Onderzoeksartikel

Mining in endometriumkanker gebaseerd op de TCGA-database en het construeren van prognostische modellen

DOI:

10.3791/69650

⸱

16 januari 2026

 ,  ,  , 
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

In dit artikel

Samenvatting

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

Dit protocol schetst een computationele benadering voor het identificeren van genen die geassocieerd zijn met het nicotinamidemetabolisme bij endometriumkanker, gebruikmakend van TCGA- en GEO-datasets. Om de ontdekking van biomarkers te vergemakkelijken en de risicoinschatting bij baarmoedercorpus endometriumcarcinoom te verbeteren, beschrijft dit onderzoek de analyse van procedures voor verschillende expressie, routeverbetering, prognostisch modelontwerp en evaluatie.

Samenvatting

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

Endometriumkanker (EC) behoort tot de minst voorkomende gynaecologische tumoren wereldwijd, met een stijgende incidentie door veroudering en obesitas. Lymfekliermetastase blijft veelvoorkomend bij baarmoedercorpus endometriumcarcinoom (UCEC), waardoor nieuwe prognostische biomarkers nodig zijn om de behandeling te sturen. In dit onderzoek werd UCEC-informatie uit de Cancer Genome Atlas (TCGA) geanalyseerd en werden de resultaten gevalideerd met behulp van de Gene Expression Omnibus (GEO). Achttien differentieel tot expressie gebrachte genetische factoren die geassocieerd zijn met nicotinamidemetabolisme (NMRDEG's) werden geïdentificeerd. Gene Set Enrichment Analysis (GSEA) gaf hun rol aan bij oxidatieve stress, hypoxie, glycolyse en apoptoseprocessen. Univariate Cox-regressie identificeerde zes belangrijke genen (AURKA, CDKN3, FOXM1, CDKN2A, TK1 en CDK1), die worden gebruikt om een risicovoorspellingsraamwerk te ontwikkelen. Analyse van eiwit-eiwitinteractie (PPI) bracht extra hubgenen aan het licht zoals CDK2, CCNA2, TP53 en FOXM1. De zes belangrijkste genen toonden een sterke prognostische waarde, en het risicomodel van de studie kan klinische beslissingen sturen. Nicotinamidemetabolisme bleek significant gelinkt te zijn aan EC-progressie. Deze studie biedt nieuwe percepties over de rol van nicotinamidemetabolisme in EC en suggereert mogelijke wegen voor verbetering in de behandeling.

Inleiding

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

Endometriumkanker (EC) komt vaak voor bij vrouwelijke patiënten1. EC kan worden ingedeeld in het hormoonafhankelijke type en het hormoononafhankelijke type2. In 2020 omvatten de updates van richtlijnen voor het behandelen van EC-patiënten moleculaire markerdetectie en moleculaire typering, wat een significante invloed had op postoperatieve adjuvante behandeling en klinische prognose voor EC3. De pathogenese van EC is veelzijdig en omvat mutaties of verlies van verschillende oncogenen en/of tumorsuppressorgenen, samen met afwijkingen in meerdere signaalroutes die de ziekteprogressie en het uitkomst van de ziekte kunnen beïnvloeden. Het zoeken naar nieuwe biomarkers en het identificeren van effectieve behandeldoelen is cruciaal. Deze streven zijn bedoeld om het begrip van de pathogenese van EC en potentiële prognostische biomarkers te verdiepen, en zo een basis te leggen voor vroege detectie en gerichte therapie.

Niacinamide lijkt op niacine en speelt een rol bij vetopname en glycogeenafbraak. Het is essentieel voor het menselijk lichaam als een belangrijk co-enzymcomponent. De stofwisseling van nicotinamide omvat de processen waarmee het menselijk lichaam nicotinamide opneemt, transformeert en gebruikt.

De stofwisseling van niacinamide begint met opname. Het kan worden verkregen door voedselinname of aminozuuromzetting in het lichaam en wordt opgenomen door de darmslijmvlies-epitheelcellen. Daarna verandert het in zijn complexere vormen, die cruciaal zijn in veel biochemische processen. Daarnaast is nicotinamide omgezetbaar in andere verbindingen, waaronder het metaboliet 1-methylnicotinamide via nicotinamide adeninedinucleotide methyltransferase (NMT). Deze transformaties kunnen mogelijk het ontstaan en de progressie van verschillende metabole ziekten beïnvloeden. Zoals gerapporteerd, heeft het supplen met niacinamide verschillende gunstige effecten, waaronder het voorkomen en behandelen van tumoren4. Recent onderzoek heeft bevestigd dat het het fosforyleringsniveau van STAT3Y705 in longkanker kan verlagen. Een studie heeft aangetoond dat het gebruik van alleen niacinamide invasieve niet-melanoommembraantumoren bij hoogrisicopatiënten kan remmen6. Kourtzidis et al.7 ontdekten dat het suppletje met niacinamide gewichtstoename bij ratten kon remmen, de activiteit van transketolase (TK) en rode bloedcellen Na+- K+- ATPase kon verhogen, en het energiemetabolisme in het lichaam kon beïnvloeden. Een eerdere studie heeft nicotinamide N-methyltransferase (NNMT), een methyltransferase, erkend als een belangrijk probleem in de activiteit van kankergeassocieerde fibroblasten8. Bovendien is aangetoond dat nicotinamidefosforibosyltransferase bijdraagt aan venetoclaxresistentie in recidiverende stamcompartimenten van kritieke myeloïde leukemie9. Het doel was daarom om NAD+ metabolisme-gerelateerde genen (NMRG's) die gekoppeld zijn aan het risico op EC, volledig te identificeren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie maakte gebruik van publiek toegankelijke, gedeidentificeerde klinische en transcriptomische gegevens uit The Cancer Genome Atlas en de Gene Expression Omnibus. Alle bijdragende studies hadden voorafgaande goedkeuring van de institutionele beoordelingscommissie en geïnformeerde toestemming. Omdat alleen secundaire analyse van geanonimiseerde gegevens werd uitgevoerd, was geen aanvullende ethische goedkeuring vereist. De gebruikte databases en software staan vermeld in de Materiaaloverzicht.

1. Data downloaden

Het onderzoek maakte gebruik van de EC (TCGA-Uterine Corpus Endometrial Carcinoma (TCGA-UCEC)) dataset10, die bestaat uit 589 monsters, waaronder 554 tumorweefselmonsters van UCEC-patiënten (UCEC-groep) en sequencinggegevens van 35 aangrenzende normale weefsels (normale groep). De UCSC Xena-database werd gebruikt om de bijbehorende klinische gegevens11 terug te halen, exclusief degenen die geen volledige klinische informatie hadden. Uiteindelijk waren er 577 monsters met klinische gegevens beschikbaar voor analyse. Gedetailleerde basisinformatie is te vinden in Tabel 1.

Extra datasets gerelateerd aan EC, GSE115810 en GSE6367812 werden gedownload met behulp van het GEOquery-pakket13. De GSE115810 dataset en GSE63678 werden samengevoegd om de Gecombineerde Datasets te creëren voor verdere analyse (Tabel 2).

NAD+ metabolisme-gerelateerde genen (NMRG's) zijn gesitueerd na GeneCardsrecord14 en relevante literatuur15. Door "Niacinamide metabolisme" als zoekterm in GeneCards te gebruiken, identificeerden 345 NMRG's met relevantiescores boven de 4. Door duplicaten te combineren en te verwijderen uit de 42 NMRG's die in de literatuur werden gevonden, kwamen er in totaal 371 NMRG's op (Aanvullende Tabel 1). Klinische gegevens werden verkregen as.tsv fenotypische bestanden; gegevens werden gedownload in HTSeq-FPKM-formaat. Uitgesloten steekproeven misten meer dan 20% van hun klinische gegevens. FPKM werd log 2-getransformeerd en omgezet naar TPM (transcripts per million). Probe-ID's werden gekoppeld aan gensymbolen voor GEO-datasets, en dubbele probes werden gemiddeld berekend.

2. Differentieel tot expressie gebrachte genen van het nicotinamidemetabolisme

Het onderzoek begon met het toepassen van de R-setsva16 om setbezittingen na de GSE115810 en GSE63678 datasets te elimineren, wat resulteerde in een wederzijdse dataset met 31 EC (UCEC) en 8 aangrenzende normale monsters. Vervolgens gebruikt de limmaset17 om een discrepantie-genexpressieonderzoek uit te voeren op de TCGA-UCEC dataset.

De kruising van DEG's uit de TCGA-UCEC-analyse met 337 NMRG's om DEG's te identificeren die verband houden met nicotinamidemetabolisme. Dit leverde een lijst op van Niacinamide-metabolisme-gerelateerde differentieel expressieve genen (NMRDEG's), die werden afgebeeld in een Venn-illustratie. De uitkomsten van het discrepantie-uiterlijkonderzoek werden geïllustreerd door het ggplot2 R-pakket18, terwijl een heatmap van de NMRDEG's werd gegenereerd met behulp van de pheatmap-set19. Inter-datasetvariantie wordt geëlimineerd door batchcorrectie met ComBat (empirische Bayes). Het limma empirische Bayes-lineaire modelkader werd toegepast in DEG-analyse. Expliciet toegepaste differentiële expressiedrempels:

|log2FC| ≥ 1

FDR minder dan 0,05.

De NMRG-lijst kruiste alleen met DEG's die aan beide eisen voldeden. Plots van vulkanen en heatmaps gemaakt met ggplot2 en pheatmap.

3. NMRDEG-functie (GO), pathway (KEGG) verbeteringsonderzoek

GO20 en KEGG21verbeteringsonderzoeken werden voltooid door de clusterProfiler set22. Voor beide analyses werden significantiedrempels herkend bij p. adjusteren< 0,05 en FDR (q-waarde) < 0,25. Onderzoek integreerde ook logFC-waarden in de verrijkingsanalyse, waarbij de resultaten werden weergegeven in cirkelvormige en koorddiagrammen. Drempels voor verrijkingssignificantie: p-waarde aangepast < 0,05 FDR < 0,25 (q-waarde). Cluster Profiler werd gebruikt voor GO- en KEGG-studies. Genrichting wordt weergegeven met behulp van koord- en cirkelplotten die log 2-voudige veranderingsgegevens bevatten.

4. Genensetverrijkingsanalyse (GSEA)

Het type erfelijke factorsets dat het meest bijdroeg aan het fenotype kan worden vastgesteld met behulp van GSEA23. Voor deze analyse werd de TCGA-UCEC dataset gerangschikt op basis van logFC-waarden en werd er een verbeteringsonderzoek uitgevoerd met behulp van het clusterProfiler-pakket . Belangrijke beperkingen omvatten een zaadwaarde van 2022 en 10.000 permutaties. De MSigDB-genset "c2.all.v2022.1.Hs.symbols.gmt" werd24 keer gebruikt. De meest verrijkte routes, waaronder door Manalo-hypoxie geïnduceerde genen, oxidatieve stress veroorzaakte senescence, glycolyse en apoptose-paden, werden gevisualiseerd met behulp van een bergplot. Voor GSEA werden genen geordend op log2-voudige verandering. 10.000 permutaties werden gebruikt in de analyse. c2.all.v2022.1.Hs.symbols.gmt is de MSigDB-collectie die werd gebruikt. Voor reproduceerbaarheid werd een vaste willekeurige seed (2022) gebruikt. Significante routes waren die met p < 0,05 en q < 0,25.

5. Cox-modelconstructie en gerelateerde prognoseonderzoek

Om de voorspellende waarde van nicotinamide-metabolisme-gekoppelde differentieel expressieve genen (NMRDEG's) bij endometriumcarcinoom (UCEC) te bepalen, gebruikten onderzoekers univariate Cox-regressieanalyse om eerst erfelijke factoren van de kandidaat te classificeren; die met een risicoverhouding (HR) > 1 en p-waarde < 0,1 werden als geschikt beschouwd voor het multivariate Cox-relatieve risico-raamwerk.

Criteria voor univariate Cox-selectie: p < 0,10 en HR > 1.Log 2-TPM-genormaliseerde expressiewaarden werden gebruikt in het multivariate Cox-model. Een lineaire combinatie van Cox-coëfficiënten × genexpressie wordt gebruikt om de risicoscore te bepalen.1-, 3- en 5-jaar OS-kansen werden gebruikt bij de kalibratie van nomogrammen.1-, 3- en 5-jaar OC-waarden werden toegepast in tijdsafhankelijke ROC. De surv_cutpoint max-statistiekbenadering werd gebruikt om overlevingsgrenswaarden te vinden. Zowel KM- als ROC-analyses gebruikten dezelfde drempels.

Een nomograaf werd geconstrueerd uit het multivariate Cox-model om de nauwkeurigheid of voorspellende capaciteit te beoordelen en om de kans op een totale bestaan van 1, 3 en 5 jaar te berekenen. Standaardisatiebogen worden gebruikt om de stabiliteit tussen verwachte prospects en reële gevolgen te beoordelen, en Decision Curve Analysis (DCA) werd gebruikt om de medische nut van structuur25 te meten.

mRNA-expressieniveaus werden bepaald als genormaliseerde log₂-getransformeerde records per miljoen (TPM) waarden met behulp van het DESeq2-pakket. TPM's hielden rekening met sequencingcomplexiteit en genmeting om robuuste en onbevooroordeelde schattingen van expressieniveaus tussen monsters te bieden.

Met behulp van de coëfficiënten van het multivariate Cox-model werd de prognostische hazardbeoordeling van elke patiënt als volgt bepaald:

riskScore = Σi Coëfficiënt (geni) *mRNA Expressie (geni) (1)

Kaplan-Meier (KM) bestaansbogen werden voorbereid om de algemene duurzaamheid van hoge en laag-hazard clusters te beoordelen die zijn gecreëerd op bepaalde gevarenbeoordelingen. Tijdafhankelijke receiver operating character (ROC) bogen werden geproduceerd bij het evalueren van de routine van systemen op 1-, 3- en 5-jaarsperiodes26,27.

Om genexpressie te categoriseren op basis van collecties met hoge en lage expressie voor survivalstratificatie, wordt gebruik gemaakt van de surv_cut puntrol na het survminer R-pakket. Deze functie bepaalt de grootste cut-off waarde door de gestandaardiseerde log-rangstatistiek te maximaliseren, wat een onbevooroordeeld, statistisch optimaal cut-off punt geeft.

De verkregen cut-offwaarden voor elk prognostisch gen worden in de ROC-curves aangegeven als stippellijnen. Onderzoek paste dezelfde drempels toe voor alle overlevings- en ROC-analyses.

TCGA RNA-seq werd gedownload in HTSeq-FPKM-formaat; klinische gegevens werden geïmporteerd als TSV-fenotypebestanden; FPKM werd omgezet naar TPM en log₂-getransformeerd; GEO-datasets werden gekoppeld van probe-ID's naar gensymbolen met behulp van platformannotaties; Dubbele probes werden gemiddeld voor één genwaarde; Steekproeven met meer dan 20% ontbrekende klinische informatie werden uitgesloten; ComBat (empirische Bayes) werd gebruikt voor batchcorrectie voor GSE-datasets; PCA en boxplots werden gebruikt om te verifiëren dat de batchcorrectie succesvol was. TPM-normalisatie met behulp van standaard expressietransformatietechnieken; batchcorrectie met ComBat waarbij de oorsprong van de dataset als batchvariabele wordt gebruikt; differentiële expressie berekend met behulp van limma lineaire modellering (tumor versus normale ontwerpmatrix); gerangschikte genlijsten gegenereerd uit log₂ fold-veranderingen voor GSEA-input; en univariate en multivariate Cox-regressies uitgevoerd met behulp van overlevingsanalysetools

6. Genensetvariatieanalyse (GSVA)

GSVA28 werd gebruikt om de verbetering tussen de clusters te meten. In de TCGA-UCEC dataset werden 50 kenmerkende paden verrijkt, waarvan 41 belangrijke veranderingen tussen de binaire assemblies vertoonden. GSVA werd gebruikt met kenmerkende gensets om pathwayactiviteit per monster te verkrijgen; STRING-eiwitinteractiegegevens werden geïmporteerd in Cytoscape; het MCC-algoritme werd gebruikt om hubgenen te identificeren; risicoscores werden berekend als de som van genexpressiewaarden vermenigvuldigd met hun Cox-coëfficiënten; tijdafhankelijke ROC-curves werden gegenereerd met behulp van survival-time ROC-routines. Voor elke steekproef berekende GSVA de verrijkingsscores op pathwayniveau. De Wilcoxon rangsomtest wordt gebruikt om verschillen in de activiteit van kenmerkende paden te beoordelen. Van de vijftig signatuurpaden waren eenenveertig significant verschillend (aangepast p < 0,05).

7. Eiwit-eiwitinteractie (PPI) systeem

Er is een PPI-systeem met de belangrijke genen (AURKA, CDKN3, FOXM1, CDKN2A, TK1 en CDK1) gecreëerd met behulp van het STRING-bestand29 en een communicatiewaardedrempel van 0,70, wat wijst op een hoge betrouwbaarheid. Dit netwerk is gecreëerd met behulp van Cytoscape30, waarbij interacties worden benadrukt die mogelijk een cruciale rol spelen in de pathogenese van UCEC. De Maximal Clique Centrality (MCC) methode31 was nuttig om de erfelijke factor die werd gecreëerd op hun interactiescores binnen het internet te rangschikken. De bovenste 10 eiwitsequentie met de hoogste interfacescores werd erkend, waaronder CDK2, CDK4, CCNA2, CCNB1, CCNE1, CDK1, TP53 en FOXM1. Deze genen werden verder geanalyseerd op hun betrokkenheid bij kritieke biologische processen. Het GeneMANIA-platform32 werd ook gebruikt om aanvullende eiwitinteracties te voorspellen en een bredere context te bieden voor de rollen van de sleutelgenen in de UCEC-progressie. Drempel voor STRING-betrouwbaarheidsscore: >0,70 (hoog vertrouwen). Cytoscape toont het netwerk. De Maximal Clique Centrality (MCC) techniek wordt gebruikt om hubgenen te rangschikken. De MCC-ranglijst werd gebruikt om de meest interacterende genen te identificeren (CDK2, CCNA2, TP53, enz.). Aanvullende interactievoorspellingen worden gedaan met behulp van GeneMANIA.

8. Technologieroadmap

De algemene workflow en methoden die in deze studie worden gebruikt, worden samengevat in de technologieroadmap die in Figuur 1 wordt weergegeven. Deze roadmap beschrijft de stappen van dataset-acquisitie en differentiële expressie-analyse tot het opstellen van prognostische modellen en verrijkingsanalyses.

9. Statistische analyse

Gegevensverwerking en statistische schattingen werden uitgevoerd met het R-programma (v4.3.0). De Mann-Whitney U-test of Independent Student's t-test werd gebruikt voor tweegroepsvergelijkingen; de Kruskal-Wallis-test is toegepast voor drie of meer assemblages. De beschrijvende gegevens werden beoordeeld met chi-kwadraat of de exacte test van Fisher. Verder werden Spearman-correlatie- en Kaplan-Meier-overlevingsanalyses uitgevoerd; p < 0,05 werd als significant beschouwd.

Statistische tests toepassen volgens de verdeling van de gegevens: Normale gegevens met behulp van de t-test van de leerling. Mann-Whitney U test op gegevens die niet normaal zijn. Kruskal-Wallis testen voor meer dan drie groepen. Fisher's exacte en chi-kwadraat voor categorische gegevens. Statistische significantie wordt gedefinieerd als p < 0,05.

De betrouwbaarheid van gegevens wordt gehandhaafd door de pretreatment-checkpoints, waar boxplots consistente expressievariantie over monsters moeten laten zien, en PCA-plots de afwezigheid van batch-specifieke clusters moeten aantonen na ComBat-aanpassing. Heatmaps die tumor-normale groepering tonen en vulkaangrafieken die duidelijk gen-up/down-regulatie illustreren, zijn noodzakelijk voor DEG-validatie. Voor het projectiemodel van Cox moeten kalibratiegrafieken overeenkomen met voorspelde en werkelijke overleving, ROC-AUC-waarden groter dan 0,65 en moeten KM-bogen een aanzienlijk overlevingsverschil laten zien. Verschillende routeactiviteiten tussen risicogroepen moeten worden aangetoond door GSVA-analyse, in lijn met gevestigde mechanismen zoals expansie- of celcyclusroutes. Om netwerkveerkracht te verifiëren, moeten sterk gekoppelde knooppunten in het PPI-netwerk centraal verschijnen, en moeten hubgenen die door MCC worden bepaald overeenkomen met fysiologisch significante regulatoren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Het samenvoegen van de correctie van de GEO-dataset

Onderzoek gebruikte de SVA R-set op precise voor batchbezitters in de gecombineerde GSE115810- en GSE63678-datasets, wat resulteerde in een uniforme dataset genaamd Combined-Datasets. De resultaten van groepsresultaateliminatie werden geverifieerd met circulatieboxplots (Figuur 2A,B) en PCA-plots (Figuur 2C,D), die aantoonden dat de ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De rol van energiemetabolisme in de microomgeving van kankercellen heeft de laatste tijd veel aandacht gekregen. Onderzoek heeft aangetoond dat genen die betrokken zijn bij het nicotinamidemetabolisme nauw verbonden zijn met de progressie van verschillende maligniteiten. Zodra het door het lichaam is opgenomen, wordt Nicotinamide omgezet in NAD en NADP, die beide cruciaal zijn in tal van kankergerelateerde processen. Daarom komt NAD-metabolisme naar voren als een veelbelovend therapeutis...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Niet van toepassing.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

```html

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
clusterProfiler packageBioconductorv4.8.0GO en KEGG verrijkingsanalyse
CytoscapeCytoscape Consortiumv3.9.1PPI netwerk visualisatie
DESeq2 packageBioconductorv1.40.0Normalisatie en expressieanalyse
GeneCards databaseGeneCards SuiteN/ABron van nicotinamide metabolisme-gerelateerde genen
GeneMANIA platformgenemania.orgN/AGenfunctie en interactievoorspelling
GEO datasets (GSE115810, GSE63678)Gene Expression Omnibus (GEO)N/AOpenbare genexpressie datasets voor EC
ggplot2 packageCRANv3.4.2Gegevensvisualisatie
limma packageBioconductorv3.54.0 (voorbeeld)Differentiële expressieanalyse
pheatmap packageCRANv1.0.12Heatmap tekening
R software (v4.3.0)R Foundation for Statistical ComputingVersie 4.3.0Gegevensanalyseplatform
STRING databaseSTRING (string-db.org)v11.5Proteïne-proteïne interactieanalyse
survminer packageCRANv0.4.9Overlevingsanalyse
sva packageBioconductorv3.46.0Verwijdering batcheffect
TCGA-UCEC datasetThe Cancer Genome Atlas (TCGA)N/ATranscriptoom en klinische gegevens van UCEC-patiënten
UCSC XenaUniversity of California, Santa CruzN/APlatform voor downloaden van klinische/genoomgegevens
```

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Uterine Corpus Endometrial CarcinomaNicotinamide MetabolismGene Set EnrichmentDifferential Gene ExpressionCox RegressionProtein Interaction AnalysisPrognostic Biomarkers

Gerelateerde artikelen