cascade ont été générés avec maftools (version 2.16.0) afin d'illustrer la prévalence des gènes fortement mutés dans le cancer de l'ovaire. Une analyse d'enrichissement des ensembles de gènes (GSEA) a été effectuée à l'aide de ClusterProfiler (version 4.8.3) avec un seuil de significativité de p < 0,05.

Construction du réseau CeRNA

Dans cette étude, NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 a été utilisé pour analyser l'interaction entre les gènes pronostiques et les facteurs de transcription. Le réseau de co-régulation miARN-TF a été construit à l'aide de NetworkAnalyst 3.0.

Échantillons de tissu cancéreux de l'ovaire

Des tissus de carcinome ovarien et des échantillons normaux adjacents appariés (N = 6) ont été prélevés chez des patientes subissant une résection chirurgicale élective. Le protocole de l'étude a été approuvé par le Comité d'éthique en obstétrique & Hôpital de gynécologie de l'Université Fudan (2024-54-X1), et un consentement éclairé écrit a été obtenu de tous les participants. Cette étude a été menée conformément à la Déclaration d'Helsinki.

Analyse par immunotransfert

Des protéines totales ont été extraites à partir d'échantillons de tissus humains à l'aide d'un tampon de lyse RIPA contenant du fluorure de phénylméthylsulfonyl (PMSF), un cocktail d'inhibiteurs de protéases et des inhibiteurs de phosphatases. Les concentrations protéiques ont été mesurées par un dosage protéique au bicinchoninate de sodium (BCA). Des quantités équivalentes de protéines ont été séparées par électrophorèse sur gel de polyacrylamide en présence de dodécylsulfate de sodium (SDS-PAGE), puis transférées sur des membranes de fluorure de polyvinylidène (PVDF). Après le transfert, les membranes ont été bloquées pendant 90 min à température ambiante avec 5 % de lait écrémé préparé dans du TBS-T. Les membranes ont ensuite été incubées toute la nuit à 4 °C avec des anticorps primaires dirigés contre la cytokeratine 81 (polyclonal de lapin, 1:2 000) ou contre la GAPDH (monoclonal de souris, 1:10 000). Après lavage, les anticorps secondaires appropriés ont été appliqués pendant 90 min à température ambiante. Les bandes protéiques ont été visualisées à l'aide d'un réactif de détection par chimiluminescence améliorée (ECL) et capturées à l'aide d'un système d'imagerie commercial. Une analyse densitométrique a été réalisée à l'aide du logiciel ImageJ, et l'expression de KRT81 a été normalisée par rapport au témoin de chargement GAPDH. Les différences d'expression protéique entre les échantillons appariés ont été évaluées à l'aide d'un test t apparié, une valeur de P < 0,05 étant considérée comme statistiquement significative.

Analyse pancancéreuse

Dans cette étude, TCGAplot26 (version 5.0.0) a été utilisé pour identifier les relations entre les niveaux d'expression de KRT81. L'analyse de corrélation de Pearson a été utilisée pour calculer les corrélations statistiques. Le profil mutationnel de KRT81 dans divers cancers a été examiné à l'aide de la plateforme cBioPortal (http://www.cbioportal.org/) (version 7.0.6).

Analyses statistiques

Toutes les analyses de données ont été effectuées à l'aide du logiciel R (version 4.3.1). Les comparaisons entre deux groupes ont été réalisées à l'aide du test de Wilcoxon, tandis que les différences entre trois groupes ou plus ont été évaluées par le test de Kruskal-Wallis. La survie globale a été analysée selon la méthode de Kaplan-Meier, et la signification statistique entre les courbes de survie a été déterminée par le test log-rank. Sauf indication contraire, une valeur P bilatérale < 0,05 a été considérée comme statistiquement significative. Les niveaux de signification sont indiqués comme suit : P < 0,05 *, P < 0,01 **, P < 0,001 ***, et P < 0,0001 ****.

Résultats

Caractéristiques immunitaires des gènes cibles de médicaments liés à l'anesthésie périopératoire dans des analyses transcriptomiques spatiales et unicellulaires

SCTransform a été utilisé pour corriger la profondeur de séquençage et mettre en œuvre les procédures, permettant finalement d'identifier 11 types cellulaires différents. Afin d'évaluer l'importance des gènes cibles des médicaments liés à l'anesthésie périopératoire (PARDTGs) dans chaque sous-population cellulaire, nous avons utilisé le package R AUCell pour déterminer les activités liées aux PARDTGs dans chaque sous-population cellulaire (Figure 1A,B). Ensuite, nous avons calculé la corrélation entre l'abondance cellulaire et les activités associées aux PARDTGs dans tous les loci à l'aide du coefficient de corrélation de rang de Spearman. Notamment, les activités liées aux PARDTGs étaient négativement corrélées avec les cellules tumorales (Figure 1C). Nous avons obtenu des données de séquençage de l'ARN monocellulaire provenant de 5 patients atteints de cancer de l'ovaire (OV), comprenant au total 41 367 cellules. Sur la base de l'expression des gènes marqueurs, les cellules ont été classées en 11 grands groupes (Figure 1D). Les réseaux d'interaction et les intensités pour le type cellulaire sont présentés dans la Figure 1E. Nous avons évalué l'activité des PARDTGs dans toutes les cellules individuelles en attribuant un score d'expression de 120 PARDTGs à l'aide de ssGSEA dans Seurat (Figure 1F). De manière frappante, les cellules tumorales présentaient une activité nettement plus faible que tous les autres types cellulaires (Figure 1G).

Identification et caractérisation moléculaire de gènes codant des cibles médicamenteuses liées à l'anesthésie périopératoire dans le cancer de l'ovaire

À partir de la base de données TCGA, nous avons identifié 68 gènes différentiellement exprimés liés à l'anesthésie périopératoire (PARDTG), présentés dans la Figure 2A (voir également le Tableau Supplémentaire S3). La Figure 2B décrit l'expression de ces 68 gènes différentiellement exprimés associés à l'anesthésie périopératoire dans la cohorte TCGA-OV. Ensuite, nous avons construit un réseau d'interactions protéine-protéine (PPI) afin d'élucider les relations complexes entre les protéines associées aux gènes différentiellement exprimés. Nous avons identifié cinq gènes centraux potentiels — SLC6A4, CHRNA4, DRD2, SLC6A3 et GRIN2A — qui pourraient jouer un rôle important dans la pathogenèse du cancer de l'ovaire (Figure 2C). De plus, nous avons étudié le profil des altérations moléculaires des 120 PARDTG dans le cancer de l'ovaire, les mutations non-sens étant le type de variante le plus fréquent (Figure 2D). Les gènes les plus fréquemment mutés étaient SCN10A, DNMT1, GRIN2A, LTF et SCN11A. Nous avons examiné la prévalence des mutations par variation du nombre de copies (CNV), et les résultats ont révélé que les 20 premiers PARDTG mutés présentaient des altérations significatives de CNV (Figure 2E). Les analyses d'enrichissement en GO et KEGG ont indiqué que les PARDTG sont associés à la signalisation des ligands neuroactifs, aux voies de signalisation calcique, à la signalisation hormonale, à la dépendance à l'amphétamine, à la dépendance à la cocaïne et aux interactions ligand-récepteur neuroactifs (Figure 2F,G).

Construction et validation d'un modèle pronostique basé sur des gènes cibles liés aux médicaments d'anesthésie périopératoire

Afin de minimiser la complexité du modèle, StepAIC a été utilisé pour réduire le jeu de gènes, et 17 PARDTG ont finalement été retenus pour construire le modèle pronostique (Tableau supplémentaire S4). Le test global des résidus de Schoenfeld n'a révélé aucune déviation significative par rapport à l'hypothèse de proportionalité des risques (p = 0,265), ce qui confirme la fiabilité du modèle pronostique basé sur les 17 gènes. Le score de risque a été calculé à l'aide de l'équation suivante : score de risque = 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). Les patients ont ensuite été répartis en catégories à faible et à haut risque selon leurs scores de risque, le groupe à faible risque présentant une survie globale (OS) significativement améliorée par rapport au groupe à haut risque dans les cohortes TCGA-OV (Figure 3A, p < 0,0001), GSE26193 (Figure 3B, p = 0,00021), GSE30161 (Figure 3C, p = 0,0017) et GSE63885 (Figure 3D, p = 0,0041). De plus, les Figures 3E à H illustrent les distributions de l'état de survie et des scores de risque dans les cohortes TCGA-OV, GSE26193, GSE30161 et GSE63885, fournissant une preuve indépendante de la stabilité et de la fiabilité prédictive du modèle pronostique dans le cancer de l'ovaire (OV).

Mise en place et évaluation d'un modèle de survie fondé sur un nomogramme

Les analyses de régression de Cox univariée et multivariée ont démontré que le score de risque constituait un prédicteur indépendant du pronostic chez les patientes atteintes d'un cancer de l'ovaire (Figure 4A,B). La répartition de l'expression des gènes du modèle, des scores de risque correspondants et des caractéristiques clinicopathologiques dans la cohorte TCGA-OV est illustrée dans la Figure 4C. Afin d'améliorer l'applicabilité clinique, un nomogramme pronostique intégrant le score de risque ainsi que l'âge, le stade tumoral et le grade a été établi pour estimer la survie globale (OS) (Figure 4D). Comparé à la signature génique seule, le nomogramme intégré a présenté une performance prédictive supérieure. L'analyse de survie a par ailleurs montré une OS significativement plus longue dans le groupe à faible risque que dans le groupe à haut risque (Figure 4E ; P < 0,0001). Le modèle combiné a donné des valeurs d'AUC dépendantes du temps de 0,769, 0,690 et 0,728 pour la prédiction de l'OS (Figure 4F). L'analyse de la courbe décisionnelle a soutenu l'utilité clinique potentielle du nomogramme en démontrant un bénéfice net plus élevé sur une gamme de probabilités seuils (Figure 4G). De plus, les courbes de calibration ont indiqué un bon accord entre les probabilités de survie prédites et observées, suggérant une excellente calibration du modèle (Figure 4H). Dans leur ensemble, ces résultats indiquent que le nomogramme proposé possède une forte capacité prédictive pour évaluer le pronostic des patientes atteintes d'un cancer de l'ovaire (OV).

Association du modèle pronostique basé sur PARDTG avec l'infiltration immunitaire et le microenvironnement immunitaire tumoral

Afin de caractériser l'infiltration immunitaire, l'abondance des cellules immunitaires a été quantifiée dans l'ensemble des échantillons. Dix-sept gènes ont été identifiés comme étant significativement associés aux cellules immunitaires infiltrant la tumeur, parmi lesquels ADRA1D, KCNA1 et SLC18A2 présentaient des corrélations positives avec les macrophages M2 (Figure 5A). Nous avons ensuite étudié les profils de localisation cellulaire de ces gènes. Une analyse en nuage de points a révélé que KRT81 était principalement exprimé dans les cellules CD8Tex et Tprolif, tandis que l'expression de EPHA4 était surtout enrichie dans les cellules endothéliales et les fibroblastes, suggérant leur implication potentielle dans des compartiments cellulaires distincts au sein du microenvironnement tumoral (Figure 5B). De plus, nous avons évalué les scores TIDE des patients et observé que le sous-groupe à haut risque présentait des scores TIDE plus élevés ainsi qu'une corrélation positive (Figure 5C). Par ailleurs, les scores d'enrichissement de la tumeur en cellules souches étaient significativement plus élevés dans le groupe à haut risque que dans le groupe à bas risque (Figure 5D). L'analyse des mutations somatiques a révélé une fréquence globale élevée de mutations dans les deux groupes de risque (Figure 5E,F). Parmi celles-ci, les fréquences de mutation de CSMD3 et MUC16 étaient plus élevées dans les échantillons à haut risque.

L'analyse GSEA a révélé que les voies liées au système immunitaire, notamment le traitement et la présentation de l'antigène et le rejet d'allogreffe, étaient significativement enrichies dans le groupe à faible risque, tandis que les voies associées à l'invasion tumorale et à la motilité, telles que la régulation du cytosquelette d'actine, les protéoglycanes dans le cancer et les protéines motrices, étaient principalement enrichies dans le groupe à haut risque (Figure 5G,H). Ces résultats suggèrent que les patients du groupe à haut risque pourraient présenter une réponse limitée à l'immunothérapie.

Identification et analyse en réseau de gènes de pronostic PARDTG dans le cancer de l'ovaire

Afin d'élucider le mécanisme, nous avons identifié 490 miARN et 17 réseaux régulateurs potentiels de biomarqueurs (Figure 6A). Parmi eux, hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p et hsa-miR-20b-5p présentent un potentiel pour réguler la majorité des gènes. En définitive, nos résultats de recherche ont permis d'identifier 37 facteurs de transcription régulant les gènes candidats au diagnostic (Figure 6B). De plus, FOXC1 s'est également révélé posséder plusieurs fonctions régulatrices.

Analyse pancancéreuse de l'expression de KRT81

Les données de RNA-seq provenant du TCGA ont été obtenues afin d'évaluer KRT81 expression. Les résultats ont suggéré qu'elle était fortement exprimée dans la plupart des cancers, mais faiblement exprimée dans le GBM, le LGG, le SKCM, le TGCT et le THCA (Figure 7A). Pour vérifier le résultat selon lequel KRT81 est fortement exprimé dans le cancer de l'ovaire, comme déterminé par une analyse de bioinformatique, nous avons réalisé une expérience de western blot. Les résultats ont indiqué que KRT81 l'expression était significativement augmentée dans les tissus tumoraux par rapport aux tissus normaux et était largement conforme aux données transcriptomiques du TCGA (Figure 7B, Supplémentaire Figure S1, et Tableau supplémentaire S5). Pour illustrer les relations entre KRT81 et le cancer, nous avons examiné l'expression génique et les infiltrats de cellules immunitaires (Figure 7C). L'analyse a révélé que KRT81 l'expression était positivement corrélée à l'infiltration des cellules T, des Treg et des macrophages M2 dans la plupart des cancers. De plus, l'expression de KRT81 était positivement associée aux scores stromal et immunitaire dans la plupart des cancers (Figure 7D). De plus, nous avons analysé la corrélation entre KRT81 expression et score d'aneuploïdie, et le graphique en radar a montré que KRT81 était corrélé au score d'aneuploïdie dans UCEC, SARC, LUAD, LIHC et KIRP (Figure 7E). Nous avons ensuite analysé la corrélation entre KRT81 et l'index de ploïdie tumorale, et le graphique en radar a montré que KRT81 était corrélé avec la ploïdie tumorale dans les THCA, TGCT, SARC, MESO, LIHC et CESC (Figure 7F). Ensuite, le graphique en radar a montré que KRT81 était corrélé aux néoantigènes SNV dans les cancers UCEC, THYM, LUAD, LIHC, GBM et BRCA (Figure 7G). En outre, l'analyse en ligne via cBioPortal a révélé que la fréquence la plus élevée de KRT81 la mutation du gène était présente dans l'UCEC, dont les types les plus fréquents étaient « mutation » et « amplification » (Figure 7H, I). Par analyse de régression univariée de Cox proportionnelle aux risques, nous avons identifié que KRT81 était un prédicteur de la survie globale (OS) dans le KIRC, le LUAD et le STAD (Figure 7J).

Disponibilité des données :

Les jeux de données accessibles publiquement analysés dans cette étude sont disponibles auprès de TCGA, UCSC Xena et GEO. Les images originales des immunotransferts et les données quantitatives correspondantes générées au cours de cette étude sont fournies dans les Matériaux Supplémentaires (Figure Supplémentaire S1 et Tableau Supplémentaire S5).

Analyse de la transcriptomique spatiale : cartes thermiques d'expression génique, graphiques de corrélation, réseaux d'interactions cellulaires.
Figure 1. Caractéristiques associées à PARDTG dans les analyses spatiales et scRNA-seq. (A,B) Cartographie spatiale de l'intensité d'expression de PARDTG (C), corrélation de Spearman de l'activité associée à PARDTG. (D) Analyse des types cellulaires. (E) Analyse du nombre et de l'intensité des interactions entre les types cellulaires. (F) Valeur d'enrichissement de PARDTG dans les cellules. (G) Distribution de PARDTG. Abréviations : PARDTG = gènes cibles des médicaments liés à l'anesthésie périopératoire ; scRNA-seq = séquençage de l'ARN monocellulaire. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphique volcan, carte thermique, diagramme en réseau pour l'analyse de l'expression génétique ; données de mutation, de CVN et de voie métabolique.
Figure 2. Paysage des altérations génétiques des gènes liés à l'anesthésie périopératoire chez les patientes atteintes de cancer ovarien (OV). (A) Représentation en graphique volcan des gènes différentiellement exprimés (DEG) dans le cancer ovarien (bleu : DEG sous-exprimés ; rouge : DEG surexprimés ; gris : gènes stables), FDR < 0,05 et |log2FC| > 1. (B) Carte thermique illustrant les caractéristiques différentiellement exprimées entre les groupes OV et normaux. Le bleu correspond au groupe normal, le rouge au groupe OV, le carré bleu indique une faible expression et le carré jaune une forte expression. (C) Réseau d'interactions protéine-protéine (PPI) des DEG liés à l'anesthésie périopératoire, obtenus à partir du site web String. (D) Les 20 premiers gènes liés à l'anesthésie périopératoire (PARDTGs) dans la cohorte TCGA. (E) Fréquences de gain, de perte et de non-CVN parmi les 20 premiers PARDTGs. (F) Graphique en points (dotplot) des termes GO enrichis. (G) Diagramme en barres des voies métaboliques KEGG enrichies. OV = cancer ovarien ; GO = ontologie génétique (Gene Ontology) ; KEGG = Encyclopédie de Kyoto des gènes et des génomes (Kyoto Encyclopedia of Genes and Genomes) ; PPI = interaction protéine-protéine (protein–protein interaction). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Graphiques d'analyse de survie de Kaplan-Meier comparant les données de temps jusqu'à l'événement pour la stratification du risque chez les patients.
Figure 3. Construction et validation d'une signature pronostique basée sur PARDTG pour le cancer de l'ovaire. (A-D). Survie globale (OS) chez les patients à faible et à haut risque dans (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885. (E-H) Répartition du score de risque associé à PARDTG selon le statut de survie et le temps dans (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Analyse du pronostic du cancer à l'aide d'un nomogramme ; rapports de risque, carte thermique, courbe de survie, ROC, calibration.
Figure 4. Construction et validation d'un nomogramme pronostique basé sur la signature de risque dérivée de PARDTG. (A,B) Les caractéristiques clinicopathologiques et les scores de risque dans la cohorte TCGA-OV. (C) La répartition des caractéristiques cliniques et l'expression des gènes du modèle selon le score de risque. (D) Un nomogramme pour prédire le pronostic chez les patientes atteintes de cancer de l'ovaire (OV). (E) Analyses de Kaplan-Meier pour deux groupes de patientes OV. (F) Analyse de la courbe ROC dans TCGA-OV. (G) L'analyse de courbe de décision (DCA) montre les bénéfices nets du nomogramme et d'autres caractéristiques cliniques. (H) Les graphiques de calibration montrent la survie globale (OS) dans TCGA-OV. Abréviations : ROC = caractéristique de fonctionnement du récepteur ; DCA = analyse de courbe de décision. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Corrélation de l'expression génique sous forme de carte thermique, de diagramme en points et de graphique en violon, montrant l'analyse de risque et les fréquences de mutations.
Figure 5. Analyse du microenvironnement tumoral chez les patients à faible et à fort risque. (A) Corrélation entre les cellules immunitaires infiltrant la tumeur et les gènes du modèle pronostique associé au PA. (B) Diagramme en bulles montrant l'expression moyenne et la proportion des biomarqueurs pronostiques selon les différents sous-types cellulaires. (C) Graphique en violon des scores TIDE. (D) Graphique en violon des scores d'enrichissement en tumeur souche. (E,F) Diagramme en cascade décrivant les caractéristiques des mutations somatiques dans les catégories de score (E) à faible risque et (F) à haut risque. (G,H) Résultats de l'analyse d'enrichissement de jeux de gènes (GSEA) des voies KEGG dans le sous-groupe à (G) faible risque et le sous-groupe à (H) haut risque. Abréviations : TIDE = Dysfonction et exclusion immunitaire tumorale ; GSEA = Analyse d'enrichissement de jeux de gènes. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Schéma du réseau d'interaction génique illustrant les relations complexes entre gènes et leur connectivité.
Figure 6. Analyse du réseau d'interaction des marqueurs pronostiques. (A) Réseau de co-régulation des marqueurs pronostiques par ARNmi. (B) Réseau de co-régulation des marqueurs pronostiques par facteurs de transcription. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Étude de biomarqueurs du cancer ; graphiques et cartes thermiques ; marqueurs tumoraux, expression génique, analyse statistique.
Figure 7. Niveau d'expression, caractéristiques immunitaires et altérations génétiques de KRT81 dans les tumeurs humaines. (A) Expression de KRT81 dans les tumeurs TCGA et les tissus adjacents. (B) Analyse par immunoblot de l'expression protéique de KRT81 dans des tissus normaux adjacents appariés et des tissus tumoraux provenant de six patientes atteintes d'un cancer de l'ovaire (n = 6). Les intensités relatives des bandes ont été normalisées par rapport à GAPDH, et les données ont été analysées à l'aide d'un test t apparié. Les données sont présentées sous forme de moyenne ± écart-type.   (C) La corrélation entre KRT81 et le ratio des cellules immunitaires est représentée par une carte thermique. (D) Corrélation entre KRT81 et les scores immunitaire, stromal et ESTIMATE, affichée sous forme de carte thermique. (E-G) Corrélation entre l'expression de KRT81 et (E) le score d'aneuploïdie, (F) la ploïdie tumorale, (G) les néo-antigènes SNV dans les bases de données TCGA. (H) Mutations de KRT81 observées dans différents types de cancer issus de la base de données cBioPortal. (I) Répartition des sites de mutation de KRT81 dans l'ensemble des cancers. (J) Analyse de régression de Cox pan-cancer de KRT81 à travers les cancers TCGA. *p < 0,05 ; ***p < 0,001 ; ****p < 0,0001. Abréviations : SNV = Variante nucléotidique unique ; N = normal ; T = tumeur. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau supplémentaire S1 : Gènes codant pour les cibles médicamenteuses liées à l'anesthésie périopératoire. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire S2 : Description du flux d'échantillons.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire S3 : Gènes codant des cibles médicamenteuses liées à l'anesthésie périopératoire différemment exprimés. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire S4 : Gènes codant des cibles médicamenteuses anesthésiques périopératoires pronostiques.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire S5 : Données brutes des immunotransferts.Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire S1 : Données brutes du western blot.Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Composante incontournable des protocoles de traitement du cancer, l'anesthésie périopératoire suscite un intérêt croissant en raison de ses effets immunomodulateurs potentiels, de sa capacité à remodeler le microenvironnement et de son rôle possible dans la dissémination tumorale. Alors que le cancer est de plus en plus perçu comme une maladie systémique et écologique plutôt que comme une lésion focale strictement déterminée par les gènes27, les perturbations physiologiques périopératoires, les réponses inflammatoires et le stress métabolique peuvent remodeler les niches microenvironnementales et influencer les trajectoires évolutives des tumeurs. Grâce à une intégration multi-niveaux des transcriptomes, cette étude a systématiquement décrit les profils d'expression, les associations biologiques et la valeur pronostique des PARDTGs dans l'OV, fournissant ainsi des pistes potentielles pour une anesthésie périopératoire de précision.

Le profilage spatial et au niveau cellulaire unique de la transcription a mis en évidence une variation spatiale marquée de l'activité de PARDTG, avec une activité réduite dans les cellules épithéliales tumorales et une activité accrue dans les cellules immunitaires, endothéliales et les fibroblastes. Ce modèle d'« enrichissement dans les cellules non tumorales » suggère que le réseau cible de l'anesthésique pourrait exercer ses effets principalement en modulant l'état des cellules stromales et immunitaires, plutôt que par des mécanismes intrinsèques directs aux cellules tumorales. Cette observation est conforme à l'idée que la progression tumorale est façonnée conjointement par les cellules tumorales et leur microenvironnement hôte28. Notamment, l'inflammation aiguë induite par la chirurgie, l'immunosuppression transitoire et le remodelage tissulaire peuvent générer un microenvironnement de cicatrisation de courte durée que les tumeurs peuvent exploiter pour augmenter le risque de dissémination et de récidive29.

Une analyse approfondie de la cohorte TCGA a identifié 68 gènes PARDTG différentiellement exprimés, significativement enrichis dans les interactions ligand-récepteur neuroactifs, la signalisation calcique et les voies liées à la dépendance. Le réseau PPI construit a mis en évidence plusieurs gènes centraux associés aux transporteurs et récepteurs de neurotransmission, tels que DRD2, SLC6A3 et SLC6A430, suggérant une régulation supplémentaire par la signalisation des neurotransmetteurs en période périopératoire dans la progression du carcinome ovarien (OV). Des travaux récents ont montré que l'antagoniste de DRD2, ONC206, supprime la prolifération et l'invasion dans les cellules d'OV et dans des modèles de souris transgéniques, induisant un arrêt du cycle cellulaire et l'apoptose, soulignant ainsi le potentiel thérapeutique de cet axe. CHRNA4 et GRIN2A codent respectivement pour des protéines associées aux récepteurs cholinergiques et aux récepteurs NMDA ; l'activation de ces récepteurs facilite l'entrée intracellulaire de Ca2⁺31,32, tandis qu'une perturbation calcique peut remodeler le cytosquelette et activer des programmes transcriptionnels favorisant la tumeur33. De plus, des récepteurs associés à la dépendance (par exemple, les récepteurs opioïdes µ) ont été liés à l'activation de mTORC1 et à l'échappement immunitaire34. Dans leur ensemble, ces résultats suggèrent une possible interaction entre les voies cibles des anesthésiques et le réseau neuro-immunitaire de stress périopératoire, influençant ainsi la plasticité tumorale et le risque de récidive dans un court laps de temps périopératoire.

Le modèle de risque à 17 gènes a démontré une performance pronostique stable dans plusieurs cohortes indépendantes. Les patients à haut risque présentaient un enrichissement dans des voies telles que « Régulation du cytosquelette d’actine » et « Protéoglycanes dans le cancer », suggérant une remodélisation cytosquelettique accrue et un potentiel métastatique élevé. L’analyse immunitaire a révélé des proportions plus élevées de macrophages M2, une surexpression des gènes liés aux points de contrôle immunitaires et des scores TIDE plus élevés dans le groupe à haut risque. Les macrophages M2 favorisent l’évasion immunitaire, et l’activation inflammatoire postopératoire pourrait induire le recrutement de cellules myéloïdes suppressives (MDSC)35. Notamment, EPHA4 était principalement exprimé dans des sous-populations endothéliales et de fibroblastes, suggérant son implication potentielle dans la régulation vasculaire, le remaniement stromal et les interactions au sein du microenvironnement tumoral. EPHA4 appartient à la famille des récepteurs tyrosine kinases Eph et agit comme médiateur important de la communication intercellulaire via la signalisation Eph/éphrine. L’activation d’EPHA4 peut réguler des voies en aval impliquées dans la réorganisation cytosquelettique, l’adhésion cellulaire, la migration et l’organisation de la matrice extracellulaire36. Dans le microenvironnement tumoral, une signalisation d’EPHA4 dysrégulée a été associée à la promotion de l’invasion des cellules tumorales, des réponses angiogéniques, l’activation du stroma et les interactions entre les cellules malignes et les composants stromaux environnants37. Ces résultats suggèrent qu’EPHA4 pourrait contribuer aux caractéristiques biologiques agressives des patients à haut risque en modulant la communication vasculo-stromale et le remaniement écologique tumoral. Parallèlement, les patients à haut risque présentaient des fréquences de mutations plus élevées dans des gènes tels que MUC16 et CSMD3, impliqués dans les interactions stromales et l’évasion immunitaire38,39. Dans leur ensemble, ces observations indiquent que les patients à haut risque présentent des caractéristiques écologiques malignes marquées par une dynamique cytosquelettique dysrégulée, des microenvironnements immunosuppresseurs et un remaniement matriciel, suggérant que les PARDTG pourraient être associés à des modifications de l’écologie tumorale et de la progression de la maladie.

Les agents anesthésiques peuvent également reprogrammer l'expression de multiples gènes par la modulation de réseaux d'ARN non codants, affectant l'adhésion des cellules tumorales, leur migration, leur résistance à l'apoptose et le maintien de leur caractère indifférencié, modifiant ainsi potentiellement le risque de récidive postopératoire40,41. Dans notre réseau régulateur principal combinant ARN micro-ARNs et facteurs de transcription, miR-27a-3p, miR-34a-5p et miR-106b-5p ont été identifiés comme des centres régulateurs potentiels, et de nombreuses données appuient leur implication dans la progression du carcinome ovarien (OV) et dans les réponses pharmacologiques liées aux anesthésiques42,43,44. FOXC1, en tant que facteur de transcription central, joue un rôle essentiel dans la promotion de la migration, de l'invasion et des phénotypes d'EMT dans l'OV et est régulé en amont par plusieurs ARN non codants45.

Une analyse pan-cancéreuse a été réalisée afin d'explorer davantage les caractéristiques biologiques de KRT81 dans différents types de cancers, plutôt que de valider le modèle pronostique du cancer de l'ovaire. Dans notre analyse, KRT81 était significativement surexprimé dans la majorité des types de cancer et corrélé à l'aneuploïdie, à l'infiltration immunitaire et aux scores stromaux, suggérant un rôle dans la remodelage du niche écologique et l'évasion immunitaire. En tant que membre de la famille des kératines de type II, KRT81 participe au maintien de l'intégrité cytosquelettique épithéliale, de la stabilité mécanique cellulaire et de l'adaptation au stress. Une expression dysrégulée de KRT81 pourrait affecter la plasticité des cellules tumorales en influençant l'organisation du cytosquelette, la différenciation épithéliale et les interactions entre les cellules tumorales et le microenvironnement environnant. De plus, un remodelage anormal des kératines a été impliqué dans la progression du cancer par modulation de la prolifération cellulaire, de la migration, de l'invasion et de la communication immuno-stromale. Des études antérieures ont rapporté que KRT81 agit comme un biomarqueur pour le sous-typage immunitaire et la stratification pronostique dans le cancer de l'ovaire46 et contribue à la formation d'un microenvironnement immunosuppresseur ainsi qu'à la prédiction de la réponse à l'immunothérapie dans le cancer du sein triple négatif47. Ainsi, KRT81 pourrait représenter un nœud clé dans les réseaux de plasticité tumorale périopératoire, avec une pertinence mécanistique et translationnelle.

Dans leur ensemble, cette étude fournit la première caractérisation à l'échelle spatiale et unicellulaire de l'écologie d'expression des PARDTG dans le carcinome ovarien (OV) et illustre leurs associations avec les microenvironnements immunitaires, les caractéristiques de stemness et l'instabilité génomique, suggérant que les gènes cibles liés aux médicaments utilisés en anesthésie périopératoire pourraient être associés aux trajectoires évolutives tumorales. Néanmoins, plusieurs limites doivent être reconnues. Premièrement, cette étude reposait principalement sur des jeux de données transcriptomiques accessibles publiquement, et les différences entre les sources des échantillons, les plates-formes de séquençage et les caractéristiques des cohortes peuvent introduire des effets de lot potentiels et affecter la robustesse des résultats. Deuxièmement, bien que des cohortes externes aient été utilisées pour la validation, le modèle pronostique a été élaboré à partir de données rétrospectives, et un surajustement potentiel dû aux approches de sélection des caractéristiques ne peut être entièrement exclu. Troisièmement, bien que les analyses transcriptomiques unicellulaires et spatiales aient permis de mieux comprendre les rôles biologiques des PARDTG, ces résultats reposaient principalement sur des inférences computationnelles et nécessitent une validation expérimentale supplémentaire. En outre, certaines analyses exploratoires, notamment les analyses pancancéreuses et les corrélations immunitaires, impliquaient de multiples comparaisons, et les associations faussement positives potentielles doivent être interprétées avec prudence. Enfin, la résolution limitée des analyses transcriptomiques spatiales et l'absence de validation fonctionnelle des réseaux régulateurs prédits constituent des limites supplémentaires. Des études futures intégrant des modèles expérimentaux et des échantillons cliniques sont nécessaires afin de valider davantage les mécanismes identifiés.

Cette étude a révélé que les PARDTG exercent d'importantes fonctions écologiques transcriptionnelles dans l'OV et pourraient participer à l'invasion induite par le microenvironnement postopératoire et à l'échappement immunitaire, fournissant ainsi de nouvelles preuves moléculaires pour l'anesthésie de précision périopératoire, la stratification du risque et la prévention des récidives.

Déclarations de divulgation

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

Remerciements

Nous remercions sincèrement les chercheurs qui ont partagé leurs jeux de données précieux dans les bases de données TCGA et GEO, notamment TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 et GSE211956.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Anticorps anti-cytokératine 81 (polyclonal de lapin)Proteintech, USA11342-1-AP
Anticorps anti-GAPDH (monoclonal de souris)Proteintech, USA60004-1-Ig
Kit d'analyse protéique BCAThermo Fisher, USA23225
CIBERSORTUniversité de Stanfordhttps://cibersort.stanford.eduInfiltration immunitaire | Matrice de signature LM22 | Analyse de l'infiltration des cellules immunitaires
Caractéristiques cliniques des patientes atteintes de cancer de l'ovaire (OV)UCSC Xenahttp://xena.ucsc.edu/Données cliniques | 341 patientes | Analyse de corrélation clinique
Pack clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfilerAnalyse d'enrichissement fonctionnel | Version 4.8.3 | Analyses GO, KEGG et GSEA
Pack ggplot2CRANhttps://cran.r-project.org/package=ggplot2Visualisation des données | Version 4.0.2 | Visualisation des données
GSE26193Banque de données GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Jeu de données de validation | 107 échantillons | Validation externe
GSE30161Banque de données GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Jeu de données de validation | 58 échantillons | Validation externe
GSE63885Banque de données GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Jeu de données de validation | 70 échantillons | Validation externe
Pack GSVABioconductorhttps://bioconductor.org/packages/GSVAAnalyse d'enrichissement de jeux de gènes | Version 2.4.9 | Analyse ssGSEA
Pack limmaBioconductorhttps://bioconductor.org/packages/limma/Analyse d'expression différentielle | Version 3.56.2 | Analyse des gènes différentiellement exprimés (DEG)
Informations sur la survie globale des patientes atteintes de cancer de l'ovaire (OV)UCSC Xenahttp://xena.ucsc.edu/Données de survie | 353 patientes | Construction d'un modèle pronostique
Mémbane PVDFMillipore, USAIPVH00010
RFondation R pour l'informatique statistiquehttps://www.r-project.org/Logiciel bioinformatique | Version 4.3.1 | Analyses statistiques
Solution tampon RIPABeyotime, ChineP0013B
Pack SeuratCRANhttps://satijalab.org/seurat/Analyse unicellulaire | Version 5.4.0 | Analyse de séquençage ARN unicellulaire (scRNA-seq)
Banque de données STRINGConsortium STRINGhttps://string-db.orgBanque de données d'interactions protéiques | Version 12.0 | Construction de réseau d'interactions protéine-protéine (PPI)
Pack survivalCRANhttps://cran.r-project.org/package=survivalAnalyse de survie | Version 3.5.5 | Analyse de survie
Données d'expression génique ovariennes TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Jeu de données d'apprentissage | 420 échantillons tumoraux TCGA | Cohorte d'entraînement
Données de tissu ovarien normal TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Jeu de données normal de référence | 88 échantillons normaux GTEx | Analyse d'expression différentielle

Références

  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.

Réimpressions et autorisations

Étiquettes

Cibles des m dicaments anesth siquesdonn es multi omiquesARN unicellulairetranscriptomique spatialemod le risques proportionnels de Coxmicroenvironnement immunitaire tumoralnomogramme clinique
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.