הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

זיהוי גנים פרוגנוסטיים הקשורים לאסון מיטוטי באדנוקרצינומה של הריאה באמצעות ניתוח טרנסקריפטום

42 צפיות

⸱

DOI:

10.3791/72553

⸱

21 באוגוסט 2026

 ,  , 
1Department of Respiratory Medicine (Endoscopy Diagnosis and Treatment Center), Anhui Chest Hospital, 2Department of Thoracic Surgery, Anhui Chest Hospital

במאמר זה

סיכום

מחקר זה מזהה שמונה גנים פרוגנוסטיים הקשורים לקטסטרופה מיטוטית (PDGFB, LDHA, ZEB2, H2AX, FKBP4, DMD, ANXA2, S100B) באדנוקרצינומה של הריאה, מגדיר מודל סיכון בעל ביצועי ניבוי מקובלים, וחושף מאפיינים שונים של המיקרו-סביבה החיסונית בין קבוצות הסיכון.

תקציר

אדנוקרצינומה של הריאה (LUAD), תת-הסוג השכיח ביותר של סרטן הריאה, מאופיינת בפרוגנוזה שגורה. למרות שניתן להשראת קטסטרופה מיטוטית ב-LUAD, המובילה למות תאים, המשמעות הפרוגנוסטית והביולוגית של גנים הקשורים לקטסטרופה מיטוטית (MCRGs) במחלה זו נותרה לא ברורה. גנים בעלי ביטוי שונה (DEGs) הקשורים ל-LUAD סוננו מתוך קוהורט TCGA-LUAD, וגנים חופפים הוגדרו על ידי חיתוך של DEGs עם MCRGs. גנים פרוגנוסטים מועמדים נבחרו באמצעות למידת מכונה, ולאחר מכן נבנה מודל פרוגנוסטי רב-גני. חתימה פרוגנוסטית של שמונה מועמדים הכוללת את PDGFB, LDHA, ZEB2, H2AX, FKBP4, DMD, ANXA2 ו-S100B הוקמה, והראתה מהימנות ניבוי מקובלת באימון עם שטחים תחת העקומות (AUCs) לשנתיים, שלוש שנים וחמש שנים של 0.723, 0.715 ו-0.625, בהתאמה, בקבוצת האימון (C-index מתוקן ב-bootstrap: 0.699, 95% CI: 0.657-0.742) ואישוש עקבי ב-GSE31210 (AUCs: 0.812, 0.766 ו-0.814). חולים בסיכון נמוך הראו תוצאות הישרדות טובות משמעותית, חדירה חיסונית מוגברת, ציוני סתומה (stromal) וחיסון גבוהים יותר, immunophenoscores מוגברים, ומחזורי חיסון לסרטן פעילים יותר. הבדלים משמעותיים בנטח מוטציות של הגידול וברגישות לתרופות נצפו בין קבוצות הסיכון הגבוה והנמוך. תגובת שרשרת פולימראז כמותית (qPCR) איששה את הפרופילים התעתוקיים של שישה גנים מועמדים הקשורים לתוצאה בדגימות קליניות. נומוגרמה המשלבת את מדד הסיכון ואת השלב הקליני הראתה ביצועי ניבוי טובים. ממצאים אלו מוכיחים כי לשמונה הגנים המועמדים הקשורים ל-MCRG פוטנציאל חזק לנבוא תוצאות עבור מטופלים ולסיווג סיכונים ב-LUAD, עם מאפייני מיקרו-סביבה חיסונית מובחנים בין קבוצות הסיכון.

מבוא

סרטן הריאה נותר אחד מסוגי הסרטן השכיחים והקטלניים ביותר ברחבי העולם1,2. סרטן ריאה מסוג תאים לא קטנים (NSCLC) נשלט על ידי אדנוקרצינומה של הריאה (LUAD), המהווה כ-40% מכלל מקרי סרטן הריאה3,4. למרות התקדמות משמעותית בפרוצדורות כירורגיות, טיפולים ממוקדים מולקולרית, מעכבי נקודות בקרה חיסוניות ומשטרי טיפול משולבים, התחזית הקלינית עבור חולי LUAD נותרת לא אופטימלית5,6. למרות שגישות אבחנתיות המבוססות על פתולוגיה והדמיה נמצאות בשימוש נרחב ב-LUAD, יש להן מגבלות מובנות בתיעוד ההטרוגניות של הגידול והמאפיינים המולקולריים שלו. לעומת זאת, ניתוח רקמת גידול המבוסס על סממנים ביולוגיים מולקולריים יכול לספק מידע מקיף יותר על ביולוגיית הגידול ועשוי לתרום להערכה פרוגנוסטית ולאסטרטגיות טיפול מותאמות אישית7. לכן, זיהוי סממנים ביולוגיים מולקולריים מהימנים נותר חשוב לשיפור החיזוי הפרוגנוסטי וההבנה הביולוגית של LUAD.

מיטוזה, מנגנון חיוני של שכפול תאי, מבטיחה חלוקה מדויקת של כרומוזומים משוכפלים בין שני תאי בת8. הפרעה בבקרה של תהליכי המיטוזה עלולה לקדם פרוליפרציה תאית בלתי נשלטת, אי-יציבות גנומית והתקדמות של גידולים סרטניים. קטסטרופה מיטוטית (MC) מגדירה מסלול של מוות תאי המופעל בעקבות כישלון בהשלמת המיטוזה, הנובע בדרך כלל מנזק למערכת השפידולה או מנקודות בקרה פגומות של מחזור התא9. ברמה המורפולוגית, MC מתבטאת באנומליות תאיות הכוללות רב-גרעיניות, מיקרו-גרעינים, תצורות שפידולה רב-קוטביות ופוליפלואידיזציה10. כמנגנון לסילוק תאים עם פגמים מיטוטים חמורים, MC עשויה לתרום لديהוי של התקדמות הגידול9. מחיקה של p53 בתאי A549 LUAD יכולה להוביל לקטסטרופה מיטוטית ובסופו של דבר למוות תאי11, מה שמרמז על קשר פוטנציאלי בין MC לתהליכים תאיים הקשורים ל-LUAD. עם זאת, המשמעות הפרוגנוסטית והתפקודים הביולוגיים של גנים הקשורים לקטסטרופה מיטוטית (MCRGs) ב-LUAD נותרו לא ברורים מספיק.

במחקר זה, נבחנו באופן שיטתי החשיבות הפרוגנוסטית והרלוונטיות הביולוגית המשוערת של MCRGs ב-LUAD, תוך שימוש בנתונים מ-TCGA ומ-GEO. ראשית, זוהו MCRGs מועמדים באמצעות ניתוחי ביטוי דיפרנציאלי וחיתוכי (intersection). מספר גישות של למידת מכונה סרקו את הגנים המועמדים וקבעו חתימה של סיכון פרוגנוסטי, אשר הועמדה לאחר מכן לוולידציה חיצונית. בהמשך פותח נומוגרמה המשלבת את מדד הסיכון יחד עם מאפיינים קליניים כדי לשפר את חיזוי ההישרדות. בנוסף, אפיון של המיקרו-סביבה החיסונית, הערכת מוטציות סומטיות ובדיקת רגישות כימיתTה שימשו לבחינת ההשלכות הביולוגיות והתועלת הקלינית של הגנים שזוהו. יחד, ממצאים אלו מדגימים את הפוטנציאל הפרוגנוסטי של MCRGs ב-LUAD ועשויים לסייע בפיתוח סמנים ביולוגיים ובניהול טיפולי מותאם אישית.

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

פרוטוקול

המחקר נערך בהתאם להצהרת הלסינקי, והפרוטוקול אושר על ידי ועדת האתיקה של בית החולים למחלות חזה של אנהוי (K2025-007) ב-22 באפריל 2025. הסכמה מדעתת התקבלה מכל הנבדקים שהשתתפו במחקר.

חילוץ נתונים ונורמליזציה 

פרופילים טרנסקריפטומיים ומאגרי נתונים קליניים תואמים עבור LUAD נלקחו מקוהורטות TCGA ו-GEO. מאגר הנתונים TCGA-LUAD הוגדר כקבוצת האימון, בעוד ש-GSE72094, GSE31210 ו-GSE26939 שימשו כקוהורטות לוולידציה חיצונית (Table 1). בנוסף, 900 MCRGs נאספו ממחקר קודם12(Supplementary Table 1). נתוני הטרנסקריפטום אותתו באמצעות GENCODE v36 או קובצי האנוטציה של פלטפורמת ה-GPL המתאימה. מזהי פרובים (Probe IDs) הומרו לסמלי גנים, גנים כפולים מוזגו באמצעות פונקציית avereps, ורק גנים מקודדי חלבון נשמרו כדי להפיק מטריצות ביטוי ברמת הגן. עבור קבוצת האימון TCGA-LUAD, גנים עם Fragments per kilobase of exon model per million mapped fragments (FPKM) < 1 ביותר מ-50% מהדגימות סוננו החוצה, וערכי הביטוי הנותרים עברו טרנספורמציית log2 (log2[FPKM+1]). עבור קוהורטות הוולידציה של GEO, נתוני ביטוי גולמיים הורדו, מזהי פרובים הומפו לסמלי גנים באמצעות קובצי האנוטציה של הפלטפורמה הרלוונטית, ופרובים מרובים המתאימים לאותו גן אוחדו על ידי מיצוע ערכי הביטוי שלהם. מאגרי נתונים אלו עברו טרנספורמציית log2 במידת הצורך. לא הוחל תיקון אפקט אצווה (batch effect) בין-פלטפורמי בין TCGA ל-GEO, כיוון שאימצנו אסטרטגיית סטנדרטיזציה לכל קוהורטה כדי להבטיח השוואתיות יחסית. באופן ספציפי, הן עבור קוהורטות האימון והן עבור קוהורטות הוולידציה, ערכי ביטוי הגנים נמרכזו ונורמלו (טרנספורמציית z-score) באמצעות הממוצע וסטיית התקן של כל מאגר נתונים באופן נפרד. מקדמי רגרסיית Cox זהים שהופקו מקבוצת האימון שימשו לאחר מכן לחישוב ציוני סיכון עבור כל הקוהורטות. כדי לשמר את היישומיות הקלינית ולמנוע התאמת יתר (overfitting) לכל קבוצת ולידציה, ציון הסיכון החציוני של קוהורטת האימון שימש כנקודת חיתוך (cut-off) קבועה כדי לסווג מטופלים לקבוצות בסיכון גבוה ובסיכון נמוך בכל קוהורטות הוולידציה החיצוניות. מידע קליני, כולל גיל, מין, שלב פתולוגי, שלב Tumor-Node-Metastasis (TNM), סוג היסטולוגי, זמן הישרדות, סטטוס הישרדות וסוג רקמה, הופק כאשר היה זמין. נקודת הסיום הייתה הישרדות כוללת (OS). דגימות עם מידע הישרדות חסר או זמן הישרדות < 30 ימים הוצאו מהניתוח. זמן ההישרדות הומר לשנים, וסטטוס ההישרדות קודד כ-0 לחיים וכ-1 לנפטרים.

זיהוי ואנליזות תפקודיות של גנים מועמדים

חבילת Limma זיהתה גנים בעלי ביטוי Differentially Expressed (DEGs) בין דגימות גידול LUAD לבין דגימות נורמליות בסט האימון13. הקריטריונים הבאים הגדירו את ה-DEGs: |log2FC| > 0.5 וערך p מתוקנן < 0.05. לאחר מכן, נעשה שימוש באלגוריתם ה-fuzzy clustering מסוג mfuzz בחבילת R שנקראת ClusterGVis כדי לחלק את ה-DEGs לצבירי ביטוי נפרדים. ניתוח Gene Ontology–Biological Process (GO-BP) בוצע עבור חמשת הגנים המייצגים המובילים בכל צביר, בהתבסס על ציוני החברות (membership scores) שלהם. קבוצה של גנים משותפים הופקה על ידי מציאת החיתוך בין ה-DEGs לבין ה-MCRGs. ניתוח העשרה תפקודי באמצעות Gene Ontology/Kyoto Encyclopedia of Genes and Genomes (GO/KEGG) העריך את הרלוונטיות הביולוגית של הגנים החופפים. רשתות אינטראקציה בין חלבונים (PPI) הופקו ממאגר STRING14. רק אינטראקציות עם ציוני ביטחון (confidence scores) > 0.7 נשמרו על מנת לשפר את אמינות הרשת.

סריקת גנים פרוגנוסטיים

חבילת Survival שימשה לביצוע ניתוח רגרסיית Cox חד-משתנית כדי לזהות גנים פוטנציאליים הקשורים להישרדות כללית ב-LUAD15. גנים עם p-value < 0.05 נחשבו כמדדי פרוגנוזה פוטנציאליים. קוהורט האימון של TCGA-LUAD כלל 500 חולים עם נתוני הישרדות מלאים, מתוכם 216 (43.2%) חוו אירועי מוות במהלך המעקב. היחס בין הגנים המועמדים (n = 108) לבין האירועים (n = 216) היה בקירוב 1:2, דבר המקובל עבור ניתוח רגרסיית Cox. לאחר מכן, ניתוח רגרסיית Least Absolute Shrinkage and Selection Operator (LASSO) ומודל Extreme Gradient Boosting (XGBoost) שימשו לבחירת מאפיינים נוספת. מודלים של סיכוני Cox פרופורציונליים נבנו עם family = "cox" באמצעות פונקציית cv.glmnet של חבילת glmnet. פרמטר הרגולריזציה האופטימלי זוהה באמצעות וולידציה מוצלבת של 10 קיפולים (10-fold cross-validation), כאשר ערך λ.min המייצג את שגיאת הוולידציה המוצלבת המינימלית נבחר כערך ה-λ האופטימלי. גנים עם מקדמי רגרסיה שאינם אפס הופקו כמאפיינים מועמדים. עבור מודל ה-XGBoost, זמן ההישרדות ומצב ההישרדות שולבו כמשתנה התוצאה, כאשר ערכים חיוביים הוקצו לאירועי מוות וערכים שליליים הוקצו למקרים מצונזרים. הפרמטרים הוגדרו כ-objective = "survival: cox" ו-eval_metric = "cox-nloglik", עם 100 איטרציות וקצב למידה של 0.1. לאחר אימון המודל, חושבו ציוני חשיבות הגנים באמצעות ערכי gain של המאפיינים. 20 הגנים המובילים נשמרו לאחר מיון ציוני החשיבות בסדר יורד כדי להפחית את ממד המאפיינים ואת מורכבות המודל. גנים החופפים בין תוצאות ה-LASSO ל-XGBoost זוהו כגנים פרוגנוסטיים מועמדים.

בנייה והערכה של מודל פרוגנוסטי

מודל פרוגנוסטי פותח באמצעות ניתוח רגרסיית Cox רב-משתנית של הגנים המועמדים שזוהו. ציוני סיכון חושבו באופן פרטני באופן הבא:

חישוב ציון סיכון, משוואה Σ(Coefficient × Exposure), ניתוח סיכון פיננסי..

כאשר Coefi מתייחס למקדם עבור גן i, ו-Expi מציין את ערך ביטוי הגן המתאים. לאחר מכן, חולקו המשתתפים לשתי קבוצות: סיכון גבוה וסיכון נמוך, תוך שימוש בחציון מדד הסיכון כנקודת חיתוך. לאחר מכן, נוצרו עקומות מאפייני תפעול של מקלט (ROC) תלויות-זמן. כדי להעריך את הפוטנציאל להסגת יתר (overfitting), בוצע תיקוף פנימי באמצעות bootstrap עם 1,000 חזרות של דגימה חוזרת לחישוב מדד C המתוקן להט וערכי AUC תלויי-זמן עם רווחי סמך של 95%. עקומות כיול הופקו כדי להעריך את ההתאמה בין הסבירויות להישרדות שנחזו לאלו שנצפו בנקודות זמן של שנתיים, 3 שנים ו-5 שנים. יתרה מכך, בוצע ניתוח עקומות החלטה (DCA) באמצעות חבילת ggDCA ב-R להערכת התועלת הקלינית נטו של המודל בנקודות זמן של שנתיים, 3 ו-5 שנים, תוך כימות הערך הפוטנציאלי של מדד הסיכון בקבלת החלטות קליניות על פני סבירויות סף שונות. פערים בהישרדות בין הקבוצות מחולקות הסיכון ובין קטגוריות קליניות אחרות הושוו באמצעות עקומות הישרדות קפלן-מייר (KM) עם מבחן log-rank. בנוסף, כדי להבהיר את התרומה של גנים בודדים לביצועי המודל, נעשה שימוש בניתוח Shapley Additive exPlanations (SHAP) לפרשנות הסברית בדיעבד.

פיתוח נומוגרמה ותיקוף חיצוני

הקשרים בין ציוני הסיכון המחושבים למאפיינים קליניים שונים (כולל מגדר, גיל ושלב TNM) נבחנו באמצעות מבחני Wilcoxon rank-sum או Kruskal-Wallis כדי להעריך את היישומיות הקלינית של המודל. כדי לבחון אם ציון הסיכון פעל כגורם פרוגנוסטי עצמאי, משתנים קליניים, יחד עם ציון הסיכון, שולבו במודל רגרסיה רב-משתנית של Cox. לאחר מכן, נבנה נומוגרמה פרוגנוסטית המשלבת את גורמי הסיכון הקליניים העצמאיים (למשל, Stage) ואת ציון הסיכון הגנטי באמצעות חבילת regplot ב-R, במטרה להפוך את תחזיות הסבירות להישרדות לאינדיבידואליות. עקומות כיול שימשו להערכת ההלימה בין הסבירות להישרדות שנחזתה על ידי הנומוגרמה לבין תוצאות ההישרדות בפועל. לבסוף, היכולת החיזויית הסופית והיכולת להכללה של מערכת הנומוגרמה המשולבת תוקפו בקפידה באמצעות עקומות ROC תלויות-זמן וניתוחי תתי-קבוצות קליניים מקיפים של KM על פני הקוהורטות.

ניתוחים של חדירה חיסונית וסוגי תת-מערכת חיסונית

CIBERSORT, תוך שימוש במטריצת חתימת הגנים של לוקוציטים (LM22), שימש להערכת הפרופורציות היחסיות של 22 סוגי תאי חיסון כדי להעריך חדירה של תאי חיסון בחולים עם LUAD. הקשרים בין רמות ביטוי של גנים פרוגנוסטיים לבין חדירה אימונולוגית הוערכו באמצעות ניתוח מתאם של Spearman. מדדי חיסון, סטרומה, טוהר הגידול ומדדי ESTIMATE נגזרו באמצעות אלגוריתם ESTIMATE, ומבחן Wilcoxon שימש להערכת הבדלים בין קבוצות סיכון. חולי LUAD שויכו לשישה תת-סוגי חיסון באמצעות חבילת ImmuneSubtypeClassifier16. מבחן Wilcoxon שימש בנוסף להשוואת התפלגויות תת-סוגי החיסון בין קבוצות הסיכון.

ניתוחים של נקודות ביקורת חיסוניות, מדד חסינות אימונופנוטיפי (immunophenoscore) ומחזור החסינות נגד סרטן

במחקר זה, מבחן Wilcoxon rank-sum שימש להערכת 21 גנים של נקודות בקרה חיסוניות17 בקבוצות המחולקות לפי רמות סיכון, במטרה לאפיין את הנוף החיסוני של LUAD. מתאם Spearman קישר בין גנים פרוגנוסטיים מועמדים לבין גנים של נקודות בקרה חיסוניות. כדי להעריך הבדלים בתגובה למעכבי נקודות בקרה חיסוניות (ICIs) בחולי LUAD ברמות סיכון שונות, נלקחו נתוני immunophenoscore (IPS) עבור טיפולים ב-anti-PD-1 וב-anti-CTLA-4 מ-The Cancer Immunome Atlas (TCIA)18, ומסד הנתונים Tracking Tumor Immunophenotype (TIP)19 שימש להערכת הפעילות של מחזור החיסון נגד הסרטן, תוך השוואת הציונים המתאימים בין קבוצות הסיכון.

ניתוח מוטציות סומטיות ורגישות לתרופות

כלי המוטציות של TCGA שלף פרופילי מוטציות סומטיות עבור מקרי TCGA-LUAD כדי לבחון שונות בדפוסי המוטציות בין קבוצות סיכון. חבילת maftools עיבדה והציגה ויזואלית את נתוני המוטציות. רמות עומס מוטציות גידול (TMB) נקבעו עבור כל דגימה והושוו בין שתי קטגוריות הסיכון. ניתוח רגישות פרמקוגנומי בוצע באמצעות חבילת pRRophetic בהתאם למסד הנתונים Genomics of Drug Sensitivity in Cancer (GDSC)20. ערכי ריכוז עיכוב חציוני (IC50) עבור תרופות נגד סרטן נחזו עבור כל חולה LUAD, והבדלים בין קבוצות הסיכון נמדדו באמצעות מבחן Wilcoxon rank-sum.

הערכת רמות ביטוי של גנים פרוגנוסטיים

כל מערך נתונים שימש להערכת רמות התעתוק של גנים מועמדים נבחרים הקשורים לתוצאות. כדי לקשר בין ביטוי גנים לבין פרוגנוזה של המטופלים, נגזרו נקודות חיתוך אופטימליות באמצעות פונקציית surv_cutpoint בחבילת survminer של שפת R. על בסיס ספים אלו, מקרי LUAD סווגו לתתי-קבוצות של ביטוי גבוה ונמוך לצורך ניתוח הישרדותיות עוקב.

בנוסף, חמישה זוגות של גידולי LUAD ורקמה נורמלית סמוכה התאימו ביניהם התקבלו מבית החולים למחלות חזה של אנחוי (Anhui Chest Hospital), ולאחר מכן בוצע תיקוף באמצעות qPCR. כל משתתף סיפק הסכמה מדעת בכתב. שישה גנים פרוגנוסטיים מועמדים (PDGFB, LDHA, ZEB2, FKBP4, DMD ו-S100B) נבחרו לתיקוף באמצעות qPCR. RNA הופק מדגימות רקמה הומוגניזיות באמצעות ריאגנט להפקת RNA, ולאחריו הפקה באמצעות כלורופורם והשקעה באמצעות איזופרופנול. ספקטרופוטומטר איפשר את מדידת ריכוז ה-RNA והטוהר שלו. תיקוף באמצעות qPCR של ששת הגנים הפרוגנוסטיים המועמדים בוצע באמצעות תערובת PCR מאסטר מבוססת SYBR Green במערכת PCR בזמן אמת: דנטורציה ראשונית ב- 95 °C למשך 30 שניות, ולאחריו 40 מחזורים של 95 °C למשך 20 שניות, 55 °C במשך 20 שניות, ו- 72 °C במשך 20 שניות. הביטוי היחסי חושב ונורמל ל-Glyceraldehyde-3-Phosphate Dehydrogenase (GAPDH) באמצעות שיטת ה-2-ΔΔCt טכניקה. פרטים על כל الريאגנטים והמכשירים מופיעים ב- טבלת חומרים.

ניתוח סטטיסטי

ניתוחים סטטיסטיים בוצעו באמצעות תוכנה לחישוב וגרפיקה סטטיסטית. רשת האינטראקציה בין חלבונים הוצגה ויזואלית באמצעות תוכנה לניתוח רשתות. לאחר הערכת נורמליות, נעשה שימוש במבחן t של Student עבור משתנים רציפים בעלי התפלגות נורמלית, ובמבחן Mann-Whitney U עבור משתנים שאינם בעלי התפלגות נורמלית.

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

תוצאות

זיהוי גנים מועמדים ואנליזה פונקציונלית

זוהו סך הכל 4,915 DEGs, הכוללים 2,485 down-DEGs ו-2,430 up-DEGs (איור 1A). ניתוח אשכולות של מודולים פונקציונליים סיווג DEGs אלו לששמה מודולי ביטוי (C1-C6), שמתוכם המודולים C1, C2, C3 ו-C5 הראו ביטוי גבוה יחסית בדגימות גידול (איור 1B). אנוטציה פונקציונלית הצביעה על כך שמודולים אלו קשורים לתהליכים ביולוגיים, הכוללים ארגון טבעת התכווצות של actomyosin, תהליך מטבולי של קולגן, תהליך בי...

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

דיון

LUAD היא אחת מצורות סרטן הריאות השכיחות ביותר וממשיכה להוות נטל משמעותי על בריאות הציבור21. MC הוא תהליך הקשור למות תאים שעשוי לתרום לפינוי תאים בעלי חריגות מיטוטיות חמורות ולדיכוי התקדמות הגידול22. לכן, בחינת התפקיד הפוטנציאלי של MCRGs ב-LUAD עשויה לסייע בזיהוי ביומרקרים פרוגנוסטיים ולהבנה משופרת של הביולוגיה של LUAD. המחקר ניתח את הרלוונטיות הפרוגנוסטית ואת המשמעות התפקודית הפוטנציאלית של MCRGs ב-LUAD וזיהה שמונה ביומרקרים פרוגנוסטיים מועמדים: PDGFB, LDHA, ZEB2, H2AX, FKB...

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

גילויים

המחברים מצהירים כי אין ניגודי עניינים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
ClusterGVisCRANגרסה 0.1.2מקבץ וויזואליזציה של ביטוי גנים
CytoscapeCytoscape Consortiumגרסה 3.9.1ויזואליזציה של רשתות אינטראקציה של חלבונים RRID:SCR_003032
CFX384 Real-Time Quantitative Fluorescent PCR SystemBio-RadCFX384 Touchריאגנט qPCR
DMD-primerTsingkeN/Aקדמי: 5’-GCTCAACCATCGATTTGCAGCC-3’
אחורי: 5’-TTCAGCCTCCAGTGGTTCAAGC-3’
FKBP4-primerTsingkeN/Aקדמי: 5’-TGACTCCAGTCTGGATCGCAAG-3’
אחורי: 5’-CTGGTTTGCAGGTGATGTGGCA-3’
GEONCBIכלי מקווןהשגת מערך נתוני תיקוף חיצוני ל-LUAD RRID:SCR_005012
GAPDH-primerTsingkeN/Aקדמי: 5’-GTCTCCTCTGACTTCAACAGCG-3’
אחורי: 5’-ACCACCCTGTTGCTGTAGCCAA-3’
glmnetCRANגרסה 4.1-8בחירת מאפיינים ברגרסיית LASSO RRID:SCR_015505
LDHA-primerTsingkeN/Aקדמי: 5’-GGATCTCCAACATGGCAGCCTT-3’
אחורי: 5’-AGACGGCTTTCTCCCTCTTGCT-3’
limmaBioconductorגרסה 3.60.6סריקת DEG RRID:SCR_010943
maftoolsBioconductorגרסה 2.20.0ויזואליזציה של נתוני מוטציות סומטיות RRID:SCR_024519
pRRopheticCRAN0.5חיזוי ערכי IC50 של תרופות RRID:SCR_024417
PDGFB-primerTsingkeN/Aקדמי: 5’-GAGATGCTGAGTGACCACTCGA-3’
אחורי: 5’-GTCATGTTCAGGTCCAACTCGG-3’
qPCR SYBR Green Master MixVazymeQ111-02ריאגנט qPCR
R softwareR Foundationגרסה 4.2.2ניתוח ביואינפורמטי
regplotCRANגרסה 1.1יצירת תרשימי קו
survivalCRANגרסה 3.8-3ניתוח הישרדות ורגרסיית קוکس RRID:SCR_021137
STRINGSTRING Consortiumכלי מקווןניתוח רשת אינטראקציה של חלבונים RRID:SCR_005223
S100B-primerTsingkeN/Aקדמי: 5’-GAAGAAATCCGAACTGAAGGAGC-3’
אחורי: 5’-TCCTGGAAGTCACATTCGCCGT-3’
survminerCRANגרסה 0.5.0שרטוט ואופטימיזציה של עקומות הישרדות RRID:SCR_021094
TRIzolTiangenDP424ריאגנט qPCR
TCGANCIכלי מקווןרכישת נתוני טרנסקריפטום ונתונים קליניים עבור LUAD RRID:SCR_003193
ZEB2-primerTsingkeN/Aקדמי: 5’-AATGCACAGAGTGTGGCAAGGC-3’
אחורי: 5’-CTGCTGATGTGCGAACTGTAGG-3’

מקורות

  1. Asada K, et al. Multi-omics and clustering analyses reveal the mechanisms underlying unmet needs for patients with lung adenocarcinoma and identify potential therapeutic targets. Mol Cancer. 2024;23(1):182.
  2. Sun Q, et al. Prediction of lung adenocarcinoma prognosis and diagnosis with a novel model anchored in circadian clock-related genes. Sci Rep. 2024;14(1):18202.
  3. Ho KH, et al. Cancer Essential Genes Stratified Lung Adenocarcinoma Patients with Distinct Survival Outcomes and Identified a Subgroup from the Terminal Respiratory Unit Type with Different Proliferative Signatures in Multiple Cohorts. Cancers (Basel). 2021;13(9):2128.
  4. Zhang J, et al. Unraveling the Expression Patterns of Immune Checkpoints Identifies New Subtypes and Emerging Therapeutic Indicators in Lung Adenocarcinoma. Oxid Med Cell Longev. 2022;2022:3583985.
  5. Zheng T, et al. The pathological significance and potential mechanism of ARHGEF6 in lung adenocarcinoma. Comput Biol Med. 2023;158:106894.
  6. Yu Y, et al. Predicting potential therapeutic targets and small molecule drugs for early-stage lung adenocarcinoma. Biomed Pharmacother. 2024;174:116528.
  7. Guo Q, et al. Heterogeneous mutation pattern in tumor tissue and circulating tumor DNA warrants parallel NGS panel testing. Mol Cancer. 2018;17(1):131.
  8. Wang S, et al. Development and validation of a mitotic catastrophe-related genes prognostic model for breast cancer. PeerJ. 2024;12:e18075.
  9. Mao Z, et al. Mitotic catastrophe heterogeneity: implications for prognosis and immunotherapy in hepatocellular carcinoma. Front Immunol. 2024;15:1409448.
  10. Zhang QY, et al. Multiple Regulatory Mechanisms of Post-Translational Modifications and Therapeutic Potential of Mitotic Catastrophe. Int J Mol Sci. 2026;27(8):3370..
  11. Minemoto Y, et al. Loss of p53 induces M-phase retardation following G2 DNA damage checkpoint abrogation. Arch Biochem Biophys. 2003;412(1):13-9.
  12. Liu Y, et al. Developing a prognosis and chemotherapy evaluating model for colon adenocarcinoma based on mitotic catastrophe-related genes. Sci Rep. 2024;14(1):1655.
  13. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  14. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-d46.
  15. Lei J, et al. Clinicopathological characteristics of pheochromocytoma/paraganglioma and screening of prognostic markers. J Surg Oncol. 2023;128(4):510-8.
  16. Thorsson V, et al. The Immune Landscape of Cancer. Immunity. 2018;48(4):812-30.e14.
  17. Guo Y, et al. Novel immune checkpoint-related gene model to predict prognosis and treatment responsiveness in low-grade gliomas. Heliyon. 2023;9(9):e20178.
  18. Sun X, et al. A transcriptomic-based model associated with PARP inhibitor sensitivity and immunogenic signatures in ovarian cancer. Discover Oncology. 2026;843.
  19. Wang L, et al. Identification of an ac4C modification related gene signature for predicting prognosis in laryngeal squamous cell carcinoma patients based on single-cell analysis and machine learning. 2026.
  20. Lin W, et al. Screening of Molecular Markers of Cisplatin Resistance in Lung Adenocarcinoma and Functional Verification Based on TCGA Database. Cancer Research on Prevention and Treatment. 2024;49(6):569-74.
  21. Gao W, et al. Promising therapeutic efficacy and safety of a novel integrin α6-targeting peptide-drug conjugate in lung adenocarcinoma. Molecular Cancer 2025;24(1):190.
  22. Vitale I, et al. Mitotic catastrophe: a mechanism for avoiding genomic instability. Nat Rev Mol Cell Biol. 2011;12(6):385-92.
  23. Liu M, et al. CDK1-mediated phosphorylation of LDHA fuels mitosis through LDHB-dependent lactate oxidation. EMBO Reports 2025;26(20):4923-4949.
  24. Zhang W, et al. Inhibition of LDHA suppresses cell proliferation and increases mitochondrial apoptosis via the JNK signaling pathway in cervical cancer cells. Oncology reports 2022;47(4).
  25. Mangé A, et al. FKBP4 connects mTORC2 and PI3K to activate the PDK1/Akt-dependent cell proliferation signaling in breast cancer. Theranostics. 2019;9(23):7003-7015.
  26. Meng W, et al. FKBP4 Accelerates Malignant Progression of Non-Small-Cell Lung Cancer by Activating the Akt/mTOR Signaling Pathway. Analytical cellular pathology (Amsterdam) 2020;2020:6021602.
  27. Xiu-Ying H, et al. PDGFBB facilitates tumorigenesis and malignancy of lung adenocarcinoma associated with PI3K-AKT/MAPK signaling. Sci Rep. 2024;14(1):4191.
  28. Sharma D, Singh M, Rani R. Role of LDH in tumor glycolysis: Regulation of LDHA by small molecules for cancer therapeutics. Semin Cancer Biol. 2022;87:184-95.
  29. Zhang P, et al. An Epithelial-Mesenchymal Transition-Based Prognostic Model for Survival Prediction in Lung Adenocarcinoma: COL5A2 and ZEB2. Current gene therapy 2026.
  30. Xu X, et al. Proteomic landscape of lung adenocarcinoma precancerous lesions reveals mitochondrial dsRNA-associated immune and stress responses. American journal of cancer research 2025;15(9):3888-3903.
  31. Li P, et al. Peripheral blood mononuclear cell DNA methylation biomarkers for prognostic stratification in Chinese lung adenocarcinoma: a genome-wide epigenetic profiling study. Clinical Epigenetics 2025;17(1):177.
  32. Chaudhary S, et al. Dissecting the MUC5AC/ANXA2 signaling axis: implications for brain metastasis in lung adenocarcinoma. Exp Mol Med. 2024;56(6):1450-60.
  33. Kondrup M, Nygaard AD, Madsen JS, Bechmann T. S100B as a biomarker for brain metastases in patients with non-small cell lung cancer. Biomed Rep. 2020;12(4):204-8.
  34. Jones L, Naidoo M, Machado LR, Anthony K. The Duchenne muscular dystrophy gene and cancer. Cell Oncol (Dordr). 2021;44(1):19-32.
  35. Peng G, Yan J, Shi P, Li H. LINC01140 Hinders the Development of Breast Cancer Through Targeting miR-200b-3p to Downregulate DMD. Cell Transplant. 2023;32:9636897231211202.
  36. Alnassar N, et al. Downregulation of Dystrophin Expression Occurs across Diverse Tumors, Correlates with the Age of Onset, Staging and Reduced Survival of Patients. Cancers (Basel). 2023;15(5):1378.
  37. Luce LN, Abbate M, Cotignola J, Giliberto F. Non-myogenic tumors display altered expression of dystrophin (DMD) and a high frequency of genetic alterations. Oncotarget. 2017;8(1):145-55.
  38. Hu Z, et al. IL6-STAT3-C/EBPβ-IL6 positive feedback loop in tumor-associated macrophages promotes the EMT and metastasis of lung adenocarcinoma. J Exp Clin Cancer Res. 2024;43(1):63.
  39. Ugel S, Canè S, De Sanctis F, Bronte V. Monocytes in the Tumor Microenvironment. Annu Rev Pathol. 2021;16:93-122.

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

הדפסות חוזרות והרשאות

תגיות

גנים בעלי ביטוי מבדללמידה מכונהחתימה פרוגנוסטיתחדירה חיסוניתעומס מוטציות בגידולPCR כמותי

מאמר זה פורסם

הסרטון יגיע בקרוב

צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.