מאמר שיטה

ניתוח המבוסס על נתוני TCGA ונתוני תא יחיד, תוך שימוש ב-TRPM4 כדוגמה

DOI:

10.3791/69304

⸱

5 בדצמבר 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1The First Clinical Medical College, Nanjing Medical University, 2School of Pediatrics, Nanjing Medical University, 3Department of Neurology, The First Affiliated Hospital with Nanjing Medical University, 4Rehabilitation Medicine Center, The First Affiliated Hospital with Nanjing Medical University

* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאן, אנו מציגים פרוטוקול לניתוח מעמיק של תפקיד גן יחיד בסרטן שלפוחית השתן (BLCA) המבוסס על ניתוח טרנסקריפטום וניתוח תא יחיד, יחד עם שימוש ב-101 אלגוריתמים של למידת מכונה, לבניית מודל פרוגנוסטי לגן היחיד שהוזכר.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במאמר זה מוצגת שיטת ניתוח המבוססת על מערכי נתונים טרנסקריפטומיים ציבוריים ומאגרי נתונים חד-תאיים, שניתן להשתמש בהם לתיאור מקיף של תפקיד גנים בודדים בגידולים, כולל עיצוב המיקרו-סביבה החיסונית של הגידול, עיצוב תת-סוגים מולקולריים של גידול, וחיזוי הפרוגנוזה של חולי גידול. במקביל, הכנסת נתוני גן יחיד יכולה לא רק למנוע את האקראיות וההטרוגניות שנוצרים בניתוח טרנסקריפטום יחיד, אלא גם מאפשרת חקירה מעמיקה יותר של אילו אשכולות תאים ספציפיים בהם הגן מבוטא, וכן מחקר נוסף על תפקיד הגן במסלול. בהתחשב בכך שרבים מהחוקרים אינם מיומנים בניתוח תא יחיד, מוצג אתר אינטרנט במאמר זה, הנקרא TISCH2 (http://tisch.compbio.cn/), וכך עוזר לכולם להשלים את ניתוח התא היחיד. בנוסף, יישום 101 שיטות למידת מכונה שיחק תפקיד חיוני בבניית המודל הפרוגנוסטי המדויק ביותר. לסיכום, מאמינים כי שיטת הניתוח המשולבת של גן יחיד, המשלבת ניתוח ביואינפורמטיקה, למידת מכונה וניתוח תא יחיד, יכולה למלא תפקיד חיוני וקריטי בחקר תפקידי גנים בודדים בהתקדמות הגידול, וכן בחקר תפקידי גנים בודדים במסלולי הדרך.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כפי שכולנו יודעים, סרטן שלפוחית השתן (BLCA) הוא אחד הגידולים הממאירים האגרסיביים והגרורתיים ביותר בעולם, ועדיין קיימות בעיות עם הסמנים הביולוגיים הנוכחיים לסרטן שלפוחית השתן, כמו חוסר דיוקוכדומה. כדי לזהות את התחזית של חולי BLCA ולחזות את תוצאותיהם, החיפוש אחר סמנים ביולוגיים לסרטן שלפוחית השתן והקמת מודלים פרוגנוסטיים הם בעלי חשיבות רבה. למרות שאנשים פיתחו שיטות מחקר מסוימות לסמנים ביולוגיים, רוב השיטות כיום מוגבלות לטרנסקריפטומיקה, מה שמוביל בהכרח להטרוגניות בדגימות2. יתרה מזאת, חקר נתוני טרנסקריפטומיקה לבדו לעיתים קרובות לא מצליח לחקור את התפקידים של תת-אוכלוסיות תאיות שונות, וכן את תפקידי הגנים במסלולים שונים ברמת התא היחיד, מה שהופך את המחקר הקודם לפחות מדויק ויעיל3. בהתחשב בכך שניתוח תא יחיד עשוי להיות מאתגר למתחילים, הוצגה פלטפורמה מקוונת לניתוח תא יחיד כדי לעזור להם ללמוד את הכישורים במהירות4. ולבסוף, גם אם גן אחד נמצא כסמן ביולוגי מתאים באמצעות ניתוח טרנסקריפטום וניתוח תאים בודדים, אין ערובה שהסמן יהיה ישים לכל הקבוצה, ולכן יש צורך לבנות מודלים פרוגנוסטיים הקשורים לסמן הביולוגי כדי להפוך את המסקנות לרלוונטיות יותר אוניברסלית5. אלגוריתם 101 למידת מכונה מתייחס לבניית 101 מודלים פרוגנוזה באמצעות שילוב של 10 אלגוריתמים שונים של למידת מכונה, במטרה לזהות את מודל הפרוגנוזה האופטימלי. הכללת אלגוריתמים כמו יער אקראי, XGBoost ו-SVM, המסוגלים יותר לטפל בנתונים מורכבים ומפגינים יציבות גבוהה יותר, הביאה לכך שהאלגוריתם המשולב הזה מפגין יציבות יוצאת דופן. כדי להפוך את המודל הפרוגנוסטי למדויק ורלוונטי יותר לסמן, מתבצע תחילה ניתוח קורלציה בין כל הגנים לבין הביומרקר, לאחר מכן נבחר כ-20-30 גנים לפי דרישות, ולאחר מכן משתמשים באלגוריתם למידת מכונה 101 לבניית המודל הפרוגנוסטי, ולאחר מכן סדרת ניתוחים לסיום התוצאות.

בהשוואה לסמנים הביולוגיים שחזו בניתוח טרנסקריפטומיקה פשוט שלששת השנים האחרונות, הביומרקרים של ניתוח תא יחיד וטרנסקריפטומיקה מאפשרים פירוק בלתי מוטה של רקמות או דגימות לרכיבים התאיים הבסיסיים שלהן. היא מאפשרת התמיינות ברורה של סוגי תאים שונים (כגון תאי T, תאי B ומקרופאגים) וגילוי תת-אוכלוסיות חדשות (כגון תאי T מותשים ותאי T רגולטוריים), וכן לכידת תהליכים דינמיים רציפים (כגון מסלולי התמיינות תאים)4. זה דומה לסידור פירות וחלב בנפרד, ומאפשר המחשה ברורה של כל רכיב וכמותו. בהשוואהלמודלים 7 של קוקס חד-קבוצה, המודל הפרוגנוסטי שנבנה באמצעות למידת מכונה 101 הוא גם מדויק ומדעי יותר, שכן הוא יכול ללמוד אוטומטית על האינטראקציות המורכבות והלא-ליניאריות בין משתנים מהנתונים. לדוגמה, השפעת מוטציה גנטית מסוימת עשויה להיות משמעותית רק אצל מטופלים בגילאים וגדלי גידול מסוימים. מודלים של למידת מכונה כמו יערות אקראיים ורשתות עצביות יכולים ללכוד באופן אוטומטי אינטראקציות ברמה גבוהה אלו ללא צורך במפרט ידני8. מגבלות היישום המרכזיות של האיתות שהמאגר המשמש לניתוח חייבות לכלול את רוב הגנים, כאשר מספר הגנים אינו נמוך מדי, ומספר הגנים המשמשים לבניית מודלים פרוגנוסטיים אינו גבוה מדי, בדרך כלל נשמר סביב 20-30, והוא אופטימלי. תקן בקרת האיכות של סט תאים בודדים צריך להיות גבוה מ-1000, ספירת ה-UMI לתא צריכה להיות גבוהה מ-1000, ומספר הגנים לתא צריך להיות גבוה מ-5009.

כאן, ניתנת גישה שלב אחר שלב לזיהוי סמנים ביולוגיים חדשים מתוך מאגרי נתונים טרנסקריפטומיים ציבוריים וממערכי נתונים חד-תאיים, תוך שימוש בתפקיד TRPM4 ב-BLCA כדוגמה. שיטות מחקר רבות משמשות ומאגרי נתונים מגוונים – כולל מאגר הנתונים של אטלס סרטן הגנום של הסרטן (TCGA-BLCA), GSE145281 נתונים חד-תאיים ו-BLCA GSE32894 ו-GSE31684 – כדי לשפר את הדיוק והיישום של סמנים ביולוגיים באונקולוגיה מנקודות מבט שונות ולקדם את חקר TRPM4 ב-BLCA. מערך הנתונים של TCGA-BLCA התקבל מאתר אוניברסיטת קליפורניה, סנטה קרוז קסנה (UCSC Xena). GSE32894 ו-GSE31684 הורדו מ-Gene Expression Omnibus (GEO), ונתוני תא יחיד GSE145281 נאספו מ-Tumor Immune Single-Cell Hub 2 (TISCH2). בנוסף, נתונים על תתי-סוגים מולקולריים של BLCA ותגובות טיפול נאספו מקבצי גיליון אלקטרוני משלימים של מאמר רלוונטי. לאחר מכן מתבצעים ניתוח ביואינפורמטיקה, ניתוח תא יחיד ולמידת מכונה, ומבססים מתודולוגיית מחקר משולבת של גן יחיד.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הערה: כל הקודים בהם השתמשו במאמר זה נמצאים באתר https://github.com/YaoGeng-nmu/Analysis-of-TRPM4-based-on-TCGA-data-and-single-cell-data-in-BLCA/blob/main/code.

1. הכנת נתוני טרנסקריפטומיקה

  1. הכנת מאגר הנתונים TCGA-BLCA
    1. הורידו את כל מערכי הנתונים של TCGA מאתר UCSC Xena (https://xenabrowser.net/datapages/)10. מערכי הנתונים שמורדים מעובדים מראש, מה שמבטל את הצורך בעבודה נוספת כמו הערות גנים11.
    2. בחר את מערך הנתונים של TCGA ואז לחץ על נתוני TCGA-BLCAt. לאחר מכן, עברו לעמוד מערך הנתונים של TCGA-BLCA, לחצו על Gene Expression RNA-seq, והורדו את הנתונים הקליניים ופרופילי ביטוי גנים ממאגר הנתונים של TCGA-BLCA. במאגר זה, יש לוודא שיש 400 נתוני ביטוי mRNA של מטופלי BLCA.
    3. כדי להבדיל דגימות גידול מדגימות רקמה תקינות סמוכות, יש להפריד את הדגימות עם הסיומות 01 ו-11 כאשר דגימות עם 01 מצביעות על דגימות גידול, בעוד דגימות עם 11 מצביעות על רקמות סמוכות לסרטן (דגימות תקינות).
  2. הכנת GSE32894 ו-GSE31684
    1. לחץ על אתר GEO (https://www.ncbi.nlm.nih.gov) כדי להוריד את מערך הנתונים של BLCA GSE32894 GSE3168412,13.
    2. לאחר לחיצה על הערכים המתאימים בפינה הימנית העליונה, ודא שאתה עובר לדפים של מאגרי נתונים GSE32894 ו-GSE31684.
    3. לאחר מכן, הורידו את נתוני ה-mRNA, הנתונים הקליניים ונתוני ההישרדות המתאימים GSE32894. לחץ על כפתור ה-http של מאגר הנתונים GSE32894. כמו כן, הורידו את נתוני הפלטפורמה GPL6947 באמצעות כפתור הפלטפורמה. לחץ על כפתור קובץ מטריצת הסדרה והוריד GSE32894 לאחר לחיצה על כפתור GSE32894_series_matrix.txt.gz בעת הורדת נתוני mRNA, נתונים קליניים ונתוני הישרדות עבור GSE32894.
    4. הורד את נתוני ה-mRNA, הנתונים הקליניים ונתוני הישרדות המתאימים עבור GSE31684. לחץ על כפתור ה-http של מאגר הנתונים GSE31684. כמו כן, הורד את נתוני פלטפורמת GPL570 באמצעות כפתור הפלטפורמה. לחצו על כפתור ה-Series Matrix Files והורדו GSE31684 לאחר לחיצה על כפתור GSE31684_series_matrix.txt.gz בעת הורדת נתוני mRNA, נתונים קליניים ונתוני הישרדות עבור GSE31684.
    5. בשלב הסינון, הסר גנים חסרי משמעות, כמו אלה שרמת הביטוי שלהם היא אפס או קרוב לאפס. השתמש בשיטת ComBat, המבוססת על חבילת sva14, לתיקון אצווה.

2. הכנת ניתוח תא יחיד

  1. הכנת GSE145281
    1. כדי לבצע מחקר ברמת תא יחיד, יש למצוא את מערך הנתונים של BLCA חד-תא, בהתחשב בכך שנתוני טרנסקריפטום לבדם אינם מספיקים כדי לקבוע איזה אשכול תאים מבטא את TRPM4 בצורה המשמעותית ביותר.
    2. כאן, בקרו באתר TISCH2 (http://tisch.compbio.cn/), אתר אינטרנט לניתוח תא יחיד של גידולים.
    3. בהתאם לצרכי הניסוי, בחרו את סוג הסרטן הנדרש, תוך שימוש ב-BLCA כדוגמה במקרה זה.
    4. לחץ על כפתור BLCA , ובחר את מערך הנתונים שנקרא GSE145281.

3. הכנת תת-הסוגים המולקולריים של BLCA ותגובה לנתוני בחירות טיפוליות

  1. הורידו את הנתונים לתתי-הסוגים המולקולריים של BLCA ולתגובה לבחירות טיפוליות מהמאמר המוזכר כאן15.
  2. פתח את אתר PubMed (https://pubmed.ncbi.nlm.nih.gov/). חפשו את המאמר ולחצו על טבלאות משלימות. ישנם בסך הכל 18 קבצים בחבילת הקבצים הדחוסת הזו.

4. ניתוח מיקרוסביבה חיסונית BLCA של TRPM4

  1. גרף מפת חום של הביטוי של 133 אימונומודולטורים בקבוצות TRPM4 שונות
    1. לפי הביטוי של TRPM4, חלקו את כל דגימות ה-BLCA לקבוצת ה-TRPM4 הגבוהה ולקבוצת ה-TRPM4 הנמוכה.
    2. העתק את כל שמות הדגימות ונתוני הביטוי של TRPM4 בנפרד, מיין אותם בסדר יורד של ביטוי TRPM4 , וסיווג את החצי הראשון של הדגימות לקבוצת High-TRPM4 ואת החצי השני לקבוצת Low-TRPM4 בעמודת הקבוצה לפי ביטוי TRPM4 . כל תעודות הזהות של מטופלי TCGA-BLCA מופיעות בטבלה משלימה 1.
    3. התקן חבילות R הנדרשות לניתוח הנתונים הטרנסקריפטומי. בצע שינויים קלים בקוד שסופק, כמו לשנות את מיקום הקובץ, ואז להריץ את הקוד. בדוק בקפידה אם מזהי הגנים ומזהים של האימונומומודולטורים תואמים נכון, כדי לוודא שאין רווחים או גורמים בלתי בולטים אחרים לאחר זיהוי הגנים, שכן אלו הגורמים העיקריים לכישלון ביצירת מפת חום.
  2. ניתוח סטרומלי ואימונולוגי של דגימות גידול באמצעות חבילת ESTIMATE R
    1. ודא שכל חבילות ה-R הנדרשות לניתוח הנתונים הטרנסקריפטומי מותקנות. בהתאם לדרישות הקוד, קבע את שמות הנתונים הנדרשים בשמות המתאימים, ואז לחץ על כפתור הפעלה .
      הערה: חשוב לזכור שאתר זה מציע גם יכולות ניתוח מקוון. בעוד שניתן להשיג את התוצאות הרצויות על ידי ביקור באתר (https://bioinformatics.mdanderson.org/estimate/rpackage.html), שיטה זו אינה מתאימה לניתוח נתונים שנאספו בעצמך.
    2. לחצו על כפתור המחלה ובחרו באפשרות קרצינומה בשלפוחית השתן . לאחר מכן, בחר בכפתור הפלטפורמה RNA-seq-V2 . הורידו את ציון הסטרומלים, ציון החיסון וציון ההערכה של כל הדגימות.
  3. גרף כינור של הביטוי בין קבוצות TRPM4 השונות
    1. התקן את כל חבילות ה-R הנדרשות לניתוח נתונים טרנסקריפטומיים. כל חבילות ה-R הנדרשות מפורטות בטבלה המשלימים 2. בהתאם לדרישות הקוד, קבע את שמות הנתונים הנדרשים בשמות המתאימים, ואז לחץ על כפתור הפעלה.
    2. ודאו בקפידה שהמזהים הגנים מוזנים נכון, כדי לוודא שאין רווחים או גורמים בלתי בולטים אחרים בסוף מזהי הגנים, שכן אלו הגורמים העיקריים לכשלים ביצירת גרפים של כינור.
  4. גרף מפת חום משולש בין קבוצות TRPM4 שונות
    1. התקן את כל חבילות ה-R הנדרשות לניתוח הנתונים הטרנסקריפטומי. ודאו שאתם מכינים את נתוני הביטוי של כמה גנים של נקודות ביקורת חיסוניות, כגון TIGIT ו-CD80. פתח את נתוני הטרנסקריפטום של TCGA-BLCA ואז חפש בכל רשומה בנפרד, בהתחשב בכך שמספר הגנים של נקודות הביקורת החיסונית אינו נרחב.
    2. בהתאם לדרישות הקוד, קבע את שמות הנתונים הנדרשים בשמות המתאימים, ואז לחץ על כפתור הפעלה .
  5. גרף קורלציה בין גנים שונים ל-TRPM4
    1. התקן את כל חבילות ה-R הנדרשות לניתוח הנתונים הטרנסקריפטומי. מלאו את TRPM4 כגן הראשון והוסיפו את הגן הנחקר כגן השני, שבמקרה הזה הוא CD3E .
    2. לאחר לחיצה על כפתור הריצה , ודא שאתה משנה את CD3E לגנים אחרים שצריך לנתח, כמו CTLA4.

5. ניתוח תא יחיד של TRPM4 במאגר הנתונים GSE145281

  1. ניתוח מערכי נתונים GSE145281 BLCA באמצעות ניתוח תא יחיד
    1. היכנסו לאתר ולחצו על BLCA. ניתוח תא יחיד מאפשר חקירה מעמיקה יותר של איזה אשכול תאים מציג ביטוי גבוה של TRPM4 לעומת ניתוח טרנסקריפטומיקה. ודא שנתוני ניתוח תא יחיד נאספים GSE130001 ובדוק מול תקן בקרת האיכות שמספר התאים לכל מאגר נתונים צריך להיות גבוה מ-1000, ספירת ה-UMI לתא צריכה להיות גדולה מ-1000, ומספר הגנים לכל תא צריך להיות גדול מ-500. הגנים המבוטאים באופן שונה בכל אשכול בהשוואה לכל התאים האחרים מזוהים על בסיס שינוי הקיפול המועבר לוגיתם-טרנספורמציה (|logFC| >= 0.25), ורזולוציית האשכול צריכה להיות 0.5.
  2. אנוטציה תאית לאשכולות תאים שונים
    1. ודא שכל אשכולות התאים מסומנים בהערות. לדוגמה, תאי B יכולים להיות מאומנים על ידי CD19, MS4A1, CD27, IGHD, IGHM, TCL1A ו-FCRL5. כל הגנים המשמשים לסימון תאים נמצאים בטבלה משלימה 3.
    2. לאחר מכן, בחר GSE145281 והורד את כל תוצאות TRPM4. לחצו על כפתור הכללי והורידו את גרף UMAP של GSE145281 של אשכולות וסוגי תאים שונים.
    3. לחץ על כפתור הגן ובחר את הגן היחיד שיעבור ניתוח. לחצו על כפתור ה-GSEA וצפו בתפקודי הגן היחיד הזה במסלולים שונים, כמו מסלול KEGG ומסלול Hallmark16,17.
    4. לחץ על כפתור ה-CCI ומצא את גרף הצ'אט התא וגרף בועת הצ'אט של האשכול שמבטא גן יחיד בצורה גבוהה.
    5. לחץ על כפתור ההעשרה של TF כדי לראות את גורם התמלול המועשר עבור כל אשכול.

6. 101 למידת מכונה לבניית מודל פרוגנוסטי הקשור ל-TRPM4

  1. התקן את כל חבילות ה-R הנדרשות לניתוח נתונים טרנסקריפטומיים. בהתחשב בכך שגישה אחת של למידת מכונה אינה תמיד השיטה האופטימלית לחיזוי פרוגנוזה, ניתן לבנות מודל פרוגנוזה באמצעות 101 טכניקות למידת מכונה. בצע ניתוח קורלציה בין כל הגנים בקבוצת TCGA-BLCA ובין קבוצות GSE32894 ו-GSE31684 ו-TRPM4.
  2. בהתבסס על מספר הגנים הקשורים חזק ל-TRPM4, בחרו את כל הגנים עם מתאם גדול או שווה ל-0.6 או פחות או שווה ל-0.6- עם TRPM4. בחר את כל הגנים הקשורים חזק ל-TRPM4 בכל הקוהורטים.
  3. לשלב את כל הנתונים מקבוצות GSE32894 ו-GSE31684 ליצירת מערך אימות ולהשתמש ב-TCGA-BLCA כסט האימונים.
  4. בהתאם לדרישות הקוד, קבע את שמות הנתונים הנדרשים בשמות המתאימים, ואז לחץ על כפתור הפעלה .

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ידוע היטב שהיתרון המרכזי בשימוש בטרנסקריפטומיקה לניתוח מיקרו-סביבה חיסונית עבור גנים בודדים הוא שהיא מאפשרת מתאם ישיר בין גנים בודדים לאינטראקציות הדינמיות עם תאי ומולקולות החיסון ברמת ביטוי הגנים, מה שמאפשר תצפית ישירה על תכונות החיסון וזיהוי הבדלים בשיעור תאי החיסון החודרים בין קבוצות עם ביטוי גבוה/נמוך של גנים בודדים או שינויים בביטוי מולקולות נקודת ביקורת חיסונית18. התוצאות המייצגות של ניתוח ביואינפורמטיקה הן אלו הקשורות לניתוח מיקרו-סביבה חיסונית ומולקולות חי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במחקרים קודמים, ניתוח ביואינפורמטיקה של גנים בודדים נתקל לעיתים קרובות בבעיות כמו שטחיות, חוסר דיוק ויישום מוגבל19. יתרה מזאת, מחקרים קודמים על גנים בודדים התמקדו בדרך כלל בנתוני טרנסקריפטום. יתרה מזאת, כאשר מתמקדים אך ורק בנתוני טרנסקריפטום, עלולות להיווצר בעיות כמו הטרוגניות ואקראיות במדגם, מה שמקשה על זיהוי דפוסים אוניברסליים20. לכן, כדי להתמודד עם הבעיות שהוזכרו, הוצגו נתוני תא יחיד להבנה טובה יותר של התפקיד הקריטי של גנים בודדים ברמת ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים שאין ביניהם ניגוד עניינים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אנו רוצים להודות לקונסורציום האינפורמטיקה של BioBean על פיתוח מסגרת אנליטית חכמה (זמינה בכתובת http://www.sxdyc.com/). התשתית החישובית החדשנית שלהם האיצה משמעותית את תהליך המחקר באמצעות ניתוח מדויק ומודולים אוטומטיים לפרשנות נתונים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
R 4.3.3איןאיןאין

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Zhang, C., et al. Identification of multicohort-based predictive signature for NMIBC recurrence reveals SDCBP as a novel oncogene in bladder cancer. Ann Med. 57 (1), 2458211(2025).
  2. Han, M. H., et al. Plasma GFAP and Amyloid Pathology Predict Cognitive Response to Multidomain Interventions in MCI. Aging Dis. , (2025).
  3. Xie, S., et al. Towards Precision Aging Biology: Single-Cell Multi-Omics and Advanced AI-Driven Strategies. Aging Dis. , (2025).
  4. Han, Y., et al. TISCH2: expanded datasets and new tools for single-cell transcriptome analyses of the tumor microenvironment. Nucleic Acids Res. 51 (D1), D1425-D1431 (2023).
  5. Yao, Y., et al. Advances in prognostic models for osteosarcoma risk. Heliyon. 10 (7), e28493(2024).
  6. Ding, X., et al. Glutamine metabolism reprogramming promotes bladder cancer progression via PYCR1: a multi-omics and functional validation study. J Transl Med. 23 (1), 1277(2025).
  7. Zhu, T., et al. Methylparaben and propylparaben promote bladder cancer invasion via MMP2 and PPARG modulation. Ecotoxicol Environ Saf. 306, 119383(2025).
  8. Xie, J. H., et al. Deciphering cutaneous melanoma prognosis through LDL metabolism: Single-cell transcriptomics analysis via 101 machine learning algorithms. Exp Dermatol. 33 (4), e15070(2024).
  9. Sun, D., et al. TISCH: a comprehensive web resource enabling interactive single-cell transcriptome visualization of tumor microenvironment. Nucleic Acids Res. 49 (D1), D1420-D1430 (2021).
  10. Cao, X., et al. D-Mannose Upregulates Testin via the NF-κB Pathway to Inhibit Breast Cancer Proliferation. J Biochem Mol Toxicol. 39 (8), e70398(2025).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Yu, Q., et al. GREM1 may be a biological indicator and potential target of bladder cancer. Sci Rep. 14 (1), 23280(2024).
  13. Wu, Q., et al. Membrane palmitoylated protein MPP1 inhibits immune escape by regulating the USP12/ CCL5 axis in urothelial carcinoma. Int Immunopharmacol. 146, 113802(2025).
  14. Johnson, W. E., Li, C., Rabinovic, A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 8 (1), 118-127 (2007).
  15. Hu, J., et al. Siglec15 shapes a non-inflamed tumor microenvironment and predicts the molecular subtype in bladder cancer. Theranostics. 11 (7), 3089-3108 (2021).
  16. Kanehisa, M., Sato, Y., Morishima, K. BlastKOALA and GhostKOALA: KEGG Tools for Functional Characterization of Genome and Metagenome Sequences. J Mol Biol. 428 (4), 726-731 (2016).
  17. Munkley, J., et al. Hallmarks of glycosylation in cancer. Oncotarget. 7 (23), 35478-35489 (2016).
  18. Da, Y., et al. A high stroma-tumor ratio is associated with an immunosuppressive tumor microenvironment and a poor prognosis in bladder cancer. Front Oncol. 15, 1604609(2025).
  19. Chen, C., et al. Bioinformatics Methods for Mass Spectrometry-Based Proteomics Data Analysis. Int J Mol Sci. 21 (8), 2873(2020).
  20. Jonauskaite, D., et al. Universal Patterns in Color-Emotion Associations Are Further Shaped by Linguistic and Geographic Proximity. Psychol Sci. 31 (10), 1245-1260 (2020).
  21. Zhu, W., et al. Integrated machine learning identifies epithelial cell marker genes for improving outcomes and immunotherapy in prostate cancer. J Transl Med. 21 (1), 782(2023).
  22. Zhao, J., et al. Bioinformatics prediction and experimental verification of key biomarkers for diabetic kidney disease based on transcriptome sequencing in mice. PeerJ. 10, e13932(2022).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

TCGA DataSingle Cell DataTRPM4 GeneTumor Immune MicroenvironmentTumor Molecular SubtypesPrognostic ModelMachine LearningBioinformatics AnalysisSingle Gene AnalysisTISCH2 Website

מאמרים קשורים