Questo studio integra geni bersaglio dei farmaci legati all'anestesia perioperatoria con dati multi-omici sul cancro ovarico per costruire e convalidare un modello prognostico e caratterizzare le caratteristiche immunitarie, spaziali e regolatorie associate.
Articolo di ricerca
Modellizzazione prognostica del tumore ovarico basata sui geni bersaglio dei farmaci correlati all'anestesia perioratoria: un approccio bioinformatico
* These authors contributed equally
In questo articolo
Sommario
Abstract
L'eterogeneità del cancro ovarico (OV) pone notevoli sfide alla classificazione dei sottotipi di malattia, alla stratificazione del rischio e alla gestione clinica personalizzata. Pertanto, questo studio ha sviluppato un modello prognostico basato su geni bersaglio dei farmaci anestetici perioperatori (PARDTGs) per individuare il significato clinico dei PARDTGs nei pazienti con OV. Lo studio ha analizzato in modo esaustivo i PARDTGs nell'OV integrando dati multi-omici, inclusi dati trascrittomica su bulk, dati di sequenziamento dell'RNA a singola cellula (scRNA-seq) e dati di trascrittomica spaziale. Sulla base delle caratteristiche di espressione dei PARDTGs, abbiamo sviluppato un profilo prognostico utilizzando un modello di Cox proporzionale ai rischi con metodo stepAIC. Questo modello è stato costruito sul dataset TCGA-OV e validato mediante i dataset GSE26193, GSE30161 e GSE63885. Inoltre, abbiamo costruito nomogrammi che combinano caratteristiche dei PARDTGs e fattori clinici. Abbiamo analizzato la correlazione tra i punteggi di rischio e l'arricchimento funzionale, i percorsi di segnalazione e il microambiente immunitario tumorale. Abbiamo identificato 17 PARDTGs fortemente associati alla prognosi dell'OV. La firma prognostica, validata nei cohorti TCGA-OV, GSE26193, GSE30161 e GSE63885, ha dimostrato un'elevata accuratezza predittiva per la sopravvivenza globale (OS). Rispetto alla sola firma genica, il nomogramma che integra il modello prognostico e i parametri clinici ha mostrato prestazioni prognostiche migliorate. Inoltre, l'analisi del microambiente tumorale ha rivelato un significativo arricchimento di percorsi immunitari correlati e punteggi TIDE più bassi nei pazienti a basso rischio, indicando che questi pazienti potrebbero trarre maggiore beneficio dall'immunoterapia. Lo studio dimostra sia la rilevanza prognostica sia l'utilità clinica dei PARDTGs nel cancro ovarico. L'integrazione delle caratteristiche genetiche nei test clinici rappresenta una promessa per il miglioramento del trattamento clinico e della prognosi.
Introduzione
Il carcinoma ovarico è una neoplasia diffusa e aggressiva, caratterizzata da sintomi iniziali insidiosi, elevata invasività e segni clinici precoci non specifici. Studi hanno dimostrato che la maggior parte dei pazienti si trova già in stadi clinici avanzati al momento della diagnosi, con una sopravvivenza complessiva a cinque anni inferiore al 45%1. Nonostante i progressi nella chirurgia, nella chemioterapia e nelle terapie mirate, persistono sfide come la ricaduta tumorale, la chemioresistenza e l'evasione immunitaria, che limitano l'efficacia terapeutica2. Pertanto, è urgentemente necessario identificare nuovi biomarcatori molecolari e sviluppare strumenti affidabili di valutazione del rischio per affrontare l'eterogeneità tumorale e sostenere strategie cliniche personalizzate.
La resezione chirurgica e la gestione perioperatoria rimangono il pilastro del trattamento del carcinoma ovarico. Tuttavia, crescenti evidenze indicano che lo stress fisiologico perioperatorio, le risposte infiammatorie e la modulazione immunitaria possono influenzare il comportamento biologico e, di conseguenza, incidere sulla prognosi a lungo termine3. In quanto componente chiave dell'intervento perioperatorio, gli effetti degli agenti anestetici vanno oltre la semplice soppressione del sistema nervoso centrale. Studi recenti indicano che le tecniche anestesiologiche e i farmaci anestetici possono modulare le risposte neuroendocrine, le cascate infiammatorie e l'attività delle cellule effettrici immunitarie, ridefinendo così il microambiente tumorale postoperatorio e influenzando il potenziale migratorio delle cellule tumorali, la sorveglianza immunitaria e i processi correlati alla metastasi4. In particolare, alcuni anestetici alterano direttamente il destino delle cellule tumorali: il propofol aumenta la sopravvivenza delle cellule tumorali circolanti attraverso la soppressione mediata da Nrf2 della ferroptosi, promuovendo in tal modo la metastasi5. La chetamina induce ferroptosi nelle cellule del carcinoma epatocellulare controllando l'asse lncPVT1/miR-214-3p/GPX4, suggerendo che gli agenti anestetici possano influenzare direttamente la determinazione del destino cellulare tumorale6. Inoltre, le benzodiazepine, in quanto modulatori allosterici positivi dei recettori GABA, potrebbero attenuare l'efficacia antitumorale delle combinazioni chemio-immunoterapiche7. Tuttavia, le attuali ricerche si concentrano principalmente su singoli agenti anestetici, senza un'esame sistematico dei loro potenziali effetti a livello della rete di geni bersaglio.
I geni bersaglio dei farmaci anestetici perioperatori (PARDTGs), in quanto substrati molecolari diretti dell'azione anestetica, partecipano a diverse vie di segnalazione chiave, tra cui la regolazione dei recettori per neurotrasmettitori, il mantenimento dell'omeostasi del calcio, la dinamica del citoscheletro di actina e il feedback nell'asse endocrino dello stress8,9. Sotto lo stress chirurgico perioperatorio, queste vie possono essere attivate o sopresse, influenzando la polarizzazione delle cellule immunitarie e il rimodellamento del microambiente associato al tumore8,10. Tuttavia, nell'OV, il profilo di espressione, le caratteristiche funzionali e la rilevanza clinica dei PARDTGs rimangono poco caratterizzati. Parallelamente, l'avvento della scRNA-seq e della trascrittomica spaziale ha reso possibile il profilo dell'espressione genica con risoluzione cellulare e localizzazione spaziale, offrendo nuove prospettive sulla distribuzione spaziale, le preferenze microambientali e gli effetti cellulare-specifici dei geni bersaglio degli anestetici nei tessuti tumorali11.
In questo studio, abbiamo integrato i PARDTGs con dataset multi-omici del carcinoma ovarico (OV), identificato sistematicamente geni differenzialmente espressi e costruito un modello prognostico di rischio generalizzabile. Abbiamo inoltre analizzato le basi biologiche della stratificazione del rischio sotto i punti di vista dell'infiltrazione immunitaria, delle caratteristiche di staminess, dei paesaggi mutazionali e dei percorsi funzionali. Combinando dati di sequenziamento multimodale, abbiamo definito le origini dei tipi cellulari e le nicchie ecologiche spaziali, costruito reti regolatorie di miRNA/fattori di trascrizione ed effettuato una validazione pan-cancro per dimostrare la rilevanza trasversale ai tumori. Questo lavoro fornisce evidenze meccanicistiche per comprendere il potenziale ruolo delle reti bersaglio degli anestetici nell'OV e offre implicazioni traslazionali per la stratificazione clinica del rischio, la previsione prognostica e le strategie di gestione perioperatoria.
Protocollo
Raccolta dei dati
Abbiamo analizzato 120 geni bersaglio di farmaci legati all'anestesia perioperatoria, selezionati dalla letteratura precedente12, e li abbiamo elencati nella Tabella Supplementare S1. Successivamente, i profili di espressione genica, le informazioni cliniche e i dati sulla sopravvivenza sono stati ottenuti dalla risorsa UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). Il set di dati sull'espressione comprendeva 420 campioni di carcinoma cistoadenocarcinoma sieroso ovarico primario provenienti dal The Cancer Genome Atlas (TCGA-OV) e 88 campioni di ovaio normale del progetto Genotype-Tissue Expression (GTEx). I valori di espressione genica sono stati ottenuti come valori FPKM a livello genico RSEM generati dalla pipeline Toil13. Una descrizione dettagliata del flusso dei campioni, che illustra l'inclusione dei campioni TCGA per ciascuna analisi successiva, è fornita nella Tabella Supplementare S2. Inoltre, per una validazione esterna, abbiamo scaricato i set di dati GSE2619314 (n = 107 campioni), GSE3016115 (n = 58 campioni) e GSE6388516 (n = 70 campioni) dal database GEO (http://www.ncbi.nlm.nih.gov/geo/) per analizzare i profili di espressione genica e la sopravvivenza dei pazienti corrispondenti. Per garantire la coerenza dei dati, gli identificatori genici ENSEMBL sono stati convertiti nei simboli ufficiali dei geni. Sono stati esclusi i geni con espressione in meno della metà dei campioni. In aggiunta, abbiamo ottenuto il set di dati del trascrittoma singola cellula del carcinoma ovarico umano GSE15460017 e il set di dati del trascrittoma spaziale del carcinoma ovarico GSE211956-GSM6506110-SP118 dal database GEO.
Elaborazione dei dati di sequenziamento del trascrittoma spaziale del cancro ovarico
I dati di trascrittomica spaziale sono stati elaborati utilizzando Seurat19 (versione 5.4.0). I punti sono stati filtrati applicando gli stessi criteri di controllo della qualità usati per l'analisi di sequenziamento dell'RNA a singola cellula (nFeature_RNA: 200–5.000; percentuale di geni mitocondriali < 10%). Dopo la normalizzazione e l'identificazione dei geni altamente variabili, è stata eseguita una riduzione della dimensionalità basata sull'analisi delle componenti principali (PCA) e il raggruppamento è stato effettuato mediante l'algoritmo di clustering basato su grafi di Seurat. I sottogruppi e i modelli di espressione genica sono stati visualizzati utilizzando la funzione SpatialFeaturePlot. Inoltre, i livelli di espressione genica a livello del trascrittoma spaziale sono stati visualizzati e analizzati utilizzando “AUCell”19 (versione 1.32.0).
Analisi dei dati scRNA-seq
I dati di sequenziamento dell'RNA a singola cellula provenienti da GSE154600 sono stati analizzati utilizzando il pacchetto Seurat (versione 5.4.0)19. Le cellule di bassa qualità sono state rimosse in base ai criteri di controllo della qualità. Sono state escluse le cellule con meno di 200 o più di 5.000 geni rilevati, o con proporzioni di geni mitocondriali superiori al 10%. Dopo la normalizzazione effettuata mediante la funzione NormalizeData, i primi 2.000 geni altamente variabili sono stati identificati utilizzando il metodo VST. È stata eseguita un'analisi PCA basata sui geni variabili, e le prime 15 componenti principali sono state utilizzate per il clustering e la riduzione della dimensionalità. I cluster cellulari sono stati identificati utilizzando FindNeighbors e FindClusters con una risoluzione di 0,5, seguiti dalla visualizzazione tramite UMAP e t-SNE. La funzione FindAllMarkers è stata utilizzata per identificare i geni marcatore per i diversi cluster cellulari. Inoltre, abbiamo annotato i cluster cellulari utilizzando il database CellMarker 2.020 ed eseguito un'analisi quantitativa dell'attività genica mediante la funzione ssGSEA del pacchetto GSVA (versione 2.4.9).
Analisi dei geni differenzialmente espressi (DEG) e funzionali
L'analisi dell'espressione differenziale è stata eseguita utilizzando il pacchetto “limma”21 (versione 3.56.2) basandosi sui profili di espressione dei PARDTG nel carcinoma ovarico rispetto ai tessuti ovarici normali. Prima dell'analisi, i valori di espressione FPKM sono stati trasformati in log2 utilizzando la formula log2(FPKM+1). È stato applicato il modello lineare standard implementato nel pacchetto limma per identificare i PARDTG espressi in modo differenziale. I geni con un tasso di falsa scoperta (FDR) < 0,05 e |variazione log2 del fold change (FC)| > 1 sono stati considerati significativamente espressi in modo differenziale. L'arricchimento in GO e KEGG è stato effettuato sui PARDTG espressi in modo differenziale utilizzando ClusterProfiler22 (versione 4.8.3). I grafici a cascata (waterfall plots) sono stati generati utilizzando “maftools”23 (versione 2.16.0) per rilevare le mutazioni somatiche nei PARDTG nel carcinoma ovarico. Successivamente, la rete di interazione proteina-proteina (PPI) dei PARDTG è stata costruita utilizzando il database STRING (versione 12.0) con i parametri predefiniti.
Sviluppo di un sistema di punteggio del rischio basato su PARDTG
Per identificare i PARDTG ottimali, è stata eseguita un'analisi passo-passo di regressione dei rischi proporzionali di Cox per selezionare i geni prognosticamente significativi tra i PARDTG differenzialmente espressi e determinarne il contributo alla sopravvivenza complessiva nel cancro ovarico (OV). L'assunzione di proporzionalità dei rischi del modello finale di regressione multivariata di Cox è stata valutata mediante test dei residui di Schoenfeld implementati nella funzione cox.zph del pacchetto survival di R (versione 3.5.5). Un punteggio prognostico di rischio è stato calcolato in base ai livelli di espressione dei geni della firma e ai corrispondenti coefficienti di regressione di Cox. A causa dell'eterogeneità tra le piattaforme trascrittomiche, i modelli prognostici sono stati valutati indipendentemente nei cohort TCGA-OV, GSE26193, GSE30161 e GSE63885. Per ciascun cohort, i profili di espressione dei geni della firma sono stati utilizzati per calcolare punteggi di rischio specifici del cohort e i pazienti sono stati stratificati in categorie ad alto e basso rischio utilizzando la mediana del punteggio di rischio come soglia di cutoff. La sopravvivenza complessiva (OS) è stata confrontata tra i due gruppi mediante analisi di Kaplan-Meier, con significatività statistica valutata tramite il test del log-rank. Il valore prognostico indipendente del punteggio di rischio è stato quindi valutato mediante analisi di regressione univariata e multivariata dei rischi proporzionali di Cox.
Sviluppo di un modello clinico prognostico per il cancro ovarico
Per determinare se il punteggio di rischio fornisse informazioni prognostiche oltre le variabili cliniche convenzionali, sono state eseguite analisi di regressione univariata e multivariata di Cox per i rischi proporzionali, includendo il punteggio di rischio insieme alle caratteristiche clinicopatologiche. Successivamente, sono stati costruiti nomogrammi prognostici utilizzando il punteggio di rischio molecolare e variabili clinicamente rilevanti, come lo stadio e il grado del tumore, come parametri di ingresso. Le variabili sono state selezionate in base alla loro rilevanza clinica e all'obiettivo di sviluppare un modello prognostico integrato, piuttosto che esclusivamente sulla significatività statistica. I nomogrammi sono stati generati utilizzando il pacchetto “rms”24 (versione 6.7.1) per stimare le probabilità di sopravvivenza globale a 1, 3 e 5 anni in base ai punteggi totali derivati dalle singole variabili.
Caratterizzazione delle proprietà immunitarie
L'infiltrazione delle cellule immunitarie è stata stimata utilizzando l'algoritmo CIBERSORT con la matrice di firma LM22. L'analisi è stata eseguita utilizzando 1.000 permutazioni, e i campioni con un valore P di deconvoluzione < 0,05 sono stati considerati statisticamente affidabili. I diagrammi a cascata sono stati generati con maftools (versione 2.16.0) per illustrare la prevalenza dei geni altamente mutati nel cancro ovarico. L'analisi dell'arricchimento dei gruppi genici (GSEA) è stata condotta tramite ClusterProfiler (versione 4.8.3) con una soglia di significatività di p < 0,05.
Costruzione della rete CeRNA
In questo studio, NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 è stato utilizzato per analizzare l'interazione tra geni prognostici e fattori di trascrizione. La rete co-regolatoria miRNA-TF è stata costruita utilizzando NetworkAnalyst 3.0.
Campioni di tessuto da cancro ovarico
Tessuti di carcinoma ovarico e campioni normali adiacenti abbinati (N = 6) sono stati raccolti da pazienti sottoposti a resezione chirurgica elettiva. Il protocollo dello studio è stato approvato dal Comitato Etico di Ostetricia & Ospedale di Ginecologia dell'Università di Fudan (2024-54-X1), e il consenso informato scritto è stato ottenuto da tutti i partecipanti. Lo studio è stato condotto in conformità con la Dichiarazione di Helsinki.
Analisi del Western blot
Le proteine totali sono state estratte da campioni di tessuto umano utilizzando un buffer di lisi RIPA contenente fenilmetilsulfonil fluoruro (PMSF), un cocktail di inibitori delle proteasi e inibitori delle fosfatasi. Le concentrazioni proteiche sono state determinate mediante un saggio proteico con acido bicinconinico (BCA). Quantità uguali di proteine sono state separate mediante elettroforesi su gel di poliacrilamide in presenza di SDS (SDS-PAGE) prima di essere trasferite su membrane di fluoruro di polivinilidene (PVDF). Dopo il trasferimento, le membrane sono state bloccate per 90 min a temperatura ambiente con latte scremato al 5% preparato in TBS-T. Successivamente, le membrane sono state incubate tutta la notte a 4 °C con anticorpi primari contro Cytokeratin 81 (policlonale da coniglio, 1:2.000) o GAPDH (monoclonale da mouse, 1:10.000). Dopo i lavaggi, sono stati applicati gli opportuni anticorpi secondari per 90 min a temperatura ambiente. Le bande proteiche sono state visualizzate utilizzando un reagente di rilevamento chemiluminescente migliorato (ECL) e acquisite con un sistema di imaging commerciale. L’analisi densitometrica è stata eseguita con ImageJ e l’espressione di KRT81 è stata normalizzata rispetto al controllo di caricamento GAPDH. Le differenze nell’espressione proteica tra campioni appaiati sono state valutate mediante un test t appaiato, considerando statisticamente significativo un valore di P < 0,05.
Analisi pan-cancro
In questo studio, TCGAplot26 (versione 5.0.0) è stato utilizzato per identificare le relazioni tra i livelli di espressione di KRT81. L'analisi della correlazione di Pearson è stata impiegata per calcolare le correlazioni statistiche. Il profilo mutazionale di KRT81 in vari tipi di cancro è stato esaminato mediante la piattaforma cBioPortal (http://www.cbioportal.org/) (versione 7.0.6).
Analisi statistiche
Tutte le analisi dei dati sono state eseguite utilizzando il software R (versione 4.3.1). I confronti tra due gruppi sono stati effettuati con il test della somma dei ranghi di Wilcoxon, mentre le differenze tra tre o più gruppi sono state valutate mediante il test di Kruskal-Wallis. La sopravvivenza globale è stata analizzata con il metodo di Kaplan-Meier e la significatività statistica tra le curve di sopravvivenza è stata determinata con il test del log-rango. Se non indicato diversamente, un valore P bilaterale < 0,05 è stato considerato statisticamente significativo. I livelli di significatività sono indicati come segue: P < 0,05 *, P < 0,01 **, P < 0,001 *** e P < 0,0001 ****.
Risultati
Caratteristiche immunitarie dei geni bersaglio dei farmaci legati all'anestesia perioperatoria nelle analisi trascrittomiche spaziali e a singola cellula
È stato utilizzato SCTransform per correggere la profondità di sequenziamento e implementare le procedure, identificando infine 11 diversi tipi cellulari. Per valutare l'importanza dei geni bersaglio dei farmaci anestetici perioperatori (PARDTGs) in ciascuna sottopopolazione cellulare, abbiamo utilizzato il pacchetto R AUCell per determinare le attività associate ai PARDTGs in ogni sottopopolazione cellulare (Figura 1A,B). Successivamente, abbiamo calcolato la correlazione tra abbondanza cellulare e attività associate ai PARDTGs in tutti i loci mediante il coefficiente di correlazione di Spearman. In particolare, le attività associate ai PARDTGs erano negativamente correlate con le cellule tumorali (Figura 1C). Abbiamo ottenuto dati di sequenziamento dell'RNA a singola cellula da 5 pazienti con carcinoma ovarico (OV), contenenti complessivamente 41.367 cellule. Sulla base dell'espressione dei geni marcatore, le cellule sono state suddivise in 11 principali cluster (Figura 1D). Le reti di interazione e le relative intensità per il tipo cellulare sono mostrate nella Figura 1E. Abbiamo valutato l'attività dei PARDTGs in tutte le singole cellule assegnando un punteggio all'espressione di 120 PARDTGs mediante ssGSEA in Seurat (Figura 1F). In modo particolarmente evidente, le cellule tumorali hanno mostrato un'attività notevolmente inferiore rispetto a tutti gli altri tipi cellulari (Figura 1G).
Identificazione e caratterizzazione molecolare di geni bersaglio dei farmaci anestetici perioperatori nel cancro ovarico
Dal database TCGA, abbiamo identificato 68 PARDTG espressi in modo differenziale, mostrati in Figura 2A (vedi anche Tabella Supplementare S3). La Figura 2B descrive l'espressione di questi 68 DEG associati all'anestesia perioperatoria nel gruppo TCGA-OV. Successivamente, abbiamo costruito una rete PPI per chiarire le relazioni complesse tra le proteine associate ai DEG. Abbiamo identificato cinque geni hub potenziali—SLC6A4, CHRNA4, DRD2, SLC6A3, e GRIN2A—che potrebbero avere effetti importanti nella patogenesi del cancro ovarico (Figura 2C). Inoltre, abbiamo analizzato il profilo di alterazione molecolare di 120 PARDTG nel cancro ovarico, con mutazioni nonsense come tipo di variante più comune (Figura 2D). I geni più frequentemente mutati erano SCN10A, DNMT1, GRIN2A, LTF, e SCN11A. Abbiamo esaminato la prevalenza di mutazioni nella variazione del numero di copie (CNV), e i risultati hanno mostrato che i primi 20 PARDTG con mutazioni presentavano alterazioni significative di CNV (Figura 2E). L'arricchimento GO e KEGG ha indicato che i PARDTG sono associati alla segnalazione di ligandi neuroattivi, vie di segnalazione del calcio, segnalazione ormonale, dipendenza da anfetamina, dipendenza da cocaina e interazioni tra ligandi neuroattivi e recettori (Figura 2F,G).
Costruzione e validazione di un modello prognostico basato su geni bersaglio di farmaci legati all'anestesia perioperatoria
Per ridurre al minimo la complessità del modello, è stato utilizzato StepAIC per ridurre il set genico, e alla fine sono stati selezionati 17 PARDTG per costruire il modello prognostico (Tabella S4 Supplementare). Il test globale dei residui di Schoenfeld non ha evidenziato deviazioni significative dall'assunzione di proporzionalità dei rischi (p = 0,265), confermando l'affidabilità del modello prognostico basato su 17 geni. Il punteggio di rischio è stato calcolato mediante la seguente equazione: punteggio di rischio = 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). I pazienti sono stati successivamente suddivisi in categorie a basso e alto rischio in base ai loro punteggi di rischio, con il gruppo a basso rischio che ha mostrato un OS significativamente migliore rispetto al gruppo ad alto rischio nei cohort TCGA-OV (Figura 3A, p < 0,0001), GSE26193 (Figura 3B, p = 0,00021), GSE30161 (Figura 3C, p = 0,0017) e GSE63885 (Figura 3D, p = 0,0041). Inoltre, Figure 3E–H illustrano le distribuzioni dello stato di sopravvivenza e dei punteggi di rischio nei cohort TCGA-OV, GSE26193, GSE30161 e GSE63885, fornendo ulteriore evidenza dell'affidabilità predittiva e della stabilità del modello prognostico nel carcinoma ovarico (OV).
Creazione e valutazione di un modello prognostico basato su nomogramma
Sia le analisi di regressione di Cox univariata che multivariata hanno dimostrato che il punteggio di rischio fungeva da predittore indipendente della prognosi nei pazienti con cancro ovarico (Figura 4A,B). La distribuzione dell'espressione genica del modello, dei corrispondenti punteggi di rischio e delle caratteristiche clinicopatologiche nella coorte TCGA-OV è illustrata nella Figura 4C. Per migliorare l'applicabilità clinica, è stato sviluppato un nomogramma prognostico che integra il punteggio di rischio insieme all'età, allo stadio tumorale e al grado, al fine di stimare la sopravvivenza globale (OS) (Figura 4D). Rispetto alla sola firma genica, il nomogramma integrato ha ottenuto prestazioni predittive superiori. L'analisi della sopravvivenza ha ulteriormente mostrato una OS significativamente più lunga nel gruppo a basso rischio rispetto al gruppo ad alto rischio (Figura 4E; P < 0,0001). Il modello combinato ha prodotto valori di AUC dipendenti dal tempo pari a 0,769, 0,690 e 0,728 per la previsione della OS (Figura 4F). L'analisi della curva decisionale ha sostenuto l'utilità clinica potenziale del nomogramma, dimostrando un beneficio netto maggiore in un intervallo di probabilità soglia (Figura 4G). Inoltre, i grafici di calibrazione hanno indicato un accordo stretto tra le probabilità di sopravvivenza previste e quelle osservate, suggerendo una buona calibrazione del modello (Figura 4H). Nel complesso, questi risultati indicano che il nomogramma proposto possiede una forte capacità predittiva per la valutazione della prognosi dei pazienti con OV.
Associazione del modello prognostico basato su PARDTG con l'infiltrazione immunitaria e il microambiente immunitario tumorale
Per caratterizzare l'infiltrazione immunitaria, l'abbondanza delle cellule immunitarie è stata quantificata nei campioni. Sono stati identificati diciassette geni significativamente associati alle cellule immunitarie infiltranti il tumore, tra cui ADRA1D, KCNA1 e SLC18A2, che hanno mostrato correlazioni positive con i macrofagi M2 (Figura 5A). Successivamente, abbiamo analizzato i modelli di localizzazione cellulare di questi geni. L'analisi del dot plot ha rivelato che KRT81 era prevalentemente espresso nelle cellule CD8Tex e Tprolif, mentre l'espressione di EPHA4 era principalmente arricchita nelle cellule endoteliali e nei fibroblasti, suggerendo un loro potenziale coinvolgimento in compartimenti cellulari distinti all'interno del microambiente tumorale (Figura 5B). Inoltre, abbiamo valutato i punteggi TIDE dei pazienti, osservando che il sottogruppo ad alto rischio presentava punteggi TIDE più elevati e una correlazione positiva (Figura 5C). Inoltre, i punteggi di arricchimento della staminaleggiatura erano significativamente più alti nel gruppo ad alto rischio rispetto al gruppo a basso rischio (Figura 5D). L'analisi delle mutazioni somatiche ha rivelato una frequenza complessiva di mutazioni elevata in entrambi i gruppi a rischio (Figura 5E,F). Tra queste, le frequenze di mutazione di CSMD3 e MUC16 erano più elevate nei campioni ad alto rischio.
L'analisi GSEA ha rivelato che i percorsi legati al sistema immunitario, tra cui il processamento e la presentazione dell'antigene e il rigetto dell'allografto, erano significativamente arricchiti nel gruppo a basso rischio, mentre i percorsi associati all'invasione tumorale e alla motilità, come la regolazione dello scheletro di actina, i proteoglicani nel cancro e le proteine motrici, erano prevalentemente arricchiti nel gruppo ad alto rischio (Figura 5G,H). Questi risultati suggeriscono che i pazienti appartenenti al gruppo ad alto rischio potrebbero mostrare una risposta limitata all'immunoterapia.
Identificazione e analisi di rete dei PARDTGs prognostici nel cancro ovarico
Per chiarire il meccanismo, abbiamo identificato 490 miRNA e 17 potenziali reti regolatorie di biomarcatori (Figura 6A). Tra questi, hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p e hsa-miR-20b-5p hanno la capacità di regolare la maggior parte dei geni. Alla fine, i risultati della nostra ricerca hanno identificato 37 fattori di trascrizione che regolano i geni candidati alla diagnosi (Figura 6B). Inoltre, è stato scoperto che FOXC1 possiede anche numerose funzioni regolatorie.
Analisi pan-cancro dell'espressione di KRT81
I dati di RNA-seq provenienti dal TCGA sono stati ottenuti per valutare KRT81 espressione. I risultati hanno suggerito che era altamente espressa nella maggior parte dei tumori, ma espressa a livelli bassi in GBM, LGG, SKCM, TGCT e THCA (Figura 7A). Per verificare il risultato che KRT81 è altamente espresso nel cancro ovarico, come determinato dall'analisi bioinformatica, abbiamo condotto un esperimento di western blot. I risultati hanno indicato che KRT81 l'espressione era significativamente aumentata nei tessuti tumorali rispetto ai tessuti normali ed era in larga misura coerente con i dati trascrittomici del TCGA (Figura 7B, Supplementare Figura S1, e Tabella Supplementare S5). Per illustrare le relazioni tra KRT81 e cancro, abbiamo esaminato l'espressione genica e l'infiltrazione di cellule immunitarie (Figura 7C). L'analisi ha rivelato che KRT81 l'espressione era positivamente correlata all'infiltrazione di cellule T, Treg e macrofagi M2 nella maggior parte dei tumori. Inoltre, l'espressione di KRT81 era positivamente associata ai punteggi stromali e immunitari nella maggior parte dei tumori (Figura 7D). Inoltre, abbiamo analizzato la correlazione tra KRT81 espressione e Punteggio di Aneuploidia, e il grafico a ragnatela ha mostrato che KRT81 era correlato con il Punteggio di Aneuploidia in UCEC, SARC, LUAD, LIHC e KIRP (Figura 7E). Abbiamo quindi analizzato la correlazione tra KRT81 e Ploidia del Tumore, e il grafico a ragnatela ha mostrato che KRT81 è stata correlata con la Ploidia del Tumore in THCA, TGCT, SARC, MESO, LIHC e CESC (Figura 7F). Successivamente, il grafico a raggio ha mostrato che KRT81 era correlato con neoantigeni SNV in UCEC, THYM, LUAD, LIHC, GBM e BRCA (Figura 7G). Inoltre, l'analisi online tramite cBioPortal ha rivelato che la massima frequenza di KRT81 la mutazione genica era in UCEC, di cui la maggior parte dei tipi era "mutazione" e "amplificazione" (Figura 7H, I). Mediante analisi di regressione univariata di Cox per i rischi proporzionali, abbiamo identificato che KRT81 è un predittore per la sopravvivenza globale (OS) in KIRC, LUAD e STAD (Figura 7J).
Disponibilità dei dati:
I set di dati disponibili pubblicamente analizzati in questo studio sono reperibili presso TCGA, UCSC Xena e GEO. Le immagini originali dei western blot e i corrispondenti dati quantitativi generati durante questo studio sono forniti nei Materiali Supplementari (Supplementary Figure S1 e Supplementary Table S5).
Figura 1. Caratteristiche associate a PARDTG nell'analisi spaziale e nella scRNA-seq. (A,B) Mappatura spaziale dell'intensità di espressione di PARDTG (C), correlazione di Spearman dell'attività associata a PARDTG. (D) Analisi dei tipi cellulari. (E) Analisi del numero e della forza delle interazioni tra i tipi cellulari. (F) Valore di arricchimento di PARDTG nelle cellule. (G) Distribuzione di PARDTG. Abbreviazioni: PARDTG = geni bersaglio dei farmaci legati all'anestesia perioperatoria; scRNA-seq = sequenziamento dell'RNA a singola cellula. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2. Panorama delle alterazioni genetiche dei PARDTG nei pazienti con carcinoma ovarico (OV). (A) Rappresentazione a vulcano dei geni differenzialmente espressi (DEG) nel carcinoma ovarico (blu: DEG down-regolati; rosso: DEG up-regolati; grigio: geni stabili), FDR< 0,05 e |log2FC| > 1. (B) Mappa termica che illustra le caratteristiche differenzialmente espresse tra i gruppi OV e normali. Il blu rappresenta il gruppo normale, il rosso il gruppo OV; il quadrato blu indica bassa espressione, il quadrato giallo indica alta espressione. (C) Rete di interazione proteina-proteina (PPI) dei DEG correlati all'anestesia perioperatoria, ottenuta dal sito web String. (D) I primi 20 PARDTG nel coorte TCGA. (E) Frequenze di guadagno di CNV, perdita di CNV e non-CNV tra i primi 20 PARDTG. (F) Grafico a punti (dotplot) dei termini GO arricchiti. (G) Grafico a barre dei percorsi KEGG arricchiti. OV = carcinoma ovarico; GO = Gene Ontology; KEGG = Kyoto Encyclopedia of Genes and Genomes; PPI = interazione proteina-proteina. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3. Costruzione e validazione di una firma prognostica basata su PARDTG per il cancro ovarico. (A-D). Sopravvivenza globale (OS) nei pazienti a basso e alto rischio in (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885. (E-H) Distribuzione del punteggio di rischio associato a PARDTG in base allo stato di sopravvivenza e al tempo in (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4. Costruzione e validazione di un nomogramma prognostico basato sulla firma di rischio derivata da PARDTG. (A,B) Caratteristiche clinicopatologiche e punteggi di rischio nel coorte TCGA-OV. (C) Distribuzione delle caratteristiche cliniche e l'espressione dei geni del modello in base al punteggio di rischio. (D) Un nomogramma per la previsione della prognosi nei pazienti con OV. (E) Analisi di Kaplan-Meier per due gruppi di pazienti con OV. (F) Analisi della curva ROC nel coorte TCGA-OV. (G) L'analisi della curva decisionale (DCA) mostra i benefici netti del nomogramma e di altre caratteristiche cliniche. (H) I grafici di calibrazione mostrano la sopravvivenza globale (OS) nel coorte TCGA-OV. Abbreviazioni: ROC = caratteristica operativa del ricevitore; DCA = analisi della curva decisionale. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5. Analisi del microambiente tumorale in pazienti a basso e alto rischio. (A) Correlazione tra cellule immunitarie infiltranti il tumore e geni nel modello prognostico correlato al PA. (B) Grafico a bolle che mostra l'espressione media e la proporzione di biomarcatori prognostici tra diversi sottotipi cellulari. (C) Grafico a violino dei punteggi TIDE. (D) Grafico a violino dei punteggi di arricchimento della staminalità tumorale. (E,F) Grafico a cascata che illustra le caratteristiche delle mutazioni somatiche nei gruppi con punteggio a (E) basso rischio e (F) alto rischio. (G,H) Risultati della GSEA dei percorsi KEGG nel sottogruppo a (G) basso rischio e (H) alto rischio. Abbreviazioni: TIDE = Tumor Immune Dysfunction and Exclusion; GSEA = Gene Set Enrichment Analysis. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 6. Analisi della rete di interazione dei marcatori prognostici. (A) Rete coregolatoria tra miRNA e marcatori prognostici. (B) Rete coregolatoria tra fattori di trascrizione e marcatori prognostici. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 7. Livello di espressione, caratteristiche immunitarie e alterazioni genetiche di KRT81 nei tumori umani. (A) Espressione di KRT81 nei tumori TCGA e nei tessuti adiacenti. (B) Analisi mediante Western blot dell'espressione proteica di KRT81 in tessuti normali adiacenti e tumorali appaiati provenienti da sei pazienti con cancro ovarico (n = 6). Le intensità relative delle bande sono state normalizzate rispetto a GAPDH e i dati sono stati analizzati mediante test t appaiato. I dati sono presentati come media ± DS. (C) Correlazione tra KRT81 e il rapporto tra cellule immunitarie, mostrata tramite mappa termica. (D) Correlazione tra KRT81 e i punteggi immunitario, stromale ed ESTIMATE, mostrata tramite mappa termica. (E-G) Correlazione tra l'espressione di KRT81 e (E) Punteggio di aneuploidia, (F) Ploidia del tumore, (G) Neoantigeni SNV nei database TCGA. (H) Mutazioni di KRT81 in diversi tipi di cancro provenienti dal database cBioPortal. (I) Distribuzione dei siti di mutazione di KRT81 nel pan-cancro. (J) Analisi di regressione di Cox pan-cancro di KRT81 nei tumori TCGA. *p < 0,05; ***p < 0,001; ****p < 0,0001. Abbreviazioni: SNV = Variante nucleotidica singola; N = normale; T = tumore. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Tabella supplementare S1: Geni bersaglio dei farmaci legati all'anestesia perioperatoria. Cliccare qui per scaricare il file.
Tabella supplementare S2: Descrizione del flusso del campione.Cliccare qui per scaricare il file.
Tabella supplementare S3: Geni bersaglio di farmaci anestetici espressi in modo differenziale nel periodo perioperatorio. Cliccare qui per scaricare il file.
Tabella supplementare S4: Geni bersaglio di farmaci anestetici perioperatori con valore prognostico.Cliccare qui per scaricare il file.
Tabella supplementare S5: Dati originali del Western blot.Cliccare qui per scaricare il file.
Figura supplementare S1: Dati originali del western blotting.Clicca qui per scaricare questo file.
Discussione
Essendo una componente inevitabile dei flussi di lavoro per il trattamento del cancro, l'anestesia perioperatoria ha attirato un'attenzione crescente per i suoi potenziali effetti immunomodulatori, la capacità di rimodellare il microambiente e il possibile ruolo nella promozione della disseminazione tumorale. Poiché il cancro è sempre più riconosciuto come una malattia sistemica ed ecologica piuttosto che una lesione focale strettamente guidata da fattori genetici27, le alterazioni fisiologiche perioperatorie, le risposte infiammatorie e lo stress metabolico potrebbero ridefinire le nicchie microambientali e influenzare le traiettorie evolutive del tumore. Mediante l'integrazione di trascrittomi multilivello, questo studio ha descritto in modo sistematico i profili di espressione, le associazioni biologiche e il valore prognostico dei PARDTGs nell'OV, fornendo indizi potenziali per un'anestesia di precisione nel periodo perioperatorio.
Il profilo trascrittomico spaziale e a singola cellula ha evidenziato una marcata variazione spaziale dell'attività di PARDTG, mostrando un'attività ridotta nelle cellule epiteliali tumorali e un'aumentata attività nelle cellule immunitarie, endoteliali e fibroblastiche. Questo modello di "arricchimento in cellule non tumorali" suggerisce che la rete bersaglio dell'anestetico possa esercitare i suoi effetti principalmente modulando lo stato delle cellule stromali e immunitarie, piuttosto che attraverso meccanismi intrinseci diretti sulle cellule tumorali. Questa osservazione è in linea con il concetto secondo cui la progressione tumorale è modellata congiuntamente dalle cellule tumorali e dal loro microambiente ospite28. In particolare, l'infiammazione acuta indotta dal intervento chirurgico, l'immunosoppressione transitoria e il rimodellamento dei tessuti possono generare un microambiente di guarigione della ferita di breve durata che i tumori possono sfruttare per aumentare il rischio di disseminazione e recidiva29.
Un'ulteriore analisi del coorte TCGA ha identificato 68 geni PARDTG espressi in modo differenziale significativamente arricchiti nei percorsi di interazione tra ligandi neuroattivi e recettori, nella segnalazione del calcio e nei percorsi correlati alla dipendenza. La rete PPI costruita ha evidenziato diversi geni hub associati a trasportatori e recettori per la neurotrasmissione, come DRD2, SLC6A3 e SLC6A430, suggerendo un ulteriore controllo regolatorio da parte della segnalazione dei neurotrasmettitori nel periodo perioperatorio nella progressione del carcinoma ovarico (OV). Studi recenti hanno dimostrato che l'antagonista di DRD2, ONC206, inibisce la proliferazione e l'invasione nelle cellule di OV e nei modelli di topo transgenici, inducendo arresto del ciclo cellulare e apoptosi, mettendo in luce il potenziale terapeutico di questo asse. CHRNA4 e GRIN2A codificano rispettivamente per proteine associate ai recettori colinergici e ai recettori NMDA; l'attivazione di questi recettori facilita l'ingresso intracellulare di Ca2⁺31,32, mentre le alterazioni del calcio possono rimodellare il citoscheletro e attivare programmi trascrizionali che promuovono il tumore33. Inoltre, recettori associati alla dipendenza (ad esempio, recettori µ-opioidi) sono stati collegati all'attivazione di mTORC1 e all'evasione immunitaria34. Nel complesso, questi risultati suggeriscono un potenziale dialogo incrociato tra i percorsi bersaglio degli anestetici e la rete neuro-immunitaria legata allo stress perioperatorio, influenzando così la plasticità tumorale e il rischio di recidiva entro un breve intervallo perioperatorio.
Il modello di rischio basato su 17 geni ha dimostrato una performance prognostica stabile in più coorti indipendenti. I pazienti ad alto rischio mostravano un arricchimento in percorsi biologici come «Regolazione dello scheletro di actina» e «Proteoglicani nel cancro», indicando un potenziamento del rimodellamento citoscheletrico e un aumento del potenziale metastatico. L'analisi immunitaria ha rivelato proporzioni più elevate di macrofagi M2, un'upregolazione dei geni associati ai checkpoint immunitari e punteggi TIDE più elevati nel gruppo ad alto rischio. I macrofagi M2 favoriscono l'evasione immunitaria e l'attivazione infiammatoria postoperatoria potrebbe indurre il reclutamento di cellule soppressorie mieloidi (MDSC)35. In particolare, EPHA4 era prevalentemente espresso nei sottoinsiemi di cellule endoteliali e fibroblasti, suggerendo un possibile coinvolgimento nella regolazione vascolare, nel rimodellamento stromale e nelle interazioni con il microambiente tumorale. EPHA4 appartiene alla famiglia dei recettori tirosina chinasi Eph e funge da mediatore importante nella comunicazione tra cellule attraverso la segnalazione Eph/ephrina. L'attivazione di EPHA4 può regolare vie di segnalazione a valle coinvolte nel riarrangiamento del citoscheletro, nell'adesione cellulare, nella migrazione e nell'organizzazione della matrice extracellulare36. Nel microambiente tumorale, una segnalazione di EPHA4 alterata è stata associata alla promozione dell'invasione delle cellule tumorali, delle risposte angiogeniche, dell'attivazione dello stroma e delle interazioni tra cellule maligne e componenti stromali circostanti37. Questi risultati suggeriscono che EPHA4 potrebbe contribuire alle caratteristiche biologiche aggressive dei pazienti ad alto rischio modulando la comunicazione vascolare-stromale e il rimodellamento ecologico del tumore. Contestualmente, i pazienti ad alto rischio presentavano frequenze di mutazione più elevate in geni come MUC16 e CSMD3, implicati nelle interazioni stromali e nell'evasione immunitaria38,39. Nel complesso, i pazienti ad alto rischio sembrano presentare caratteristiche ecologiche maligne caratterizzate da una dinamica citoscheletrica disregolata, microambienti immunosoppressivi e rimodellamento della matrice, suggerendo che i PARDTG potrebbero essere associati a modifiche nell'ecologia tumorale e nella progressione della malattia.
Gli agenti anestetici possono anche riprogrammare l'espressione di più geni attraverso la modulazione delle reti di RNA non codificanti, influenzando l'adesione delle cellule tumorali, la migrazione, la resistenza all'apoptosi e il mantenimento della stemness, alterando così potenzialmente il rischio di recidiva postoperatoria40,41. Nella nostra rete regolatoria centrale miRNA–fattore di trascrizione, miR-27a-3p, miR-34a-5p e miR-106b-5p sono stati identificati come possibili centri regolatori, e ampie evidenze supportano il loro coinvolgimento nella progressione del carcinoma ovarico (OV) e nelle risposte farmacologiche correlate agli anestetici42,43,44. FOXC1, come fattore di trascrizione centrale, svolge un ruolo fondamentale nella promozione della migrazione, dell'invasione e dei fenotipi di transizione epitelio-mesenchimale (EMT) nel carcinoma ovarico ed è regolato a monte da diversi RNA non codificanti45.
È stata eseguita un'analisi pan-cancro per esplorare ulteriormente le caratteristiche biologiche di KRT81 in diversi tipi di neoplasie, piuttosto che per convalidare il modello prognostico del cancro ovarico. Nella nostra analisi, KRT81 risultava significativamente sovraespresso nella maggior parte dei tipi tumorali ed era correlato ad aneuploidia, infiltrazione immunitaria e punteggi stromali, suggerendo un coinvolgimento nel rimodellamento della nicchia ecologica e nell'evasione immunitaria. In quanto membro della famiglia delle cheratine di tipo II, KRT81 partecipa al mantenimento dell'integrità del citoscheletro epiteliale, della stabilità meccanica cellulare e dell'adattamento allo stress. Un'espressione alterata di KRT81 potrebbe influenzare la plasticità delle cellule tumorali modificando l'organizzazione del citoscheletro, la differenziazione epiteliale e le interazioni tra le cellule tumorali e il microambiente circostante. Inoltre, un rimodellamento aberrante delle cheratine è stato implicato nella progressione del cancro attraverso la modulazione della proliferazione cellulare, della migrazione, dell'invasione e della comunicazione immuno-stromale. Studi precedenti hanno riportato che KRT81 funge da biomarcatore per la sottotipizzazione immunitaria e la stratificazione prognostica nell'OV46 e contribuisce alla formazione di un microambiente immunosoppressivo e alla predizione della risposta all'immunoterapia nel carcinoma mammario triplo negativo47. Pertanto, KRT81 potrebbe rappresentare un nodo chiave nelle reti di plasticità tumorale perioperatoria con rilevanza meccanicistica e traslazionale.
Nel complesso, questo studio fornisce la prima caratterizzazione a livello spaziale e cellulare singola dell'ecologia dell'espressione di PARDTG nell'OV e illustra le sue associazioni con i microambienti immunitari, le caratteristiche di staminalità e l'instabilità genomica, suggerendo che i geni bersaglio legati ai farmaci anestetici perioperatori potrebbero essere associati alle traiettorie evolutive del tumore. Tuttavia, è necessario riconoscere diverse limitazioni. In primo luogo, lo studio si è basato principalmente su set di dati trascrittomici disponibili pubblicamente, e le differenze nelle fonti dei campioni, nelle piattaforme di sequenziamento e nelle caratteristiche delle coorti potrebbero introdurre potenziali effetti di batch e influenzare la robustezza dei risultati. In secondo luogo, sebbene siano state utilizzate coorti esterne per la validazione, il modello prognostico è stato sviluppato a partire da set di dati retrospettivi, e non si può escludere del tutto un potenziale overfitting dovuto agli approcci di selezione delle caratteristiche. In terzo luogo, sebbene le analisi trascrittomiche a singola cellula e spaziali abbiano fornito informazioni sui ruoli biologici dei PARDTG, questi risultati si sono basati principalmente su inferenze computazionali e richiedono ulteriore validazione sperimentale. Inoltre, alcune analisi esplorative, tra cui le analisi pan-cancro e quelle di correlazione immunitaria, hanno comportato molteplici confronti, e le potenziali associazioni false positive devono essere interpretate con cautela. Infine, la risoluzione limitata della trascrittomica spaziale e la mancanza di validazione funzionale delle reti regolatorie predette rappresentano ulteriori limitazioni. Sono necessari studi futuri che includano modelli sperimentali e campioni clinici per validare ulteriormente i meccanismi identificati.
Questo studio ha rivelato che i PARDTG svolgono importanti funzioni ecologiche trascrizionali nell'OV e potrebbero partecipare all'invasione indotta dal microambiente postoperatorio e all'evasione immunitaria, fornendo nuove evidenze molecolari per l'anestesia di precisione perioperatoria, la stratificazione del rischio e la prevenzione delle recidive.
Dichiarazioni
Gli autori dichiarano di non avere interessi concorrenti
Ringraziamenti
Ringraziamo sinceramente i ricercatori che hanno condiviso i loro preziosi set di dati nei database TCGA e GEO, inclusi TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 e GSE211956.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Anticorpo anti-Cytokeratin 81 (policlonale coniglio) | Proteintech, USA | 11342-1-AP | |
| Anticorpo anti-GAPDH (monoclonale topo) | Proteintech, USA | 60004-1-Ig | |
| Kit per saggio proteico BCA | Thermo Fisher, USA | 23225 | |
| CIBERSORT | Stanford University | https://cibersort.stanford.edu | Infiltrazione immunitaria | Matrice di firma LM22 | Analisi dell'infiltrazione delle cellule immunitarie |
| Caratteristiche cliniche dei pazienti con OV | UCSC Xena | http://xena.ucsc.edu/ | Dati clinici | 341 pazienti | Analisi di correlazione clinica |
| Pacchetto clusterProfiler | Bioconductor | https://bioconductor.org/packages/clusterProfiler | Analisi di arricchimento funzionale | Versione 4.8.3 | Analisi GO, KEGG e GSEA |
| Pacchetto ggplot2 | CRAN | https://cran.r-project.org/package=ggplot2 | Visualizzazione dati | Versione 4.0.2 | Visualizzazione dati |
| GSE26193 | Database GEO | https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193 | Dataset di validazione | 107 campioni | Validazione esterna |
| GSE30161 | Database GEO | https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161 | Dataset di validazione | 58 campioni | Validazione esterna |
| GSE63885 | Database GEO | https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885 | Dataset di validazione | 70 campioni | Validazione esterna |
| Pacchetto GSVA | Bioconductor | https://bioconductor.org/packages/GSVA | Analisi di arricchimento di set genici | Versione 2.4.9 | Analisi ssGSEA |
| Pacchetto limma | Bioconductor | https://bioconductor.org/packages/limma/ | Analisi dell'espressione differenziale | Versione 3.56.2 | Analisi DEG |
| Informazioni sulla sopravvivenza globale dei pazienti con OV | UCSC Xena | http://xena.ucsc.edu/ | Dati di sopravvivenza | 353 pazienti | Costruzione del modello prognostico |
| Membrana PVDF | Millipore, USA | IPVH00010 | |
| R | R Foundation for Statistical Computing | https://www.r-project.org/ | Software bioinformatico | Versione 4.3.1 | Analisi statistiche |
| Tampone RIPA | Beyotime, Cina | P0013B | |
| Pacchetto Seurat | CRAN | https://satijalab.org/seurat/ | Analisi single-cell | Versione 5.4.0 | Analisi di RNA-seq single-cell |
| Database STRING | Consortium STRING | https://string-db.org | Database di interazione proteica | Versione 12.0 | Costruzione di rete PPI |
| Pacchetto survival | CRAN | https://cran.r-project.org/package=survival | Analisi della sopravvivenza | Versione 3.5.5 | Analisi della sopravvivenza |
| Dati di espressione genica ovarica TCGA TARGET GTEx (Toil) | UCSC Xena | http://xena.ucsc.edu/ | Dataset di addestramento | 420 campioni tumorali TCGA | Coorte di addestramento |
| Dati di tessuto normale ovarico TCGA TARGET GTEx (Toil) | UCSC Xena | http://xena.ucsc.edu/ | Dataset normale di riferimento | 88 campioni normali GTEx | Analisi dell'espressione differenziale |
Riferimenti
- Caruso G, Weroha SJ, Cliby W. Ovarian cancer: a review. JAMA. 2025;334(14):1278-91.
- Konstantinopoulos PA, Matulonis UA. Clinical and translational advances in ovarian cancer therapy. Nat Cancer. 2023;4(9):1239-57.
- 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.
- 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.
- Zhang B, et al. Anesthetic propofol inhibits ferroptosis and aggravates distant cancer metastasis via Nrf2 upregulation. Free Radic Biol Med. 2023;195:298-308.
- 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.
- Montégut L, et al. Benzodiazepines compromise the outcome of cancer immunotherapy. Oncoimmunology. 2024;13(1):2413719.
- 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.
- Ponferrada A, et al. Anaesthesia and cancer: can anaesthetic drugs modify gene expression? Ecancermedicalscience. 2020;14:1080.
- 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.
- 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.
- 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.
- Wang S, et al. UCSCXenaShiny: an R/CRAN package for interactive analysis of UCSC Xena data. Bioinformatics. 2022;38(2):527-9.
- Gentric G, et al. PML-regulated mitochondrial metabolism enhances chemosensitivity in human ovarian cancers. Cell Metab. 2019;29(1):156-73.e10.
- 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.
- Lisowska KM, et al. Gene expression analysis in ovarian cancer: faults and hints from DNA microarray study. Front Oncol. 2014;4:6.
- 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.
- Denisenko E, et al. Spatial transcriptomics reveals discrete tumour microenvironments and autocrine loops within ovarian cancer subclones. Nat Commun. 2024;15(1):2860.
- 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.
- 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.
- Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
- 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.
- Mayakonda A, et al. Maftools: efficient and comprehensive analysis of somatic variants in cancer. Genome Res. 2018;28(11):1747-56.
- Zu S, et al. Development and validation of a recurrence risk prediction model for elderly schizophrenia patients. BMC Psychiatry. 2025;25(1):73.
- 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.
- 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.
- Swanton C, et al. Embracing cancer complexity: hallmarks of systemic disease. Cell. 2024;187(7):1589-616.
- Vendramin R, Litchfield K, Swanton C. Cancer evolution: Darwin and beyond. EMBO J. 2021;40(18):e108389.
- Demicheli R, et al. The effects of surgery on tumor growth: a century of investigations. Ann Oncol. 2008;19(11):1821-8.
- Marinho V, et al. Genetic influence alters the brain synchronism in perception and timing. J Biomed Sci. 2018;25(1):61.
- 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.
- 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.
- Sun Y, et al. Identification of potential diagnoses based on immune infiltration and autophagy characteristics in major depressive disorder. Front Genet. 2022;13:702366.
- Lennon FE, Moss J, Singleton PA. The µ-opioid receptor in cancer progression: is there a direct effect? Anesthesiology. 2012;116(4):940-5.
- 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.
- 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.
- 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.
- 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.
- 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.
- Jiang S, et al. Effects of propofol on cancer development and chemotherapy: potential mechanisms. Eur J Pharmacol. 2018;831:46-51.
- 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.
- 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.
- 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.
- 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.
- 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.
- Hu Y, et al. DNA methylation and transcription factor-driven immune subtypes in ovarian cancer. Discov Oncol. 2025;16(1):1646.
- 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.