Research Article

Zintegrowana analiza bioinformatyczna danych transkryptomicznych u ludzi wskazuje trzy kluczowe biomarkery diagnostyczne i prognostyczne w gruczolaczu płuc

DOI:

10.3791/71214

⸱

June 30th, 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

In This Article

Summary

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

Badanie to zidentyfikowało diagnostyczne i prognostyczne biomarkery gruczolakoraka płuc, wykorzystując dane transkryptomiczne TCGA-LUAD i GEO GSE115002. B3GNT3, FERMT1 i SPP1 zostały podwyższone, co odróżniło guzy od tkanek prawidłowych. Geny te są powiązane z przejściem nabłonk-mezenchymal oraz immunosupresją. Nomogram łączący ekspresję genów ze stadiem TNM wykazał wiarygodną wartość predykcyjną.

Abstract

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

Gruczolakoraka płuc (LUAD) jest główną przyczyną zgonów związanych z rakiem na całym świecie. Pomimo postępów w chirurgii, terapii celowanej i immunoterapii, 5-letni wskaźnik przeżycia zaawansowanego LUAD pozostaje poniżej 20%, co wskazuje na pilną potrzebę wiarygodnych molekularnych biomarkerów do wczesnego wykrywania i prognozowania. W tym badaniu autorzy wysunęli hipotezę, że trzy geny o stałe zwiększonej regulacji mogą działać jako skuteczne biomarkery diagnostyczne i prognostyczne dla LUAD. Autorzy przeanalizowali dane transkryptomiczne z dwóch niezależnych kohort: TCGA-LUAD (535 guzów, 59 próbek prawidłowych) oraz GSE115002 (52 guzy, 52 zgodne próbki prawidłowe), aby przesiewać geny różnicowo ekspresyjne. Trzy geny podstawowe — B3GNT3, FERMT1 i SPP1 — były konsekwentnie nadekspresjonowane w guzach LUAD w obu zbiorach danych. Geny te wykazały doskonałe wyniki diagnostyczne, z wartościami AUC powyżej 0,95 w TCGA-LUAD i wysoką dokładnością w GSE115002. Analiza przeżycia wykazała, że wysoka ekspresja każdego genu była istotnie związana z krótszym przeżyciem ogólnym i wolnym od choroby, a wielowymiarowa regresja Coxa potwierdziła ich niezależną wartość prognostyczną. Analiza wzbogacenia funkcjonalnego wykazała, że te trzy geny uczestniczą w przejściu nabłonk-mezenchymalny, remodelowaniu macierzy zewnątrzkomórkowej oraz immunosupresji, które są ściśle powiązane z inwazją i przerzutami LUAD. Autorzy dodatkowo skonstruowali nomogram prognostyczny łączący trzy geny i etap TNM, osiągając indeks zgodności 0,743 i wykazując dobrą wydajność predykcyjną. Wyniki te potwierdzają, że B3GNT3, FERMT1 i SPP1 to obiecujące biomarkery diagnostyczne i prognostyczne dla LUAD, wspierające zastosowanie kliniczne w stratyfikacji i zarządzaniu ryzykiem.

Introduction

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

Rak płuc jest główną przyczyną globalnej śmiertelności nowotworowej, odpowiadając za około 1,8 miliona zgonów w 2020roku. Gruczolakad płuca (LUAD) stanowi prawie 40% wszystkich przypadków raka płuc2. Pomimo postępów w chirurgii, terapii celowanej i immunoterapii, wskaźnik przeżycia w zaawansowanym LUAD przez 5 lat pozostaje poniżej 20%3,4. Pilnie potrzebne są niezawodne molekularne biomarkery do wczesnego wykrywania i precyzyjnego prognozowania. Sekwencjonowanie o wysokiej przepustowości oraz publiczne bazy danych, takie jak The Cancer Genome Atlas (TCGA) i Gene Expression Omnibus (GEO), umożliwiają systematyczne profilowanie transkryptomiczne nowotworów 5,6. Integratywna bioinformatyka międzykohortowa poprawia wiarygodność odkrywania kandydatów na biomarkery5.

Wiele genów i szlaków zostało powiązanych z LUAD, w tym proliferacja komórek, sygnalizacja EGFR oraz ucieczka immunologiczna7. Jednak niewiele z nich zostało przełożonych na praktykę kliniczną. Modele ryzyka łączące sygnatury genów i cechy klinicznopatologiczne — zwłaszcza nomogramy — poprawiają dokładność prognostyczną w LUAD8. Chociaż B3GNT3, FERMT1 i SPP1 zostały indywidualnie powiązane z postępem raka, ich łączna wartość diagnostyczna, prognostyczna oraz immuno-mikrośrodowiskowa w LUAD nie została systematycznie zweryfikowana w niezależnych kohortach. Badanie to zapewnia pierwszą zintegrowaną analizę międzyplatformową tych trzech genów jako jednolitego panelu biomarkerów dla LUAD, z klinicznie stosowanym nomogramem prognostycznym.

B3GNT3 koduje glikozylotransferazę, która stabilizuje PD-L1 i wspiera unikanie odporności 9,10. FERMT1 (kindlin-1) reguluje aktywację integriny i wywołuje przerzuty w niedrobnokomórkowym raku płuca (NSCLC)11,12. SPP1 (osteopontyna) pośredniczy w remodelowaniu macierzy zewnątrzkomórkowej, przejściu nabłonk-mezenchymal (EMT) oraz chemooporności 13,14,15. Geny związane z zegarem okołodobowym również wykazano jako zdolność przewidywania prognozy i diagnozy LUAD16, podczas gdy różnice płciowe w LUAD zostały odkryte za pomocą wieloomicznych integracyjnych sieci sygnalizacji białek17. B3GNT3 i SPP1 są wydzielane lub lokalizowane błonowo, wspierając potencjalne zastosowanie jako minimalnie inwazyjne biomarkery. Skuteczną klasyfikację LUAD i identyfikację biomarkerów można również osiągnąć poprzez nakładające się metody wyboru cech18, a interakcje wieloomiczne odgrywają ważną rolę funkcjonalną w postępie raka płuca19. Sygnatury genów mitochondrialnych, zidentyfikowane poprzez kompleksową integrację multiomiczną, również mają znaczenie dla prognozowania LUAD i terapii spersonalizowanej20. B3GNT3 i SPP1 są wydzielane lub lokalizowane błonowo, wspierając potencjalne zastosowanie jako minimalnie inwazyjne biomarkery. Celem tego badania było zidentyfikowanie silnych biomarkerów LUAD za pomocą integracyjnej bioinformatyki, ocena ich wydajności diagnostycznej i prognostycznej, zbadanie ich funkcji biologicznych i powiązań immunologicznych oraz stworzenie klinicznie użytecznego nomogramu prognostycznego.

Protocol

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

1. Źródła danych i wstępne przetwarzanie

  1. Przetwarzaj surowe dane w R (wersja 4.1.3; Windows 10 Pro).
  2. Dla GSE115002 zastosuj normalizację kwantylową za pomocą limma (wersja 3.52.3).
  3. Filtruj geny o niskiej ekspresji dla TCGA: zatrzymuje geny z CPM > 0,5 w ≥50% próbek.
  4. Filtruj geny o niskiej ekspresji GSE115002: zachowują geny o średnim sygnale >50.
  5. log2Przekształc wartości wyrażeń z pseudoliczbą +1.
    UWAGA: Dane dotyczące ekspresji genów LUAD i danych klinicznych pozyskano z TCGA-LUAD (wersja 33.0, GDC Portal, pobrano 7 sierpnia 2025) oraz GSE115002 (mikromacierz Agilent, GEO, pobrane 7 sierpnia 2025). TCGA-LUAD obejmowało 535 guzów i 59 próbek prawidłowych. GSE115002 obejmowało 52 guzy oraz 52 dopasowane próbki prawidłowe.

2. Identyfikacja genów o różnicowo ekspresyjnej ekspresji

  1. Do analizy różnicowej ekspresji RNA używaj DESeq2 (wersja 1.36.0) w wersji TCGA oraz limma (wersja 3.52.3) do GSE115002 do analizy różnicowej ekspresji. Oblicz skorygowane wartości P (FDR) za pomocą metody Benjamini–Hochberga.
  2. Aby zapewnić porównywalność między zbiorami danych, zunifikowany |log₂FC| ≥ 1.0 zastosowano dla obu grup. DEG zostały zdefiniowane jako FDR < 0,05 oraz |log₂FC| ≥ 1.0. Nakładające się DEG zidentyfikowano za pomocą VennDiagram (wersja 1.7.3). B3GNT3, FERMT1 i SPP1 zostały wybrane jako konsekwentnie zwiększona regulacja o znanym znaczeniu nowotworowym.

3. Ocena wartości diagnostycznej

  1. Skonstruuj krzywe ROC dla każdego genu kandydata.
  2. Określ optymalne wartości progowe za pomocą indeksu Youdena.
  3. Oblicz AUC, czułość i swoistość dla każdego genu.
  4. Zbuduj połączony panel diagnostyczny z wykorzystaniem wielowymiarowej regresji logistycznej.
    UWAGA: Pakiet pROC v1.18.0 był używany do analizy ROC. Funkcja glm z rodziną dwumianową została użyta do skonstruowania modelu diagnostycznego.

4. Analiza przetrwania

  1. Stratyfikuj pacjentów na grupy o wysokiej i niskiej ekspresji, korzystając z mediany ekspresji.
  2. Wygeneruj krzywe przeżycia Kaplana–Meiera dla każdego genu.
  3. Wykonaj testy rankingowe log-rank, aby porównać różnice w przeżywalności.
  4. Przeprowadzić jednowymiarową analizę regresji Coxa.
  5. Przeprowadź wielowymiarową analizę regresji Coxa.
  6. Uwzględnić kliniczne kowarianty w modelach regresji.
  7. Zweryfikować założenie ryzyka proporcjonalnego za pomocą reszt Schoenfelda.
  8. Oblicz ocenę ryzyka trzech genów.
    UWAGA: Używano wersji Survival v3.3.1 i survminer v0.4.9. Współzmienności obejmowały wiek, płeć, stadium T, stadium N oraz stadium M. Ocena ryzyka była obliczana jako:
    Wskaźnik ryzyka = (0,328 × B3GNT3) + (0,331 × FERMT1) + (0,321 × SPP1). (1)

5. Wzbogacanie zbiorów genów i adnotacja funkcjonalna

  1. Wykonaj analizę wzbogacenia GO z użyciem DEG.
  2. Wykonaj analizę wzbogacenia szlaku KEGG z użyciem DEG.
  3. Przeprowadz analizę wzbogacenia zestawów genów (GSEA).
  4. Uszereguj geny według korelacji Pearsona z ekspresją genów kandydatów.
  5. Zidentyfikuj istotne składniki za pomocą skorygowanego P < 0,05.
    UWAGA: do analiz GO i KEGG użyto clusterProfiler v4.6.2. FGSEA v1.22.0 oraz MSigDB Hallmark v7.5 były używane dla GSEA.

6. Korelacja i analiza sieci

UWAGA: Korelacja Pearsona została użyta do prawidłowo rozłożonej ekspresji genów; Korelacja Spearmana dla frakcji komórek odpornościowych. Sieci PPI były generowane za pomocą STRING (wersja 11.5, pewność > 0.7) i wizualizowane w Cytoscape (wersja 3.9.1). Infiltrację immunologiczną oszacowano za pomocą CIBERSORT (tryb absolutny, 100 permutacji). Sekwencjonowanie RNA pojedynczych komórek wykazało ujawnianie przejść niszowych w mikrośrodowisku NSCLC, co jest istotne dla analizy infiltracji immunologicznej21,22, a integratywna analiza pojedynczych komórek może dodatkowo rozłożyć na czynniki pierwsze role komórek odpornościowych, takich jak komórki pamięci CD8+, w LUAD 23,24,25.

7. Konstrukcja i walidacja nomogramów

UWAGA: Zmienne do nomogramu zostały wybrane na podstawie wielowymiarowej istotności Coxa (P < 0,05): stopień T, stopień N, B3GNT3, FERMT1 i SPP1. Nomogram został zbudowany przy użyciu rms (wersja 6.5.0). Wewnętrzna walidacja używała 1000 bootstrap resampling z wymianą. Krzywe kalibracyjne i analiza krzywej decyzyjnej (DCA) były wykonywane za pomocą rmda (wersja 1.7). Środowisko obliczeniowe obejmowało R 4.1.3, Windows 10 Pro oraz Bioconductor 3.15. Skrypty analizy są dostępne pod adresem https://github.com/[redacted]/LUAD-biomarker-2025 na rozsądne żądanie.

8. Analiza statystyczna

UWAGA: Wszystkie testy statystyczne były dwustronne; P < 0,05 uznano za istotne.

Results

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

Globalne zmiany w ekspresji genów w LUAD

Porównania transkryptomiczne między tkankami gruczolakoraka płuc a prawidłowymi tkankami płuc wykazały szeroko zakrojone zmiany w ekspresji genów. Rysunek 1A przedstawia wykresy wulkaniczne genów różnicowo ekspresowanych w zbiorze danych TCGA-LUAD, a Rysunek 1B pokazuje te z GSE115002 zbioru. W kohorcie TCGA-LUAD (Rysunek 1A) 1865 genów zostało istotnie zwykniętych, a 1247 obniżonych. W kohorcie GSE115002 (Rysunek 1B) 645 genów zostało zwykłych zwykłych, a 609 obniżonych. W obu zbiorach danych konsekwentnie podwyższono 421 genów. Wśród tych nakładających się genów B3GNT3, FERMT1 i SPP1 są oznaczone na Rysunkach 1A i 1B jako wyraźnie nadekspresowane w próbkach nowotworów. W TCGA-LUAD ekspresja B3GNT3 wzrosła około 5-krotnie, FERMT1 8-krotnie, a SPP1 dziesięciokrotnie w porównaniu z tkankami prawidłowymi. Podobna podwyższająca ekspresja została potwierdzona w GSE115002, gdzie wszystkie trzy geny wykazały ponad dwukrotne podwyższenie.

Diagnostyczna wydajność B3GNT3, FERMT1 i SPP1

Analiza krzywej charakterystyki pracy odbiornika została wykorzystana do oceny wydajności diagnostycznej B3GNT3, FERMT1 i SPP1. Rysunek 2A przedstawia krzywe ROC w kohorcie TCGA-LUAD, a Rysunek 2B przedstawia krzywe w kohorcie GSE115002. Wszystkie trzy geny osiągnęły wysoką dokładność diagnostyczną w obu kohortach. W kohorcie TCGA-LUAD (Rysunek 2A) obszar pod wartościami krzywej przekroczył 0,95 dla wszystkich markerów. W kohorcie niezależnej GSE115002 (Rysunek 2B) zaobserwowano podobnie dużą powierzchnię pod wartościami krzywej. Czułość i swoistość wahały się od 85% do 95% przy optymalnych wartościach granicznych. Wyniki te potwierdzają, że każdy gen doskonale rozróżnia między tkankami guzowymi a zdrowymi.

Prognostyczne znaczenie ekspresji B3GNT3, FERMT1 i SPP1

Krzywe przeżycia Kaplan–Meier na Rysunku 3 pokazują, że wysoka ekspresja każdego genu była istotnie powiązana z krótszym ogólnym przeżyciem w obu kohortach. Rysunki 3A–3C pokazują ogólne krzywe przeżycia dla B3GNT3, FERMT1 i SPP1 w kohorcie TCGA-LUAD. Rysunki 3D–3F pokazują odpowiadające im krzywe w kohorcie GSE115002. Pacjenci z wysoką ekspresją B3GNT3, FERMT1 lub SPP1 wykazywali zmniejszoną medianę przeżycia i niższe wskaźniki przeżycia przez 5 lat. Analiza regresji wielowariantowej potwierdziła, że wysoka ekspresja SPP1 pozostaje niezależnym słabym czynnikiem prognostycznym. Podwyższona ekspresja wszystkich trzech genów wiązała się również z krótszym przeżyciem bez choroby. Spójne trendy w obu kohortach wskazują, że nadekspresja B3GNT3, FERMT1 i SPP1 przewiduje niekorzystne wyniki kliniczne w gruczolakoraku płuc.

Analiza wzbogacania funkcjonalnego

Wyniki analizy wzbogacenia funkcjonalnego podsumowano na Rysunku 4. Rysunek 4A pokazuje wzbogacenie GO i KEGG w kohorcie TCGA-LUAD, a Rysunek 4B pokazuje wzbogacenie w kohorcie GSE115002. Zwiększone zwiększanie genów było silnie wzbogacone w progresję cyklu komórkowego, organizację macierzy zewnątrzkomórkowej, adhezję ogniskową oraz sygnalizację onkogenną. Obniżone regulacje genów były powiązane z prawidłową różnicacją nabłonka i sygnalizacją p53. Obserwacje te wskazują, że trzy geny kandydatów uczestniczą w szlakach sprzyjających proliferacji, inwazji i zaburzeniom odporności w gruczolakoraku płuc.

Sieci współekspresji

Sieci współekspresji związane z B3GNT3, FERMT1 i SPP1 przedstawiono na Rysunku 5. Rysunek 5A przedstawia sieć w kohorcie TCGA-LUAD, a Rysunek 5B pokazuje sieć w kohorcie GSE115002. Węzły reprezentują geny, a krawędzie współczynniki korelacji. Trzy kluczowe geny skupiają się z genami remodelującymi ECM, regulacją odporności oraz organizacją cytoszkieletu. Wyniki te sugerują, że nadmierna ekspresja trzech genów wiąże się z immunosupresyjnym mikrośrodowiskiem nowotworowym.

Wykonanie nomogramu prognostycznego

Nomogram prognostyczny przedstawiono na rysunku 6. Model został opracowany poprzez integrację patologicznego stadium T, patologicznego stadium N oraz poziomów ekspresji B3GNT3, FERMT1 i SPP1 w celu przewidywania całkowitego przeżycia 1-, 2- i 3-letniego w LUAD. Punkty są przydzielane dla każdej zmiennej, a łączna liczba punktów odpowiada przewidywanemu prawdopodobieństwu przeżycia. Model osiągnął indeks zgodności na poziomie 0,743, co wskazuje na dobre wyniki predykcyjne. Krzywe kalibracyjne wykazały ścisłą zgodność między przewidywanymi a rzeczywistymi prawdopodobieństwami przeżycia. Analiza krzywej decyzyjnej potwierdziła kliniczne korzyści netto. Ten nomogram poprawia indywidualne przewidywanie przeżycia poza konwencjonalne etapowanie TNM.

Podsumowując, badanie to podkreśla B3GNT3, FERMT1 i SPP1 jako kluczowe czynniki molekularne w patogenezie LUAD. Ich nadekspresja koreluje z fenotypami guzów inwazyjnych, remodelacją stromalną oraz unikiem odporności. Dzięki integracji multiomiki wykazujemy łączną wartość tych genów dla diagnozy, rokowania i stratyfikacji pacjentów. Przyszłe badania powinny zbadać ich predykcyjne znaczenie dla odpowiedzi immunoterapii oraz ocenić ich potencjał jako celów terapeutycznych w LUAD.

Rysunek 1
Rysunek 1: Wykresy wulkaniczne genów różnicowo ekspresyjnych w guzie LUAD w porównaniu do tkanek zdrowych. (A) Zbiór danych TCGA-LUAD. (B) GSE115002 zbiór danych. Czerwony oznacza znacząco podwyższoną ekspresję genów; niebieski oznacza obniżenie poziomu genów. B3GNT3, FERMT1 i SPP1 są oznaczone jako konsekwentnie podwyższone. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 2
Rysunek 2: Krzywe ROC dla B3GNT3, FERMT1 i SPP1 w rozróżnianiu LUAD od tkanek zdrowych. (A) Kohorta TCGA-LUAD. (B) GSE115002 kohorta. Wartości AUC wykazują wysoką dokładność diagnostyczną. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 3
Rysunek 3: Krzywe przeżycia Kaplana-Meiera podzielone na poziomy ekspresji B3GNT3, FERMT1 i SPP1 . (A–C)Kohorta TCGA-LUAD. (A) B3GNT3, (B) FERMT1, (C) SPP1. (D–F) GSE115002 grupa. (D) B3GNT3, (E) FERMT1, (F) SPP1. Wysoka ekspresja każdego genu jest istotnie związana z krótszym ogólnym przeżyciem w obu kohortach. Wartości HR i P z testów log-rank są podane (log-rank). Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 4
Rysunek 4: Analiza wzbogacenia DEG w GO i KEGG skorelowana z trzema kluczowymi genami. (A) TCGA-LUAD kohorta. (B) GSE115002 grupa. Terminy wzbogacające obejmują procesy biologiczne (BP), komponent komórkowy (CC), funkcję molekularną (MF) oraz szlaki KEGG. Geny o wyższej regulacji są wzbogacane o proliferację, remodelację ECM oraz sygnalizację onkogenną. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 5
Rysunek 5: Sieci współekspresji genów związane z B3GNT3, FERMT1 i SPP1. (A) TCGA-LUAD kohorta. (B) GSE115002 kohorta. Węzły reprezentują geny, a krawędzie współczynniki korelacji. Trzy kluczowe geny skupiają się z genami remodelującymi ECM, regulacją odporności oraz organizacją cytoszkieletu. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 6
Rysunek 6: Nomogram prognostyczny integrujący stopień patologiczny T, stadij patologiczny N, ekspresję B3GNT3, FERMT1 i SPP1 w celu przewidywania całkowitego przeżycia 1, 2 i 3 lat w LUAD. Punkty są przydzielane dla każdej zmiennej, a łączna liczba punktów odpowiada przewidywanemu prawdopodobieństwu przeżycia. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Discussion

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

Nomogram został skonstruowany przy użyciu wielowymiarowej analizy regresji Coxa opartej na kohorcie TCGA-LUAD. Predyktory obejmują patologiczne stadium T, patologiczne stadium N oraz status ekspresji genów B3GNT3, FERMT1 i SPP1 (sklasyfikowane jako wysokie vs. niskie na podstawie mediany ekspresji). Dla każdego pacjenta sumuje się indywidualne wyniki dla każdej zmiennej, aby uzyskać wartość "Łącznych Punktów", która odpowiada szacowanym prawdopodobieństwom przeżycia na 1, 2 i 3 lata. Wyższe łączne wyniki wskazują na zwiększone ryzyko śmiertelności. To narzędzie zapewnia indywidualną prognozę przeżycia i wspiera stratyfikację ryzyka LUAD. Uczenie maszynowe zostało wykorzystane do ujawnienia różnorodnych wzorców śmierci komórek w prognozowaniu i terapii LUAD 21,22,23, co może jeszcze bardziej zoptymalizować nasz model nomograficzny.

Badanie to zidentyfikowało B3GNT3, FERMT1 i SPP1 jako solidne biomarkery diagnostyczne i prognostyczne w LUAD przy użyciu zintegrowanej analizy bioinformatycznej. Wszystkie trzy geny są konsekwentnie nadekspresjonowane w guzach, z dużą dokładnością odróżniają guzy od zdrowych tkanek, przewidują słabe przeżycie i regulują szlaki związane z EMT, remodelowaniem macierzy i unikiem układu odpornościowego. Połączony nomogram poprawia stratyfikację ryzyka poza etapami TNM. B3GNT3 wspiera unikanie odporności poprzez stabilizację PD-L1 poprzez glikozylację 9,10. FERMT1 zwiększa sygnalizację integriny i ruchliwość komórek, napędzając inwazję i przerzuty 11,12. SPP1 działa jako wydzielany czynnik wywołujący EMT, angiogenezę oraz polaryzację makrofagów M2 13,14,15. Razem definiują agresywny podtyp LUAD charakteryzujący się inwazyjnością i immunosupresją.

Wcześniejsze badania wykazały indywidualne role B3GNT3, FERMT1 lub SPP1 w LUAD. To badanie jest pierwszym, które potwierdziło wszystkie trzy jako jednolity panel w niezależnych kohortach transkryptomicznych, a wyniki diagnostyczne i prognostyczne zostały potwierdzone zarówno w danych TCGA, jak i GEO. Najnowsze badania nad biomarkerami LUAD potwierdzają wartość sygnatur genów związanych z immunologią dla rokowania i wskazówek immunoterapii. Najnowsze badania wykorzystujące zintegrowaną bioinformatykę i uczenie maszynowe zidentyfikowały wiele sygnatur genowych dla diagnozy i rokowania LUAD21,22. Te podejścia, podobne do naszego panelu trzech genów, podkreślają wartość biomarkerów opartych na transkryptomie w stratyfikacji klinicznej.

Remodelowanie macierzy zewnątrzkomórkowej jest kluczową cechą agresywnego LUAD, a sygnatury związane z ECM zostały potwierdzone jako niezależne czynniki prognostyczne. Nasze ustalenia, że FERMT1 i SPP1 są ściśle powiązane z adhezją ogniskową oraz interakcją ECM–receptor, dodatkowo potwierdzają kluczową rolę remodelowania macierzy w progresji LUAD. Podobnie jak sygnatury genów powiązanych z CHAF1B i ubikwityną zgłaszane w medycynie interdyscyplinarnej (IMed)21,23, nasze trzy geny są ściśle powiązane z infiltracją immunologiczną i mogą służyć zarówno jako markery prognostyczne, jak i predykcyjne. Alternatywne strategie identyfikacji biomarkerów LUAD obejmują sekwencjonowanie RNA pojedynczych komórek, transkryptomikę przestrzenną, selekcję cech opartą na uczeniu maszynowym oraz profilowanie proteomiczneplazmy 24,25,26. Algorytmy uczenia maszynowego, takie jak las losowy czy LASSO, mogą dodatkowo udoskonalać wybór biomarkerów. Walidacja w laboratorium mokrym za pomocą qPCR, IHC i ELISA jest niezbędna do potwierdzenia tłumaczenia klinicznego 27,28,29,30.

Badanie to jest ograniczone retrospektywnym projektem, poleganiem na publicznych danych transkryptomicznych oraz brakiem zewnętrznej weryfikacji klinicznej. Walidacja nomogramu ograniczała się do wewnętrznego ponownego próbkowania bootstrap. Dane transkryptomiczne zbiorcze nie są w stanie rozdzielić ekspresji na poziomie komórkowym. Mechanistyczna przyczynowość wymaga eksperymentów funkcjonalnych. Korelacje z infiltracją immunologiczną opierają się na dekonwolucji obliczeniowej i należy je interpretować ostrożnie. Przyszłe badania powinny potwierdzić te biomarkery w prospektywnych kohortach za pomocą IHC, qPCR oraz surowicowego ELISA. Transkryptomika pojedynczych komórek i przestrzenna wyjaśni źródła komórkowe i rozmieszczenie przestrzenne. Należy ocenić wartość predykcyjną immunoterapii i odpowiedzi na terapię celowaną. Terapeutyczne celowanie w B3GNT3, FERMT1 i SPP1 może zaoferować nowe strategie leczenia LUAD.

Disclosures

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

Autorzy deklarują brak konkurencyjnych interesów.

Acknowledgements

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

Prace te zostały wsparte przez projekt na poziomie Uniwersytetu Tradycyjnej Medycyny Chińskiej w Fujian w 2024 roku (numer grantu: XB2024012), prowadzony przez Yuhui Lin z Afiliowanego Szpitala Ludowego Uniwersytetu Tradycyjnej Medycyny Chińskiej w Fujian. oraz wspólne fundusze na innowacje w nauce i technologii, prowincja Fujian (grant nr 2025Y9530), kierowane przez Xiaoting Chena ze Szpitala Miejskiego Jinjiang (Szósty Szpital Ludowy w Szanghaju, Fujian).

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Publicznie dostępne zbiory danychZbiór danych TCGA-LUADPortal Cancer Genome Atlas (TCGA) (https://portal.gdc.cancer.gov/); 535 próbek guza LUAD, 59 sąsiednich próbek prawidłowej tkanki płucnej (liczba sekwencjonowania RNA/wartości FPKM + dane kliniczne: przeżycie, etap rozwoju TNM)Dane transkryptomiczne i kliniczne do różnicowej ekspresji, przeżycia i analizy nomograficznej; Kohorta badań podstawowych
GSE115002 Zbiór danychOmnibus ekspresji genów (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Mikroarray Agilent, 52 tkanki guzowe LUAD, 52 dopasowane sąsiednie prawidłowe tkanki płuc (leczenie-naï GWORZY pierwotne)Niezależna kohorta walidacyjna dla różnicowej ekspresji, wydajności diagnostycznej oraz analizy infiltracji immunologicznej
Oprogramowanie i bioinformatyka Środowisko programistyczneJęzyk programowania RWersja 4.1Podstawowa platforma do wszystkich analiz transkryptomicznych, statystycznych i graficznych
Pakiety R (wyrażenie różniczkowe)DESeq2, limmaDESeq2: Analiza różnic ekspresji w liczbie RNA-seq surowej liczby TCGA; Limma: GSE115002 normalizacja mikromacierzy i analiza różnicowej ekspresji (Benjamini– Korekta Hochberga FDR)
Pakiety R (analiza diagnostyczna)pROCKonstrukcja krzywych ROC, obliczenie AUC (95% CI), optymalne wyznaczenie progu (Youden' S Index) do oceny wyników diagnostycznych
Pakiety R (analiza przetrwania)Przetrwaj, SurvminerKaplan– Generowanie krzywej przeżycia Meiera, test logaritycznej rangi, regresja proporcjonalnych hazardów Coxa jednozmiennych/wielowymiarowych (HR + 95% CI); Stratyfikacja pacjentów według mediany ekspresji genów
Pakiety R (Wzbogacenie Funkcjonalne)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) oraz analiza wzbogacenia szlaków KEGG (skorygowana P < 0,05); fgsea: GSEA dla zestawów genów MSigDB Hallmark/KEGG (FDR < 0,25)
Pakiety R (Konstrukcja Nomogramów i Konstrukcja Walidacja)RMSOpracowanie nomogramu prognostycznego (integracja ekspresji genów + stadium TNM); Harrell' Obliczenia indeksu C, restartowanie bootstrap (1000 powtórzeń) do korekty polaryzacji, generowanie wykresu kalibracyjnego
Pakiety R (statystyczne i Wizualizacja)ggplot2, ComplexHeatmap, corrplotGenerowanie wykresów wulkanicznych, wykresów bąbelkowych (wzbogacanie), map cieplnych (korelacja infiltracji immunologicznej), wykresów rozpraszania (współekspresja genów); Analiza korelacji Pearson/Spearman
Bazy danych bioinformatyczne i Narzędzia (analiza sieci/immunologia)Baza danych STRINGOcena pewności > 0,7Budowa białka– Sieci interakcji białek (PPI) dla B3GNT3/FERMT1/SPP1 oraz interaktorów pierwszego stopnia
Cytoscape-Wizualizacja sieci współekspresji PPI i genów (ważenie krawędzi według siły korelacji, identyfikacja genu hub)
Algorytm dekonwolucji immunologicznejCIBERSORTSzacowanie obfitości infiltracji komórek odpornościowych (makrofagi M2, CD8+ limfocyty T, neutrofile, komórki NK itp.) w próbkach LUAD; Korelacja z ekspresją genów kandydatów
Inne narzędziaMicrosoft Office/LaTeX-przygotowanie rękopisów, składanie rysunków i formatowanie tabel; Kompilacja wyników statystycznych

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cancer ResearchLung adenocarcinomaB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogramBioinformatics

Related Articles