Artykuł badawczy

Badanie raka endometrium na podstawie bazy danych TCGA oraz konstrukcja modeli prognostycznych

DOI:

10.3791/69650

⸱

16 stycznia 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

W tym artykule

Podsumowanie

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

Protokół ten określa obliczeniowe podejście do identyfikacji genów związanych z metabolizmem nikotynamidu w raku endometrium z wykorzystaniem zbiorów danych TCGA i GEO. Aby ułatwić odkrywanie biomarkerów i poprawić szacowanie ryzyka w raku endometrium macicy, badania te opisują analizę odrębnej ekspresji, ulepszanie trasy, projektowanie modeli prognostycznych oraz procedury oceny.

Streszczenie

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

Rak endometrium (EC) należy do najmniej występujących guzów ginekologicznych na świecie, z rosnącą częstością występowania z powodu starzenia się i otyłości. Przerzuty do węzłów chłonnych pozostają powszechne w raku endometrium macicy (UCEC), co wymaga nowych biomarkerów prognostycznych do kierowania leczeniem. W tych badaniach przeanalizowano informacje UCEC z Cancer Genome Atlas (TCGA), a wyniki zweryfikowano za pomocą Omnibusa Ekspresji Genów (GEO). Zidentyfikowano osiemnaście różnicowo wyrażanych czynników genetycznych związanych z metabolizmem nikotynamidu (NMRDEGs). Analiza wzbogacenia zestawu genów (GSEA) wykazała ich rolę w stresie oksydacyjnym, hipoksji, glikolizie i procesach apoptozy. Regresja Coxa jednowymiarowa zidentyfikowała sześć kluczowych genów (AURKA, CDKN3, FOXM1, CDKN2A, TK1 i CDK1), wykorzystanych do opracowania systemu przewidywania ryzyka. Analiza interakcji białko-białko (PPI) ujawniła dodatkowe geny hubowe, takie jak CDK2, CCNA2, TP53 i FOXM1. Sześć kluczowych genów wykazało silną wartość prognostyczną, a model ryzyka badania mógł kierować decyzjami klinicznymi. Metabolizm nikotynamidu okazał się istotnie powiązany z progresją EC (EC). Badanie to oferuje nowe spojrzenie na rolę metabolizmu nikotynamidu w EC i sugeruje możliwe drogi rozwoju leczenia.

Wprowadzenie

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

Rak endometrium (EC) jest częsty u kobiet1. EC można podzielić na typ hormonalny oraz niezależny od hormonów typ2. W 2020 roku aktualizacje wytycznych dotyczących leczenia pacjentów z EC obejmowały wykrywanie markerów molekularnych i typowanie molekularne, co znacząco wpłynęło na leczenie pooperacyjne z adiuwantami oraz rokowania kliniczne dla EC3. Patogeneza EC jest wielowymiarowa, obejmuje mutacje lub utratę kilku onkogenów i/lub genów supresorów nowotworowych, a także nieprawidłowości w wielu szlakach sygnałowych, które mogą wpływać na postęp choroby i jej wynik. Poszukiwanie nowych biomarkerów i identyfikacja skutecznych celów leczenia są kluczowe. Celem tego jest pogłębienie zrozumienia patogenezy EC oraz potencjalnych biomarkerów prognostycznych, tworząc fundamenty dla wczesnego wykrywania i terapii celowanej.

Niacynamid przypomina niacynę i odgrywa rolę w wchłanianiu tłuszczu oraz rozkładzie glikogenu. Jest niezbędny dla ludzkiego organizmu jako ważny składnik koenzymu. Metabolizm nikotynamidu obejmuje procesy, dzięki którym organizm wchłania, przekształca i wykorzystuje nikotynamid.

Metabolizm niacynamidu rozpoczyna się od wchłaniania. Może być pozyskiwany poprzez spożycie pokarmu lub konwersję aminokwasów w organizmie i jest wchłaniany przez komórki nabłonka błonka śluzowego jelita. Następnie przekształca się w bardziej złożone formy, kluczowe w wielu procesach biochemicznych. Dodatkowo nikotynamid jest przekształcalny w inne związki, w tym metabolit 1-metyloninikotynamid za pośrednictwem nikotynamidowej dinukleotydowej metylotransferazy (NMT). Te przemiany mogą wpływać na rozwój i postęp różnych chorób metabolicznych. Jak wspomniano, suplementacja niacynamidem przynosi różne korzystne efekty, w tym zapobieganie i leczenie guzów4. Obecne badania potwierdziły, że może obniżyć poziom fosforylacji STAT3Y705 w komórkach raka płuc5. Badanie wykazało, że stosowanie samego niacynamidu może hamować inwazyjne, nieczerniakowe guzy błony u pacjentów wysokiego ryzyka6. Kourtzidis i in.7 stwierdzili, że suplementacja niacynamidem może hamować przyrost masy ciała u szczurów, zwiększać aktywność transketolazy (TK) i czerwonej krwinki Na+- K+- ATPazy oraz wpływać na metabolizm energii w organizmie. Wcześniejsze badania uznały nikotynamido-N-metylotransferazę (NNMT), metylotransferazę, za istotny czynnik w aktywności fibroblastów związanych z nowotworem8. Ponadto wykazano, że transferaza nikotynamid-fosforybozylowa przyczynia się do oporności na wenetoklaks w nawrotach krytycznych przedziałów białaczki szpikowej9. Dlatego celem było kompleksowe zidentyfikowanie genów związanych z metabolizmem NAD+ (NMRG) powiązanych z ryzykiem EC.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Badanie to wykorzystało publicznie dostępne, zidentyfikowane dane kliniczne i transkryptomiczne z The Cancer Genome Atlas oraz Gene Expression Omnibus. Wszystkie badania uczestniczące miały wcześniejszą zgodę instytucjonalnej komisji przeglądowej oraz świadomą zgodę. Ponieważ przeprowadzono jedynie wtórną analizę danych zanonimizowanych, nie wymagano dodatkowej zgody etycznej. Bazy danych i używane oprogramowanie są wymienione w Tabeli Materiałów.

1. Pobieranie danych

Badania wykorzystały zestaw danych EC (TCGA-Umicus Corpus Endometrial Carcinoma (TCGA-UCEC))10, który składa się z 589 próbek, w tym 554 próbek tkanek nowotworowych od pacjentów z UCEC (grupa UCEC) oraz danych sekwencjonowania z 35 sąsiadujących tkanek prawidłowych (grupa normalna). Baza danych UCSC Xena została wykorzystana do odzyskania odpowiadających danychklinicznych 11, z wyłączeniem tych nieposiadających pełnych informacji klinicznych. Ostatecznie do analizy dostępnych było 577 próbek z danymi klinicznymi. Szczegółowe informacje bazowe przedstawiono w Tabeli 1.

Dodatkowe zbiory danych związane z EC, GSE115810 iGSE63678 12 zostały pobrane za pomocą pakietu GEOquery13. Zestaw danych GSE115810 i GSE63678 zostały połączone, tworząc Połączone Zbiory Danych do dalszej analizy (Tabela 2).

Geny związane z metabolizmem NAD+ (NMGR) znajdują się po zapisie GeneCards14 i odpowiedniej literaturze15. Używając hasła wyszukiwania "Niacinamide metabolism" w GeneCards, zidentyfikowano 345 NMRG o wskaźnikach relewancji powyżej 4. Połączenie i usunięcie duplikatów z 42 NMRG znalezionych w literaturze dało łącznie 371 NMRG (Tabela Uzupełniająca 1). Dane kliniczne zostały pozyskane jako pliki fenotypowe tsv; dane były pobierane w formacie HTSeq-FPKM. Próby wykluczone miały brakujące ponad 20% danych klinicznych. FPKM został przekształcony logarytmicznie2 i przekształcony na TPM (transkrypcje na milion). ID sond były mapowane na symbole genów dla zbiorów danych GEO, a duplikaty sond były uśredniane.

2. Geny różnicowo ekspresyjne do metabolizmu nikotynamidu

Badania rozpoczęły się od zastosowania zbioru Rsva16 w celu wyeliminowania posiadań zbioru po zbiorach GSE115810 i GSE63678, co skutkowało wspólnym zbiorem zawierającym 31 EC (UCEC) oraz 8 sąsiadujących próbek normalnych. Następnie wykorzystanie zestawu limma17 do przeprowadzenia badania ekspresji genów rozbieżności na zbiorze danych TCGA-UCEC.

Przecięcie DEG z analizy TCGA-UCEC z 337 NMRG pozwala precyzyjnie zidentyfikować DEG powiązane z metabolizmem nikotynamidu. To dało listę genów różnicowo ekspresyjnych (NMRDEG) związanych z metabolizmem niacinamidu, które zostały przedstawione na ilustracji Venna. Wyniki badania wyglądu rozbieżności zilustrowano pakietem R18 dla ggplot2, natomiast mapa ciepła NMDEG została wygenerowana przy użyciu zestawu map pheatmap19. Wariancja między zbiorami danych jest eliminowana poprzez korekcję wsadową z użyciem ComBat (empirycznego Bayesa). W analizie DEG zastosowano empiryczny model liniowy Bayesa Limma. Wyraźnie zastosowane progi różniczkowych wyrażeń:

|log2FC| ≥ 1

FDR poniżej 0,05.

Lista NMRG przecinała się tylko z DEG spełniającymi oba wymagania. Wykresy wulkanów i mapy ciepła wykonane za pomocą ggplot2 i pheatmap.

3. Badanie poprawy funkcji NMREDEG (GO), szlaku (KEGG)

Badania ulepszające GO20 i KEGG21zostały ukończone przez zestaw22 clusterProfiler. W obu analizach progi istotności zostały rozpoznane na poziomie p. adjust< 0,05 oraz FDR (q wartości) < 0,25. Badania integrowały również wartości logFC do analizy wzbogacenia, reprezentując wyniki w diagramach kołowych i cięciwowych. Progi istotności wzbogacenia: wartość p skorygowana < 0,05 FDR < 0,25 (wartość q). Cluster Profiler był używany do badań GO i KEGG. Kierunkowość genów jest prezentowana za pomocą wykresów cięciw i okręgów, które uwzględniają dane o logarytmicznej dwukrotnej zmianie.

4. Analiza wzbogacania zbiorów genów (GSEA)

Typ dziedzicznych zestawów czynników, które najbardziej przyczyniły się do fenotypu, można zidentyfikować za pomocą GSEA23. W tej analizie zbiór danych TCGA-UCEC został sklasyfikowany na podstawie wartości logFC, a następnie przeprowadzono badanie ulepszeń z wykorzystaniem pakietu clusterProfiler . Kluczowe ograniczenia obejmowały wartość zalążkową 2022 oraz 10 000 permutacji. Zestaw genów MSigDB "c2.all.v2022.1.Hs.symbols.gmt" został użyty24. Najbardziej wzbogacone szlaki, w tym geny wywołane przez niedotlenienie Manalo, starzenie się wywołane stresem oksydacyjnym, glikolizę i apoptozę, zostały zwizualizowane za pomocą wykresu górskiego. Przed GSEA geny były uporządkowanewedług log 2-krotnej zmiany. W analizie użyto 10 000 permutacji.c2.all.v2022.1.Hs.symbols.gmt to kolekcja MSigDB, która była używana. Dla powtarzalności zastosowano stały losowy seed (2022). Istotne szlaki to te z p < 0,05 oraz q < 0,25.

5. Konstrukcja modelu Coxa i powiązane badania rokowania

Aby określić wartość predykcyjną genów różnicowo ekspresyjnych (NMRDEGs) powiązanych z metabolizmem nikotynamidu w raku endometrium (UCEC), badacze zastosowali jednowymiarową analizę regresji Coxa do pierwszej klasy czynników dziedzicznych kandydatów; te o proporcji ryzyka (HR) > 1 i wartości p < 0,1 zostały uznane za odpowiednie dla wielowymiarowego systemu ryzyka względnego Coxa.

Kryteria wyboru jednowariantowego Coxa: p < 0,10 oraz HR > 1. W wielowymiarowym modelu Coxa zastosowano logiczne wartości ekspresji znormalizowanej przez 2-TPM. Do określenia wyniku ryzyka stosowano liniową kombinację współczynników Coxa × ekspresji genów. W kalibracji nomogramu zastosowano prawdopodobieństwa OS. W zależności od czasu ROC zastosowano wartości AUC 1, 3- i 5 lat. Do wyznaczania wartości progowych przetrwania zastosowano podejście surv_cutpoint statystyki maksymalnej. Zarówno analizy KM, jak i ROC używały tych samych progów.

Na podstawie wielozmiennego modelu Coxa zbudowano nomograf w celu oceny jego dokładności lub zdolności predykcyjnej oraz obliczenia szans na całkowite istnienie przez 1, 3 i 5 lat. Łuki standaryzacyjne są stosowane do oceny stabilności między prognozowanymi perspektywami a rzeczywistymi skutkami, a analiza krzywej decyzyjnej (DCA) została wykorzystana do oceny medycznej skuteczności struktury25.

poziomy ekspresji mRNA zostały określone jako znormalizowane wartości log₂-transformowanych rekordów na milion (TPM) za pomocą pakietu DESeq2. TPM uwzględniały złożoność sekwencjonowania i pomiar genów, dostarczając solidnych i obiektywnych szacunków poziomów ekspresji między próbkami.

Korzystając z współczynników wielowymiarowego modelu Coxa, ocena ryzyka prognostycznego każdego pacjenta została wyznaczona w następujący sposób:

ryzykoWynik = Σi Współczynnik (geni) *ekspresja mRNA (geni) (1)

Opracowano łuki istnienia Kaplana-Meiera (KM), aby ocenić ogólną wytrzymałość skupisk wysokich i niskich zagrożeń utworzonych na określonych ocenach zagrożenia. Zależne od czasu łuki charakterystyki pracy odbiorcy (ROC) zostały opracowane podczas oceny rutyny systemów w okresach 1, 3 i 5lat.

Aby kategoryzować ekspresję genów według kolekcji o wysokiej i niskiej ekspresji w celu stratyfikacji przetrwania, stosuje się wykorzystanie roli punktowej surv_cut po opakowaniu R z przeżywaczem. Funkcja ta określa największą wartość progową poprzez maksymalizację standaryzowanej statystyki logarytmu, co daje bezstronny, statystycznie optymalny punkt odcięcia.

Wartości prognostyczne uzyskane dla każdego prognostycznego genu są oznaczane na krzywych ROC jako linie przerywane. Badania zastosowały te same progi we wszystkich analizach przeżycia i ROC.

TCGA RNA-seq został pobrany w formacie HTSeq-FPKM; dane kliniczne były importowane jako pliki fenotypów TSV; FPKM został przekształcony w TPM i przekształcony w log₂; Zbiory danych GEO były mapowane z identyfikatorów sond na symbole genów za pomocą adnotacji platformy; duplikaty sondy były uśredniane dla jednej wartości genu; Próbki, w których brakowało informacji klinicznych w ponad 20%, zostały wykluczone; ComBat (empiryczna Bayes) była używana do korekcji wsadowej dla zbiorów danych GSE; Do weryfikacji poprawki wsadowej użyto PCA i wykresów pudełkowych. Normalizacja TPM z wykorzystaniem standardowych technik transformacji ekspresji; korekcję wsadową przy użyciu ComBat z początkiem zbioru danych jako zmienną wsadową; ekspresja różnicowa obliczana za pomocą modelowania liniowego Limma (macierz projektowania guza vs. normalnego); rankingowe listy genów generowane na podstawie zmian g-t(#phrasefix) fold dla danych GSEA; oraz jednowymiarowe i wielowymiarowe regresje Coxa wykonywane przy użyciu narzędzi analizy przeżywalności

6. Analiza zmienności zbioru genów (GSVA)

Do pomiaru wzrostu sposobów między klastrami zastosowano GSVA28 . W zbiorze danych TCGA-UCEC wzbogacono 50 charakterystycznych ścieżek, z czego 41 wykazało istotne zmiany w zespołach binarnych. GSVA została użyta z zestawami genów charakterystycznych do uzyskania aktywności szlaków na próbkę; Dane interakcji białek STRING zostały zaimportowane do Cytoscape; algorytm MCC został użyty do identyfikacji genów hubów; oceny ryzyka obliczano jako sumę wartości ekspresji genów pomnożoną przez współczynniki Coxa; Krzywe ROC zależne od czasu zostały wygenerowane za pomocą rutyn ROC w czasie przeżycia. Dla każdej próby GSVA obliczała wyniki wzbogacania na poziomie szlaku. Test sumy rangi Wilcoxona służy do oceny różnic w aktywności szlaków charakterystycznych. Spośród pięćdziesięciu szlaków sygnaturowych, czterdzieści jeden różniło się znacząco (skorygowane p < 0,05).

7. System interakcji białko-białko (PPI)

System PPI zawierający ważne geny (AURKA, CDKN3, FOXM1, CDKN2A, TK1 i CDK1) został stworzony na podstawie pliku STRING29 i progu wartości komunikacyjnej 0,70, co wskazuje na wysoką pewność. Sieć ta została stworzona przy użyciu Cytoscape30, podkreślając interakcje, które mogą odgrywać kluczową rolę w patogenezie UCEC. Metoda Maximal Clique Centrality (MCC)31 była przydatna do szeregowania dziedzicznego czynnika generowanego na ich wynikach interakcji w sieci. Rozpoznano sekwencję białek z górnych 10 z najwyższymi wynikami interfejsu, w tym CDK2, CDK4, CCNA2, CCNB1, CCNE1, CDK1, TP53 i FOXM1. Geny te zostały dalej przeanalizowane pod kątem ich udziału w kluczowych procesach biologicznych. Platforma GeneMANIA32 została również wykorzystana do przewidywania dodatkowych interakcji białek oraz dostarczania szerszego kontekstu ról kluczowych genów w progresji UCEC. Próg dla wyniku pewności STRING: >0,70 (wysokie zaufanie). Cytoscape wyświetla sieć. Do szeregowania genów hubów stosuje się technikę Maximal Clique Centrality (MCC). Ranking MCC służył do identyfikacji najwyżej współdziałających genów (CDK2, CCNA2, TP53 itd.). Dodatkowe przewidywania interakcji są dokonywane za pomocą GeneMANIA.

8. Mapa drogowa technologii

Ogólny przepływ pracy i metody stosowane w tym badaniu są podsumowane w mapie drogowej technologii przedstawionej na Rysunku 1. Ta mapa drogowa przedstawia etapy od pozyskiwania zbiorów danych i analizy różnicowej ekspresji do budowy modeli prognostycznych i analiz wzbogacania.

9. Analiza statystyczna

Przetwarzanie danych i estymacja statystyczna były wykonywane za pomocą programu R (wersja 4.3.0). Test Mann-Whitney U lub t-test Independent Student był używany do porównań dwóch grup; test Kruskala-Wallisa był stosowany dla trzech lub więcej zespołów. Dane opisowe oceniano za pomocą chi-kwadratu lub testu dokładnego Fishera. Ponadto przeprowadzono korelację Spearmana oraz analizę przeżycia Kaplana-Meiera; P < 0,05 uznano za istotne.

Stosowanie testów statystycznych według rozkładu danych: Dane normalne z użyciem testu t ucznia. Mann-Whitney U testuje dane, które nie są normalne. Kruskal-Wallis testuje dla więcej niż trzech grup. Dokładność Fishera i chi-kwadrat dla danych kategorycznych. Istotność statystyczna definiuje się jako p < 0,05.

Wiarygodność danych jest utrzymywana przez punkty kontrolne przed obróbką, gdzie wykresy pudełkowe powinny wykazywać spójną zmienność ekspresji między próbkami, a wykresy PCA powinny wykazywać brak klastrów specyficznych dla partii po dostosowaniu ComBat. Do walidacji DEG konieczne są mapy termiczne pokazujące grupowanie normalne z guzem oraz wykresy wulkaniczne wyraźnie ilustrujące regulację wzrostu/spadku genów. W modelu Coxa z projekcją wykresy kalibracyjne powinny odpowiadać przewidywanym i rzeczywistemu przeżyciu, wartości AUC ROC powinny przekraczać 0,65, a łuki KM muszą wykazywać znaczną różnicę w przeżyciu. Analiza GSVA powinna wykazać różne działania na trasach między grupami ryzyka, zgodnie z ustalonymi mechanizmami, takimi jak rozszerzanie się czy trasy cyklu komórkowego. Aby zweryfikować odporność sieci, wysoko sprzężone węzły w sieci PPI muszą pojawiać się centralnie, a geny hubów określone przez MCC powinny odpowiadać fizjologicznie istotnym regulatorom.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Scalanie korekty zbioru danych GEO

Badania wykorzystały zbiór SVA R do precyzyjnego określania zbiorów wsadowych w zbiorach danych GSE115810 i GSE63678, tworząc zunifikowany zbiór danych nazwany zbiorami danych Combined-Datasets. Wyniki eliminacji wyników grupowych zostały zweryfikowane za pomocą wykresów pudełkowych (rysunek 2A,B) oraz wykresów PCA (rysunek 2C,D), które wykazały, że ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Rola metabolizmu energii w mikrośrodowisku komórek nowotworowych wzbudziła ostatnio znaczną uwagę. Badania wykazały, że geny zaangażowane w metabolizm nikotynamidu są ściśle powiązane z postępem różnych nowotworów. Po wchłonięciu przez organizm nikotynamid przekształca się w NAD i NADP, które są kluczowe w wielu procesach związanych z nowotworami. W konsekwencji metabolizm NAD staje się obiecującym celem terapeutycznym dla działania nowotworów. Jest kluczowy w różnych czynnościach komórkowych, w tym regulacji po transkry...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Nie ma zastosowania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
clusterProfiler packageBioconductorv4.8.0Analiza wzbogacania GO i KEGG
CytoscapeKonsorcjum Cytoscapev3.9.1Wizualizacja sieci PPI
Pakiet DESeq2Bioconductorv1.40.0Normalizacja i analiza ekspresji
Baza danych GeneCardsSuita GeneCardsNie maŹródło genów związanych z metabolizmem nikotynamidu
Platforma GeneMANIAgenemania.orgNie maFunkcja genów i przewidywanie oddziaływania
Zbiory danych GEO (GSE115810, GSE63678)Omnibus ekspresji genów (GEO)Nie maPubliczne zbiory danych o ekspresji genów dla EC
Pakiet ggplot2CRANv3.4.2Wizualizacja danych
Pakiet LimmaBioconductorv3.54.0 (przykład)Analiza różniczkowa ekspresji
Pakiet pheatmapCRANv1.0.12Wykresy heatmap
Oprogramowanie R (wersja 4.3.0)R Foundation for Statistical ComputingWersja 4.3.0Platforma analizy danych
Baza danych STRINGSTRUNA (string-db.org)v11.5Analiza interakcji białko-białko
Pakiet survminerCRANv0.4.9Analiza przetrwania
Pakiet SVABioconductorv3.46.0Usuwanie efektu wsadowego
Zbiór danych TCGA-UCECAtlas Genomu Raka (TCGA)Nie maTranskryptom i dane kliniczne pacjentów UCEC
UCSC XenaUniwersytet Kalifornijski, Santa CruzNie maPlatforma do pobierania danych klinicznych/genomowych

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły