מאמר מחקר

ניתוח ביואינפורמטיקה משולב של נתוני טרנסקריפטומיה אנושית מזהה שלושה סמנים אבחנתיים ותחזיתיים מרכזיים באדנוקרצינומה ריאתית

DOI:

10.3791/71214

⸱

30 ביוני 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Laboratory Medicine, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, 2School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, 3Department of Laboratory Medicine, Fujian Nan'an Hospital, 4Department of Laboratory Medicine, Pujiang Tianxian Orthopedic Hospital, 5Department of Laboratory Medicine, People's Hospital of Dafang, 6Department of Laboratory Medicine, Fujian Medical University Union Hospital, 7Department of Laboratory Medicine, Fujian Pingtan Comprehensive Experimental Area Hospital, 8Medical Laboratory Center, Jinjiang Municipal Hospital, Shanghai Sixth People's Hospital, 9Medical Laboratory Center, Jinjiang Municipal Hospital, Teaching Hospital of Huaqiao University

* These authors contributed equally

במאמר זה

סיכום

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

מחקר זה זיהה סמנים ביולוגיים אבחנתיים ופרוגנוסטיים לאדנוקרצינומה ריאתית באמצעות נתוני TCGA-LUAD ו-GEO GSE115002 טרנסקריפטומיים. B3GNT3, FERMT1 ו-SPP1 עברו ויסות מוגבר, מה שהבדיל בין גידולים לרקמה תקינה. גנים אלו קשורים למעבר אפיתל למזנכימלי ולדיכוי מערכת החיסונית. נומוגרמה ששילבה ביטוי גנים עם שלב TNM הראתה ערך חיזוי אמין.

תקציר

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

אדנוקרצינומה ריאתית (LUAD) היא הגורם המוביל לתמותה הקשורה לסרטן ברחבי העולם. למרות התקדמות בניתוחים, טיפול ממוקד ואימונותרפיה, שיעור ההישרדות של LUAD מתקדם במשך 5 שנים נותר מתחת ל-20%, מה שמעיד על צורך דחוף בסמנים מולקולריים אמינים לגילוי מוקדם ופרוגנוזה. במחקר זה, המחברים השערו ששלושה גנים שעברו ויסות באופן עקבי יכולים לשמש כסמנים אבחנתיים ותחזיתיים יעילים ל-LUAD. המחברים ניתחו נתונים טרנסקריפטומיים משתי קבוצות עצמאיות, TCGA-LUAD (535 גידולים, 59 דגימות תקינות) ו-GSE115002 (52 גידולים, 52 דגימות תקינות), כדי לסנן גנים מבוטאים באופן שונה. שלושה גנים מרכזיים — B3GNT3, FERMT1 ו-SPP1 — היו מוגזמים בעקביות בגידולי LUAD בשני מערכי הנתונים. גנים אלו הראו ביצועים אבחנתיים מצוינים, עם ערכי AUC מעל 0.95 ב-TCGA-LUAD ודיוק גבוה ב-GSE115002. ניתוח הישרדות הראה כי ביטוי גבוה של כל גן היה קשור באופן מובהק להישרדות כוללת קצרה יותר וללא מחלות, ורגרסיה מרובת משתנים של Cox אישרה את ערכם הפרוגנוסטי העצמאי. ניתוח העשרה פונקציונלית הראה כי שלושת הגנים הללו משתתפים במעבר אפיתלי-מזנכימלי, בעיצוב מחדש של מטריצת חוץ-תאית ובדיכוי חיסוני, כולם קשורים קשר הדוק לפלישה ולגרורות של LUAD. המחברים בנו עוד נומוגרפיה פרוגנוסטית המשלבת את שלושת הגנים ושלב TNM, והשיגו אינדקס קונקורדנס של 0.743 והפגינו ביצועים חיזויים טובים. ממצאים אלו מאשרים כי B3GNT3, FERMT1 ו-SPP1 הם סמנים ביולוגיים אבחוניים ופרוגנוסטיים מבטיחים ל-LUAD, התומכים ביישום הקליני בסטרטיפיקציה וניהול סיכונים.

מבוא

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

סרטן הריאות הוא הגורם העיקרי לתמותה עולמית מסרטן, ואחראי לכ-1.8 מיליון מקרי מוות בשנת 2020. אדנוקרצינומה ריאתית (LUAD) מייצגת כמעט 40% מכלל מקרי סרטן הריאות2. למרות התקדמות בניתוחים, טיפול ממוקד ואימונותרפיה, שיעור ההישרדות של LUAD מתקדם במשך 5 שנים נותר מתחת ל-20%3,4. נדרשים בדחיפות סמנים ביולוגיים מולקולריים אמינים לגילוי מוקדם ולחיזוי מדויק. ריצוף בתפוקה גבוהה ומאגרי מידע ציבוריים כגון The Cancer Genome Atlas (TCGA) ו-Gene Expression Omnibus (GEO) מאפשרים פרופיל טרנסקריפטומי שיטתי של סרטן 5,6. ביואינפורמטיקה אינטגרטיבית חוצת קבוצות משפרת את אמינות גילוי הסמנים הביולוגיים המועמדים5.

גנים ומסלולים רבים היו מעורבים ב-LUAD, כולל התרבות תאים, איתות EGFR, ו-immune escape7. עם זאת, מעטים מהם תורגמו לשימוש קליני. מודלים של סיכון המשלבים חתימות גנים ותכונות קליניקופתולוגיות — במיוחד נומוגרמות — משפרים את הדיוק הפרוגנוסטי ב-LUAD8. בעוד ש-B3GNT3, FERMT1 ו-SPP1 נקשרו בנפרד להתקדמות סרטן, ערך האבחון, הפרוגנוסטי והרגולציה החיסונית-מיקרוסביבתית שלהם ב-LUAD לא אומת באופן שיטתי בין קבוצות עצמאיות. מחקר זה מספק את הניתוח המשולב הראשון במגוון פלטפורמות של שלושת הגנים הללו כפאנל ביומרקר מאוחד עבור LUAD, עם נומוגרפיה פרוגנוסטית קלינית רלוונטית.

B3GNT3 מקודד גליקוזילטרנספראז שמייצב PD-L1 ומקדם התחמקות חיסונית 9,10. FERMT1 (קינדלין-1) מווסת את הפעלת האינטגרין ומניע גרורות בסרטן ריאות לא קטן (NSCLC)11,12. SPP1 (אוסטאופונטין) מתווך שינוי מטריצת חוץ-תאית, מעבר אפיתל למזנכימל (EMT), וכימוזידות 13,14,15. גנים הקשורים לשעון הצירקדי הוכחו גם כחוזים פרוגנוזה ואבחנה של LUAD16, בעוד שהבדלים בין המינים ב-LUAD התגלו באמצעות רשתות איתות חלבונים אינטגרטיביים מולטי-אומיקס17. B3GNT3 ו-SPP1 מופרשים או ממוקדים בממברנה, התומכים בשימוש פוטנציאלי כסמנים ביולוגיים זעיר-פולשניים. סיווג LUAD יעיל וזיהוי סמנים ביולוגיים יכולים להתבצע גם באמצעות שיטות בחירת תכונות חופפות18, ואינטראקציות רב-אומיות ממלאות תפקידים פונקציונליים חשובים בהתקדמות סרטן הריאות19. חתימות גנים מיטוכונדריאליות, שזוהו באמצעות אינטגרציה מקיפה של מולטי-אומיקס, מחזיקות גם בעלות ערך לתחזית LUAD ולטיפול מותאם אישית20. B3GNT3 ו-SPP1 מופרשים או ממוקדים בממברנה, התומכים בשימוש פוטנציאלי כסמנים ביולוגיים זעיר-פולשניים. מחקר זה נועד לזהות סמנים ביולוגיים חזקים של LUAD באמצעות ביואינפורמטיקה אינטגרטיבית, להעריך את ביצועיהם האבחנתיים והפרוגנוסטיים, לחקור את תפקודם הביולוגי והקשרים החיסוניים שלהם, ולבנות נומוגרמה פרוגנוסטית קלינית שימושית.

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

פרוטוקול

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

1. מקורות נתונים ועיבוד מוקדם

  1. עיבוד נתונים גולמיים ב-R (גרסה 4.1.3; Windows 10 Pro).
  2. לצורך GSE115002, יש ליישם נרמול קונטילי באמצעות לימה (גרסה 3.52.3).
  3. סינון גנים בעלי ביטוי נמוך עבור TCGA: שמור גנים עם CPM > 0.5 ב-≥50% מהדגימות.
  4. סינון גנים בעלי ביטוי נמוך עבור GSE115002: שמור גנים עם אות ממוצע >50.
  5. log2טרנספורם ערכי ביטויים עם פסאודו-ספירה של +1.
    הערה: ביטוי גנים ונתונים קליניים של LUAD התקבלו מ-TCGA-LUAD (גרסה 33.0, פורטל GDC, הורדה ב-7 באוגוסט 2025) ו-GSE115002 (Agilent microarray, GEO, הורדה ב-7 באוגוסט 2025). TCGA-LUAD כלל 535 גידולים ו-59 דגימות תקינות. GSE115002 כללו 52 גידולים ו-52 דגימות תקינות.

2. זיהוי גנים המבוטאים באופן שונה

  1. השתמש ב-DESeq2 (גרסה 1.36.0) עבור TCGA RNA-seq וב-limma (גרסה 3.52.3) עבור GSE115002 לניתוח ביטויים דיפרנציאליים. חשב ערכי P מותאמים (FDR) באמצעות שיטת בנג'מיני–הוכברג.
  2. כדי להבטיח השוואה בין מערכי נתונים, |log₂FC| מאוחד ≥ 1.0 הוחל לשני המחזורים. DEGs הוגדרו כ-FDR < 0.05 ו-|log₂FC| ≥ 1.0. ה-DEGs החופפים זוהו באמצעות VennDiagram (גרסה 1.7.3). B3GNT3, FERMT1 ו-SPP1 נבחרו כמועמדים שעברו רגולציה עקבית עם רלוונטיות ידועה לסרטן.

3. הערכת ערך אבחוני

  1. בנה עקומות ROC לכל גן מועמד.
  2. קבע ערכי חיתוך אופטימליים באמצעות אינדקס יודן.
  3. חשב AUC, רגישות וספציפיות לכל גן.
  4. בנה פאנל אבחון משולב באמצעות רגרסיה לוגיסטית רב-משתנית.
    הערה: חבילת pROC v1.18.0 שימשה לניתוח ROC. פונקציית ה-glm עם משפחת הבינומים שימשה לבניית המודל האבחוני.

4. ניתוח הישרדות

  1. לחלק את המטופלים לקבוצות ביטוי גבוה ונמוך באמצעות ביטוי חציוני.
  2. יצר עקומות הישרדות של קפלן–מאייר לכל גן.
  3. בצע מבחני לוג-רנק להשוואת הבדלי הישרדות.
  4. בצע ניתוח רגרסיה חד-משתנית של קוקס.
  5. לבצע ניתוח רגרסיה מרובת משתנים של קוקס.
  6. כלול משתנים קליניים במודלים של רגרסיה.
  7. אמת את הנחת הסיכונים הפרופורציונליים באמצעות שאריות שונפלד.
  8. חשב ציון סיכון של שלושה גנים.
    הערה: נעשה שימוש ב-Survival v3.3.1 ו-survminer v0.4.9. משתנים נוספים כללו גיל, מין, שלב T, שלב N ושלב M. ציון הסיכון חושב כך:
    ציון סיכון = (0.328 × B3GNT3) + (0.331 × FERMT1) + (0.321 × SPP1). (1)

5. העשרת קבוצות גנים והערות פונקציונליות

  1. בצע ניתוח העשרה של GO באמצעות DEGs.
  2. בצע ניתוח העשרת מסלולי KEGG באמצעות DEGs.
  3. ביצוע ניתוח העשרת מערך גנים (GSEA).
  4. דירוג גנים לפי פירסון עם ביטוי גנים מועמד.
  5. זהה איברים משמעותיים באמצעות P מותאם < 0.05.
    הערה: clusterProfiler v4.6.2 שימש לניתוחי GO ו-KEGG. FGSEA v1.22.0 ו-MSigDB Hallmark v7.5 שימשו ל-GSEA.

6. קורלציה וניתוח רשתות

הערה: קורלציה של פירסון שימשה לביטוי גנים בהתפזרות תקינה; קורלציה של ספירמן לשברים של תאי חיסון. רשתות PPI נוצרו באמצעות STRING (גרסה 11.5, ביטחון > 0.7) והוצגו ב-Cytoscape (גרסה 3.9.1). חדירה חיסונית הוערכה באמצעות CIBERSORT (מצב אבסולוטלי, 100 פרמוטציות). ריצוף RNA חד-תאי הוכח כמגלה מעברים נישתיים בסביבת המיקרו-NSCLC, הרלוונטית לניתוח חדירה חיסונית 21,22, וניתוח אינטגרטיבי של תא יחיד יכול לפרק עוד יותר את תפקידי תאי החיסון, כגון תאי זיכרון CD8+, ב-LUAD 23,24,25.

7. בניית ואימות נומוגרמה

הערה: המשתנים לנומוגרמה נבחרו על בסיס משמעות קוקס רב-משתנית (P < 0.05): שלב T, שלב N, B3GNT3, FERMT1 ו-SPP1. הנומוגרמה נבנתה באמצעות RMS (גרסה 6.5.0). אימות פנימי השתמש בדגימת 1000 bootstrap עם החלפה. עקומות כיול וניתוח עקומות החלטה (DCA) בוצעו באמצעות RMDA (גרסה 1.7). הסביבה החישובית כללה את R 4.1.3, Windows 10 Pro ו-Bioconductor 3.15. סקריפטים לניתוח זמינים בכתובת https://github.com/[הושחר]/LUAD-biomarker-2025 לפי בקשה סבירה.

8. ניתוח סטטיסטי

הערה: כל המבחנים הסטטיסטיים היו דו-צדדיים; P < 0.05 נחשב משמעותי.

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

תוצאות

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

שינויים גלובליים בביטוי גנים ב-LUAD

השוואות טרנסקריפטומיות בין רקמות אדנוקרצינומה ריאתית לרקמות ריאה תקינות זיהו שינויים נרחבים בביטוי גנים. איור 1A מציג גרפים של הרי געש של גנים מבוטאים באופן שונה במאגר הנתונים TCGA-LUAD, ואיור 1B מציג את אלו שבמאגר הנתונים GSE115002. בקבוצת TCGA-LUAD (איור 1A), 1865 גנים הועברו לוויסות משמעותי, ו-1247 גנים הוסטו בוויסות מופחת. בקבוצת GSE115002 (

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

דיון

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

הנומוגרמה נבנתה באמצעות ניתוח רגרסיה רב-משתנית של Cox בהתבסס על קבוצת TCGA-LUAD. מנבאים כוללים שלב T פתולוגי, שלב N פתולוגי, ומצב ביטוי גנים של B3GNT3, FERMT1 ו-SPP1 (מסווגים כגבוה לעומת נמוך בהתבסס על ביטוי חציוני). עבור כל מטופל, הניקוד האישי של כל משתנה מסוכם ליצירת ערך "נקודות כולל", המתאים להסתברויות ההישרדות הכוללות של 1, 2 ו-3 שנים. ציונים כוללים גבוהים יותר מצביעים על סיכון מוגבר לתמותה. כלי זה מספק חיזוי הישרדות מותאם אישית ועוזר בסטרטיפיקציה של סיכוני...

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

גילויים

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

המחברים מצהירים שאין להם אינטרסים מתחרים.

תודות

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

עבודה זו נתמכה על ידי פרויקט ברמת אוניברסיטת הרפואה הסינית המסורתית של אוניברסיטת פוג'יאן לשנת 2024 (מספר מענק: XB2024012), בהובלת יוהוי לין מבית החולים העממי המסונף של אוניברסיטת פוג'יאן לרפואה סינית מסורתית. וקרנות משותפות לחדשנות במדע וטכנולוגיה, מחוז פוג'יאן (מענק מס' 2025Y9530), בהובלת שיאוטינג צ'ן מבית החולים העירוני ג'ינג'יאנג (בית החולים השישי של שנגחאי, פוג'יאן).

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

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Publicly Available DatasetsTCGA-LUAD DatasetThe Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 LUAD tumor samples, 59 adjacent normal lung tissue samples (RNA-sequencing count/FPKM values + clinical data: survival, TNM staging)Transcriptomic and clinical data for differential expression, survival, and nomogram analysis; primary study cohort
GSE115002 DatasetGene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Agilent microarray, 52 LUAD tumor tissues, 52 matched adjacent normal lung tissues (treatment-naïve primary tumors)Independent validation cohort for differential expression, diagnostic performance, and immune infiltration analysis
Bioinformatics Software & Programming EnvironmentR Programming LanguageVersion 4.1Core platform for all transcriptomic, statistical, and graphical analyses
R Packages (Differential Expression)DESeq2, limmaDESeq2: TCGA RNA-seq raw count differential expression analysis; limma: GSE115002 microarray normalization and differential expression analysis (Benjamini–Hochberg FDR correction)
R Packages (Diagnostic Analysis)pROCConstruction of ROC curves, calculation of AUC (95% CI), optimal cutoff determination (Youden’s index) for diagnostic performance assessment
R Packages (Survival Analysis)survival, survminerKaplan–Meier survival curve generation, log-rank test, univariate/multivariate Cox proportional hazards regression (HR + 95% CI); patient stratification by median gene expression
R Packages (Functional Enrichment)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) and KEGG pathway enrichment analysis (adjusted P < 0.05); fgsea: GSEA for MSigDB Hallmark/KEGG gene sets (FDR < 0.25)
R Packages (Nomogram Construction & Validation)rmsDevelopment of prognostic nomogram (integration of gene expression + TNM stage); Harrell’s C-index calculation, bootstrap resampling (1000 repetitions) for bias correction, calibration plot generation
R Packages (Statistical & Visualization)ggplot2, ComplexHeatmap, corrplotGeneration of volcano plots, bubble plots (enrichment), heatmaps (immune infiltration correlation), scatter plots (gene co-expression); Pearson/Spearman correlation analysis
Bioinformatics Databases & Tools (Network/Immune Analysis)STRING DatabaseConfidence score > 0.7Construction of protein–protein interaction (PPI) networks for B3GNT3/FERMT1/SPP1 and first-degree interactors
Cytoscape-Visualization of PPI and gene co-expression networks (edge weighting by correlation strength, hub gene identification)
Immune Deconvolution AlgorithmCIBERSORTEstimation of immune cell infiltration abundance (M2 macrophages, CD8+ T cells, neutrophils, NK cells, etc.) in LUAD samples; correlation with candidate gene expression
Other ToolsMicrosoft Office/LaTeX-Manuscript preparation, figure assembly, and table formatting; statistical result compilation

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Cancer ResearchB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogram

מאמרים קשורים