Onderzoeksartikel

Geïntegreerde bio-informatische analyse van menselijke transcriptomische gegevens identificeert drie belangrijke diagnostische en prognostische biomarkers bij longadenocarcinoom

DOI:

10.3791/71214

⸱

30 juni 2026

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

* These authors contributed equally

In dit artikel

Samenvatting

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

Deze studie identificeerde diagnostische en prognostische biomarkers voor longadenocarcinoom met behulp van TCGA-LUAD en GEO GSE115002 transcriptomische gegevens. B3GNT3, FERMT1 en SPP1 werden opgereguleerd, waardoor tumoren werden onderscheiden van normaal weefsel. Deze genen zijn gekoppeld aan de epitheel-mesenchymale overgang en immuunsuppressie. Een nomogram dat genexpressie combineert met het TNM-stadium toonde een betrouwbare voorspellende waarde.

Samenvatting

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

Longadenocarcinoom (LUAD) is wereldwijd de belangrijkste oorzaak van kankergerelateerde sterfte. Ondanks vooruitgang in chirurgie, gerichte therapie en immunotherapie blijft de 5-jarige overlevingskans van geavanceerde LUAD onder de 20%, wat wijst op een dringende behoefte aan betrouwbare moleculaire biomarkers voor vroege detectie en prognose. In deze studie stelden de auteurs de hypothese dat drie consequent opgereguleerde genen als effectieve diagnostische en prognostische biomarkers voor LUAD kunnen fungeren. De auteurs analyseerden transcriptomische gegevens van twee onafhankelijke cohorten, TCGA-LUAD (535 tumoren, 59 normale monsters) en GSE115002 (52 tumoren, 52 overeenkomende normale monsters), om differentieel expressieve genen te screenen. Drie kerngenen—B3GNT3, FERMT1 en SPP1—werden consequent overgeëxprimeerd in LUAD-tumoren in beide datasets. Deze genen vertoonden uitstekende diagnostische prestaties, met AUC-waarden boven 0,95 in TCGA-LUAD en hoge nauwkeurigheid in GSE115002. Overlevingsanalyse toonde aan dat een hoge expressie van elk gen significant geassocieerd was met een kortere algehele en ziektevrije overleving, en multivariate Cox-regressie bevestigde hun onafhankelijke prognostische waarde. Analyse van functionele verrijking gaf aan dat deze drie genen deelnemen aan de epitheel-mesenchymale overgang, extracellulaire matrixremodellering en immuunsuppressie, die allemaal nauw verbonden zijn met LUAD-invasie en metastase. De auteurs construeerden verder een prognostisch nomogram waarin de drie genen en het TNM-stadium werden gecombineerd, waarbij een concordantie-index van 0,743 werd bereikt en goede voorspellende prestaties werden aangetoond. Deze bevindingen bevestigen dat B3GNT3, FERMT1 en SPP1 veelbelovende diagnostische en prognostische biomarkers zijn voor LUAD, wat de klinische toepassing in risicostratificatie en -beheer ondersteunt.

Inleiding

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

Longkanker is de belangrijkste oorzaak van wereldwijde kankersterfte en was verantwoordelijk voor ongeveer 1,8 miljoen sterfgevallen in 2020. Longadenocarcinoom (LUAD) vertegenwoordigt bijna 40% van alle longkankergevallen2. Ondanks vooruitgang in chirurgie, gerichte therapie en immunotherapie blijft de 5-jaars overlevingskans voor geavanceerde LUAD onder de 20%. Betrouwbare moleculaire biomarkers voor vroege detectie en nauwkeurige prognose zijn dringend nodig. High-throughput sequencing en openbare databases zoals The Cancer Genome Atlas (TCGA) en Gene Expression Omnibus (GEO) maken systematische transcriptomische profilering van kankersmogelijk 5,6. Integratieve bioinformatica tussen cohorten verbetert de betrouwbaarheid van de ontdekking van kandidaat-biomarkers5.

Veel genen en routes zijn betrokken bij LUAD, waaronder celproliferatie, EGFR-signalering en immuunontsnapping7. Er zijn echter weinig exemplaren in de praktijk gebracht. Risicomodellen die gensignaturen en klinisch-pathologische kenmerken combineren — vooral nomogrammen — verbeteren de prognostische nauwkeurigheid in LUAD8. Hoewel B3GNT3, FERMT1 en SPP1 individueel zijn gekoppeld aan kankerprogressie, is hun gecombineerde diagnostische, prognostische en immuun-micro-omgeving regulerende waarde in LUAD niet systematisch gevalideerd over onafhankelijke cohorten. Deze studie biedt de eerste geïntegreerde cross-platform analyse van deze drie genen als een geïntegreerd biomarkerpaneel voor LUAD, met een klinisch toepasbaar prognostisch nomogram.

B3GNT3 codeert voor een glycosyltransferase die PD-L1 stabiliseert en immuunontwijking 9,10 bevordert. FERMT1 (kindlin-1) reguleert integrineactivatie en stimuleert metastasen bij niet-kleincellige longkanker (NSCLC)11,12. SPP1 (osteopontine) bemiddelt extracellulaire matrixremodellering, epitheel-mesenchymale overgang (EMT) en chemoresistentie 13,14,15. Circadiane klok-gerelateerde genen zijn ook aangetoond de prognose en diagnose van LUAD te voorspellen16, terwijl geslachtsverschillen in LUAD zijn ontdekt via multi-omics integratieve eiwitsignaalnetwerken17. B3GNT3 en SPP1 worden afgescheiden of membraangelokaliseerd, wat mogelijk gebruik als minimaal invasieve biomarkers ondersteunt. Effectieve LUAD-classificatie en biomarkeridentificatie kunnen ook worden bereikt door overlappende methoden voor het selecteren van kenmerken18, en multi-omic interacties spelen een belangrijke functionele rol bij de progressie van longkanker19. Mitochondriale gensignaturen, geïdentificeerd via uitgebreide multi-omics-integratie, hebben ook waarde voor LUAD-prognose en gepersonaliseerde therapie20. B3GNT3 en SPP1 worden afgescheiden of membraangelokaliseerd, wat mogelijk gebruik als minimaal invasieve biomarkers ondersteunt. Deze studie had als doel robuuste LUAD-biomarkers te identificeren met integratieve bio-informatica, hun diagnostische en prognostische prestaties te evalueren, hun biologische functies en immuunassociaties te onderzoeken en een klinisch bruikbaar prognostisch nomogram op te bouwen.

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

Protocol

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

1. Gegevensbronnen en voorverwerking

  1. Verwerk ruwe data in R (versie 4.1.3; Windows 10 Pro).
  2. Voor GSE115002 pas je kwantielnormalisatie toe met limma (versie 3.52.3).
  3. Filter genen met lage expressie voor TCGA: behoud genen met CPM > 0,5 in ≥50% van de monsters.
  4. Filter genen met lage expressie op GSE115002: behoud genen met gemiddeld signaal >50.
  5. log2Transformatie-expressiewaarden met een pseudocount van +1.
    OPMERKING: LUAD-genexpressie en klinische gegevens zijn verkregen van TCGA-LUAD (versie 33.0, GDC Portal, gedownload op 7 augustus 2025) en GSE115002 (Agilent microarray, GEO, gedownload op 7 augustus 2025). TCGA-LUAD omvatte 535 tumoren en 59 normale monsters. GSE115002 omvatte 52 tumoren en 52 overeenkomende normale monsters.

2. Identificatie van differentieel tot expressie gebrachte genen

  1. Gebruik DESeq2 (versie 1.36.0) voor TCGA RNA-seq en limma (versie 3.52.3) voor GSE115002 voor differentiële expressieanalyse. Bereken aangepaste P-waarden (FDR) met behulp van de Benjamini–Hochberg-methode.
  2. Om cross-dataset-vergelijkbaarheid te waarborgen, is een uniforme |log₂FC| ≥ 1.0 werd toegepast voor beide cohorten. DEG's werden gedefinieerd als FDR < 0.05 en |log₂FC| ≥ 1.0. Overlapende DEG's werden geïdentificeerd met behulp van VennDiagram (versie 1.7.3). B3GNT3, FERMT1 en SPP1 werden geselecteerd als consequent opgereguleerde kandidaten met bekende kankerrelevantie.

3. Evaluatie van diagnostische waarde

  1. Bouw ROC-curves voor elk kandidaatgen.
  2. Bepaal optimale afkapwaarden met behulp van de Youden-index.
  3. Bereken AUC, gevoeligheid en specificiteit voor elk gen.
  4. Bouw een gecombineerd diagnostisch paneel met behulp van multivariate logistische regressie.
    OPMERKING: Het pROC-pakket v1.18.0 werd gebruikt voor ROC-analyse. De glm-functie met de binomiale familie werd gebruikt om het diagnostisch model te construeren.

4. Overlevingsanalyse

  1. Laag patiënten in groepen met hoge en lage expressie op basis van mediane expressie.
  2. Genereer Kaplan–Meier-overlevingscurves voor elk gen.
  3. Voer log-rank tests uit om overlevingsverschillen te vergelijken.
  4. Voer univariate Cox-regressieanalyse uit.
  5. Voer multivariate Cox-regressieanalyse uit.
  6. Neem klinische covariaten op in regressiemodellen.
  7. Verifieer de aanname van proportionele gevaren met behulp van Schoenfeld-residuen.
  8. Bereken een risicoscore van drie genen.
    OPMERKING: Survival v3.3.1 en survminer v0.4.9 werden gebruikt. Covariaten omvatten leeftijd, geslacht, T-fase, N-stadium en M-stadium. De risicoscore werd als volgt berekend:
    Risicoscore = (0,328 × B3GNT3) + (0,331 × FERMT1) + (0,321 × SPP1). (1)

5. Verrijking van genensets en functionele annotatie

  1. Voer GO-verrijkingsanalyse uit met behulp van DEGs.
  2. Voer KEGG-routeverrijkingsanalyse uit met behulp van DEGs.
  3. Voer gensetverrijkingsanalyse uit (GSEA).
  4. Rangschik genen op basis van Pearson-correlatie met kandidaatgenexpressie.
  5. Identificeer significante termen met aangepaste P < 0,05.
    OPMERKING: clusterProfiler v4.6.2 werd gebruikt voor GO- en KEGG-analyses. FGSEA v1.22.0 en MSigDB Hallmark v7.5 werden gebruikt voor GSEA.

6. Correlatie en netwerkanalyse

OPMERKING: Pearson-correlatie werd gebruikt voor normaal verdeelde genexpressie; Spearman-correlatie voor immuuncelfracties. PPI-netwerken werden gegenereerd met STRING (versie 11.5, betrouwbaarheid > 0.7) en gevisualiseerd in Cytoscape (versie 3.9.1). De immuuninfiltratie werd geschat met behulp van CIBERSORT (absolute modus, 100 permutaties). Single-cell RNA-sequencing is aangetoond niche-overgangen te onthullen in de NSCLC-microomgeving, wat relevant is voor immuuninfiltratieanalyse21,22, en integratieve single-cell analyse kan de rollen van immuuncellen, zoals CD8+ geheugencellen, in LUAD 23,24,25 verder ontleden.

7. Nomogramconstructie en validatie

OPMERKING: Variabelen voor het nomogram zijn geselecteerd op basis van multivariate Cox-significantie (P < 0,05): T-fase, N-fase, B3GNT3, FERMT1 en SPP1. Het nomogram werd gebouwd met rms (versie 6.5.0). Interne validatie gebruikte 1000 bootstrap resampling met vervanging. Kalibratiecurves en beslissingscurveanalyse (DCA) werden uitgevoerd met behulp van RMDA (versie 1.7). De computationele omgeving omvatte R 4.1.3, Windows 10 Pro en Bioconductor 3.15. Analysescripts zijn beschikbaar op https://github.com/[redacted]/LUAD-biomarker-2025 op redelijk verzoek.

8. Statistische analyse

OPMERKING: Alle statistische tests waren tweezijdig; P < 0,05 werd als significant beschouwd.

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

Resultaten

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

Globale genexpressieveranderingen in LUAD

Transcriptomische vergelijkingen tussen longadenocarcinoomweefsels en normale longweefsels identificeerden wijdverspreide veranderingen in genexpressie. Figuur 1A toont vulkaangrafieken van differentieel tot expressie gebrachte genen in de TCGA-LUAD-dataset, en Figuur 1B toont die in de GSE115002-dataset. In de TCGA-LUAD-cohort (Figuur 1A) wer...

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

Discussie

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

Het nomogram werd geconstrueerd met behulp van multivariate Cox-regressieanalyse op basis van de TCGA-LUAD-cohort. Voorspellers zijn onder andere pathologische T-fase, pathologische N-fase en genexpressiestatus van B3GNT3, FERMT1 en SPP1 (gecategoriseerd als Hoog versus Laag op basis van mediane expressie). Voor elke patiënt worden de individuele scores voor elke variabele opgeteld om een "Totale Punten"-waarde te genereren, die overeenkomt met geschatte overle...

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

Openbaarmakingen

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

De auteurs verklaren geen concurrerende belangen.

Dankbetuigingen

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

Dit werk werd ondersteund door het project op het niveau van de Fujian Universiteit voor Traditionele Chinese Geneeskunde (subsidienummer: XB2024012) in 2024, geleid door Yuhui Lin van het Affiliated People's Hospital van de Fujian Universiteit voor Traditionele Chinese Geneeskunde. en gezamenlijke fondsen voor innovatie van wetenschap en technologie, provincie Fujian (subsidienummer 2025Y9530), geleid door Xiaoting Chen van het Jinjiang Municipal Hospital (Shanghai Sixth People's Hospital, Fujian).

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Publicly Available DatasetsTCGA-LUAD DatasetThe Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 LUAD tumor samples, 59 aangrenzende normale longweefselmonsters (RNA-sequencing count/FPKM waarden + klinische gegevens: overleving, TNM-stadiëring)Transcriptomische en klinische gegevens voor differentiële expressie, overleving en nomogramanalyse; primaire studiecohort
GSE115002 DatasetGene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Agilent microarray, 52 LUAD tumorweefsels, 52 bijbehorende normale longweefsels (behandeling-naïeve primaire tumoren)Onafhankelijke validatiecohort voor differentiële expressie, diagnostische prestaties en immuuninfiltratieanalyse
Bioinformatics Software & ProgrammeringsomgevingR ProgrammeertaalVersie 4.1Kernplatform voor alle transcriptomische, statistische en grafische analyses
R Packages (Differentiële Expressie)DESeq2, limmaDESeq2: TCGA RNA-seq ruwe telling differentiële expressieanalyse; limma: GSE115002 microarray normalisatie en differentiële expressieanalyse (Benjamini–Hochberg FDR correctie)
R Packages (Diagnostische Analyse)pROCConstructie van ROC-curves, berekening van AUC (95% BI), optimale cutoff bepaling (Youden’s index) voor beoordeling van diagnostische prestaties
R Packages (Overlevingsanalyse)survival, survminerKaplan–Meier overlevingscurvegeneratie, log-rank test, univariabele/multivariabele Cox proportionele hazard regressie (HR + 95% BI); patiëntstratificatie per mediane genreexpressie
R Packages (Functionele Verrijking)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) en KEGG padverrijkingsanalyse (gecorrigeerd P < 0,05); fgsea: GSEA voor MSigDB Hallmark/KEGG gensets (FDR < 0,25)
R Packages (Nomogram Constructie & Validatie)rmsOntwikkeling van prognostisch nomogram (integratie van genreexpressie + TNM-stadium); Harrell’s C-index berekening, bootstrap hersteekproef (1000 herhalingen) voor biascorrectie, kalibratieplotgeneratie
R Packages (Statistisch & Visualisatie)ggplot2, ComplexHeatmap, corrplotGeneratie van vulkaanplots, bubbelplots (verrijking), heatmaps (immuuninfiltratiecorrelatie), spreidingsplots (genrecoexpressie); Pearson/Spearman correlatieanalyse
Bioinformatics Databases & Tools (Netwerk/Immunanalse)STRING DatabaseVertrouwensscore > 0,7Constructie van eiwit-eiwit interactie (PPI) netwerken voor B3GNT3/FERMT1/SPP1 en eerstegraads interactoren
Cytoscape-Visualisatie van PPI en genrecoexpressienetwerken (randweging door correlatiesterkte, hubgenidentificatie)
ImmuundeconvolutiealgoritmeCIBERSORTSchattingen van immuuncelinfiltratie abundantie (M2-macrofagen, CD8+ T-cellen, neutrofielen, NK-cellen, etc.) in LUAD-monsters; correlatie met kandidaatgenreexpressie
Andere ToolsMicrosoft Office/LaTeX-Voorbereiding van manuscripten, samenstelling van figuren en tabellen; compilatie van statistische resultaten

Herprints en machtigingen

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

Toestemming aanvragen

Trefwoorden

Cancer ResearchB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogram

Gerelateerde artikelen