연구 논문

TCGA 데이터베이스를 기반으로 한 자궁내막암 탐굴 및 예후 모델 구축

DOI:

10.3791/69650

⸱

2026년 1월 16일

 ,  ,  , 
1Heilongjiang University of Traditional Chinese Medicine, 2Department of Gynecology, First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 3Department of Gynecology, Harbin Medical University Affiliated Cancer Hospital, 4Hysteroscopy Room of the First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 5Institute of Traditional Chinese Medicine, Heilongjiang University of Traditional Chinese Medicine

이 논문에서

요약

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

이 프로토콜은 TCGA 및 GEO 데이터셋을 활용하여 자궁내막암에서 니코틴아마이드 대사와 관련된 유전자를 식별하는 계산적 접근법을 제시합니다. 자궁 자궁 내막암에서 바이오마커 발견을 촉진하고 위험 추정을 향상시키기 위해, 본 연구는 독특한 발현, 경로 강화, 예후 모델 설계 및 평가 절차의 분석을 설명합니다.

초록

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

자궁내막암(EC)은 전 세계적으로 가장 흔한 부인과 종양 중 하나로, 노화와 비만으로 인해 발생률이 증가하고 있습니다. 림프절 전이는 자궁 자궁 내막암(UCEC)에서 여전히 흔하게 나타나며, 치료를 안내하기 위해 새로운 예후 바이오마커가 필요합니다. 이 연구에서는 암 게놈 아틀라스(TCGA)의 UCEC 정보를 분석하였고, 유전자 발현 옴니버스(GEO)를 사용해 결과를 검증하였습니다. 니코틴아마이드 대사와 관련된 18가지 차별발현 유전인자(NMRDEGs)가 확인되었습니다. 유전자 집합 풍부 분석(GSEA)은 이들이 산화 스트레스, 저산소증, 당해, 세포자사멸 과정에서 역할을 함을 밝혔습니다. 단변량 콕스 회귀분석은 위험 예측 체계를 발전시키는 데 사용된 여섯 가지 주요 유전자(AURKA, CDKN3, FOXM1, CDKN2A, TK1, CDK1)를 확인하였습니다. 단백질-단백질 상호작용(PPI) 분석을 통해 CDK2, CCNA2, TP53, FOXM1과 같은 추가 허브 유전자가 발견되었습니다. 여섯 가지 주요 유전자는 강한 예후 가치를 보였으며, 연구의 위험 모델은 임상 결정을 안내할 수 있습니다. 니코티나마이드 대사는 EC 진행과 유의한 연관성이 발견되었습니다. 이 연구는 EC 내 니코틴아미드 대사의 역할에 대한 새로운 인식을 제공하며, 치료 발전의 가능성을 제시합니다.

서론

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

자궁내막암(EC)은 여성 환자에게 흔합니다1. EC는 호르몬 의존형과 호르몬 비의존형2형으로 분류할 수 있습니다. 2020년에는 EC 환자 관리 지침의 업데이트에 분자 마커 검출과 분자 타이핑이 포함되었으며, 이는 EC3의 수술 후 보조제 치료와 임상 예후에 큰 영향을 미쳤습니다. EC의 발병 기전은 여러 종양유전자 및/또는 종양 억제 유전자의 돌연변이 또는 손실, 그리고 질병 진행과 결과에 영향을 미칠 수 있는 여러 신호 경로의 이상을 포함합니다. 새로운 바이오마커를 찾고 효과적인 치료 표적을 식별하는 것이 매우 중요합니다. 이 연구는 EC의 발병기전과 잠재적 예후 바이오마커에 대한 이해를 심화하여 조기 발견과 표적 치료의 기초를 마련하는 것을 목표로 합니다.

나이아신아마이드는 나이아신과 비슷하며 지방 흡수와 글리코겐 분해에 관여합니다. 인체에 중요한 보응효소 성분으로서 필수적입니다. 니코티나마이드 대사는 인체가 니코티나마이드를 흡수, 변형, 활용하는 과정을 포함합니다.

나이아신아마이드 대사는 흡수에서 시작됩니다. 음식 섭취나 체내 아미노산 변환을 통해 획득할 수 있으며, 장 점막 상피세포에 의해 흡수됩니다. 그 후 더 복잡한 형태로 변모하여 많은 생화학적 과정에서 중요한 역할을 합니다. 또한, 니코틴아마이드는 니코틴아마이드 아데닌 디뉴클레오타이드 메틸트랜스퍼라제(NMT )를 통해 대사산물 1-메틸니코틴아마이드를 포함한 다른 화합물로 전환될 수 있습니다. 이러한 변형은 다양한 대사 질환의 발병과 진행에 영향을 미칠 수 있습니다. 보고된 바와 같이, 나이아신아마이드 보충제는 종양 예방과 치료를 포함한 다양한 유익한 효과를 가지고있습니다. 최근 연구에서는 이 약물이 폐암세포 내 STAT3Y705의 인산화 수준을 하향 조절할 수 있음이 확인되었습니다. 한 연구에 따르면 나이아신아마이드를 단독으로 사용하면 고위험 환자에서 침습성 비흑색종 막 종양을 억제할 수 있습니다. Kourtzidis 등은 나이아신아마이드 보충제가 쥐의 체중 증가를 억제하고, 트랜스케톨라제(TK)와 적혈구 Na+- K+- ATPase의 활성을 증진시키며, 체내 에너지 대사에 영향을 줄 수 있음을 발견했습니다. 이전 연구에서는 니코틴아마이드 N-메틸트랜스퍼라제(NNMT), 즉 메틸트랜스퍼라제가 암 관련 섬유아세포의 활성에 중요한 문제임을 확인했습니다8. 더 나아가, 니코틴아미드 포스포리보실 트랜스퍼라제는 재발한 임계 골수성 백혈병 줄기 구획에서 베네토클락스 내성에 기여하는 것으로 나타났습니다. 9. 따라서 목표는 EC의 위험과 관련된 NAD+ 대사 관련 유전자(NMRG)를 포괄적으로 규명하는 것이었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

이 연구는 공개적으로 이용 가능한 비식별 임상 및 전사체 데이터를 암 게놈 아틀라스와 유전자 발현 옴니버스에서 사용했습니다. 모든 기여 연구는 사전 기관 심사위원회의 승인과 사전 동의를 받았습니다. 익명화된 데이터에 대한 2차 분석만 수행되었기 때문에 추가적인 윤리적 승인은 필요하지 않았습니다. 사용되는 데이터베이스와 소프트웨어는 재료표에 나열되어 있습니다.

1. 데이터 다운로드

연구는 EC(TCGA-자궁전체 자궁내막암(TCGA-UCEC)) 데이터셋10을 활용했으며, 이 데이터셋은 589개의 샘플로 구성되었으며, 여기에는 UCEC 환자(UCEC 그룹)에서 554개의 종양 조직 샘플과 35개의 인접 정상 조직(정상 그룹)에서 시퀀싱 데이터가 포함되어 있습니다. UCSC Xena 데이터베이스를 활용하여 완전한임상 정보가 부족한 임상 데이터를 복구했습니다. 최종적으로 임상 데이터가 포함된 577개의 샘플이 분석을 위해 제공되었습니다. 상세한 기초 정보는 표 1에 제공되어 있습니다.

EC, GSE115810, GSE6367812와 관련된 추가 데이터셋은 GEOquery 패키지13을 사용해 다운로드되었습니다. GSE115810 데이터셋과 GSE63678이 합쳐져 추가 분석을 위한 통합 데이터셋이 생성되었습니다(표 2).

NAD+ 대사 관련 유전자(NMRG)는 GeneCards 기록14 와 관련 문헌15 다음에 위치합니다. GeneCards에서 "나이아신아마이드 대사"라는 검색어를 사용하면, 관련성 점수가 4 이상인 345개의 NMRG를 확인했습니다. 문헌에서 발견된 42개의 NMRG에서 중복된 것을 합치고 제거하면 총 371개의 NMRG가 완성되었습니다(보충표 1). 임상 데이터는 .tsv 표현형 파일로 수집되었으며; 데이터는 HTSeq-FPKM 형식으로 다운로드되었습니다. 제외된 표본은 임상 데이터의 20% 이상이 누락되었습니다. FPKM은 로그2 변환되어 TPM(백만 분의 전사본수)으로 변환되었습니다. 프로브 ID는 GEO 데이터셋의 유전자 심볼에 매핑되었고, 중복 프로브는 평균을 내었다.

2. 니코틴아마이드 대사의 차등 발현 유전자

연구는 R 집합sva16 을 적용해 GSE115810 및 GSE63678 데이터셋 후 집합 소유를 제거하여 31개의 EC(UCEC)와 인접한 정규 표본 8개를 포함하는 상호 데이터셋을 얻는 것으로 시작되었습니다. 다음으로, Limma세트17 을 활용해 TCGA-UCEC 데이터셋에서 유전자 발현 불일치 검사를 수행했습니다.

TCGA-UCEC 분석에서 DEGs와 337 NMRG의 교차점으로 니코틴아미드 대사와 관련된 DEG를 정확히 규명합니다. 이로 인해 나이아신아마이드 대사 관련 차별발현 유전자(NMRDEG) 목록이 생성되었으며, 이는 벤 그림으로 나타났습니다. 불일치 현상 검사 결과는 ggplot2 R 패키지18로 설명되었으며, NMRDEG의 히트맵은 히트맵세트 19를 사용해 생성되었습니다. 데이터셋 간 분산은 ComBat(경험적 베이즈)을 이용한 배치 보정을 통해 제거합니다. 림마 경험적 베이즈 선형 모델 프레임워크가 DEG 분석에 사용되었습니다. 명시적으로 적용된 차별 표현 임계값:

|로그2FC| ≥ 1

FDR은 0.05 미만입니다.

NMRG 목록은 두 가지 요구사항을 모두 충족하는 DEG와만 교차했습니다. ggplot2와 pheatmap으로 만든 화산 플롯과 히트맵.

3. NMRDEGs 기능(GO), 경로(KEGG) 증강 검사

GO20 과 KEGG21증진 검사는 clusterProfiler 세트22에 의해 완료되었습니다. 두 분석 모두 p. adjust< 0.05, FDR(q 값)< 0.25에서 유의치 임계값을 인식하였습니다. 연구는 또한 logFC 값을 풍부 분석에 통합하여 결과를 원형 및 코드 다이어그램으로 표현했습니다. 농축 유의의 임계치: p-값 조정 < 0.05 FDR < 0.25 (q-값). 클러스터 프로파일러는 GO 및 KEGG 연구에 사용되었습니다. 유전자 방향성은 로그2 복 변화 데이터를 포함하는 코드 및 원 플롯을 사용하여 표시됩니다.

4. 유전자 집합 풍부화 분석 (GSEA)

표현형에 가장 크게 기여한 유전 인자 집합의 유형은 GSEA23을 사용하여 식별할 수 있습니다. 이 분석을 위해 TCGA-UCEC 데이터셋은 logFC 값을 기반으로 순위를 매겼고, clusterProfiler 패키지를 사용하여 개선 검토가 수행되었습니다. 주요 제한 사항은 2022년의 시드 가치와 10,000가지 순열을 포함했습니다. MSigDB 유전자 집합 "c2.all.v2022.1.Hs.symbols.gmt"는24번에 사용되었습니다. 마날로 저산소증 유발 유전자, 산화 스트레스 유발 노화, 당화 및 세포자퇴 경로 등 가장 풍부한 경로는 산악 도면을 통해 시각화되었습니다. GSEA 이전에는 유전자가 로그2 배 변화 기준으로 정렬되었습니다. 분석에서는 10,000개의 순열이 사용되었습니다. c2.all.v2022.1.Hs.symbols.gmt가 사용된 MSigDB 컬렉션입니다. 재현성을 위해 고정된 무작위 시드(2022년)가 사용되었습니다. 유의미한 경로는 p < 0.05, q < 0.25인 경로였습니다.

5. 콕스 모델 제작 및 관련 예후 검사

자궁내막암(UCEC)에서 니코틴아마이드 대사 연관 차별발현 유전자(NMRDEGs)의 예측 가치를 결정하기 위해, 연구진은 단변량 Cox 회귀분석을 사용하여 먼저 유전 인자를 분류하였다; 위험 비율(HR) > 1이고 p값 0.1< 다변량 Cox 상대 위험 프레임워크에 적합하다고 판단되었습니다.

단변량 콕스 선택 기준: p < 0.10, 심박수> 1. 다변량 콕스 모델에서는 Log2-TPM 정규화 표현 값이 사용되었습니다. Cox 계수× 유전자 발현의 선형 조합을 사용하여 위험 점수를 산출합니다. 노모그램 보정에는 1년, 3년, 5년 OS 확률이 사용되었고, 시간 의존 ROC에서는 1년, 3년, 5년 AUC 값이 사용되었습니다. 생존 컷오프 값을 찾기 위해 surv_cutpoint 최대 통계 접근법을 사용하였습니다. KM와 ROC 분석 모두 동일한 임계값을 사용했습니다.

다변량 콕스 모델에서 노모그래프가 구성되어 정확도나 예측 능력을 평가하고 1년, 3년, 5년의 총 존재 확률을 계산하였습니다. 표준화 아크는 예측 전망과 실제 결과 간의 균형성을 평가하기 위해 사용되었으며, 의사결정 곡선 분석(DCA)을 활용해 구조의 의학적 유용성을 측정하였습니다.

mRNA 발현 수준은 DESeq2 패키지를 통해 정규화된 log₂-변환 기록 백만 분당 (TPM) 값으로 결정되었습니다. TPM은 시퀀싱 복잡성과 유전자 측정을 고려하여 샘플 간 발현 수준을 견고하고 편향되지 않은 추정을 제공했습니다.

다변량 콕스 모델의 계수를 사용하여 각 환자의 예후 위험 등급은 다음과 같이 산출되었습니다:

riskScore = Σi 계수(유전자i) *mRNA 발현(유전자i) (1)

Kaplan-Meier(KM) 존재 호는 결정된 위험 등급에 따라 생성된 고위험 및 저위험 군집의 전반적인 지속력을 평가하기 위해 준비되었습니다. 시간 의존 수신기 작동 특성(ROC) 호는 1년, 3년, 5년 주기 기준26, 27 프레임워크의 루틴 평가에서 생성되었습니다.

생존 층화를 위해 고발현 및 저발현 집합으로 유전자 발현을 분류하기 위해, survminer R 패키지 이후의 surv_cut점 역할을 활용합니다. 이 함수는 표준화된 로그랭크 통계량을 최대화하여 가장 큰 컷오프 값을 결정하여 편향 없고 통계적으로 최적의 컷오프 포인트를 제공합니다.

각 예후 유전자에 대해 얻어진 컷오프 값은 ROC 곡선에 점선으로 표시되어 있습니다. 연구에서는 모든 생존 및 ROC 분석에 동일한 임계값을 적용했습니다.

TCGA RNA-seq는 HTSeq-FPKM 형식으로 다운로드되었으며; 임상 데이터는 TSV 표현형 파일 형식으로 가져왔습니다; FPKM은 TPM으로 변환되고 log₂ 변환되었으며; GEO 데이터셋은 플랫폼 주석을 사용해 프로브 ID에서 유전자 심볼로 매핑되었으며; 단일 유전자 값에 대해 중복 프로브를 평균화했으며; 임상 정보가 20% 이상 누락된 샘플은 제외되었으며; ComBat(경험적 베이즈)는 GSE 데이터셋의 배치 보정에 사용되었으며; 배치 수정이 성공했는지 확인하기 위해 PCA와 박스플롯을 사용했습니다. 표준 표현식 변환 기법을 이용한 TPM 정규화; 데이터셋 출처를 배치 변수로 사용하는 ComBat을 이용한 배치 보정; 리마 선형 모델링(종양 대 정상 설계 행렬)을 사용하여 계산한 차별 발현; GSEA 입력에 대한 log₂ 접수 변화에서 생성된 순위 유전자 목록; 생존 분석 도구를 사용한 단변량 및 다변량 콕스 회귀분석도

6. 유전자 집합 변이 분석(GSVA)

GSVA28 은 클러스터 간 증가 방식을 측정하기 위해 사용되었습니다. TCGA-UCEC 데이터셋에서는 50개의 특징 경로가 풍부화되었으며, 그중 41개가 이진 조립체 간에 중요한 변화를 보였습니다. GSVA는 홀마크 유전자 세트와 함께 샘플당 경로 활성을 얻기 위해 사용되었으며; STRING 단백질 상호작용 데이터는 Cytoscape에 가져왔으며; MCC 알고리즘은 허브 유전자를 식별하는 데 사용되었으며; 위험 점수는 유전자 발현 값의 합에 콕스 계수(Cox 계수)를 곱한 값으로 계산되었으며; 생존 시간 ROC 루틴을 사용하여 시간 의존 ROC 곡선을 생성하였습니다. 각 샘플에 대해 GSVA는 경로 수준 풍부도 점수를 계산했습니다. 윌콕슨 랭크 합 검정은 전마크 경로 활성의 차이를 평가하는 데 사용됩니다. 50개의 시그니처 경로 중 41개가 유의미하게 달랐습니다(조정 p < 0.05).

7. 단백질-단백질 상호작용(PPI) 시스템

중요한 유전자(AURKA, CDKN3, FOXM1, CDKN2A, TK1, CDK1)를 포함하는 PPI 시스템이 STRING 파일29와 통신 값 임계값 0.70을 사용하여 높은 신뢰도를 나타냅니다. 이 네트워크는 Cytoscape30을 사용하여 구축되었으며, UCEC 병태 기전에서 중요한 역할을 할 수 있는 상호작용을 강조합니다. 최대 집단 중심성(MCC) 방법31 은 네트워크 내 상호작용 점수에 생성된 유전 요인을 순위 매기는 데 유용했습니다. 상위권 10개 단백질 서열, 즉 CDK2, CDK4, CCNA2, CCNB1, CCNE1, CDK1, TP53, FOXM1이 확인되었습니다. 이 유전자들은 중요한 생물학적 과정에 관여하는지 추가 분석되었습니다. GeneMANIA 플랫폼32 는 추가 단백질 상호작용을 예측하고 주요 유전자가 UCEC 진행에서 어떤 역할을 하는지에 대한 더 넓은 맥락을 제공하는 데도 사용되었습니다. STRING 신뢰 점수 임계값: >0.70 (높은 신뢰도). Cytoscape는 네트워크를 표시합니다. 최대 집단 중심성(Maximal Clique Centrality, MCC) 기법이 허브 유전자의 순위를 매기는 데 사용됩니다. MCC 순위는 상호작용 유전자(CDK2, CCNA2, TP53 등)를 식별하는 데 사용되었습니다. 추가적인 상호작용 예측은 GeneMANIA를 사용해 이루어집니다.

8. 기술 로드맵

본 연구에서 사용된 전반적인 워크플로우와 방법은 그림 1에 표시된 기술 로드맵에 요약되어 있습니다. 이 로드맵은 데이터셋 획득과 차별 표현 분석부터 예후 모델 구축과 풍부 분석 구축에 이르기까지의 단계를 개괄합니다.

9. 통계 분석

데이터 처리 및 통계 추정은 R 프로그램(v4.3.0)을 사용하여 수행되었습니다. 두 그룹 비교에는 Mann-Whitney U 검정 또는 독립 학생 t-검정이 사용되었으며; 크루스칼-월리스 테스트는 세 개 이상의 의회에서 사용되었습니다. 기술적 데이터는 카이제곱 또는 피셔 정확 검정을 사용해 평가되었습니다. 또한 스피어먼 상관관계와 카플란-마이어 생존 분석도 수행되었으며; p < 0.05는 유의미한 것으로 간주되었습니다.

데이터 분포에 따른 통계적 검정 적용: 학생의 t-검정을 사용한 정규 데이터. Mann-Whitney U는 정상적이지 않은 데이터를 검사합니다. 크루스칼-월리스 검사는 세 그룹 이상을 검사합니다. 범주 데이터에 대한 피셔의 정확 및 카이제곱 계산. 통계적 유의성은 p < 0.05로 정의됩니다.

데이터 신뢰성은 사전 처리 체크포인트에 의해 유지되며, 박스플롯은 샘플 간 발현 분산이 일관되고, PCA 플롯은 ComBat 조정 후 배치별 클러스터가 없음을 보여야 합니다. 종양-정상 그룹화를 보여주는 히트맵과 유전자 상향/하향 조절을 명확히 보여주는 화산 그래프가 DEG 검증에 필요합니다. 투영 콕스 모델의 경우, 보정 플롯은 예측 생존과 실제 생존 기간을 일치시켜야 하며, ROC AUC 값은 0.65를 초과해야 하며, KM 호는 상당한 생존 차이를 보여야 합니다. 위험군 간 다양한 경로 활동은 확장이나 세포 주기 경로와 같은 확립된 메커니즘에 따라 GSVA 분석을 통해 보여야 합니다. 네트워크 복원력을 검증하기 위해서는 PPI 네트워크 내 고도로 결합된 노드가 중앙에 위치해야 하며, MCC가 결정한 허브 유전자는 생리학적으로 중요한 조절 인자와 일치해야 합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

GEO 데이터셋 보정 병합

연구는 SVA R 세트를 사용해 GSE115810 및 GSE63678 데이터셋의 배치 소유를 정확히 측정하여 통합 데이터셋인 Combined-Datasets를 생성했습니다. 그룹 결과 제거 결과는 순환 박스플롯(그림 2A, B)과 PCA 플롯(그림 2C, D)을 통해 검증되었으며, 배치 효과가 대부분 제거됨을 입증하였습니다. 정규화 후, PCA 플롯은 종양과 정상 샘플을 명확히 구분하여 효율적인 배치 교정과 균일한 샘플 그룹화를 입증해야 합니다.

차별표현 분석

499개의 DEG가 기준을 충족했으며, 184개의 상향 조절 유전자와 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

암세포의 미세환경에서 에너지 대사의 역할은 최근 상당한 주목을 받고 있습니다. 연구에 따르면 니코틴아마이드 대사에 관여하는 유전자들이 다양한 악성 종양의 진행과 밀접하게 연관되어 있습니다. 체내에서 흡수된 니코틴아마이드는 NAD와 NADP로 전환되며, 이 두 가지 모두 수많은 암 관련 과정에서 중요한 역할을 합니다. 따라서 NAD 대사는 종양 작용을 위한 유망한 치료 목표로 부상하고 있습니다. 전사 후 조절, 세포 생존, 에너지 대사, 세포 주기 진행, 세포 세포자멸사, DNA 복구, 일주기 리듬, 염색체 역학, 텔로머라제 활성화 등 다양한 세포 활동에서 매우 중요합니다. 점점 더 많은 증거가 NAD 대사에서 유래한 유전자 서명이 난소암과 자궁경부암을 포함한 다양한 암 유형에서 강력한 예측 능력을 보인다는 것을 시사합니다33,34. 특히, Nampt 발현이 자궁내막...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 공개할 것이 없습니다.

감사의 글

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

해당되지 않습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
clusterProfiler 패키지생체도체v4.8.0GO와 KEGG 농축 분석
사이토스케이프사이토스케이프 컨소시엄v3.9.1PPI 네트워크 시각화
DESeq2 패키지생체도체v1.40.0정규화 및 표현 분석
GeneCards 데이터베이스GeneCards Suite해당 없음니코틴아마이드 대사 관련 유전자의 출처
GeneMANIA 플랫폼genemania.org해당 없음유전자 기능과 상호작용 예측
지오 데이터셋 (GSE115810, GSE63678)유전자 발현 옴니버스 (GEO)해당 없음EC 공개 유전자 발현 데이터셋
ggplot2 패키지크랜v3.4.2데이터 시각화
림마 패키지생체도체v3.54.0 (예시)차별표현 분석
히트맵 패키지크랜v1.0.12히트맵 플로팅
R 소프트웨어 (v4.3.0)R 통계 컴퓨팅 재단버전 4.3.0데이터 분석 플랫폼
문자열 데이터베이스스트링 (string-db.org)v11.5단백질-단백질 상호작용 분석
Survminer 패키지크랜v0.4.9생존 분석
SVA 패키지생체도체v3.46.0배치 효과 제거
TCGA-UCEC 데이터셋암 게놈 아틀라스 (TCGA)해당 없음UCEC 환자의 전사체 및 임상 데이터
UCSC 제나캘리포니아 대학교 산타크루즈 캠퍼스해당 없음임상/유전체 데이터 다운로드 플랫폼

참고문헌

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bray, F., et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 68 (6), 394-424 (2018).
  2. Ni, J., et al. All human genes of the uteroglobin family are localized on chromosome 11q12.2 and form a dense cluster. Ann N Y Acad Sci. 923, 25-42 (2000).
  3. Concin, N., et al. Esgo/estro/esp guidelines for the management of patients with endometrial carcinoma. Virchows Arch. 478 (2), 153-190 (2021).
  4. Nikas, I. P., Paschou, S. A., Ryu, H. S. The role of Nicotinamide in cancer chemoprevention and therapy. Biomolecules. 10 (3), 477(2020).
  5. Wang, W., Karamanlidis, G., Tian, R. Decreased NAD activates STAT3 and integrin pathways to drive epithelial-mesenchymal transition. Mol Cell Proteomics. 17 (10), 2005-2017 (2018).
  6. Chen, A. C., et al. A phase 3 randomized trial of Nicotinamide for skin-cancer chemoprevention. N Engl J Med. 373 (17), 1618-1626 (2015).
  7. Kourtzidis, I. A., et al. Nicotinamide riboside supplementation dysregulates redox and energy metabolism in rats: Implications for exercise performance. Exp Physiol. 103 (10), 1357-1366 (2018).
  8. Eckert, M. A., et al. Proteomics reveals NNMT as a master metabolic regulator of cancer-associated fibroblasts. Nature. 569 (7758), 723-728 (2019).
  9. Jones, C. L., et al. Nicotinamide metabolism mediates resistance to venetoclax in relapsed acute myeloid leukemia stem cells. Cell Stem Cell. 27 (5), 748-764 (2020).
  10. Colaprico, A., et al. TCGAbiolinks: An R/Bioconductor package for integrative analysis of TCGA data. Nucleic Acids Res. 44 (8), e71(2016).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Zhao, D., Liu, J., Wang, C., Zhang, Y., Chen, L. Diagnosis and prediction of endometrial carcinoma using machine learning and artificial neural networks based on public databases. Genes (Basel). 13 (6), 935(2022).
  13. Davis, S., Meltzer, P. S. GEOquery: A bridge between the Gene Expression Omnibus (GEO) and Bioconductor. Bioinformatics. 23 (14), 1846-1847 (2007).
  14. Stelzer, G., et al. The GeneCards suite: From gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 54, 1.30.1-1.30.33 (2016).
  15. Cui, H., Liu, Y., Jiang, X., Li, H., Zhang, L., Wang, Z. Comprehensive analysis of Nicotinamide metabolism-related signature for predicting prognosis and immunotherapy response in breast cancer. Front Immunol. 14, 1145552(2023).
  16. Leek, J. T., Johnson, W. E., Parker, H. S., Jaffe, A. E., Storey, J. D. The SVA package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 28 (6), 882-883 (2012).
  17. Huang, J., Wang, S., Li, Y., Liu, X., Zhang, Y., Chen, Z. Proposing a novel molecular subtyping scheme for predicting distant recurrence-free survival in breast cancer post-neoadjuvant chemotherapy with close correlation to metabolism and senescence. Front Endocrinol (Lausanne). 14, 1265520(2023).
  18. Ito, K., Murphy, D. Application of ggplot2 to pharmacometric graphics. CPT Pharmacometrics Syst Pharmacol. 2 (10), e79(2013).
  19. Li, G. M., Zhang, C. L., Rui, R. P., Sun, B., Guo, W. Bioinformatics analysis of common differential genes of coronary artery disease and ischemic cardiomyopathy. Eur Rev Med Pharmacol Sci. 22 (11), 3553-3569 (2018).
  20. Mi, H., Muruganujan, A., Ebert, D., Huang, X., Thomas, P. D. PANTHER version 14: More genomes, a new PANTHER GO-slim and improvements in enrichment analysis tools. Nucleic Acids Res. 47 (D1), D419-D426 (2019).
  21. Ogata, H., et al. KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Res. 27 (1), 29-34 (1999).
  22. Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  23. Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).
  24. Liberzon, A., Birger, C., Thorvaldsdóttir, H., Ghandi, M., Mesirov, J. P., Tamayo, P. The Molecular Signatures Database hallmark gene set collection. Cell Syst. 1 (6), 417-425 (2015).
  25. Tataranni, T., Piccoli, C. Dichloroacetate (DCA) and cancer: An overview towards clinical applications. Oxid Med Cell Longev. 2019, 8201079(2019).
  26. Barakat, A., Mittal, A., Ricketts, D., Rogers, B. A. Understanding survival analysis: actuarial life tables and the Kaplan-Meier plot. Br J Hosp Med (Lond). 80 (11), 642-646 (2019).
  27. Heagerty, P. J., Lumley, T., Pepe, M. S. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics. 56 (2), 337-344 (2000).
  28. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 7(2013).
  29. Wakonig, B., Auersperg, A. M. I., O'Hara, M. String-pulling in the Goffin's cockatoo (Cacatua goffiniana). Learn Behav. 49 (1), 124-136 (2021).
  30. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  31. Boughorbel, S., Jarray, F., El-Anbari, M. Optimal classifier for imbalanced data using Matthews correlation coefficient metric. PLoS One. 12 (6), e0177678(2017).
  32. Franz, M., et al. GeneMANIA update 2018. Nucleic Acids Res. 46 (W1), W60-W64 (2018).
  33. Chen, A., Jing, W., Qiu, J., Zhang, R. Prediction of cervical cancer outcome by identifying and validating a NAD⁺ metabolism-derived gene signature. J Pers Med. 12 (12), 2031(2022).
  34. Lin, L., et al. Identification of NAD⁺ metabolism-derived gene signatures in ovarian cancer prognosis and immunotherapy. Front Genet. 13, 905238(2022).
  35. Li, H., et al. circABHD2 inhibits malignant progression of endometrial cancer by regulating the NAD⁺/NAMPT metabolism axis. Mol Biotechnol. 67 (7), 2644-2659 (2025).
  36. Hu, D., et al. Comprehensive analysis of a NAD⁺ metabolism-derived gene signature to predict the prognosis and immune landscape in endometrial cancer. Biomol Biomed. 24 (2), 346-359 (2024).
  37. Deng, B., et al. AURKA emerges as a vulnerable target for KEAP1-deficient non-small cell lung cancer by activation of asparagine synthesis. Cell Death Dis. 15 (3), 233(2024).
  38. Zhang, C., Shen, Q., Gao, M., Li, J., Pang, B. The role of cyclin-dependent kinase inhibitor 3 (CDKN3) in promoting human tumors: literature review and pan-cancer analysis. Heliyon. 10 (4), e26061(2024).
  39. Bai, X., Xiong, J., Li, L., Yu, C., Sun, C. Suppression of hypoxia-induced CAV1 autophagic degradation enhances nanoalbumin-paclitaxel transcytosis and improves therapeutic activity in pancreatic cancer. Eur J Pharmacol. 969, 176431(2024).
  40. Zhao, Z., et al. Activation of the FOXM1/ASF1B/PRDX3 axis confers hyperproliferative and antioxidative stress reactivity to gastric cancer. Cancer Lett. 589, 216796(2024).
  41. Yang, C., Plum, P. S., Gockel, I., Thieme, R. Pan-cancer analysis and in vitro validation of the oncogenic and prognostic roles of AURKA in human cancers. Front Oncol. 13, 1186101(2023).
  42. Shen, X., et al. YTHDC1-dependent m6A modification-modulated FOXM1 promotes glycolysis and tumor progression through CENPA in triple-negative breast cancer. Cancer Sci. 115 (6), 1881-1895 (2024).
  43. Jiang, J., et al. HNRNPA2B1-mediated m6A modification of FOXM1 promotes drug resistance and inhibits ferroptosis in endometrial cancer via regulation of LCN2. Funct Integr Genomics. 24 (1), 3(2023).
  44. Yue, C., et al. Autophagy-related risk signature based on CDKN2A to facilitate survival prediction of patients with endometrial cancer. J Gene Med. 26 (1), e3648(2024).
  45. Fu, Y., et al. Discovery of potential biomarkers for early diagnosis of endometrial cancer via integrating metabolomics and transcriptomics. Comput Biol Med. 173, 108327(2024).
  46. Omar, I. S., et al. Aberrant upregulation of CDK1 contributes to medroxyprogesterone acetate resistance in cancer-associated fibroblasts of the endometrium. Biochem Biophys Res Commun. 628, 133-140 (2022).
  47. Zhang, B., et al. A novel glycolysis-related gene signature for predicting the prognosis of multiple myeloma. Front Cell Dev Biol. 11, 1198949(2023).
  48. Huang, H., et al. A novel five-gene metabolism-related risk signature for predicting prognosis and immune infiltration in endometrial cancer: A TCGA data mining study. Comput Biol Med. 155, 106632(2023).
  49. Mao, X., et al. High glucose levels promote glycolysis and cholesterol synthesis via ERRα and suppress the autophagy-lysosomal pathway in endometrial cancer. Cell Death Dis. 16 (1), 182(2025).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

Endometrial CancerTCGA DatabasePrognostic ModelsUterine Corpus Endometrial CarcinomaNicotinamide MetabolismGene Set EnrichmentDifferential Gene ExpressionCox RegressionProtein Interaction AnalysisPrognostic Biomarkers

관련 논문