Artykuł badawczy
* These authors contributed equally
To badanie zidentyfikowało biomarkery diagnostyczne i prognostyczne dla raka płuca typu grudkowego za pomocą danych transkryptomowych TCGA-LUAD i GEO GSE115002. B3GNT3, FERMT1 i SPP1 były wysoko eksponowane, odróżniając guzy od normalnego tkanki. Te geny są powiązane z przejściem nabłonkowo-mezenchymalnym i supresją odpornościową. Nomogramma łącząca ekspresję genów ze stopniem TNM wykazała wiarygodną wartość predykcyjną.
Rak płuc typu grudkowego (LUAD) jest główną przyczyną zgonów związanych z rakiem na całym świecie. Pomimo postępu w chirurgii, terapii ukierunkowanej i immunoterapii, 5-letnia przeżywalność zaawansowanego LUAD pozostaje poniżej 20%, co wskazuje na pilną potrzebę wiarygodnych biomarkerów molekularnych do wczesnego wykrywania i prognozowania. W niniejszym badaniu autorzy założyli, że trzy konsekwentnie nadmiernie eksponowane geny mogą działać jako skuteczne biomarkery diagnostyczne i prognostyczne dla LUAD. Autorzy przeanalizowali dane transkryptomiczne z dwóch niezależnych kohortach, TCGA-LUAD (535 nowotworów, 59 normalnych próbek) i GSE115002 (52 nowotwory, 52 dopasowane normalne próbki), aby przesiewać geny o zróżnicowanej ekspresji. Trzy rdzeniowe geny—B3GNT3, FERMT1 i SPP1—były konsekwentnie nadmiernie eksponowane w nowotworach LUAD w obu zbiorach danych. Geny te wykazały doskonałą wydajność diagnostyczną, z wartościami AUC powyżej 0,95 w TCGA-LUAD i wysoką dokładnością w GSE115002. Analiza przeżycia wykazała, że wysokie wystąpienie każdego genu było istotnie związane z krótszym ogólnym przeżyciem i przeżyciem wolnym od choroby, a wielowarstwowa regresja Cox potwierdziła ich niezależną wartość prognostyczną. Analiza wzbogacenia funkcjonalnego wskazała, że te trzy geny biorą udział w przejściu nabłonkowo-mezenchymalnym, przebudowie macierzy zewnątrzkomórkowej i supresji immunologicznej, które są ściśle związane z inwazją i przerzutami LUAD. Autorzy dodatkowo zbudowali nomogram prognostyczny łączący te trzy geny i stadiowanie TNM, osiągając indeks zgodności 0,743 i wykazując dobrą wydajność predykcyjną. Te odkrycia potwierdzają, że B3GNT3, FERMT1 i SPP1 są obiecującymi biomarkerami diagnostycznymi i prognostycznymi dla LUAD, wspierającymi zastosowanie kliniczne w stratyfikacji i zarządzaniu ryzykiem.
Rak płuc jest główną przyczyną globalnej śmiertelności z powodu raka, odpowiadając za około 1,8 miliona zgonów w 2020 roku1. Gruczolakorak płuca (LUAD) stanowi prawie 40% wszystkich przypadków raka płuca2. Pomimo postępu w chirurgii, terapii ukierunkowanej i immunoterapii, 5-letnie wskaźniki przeżywalności w przypadku zaawansowanego LUAD pozostają poniżej 20%3,4. Potrzebne są pilnie niezawodne biomarkery molekularne do wczesnego wykrywania i precyzyjnego prognozowania. Sekwencjonowanie dużej liczby próbek i publiczne bazy danych, takie jak The Cancer Genome Atlas....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
1. Źródła danych i przetwarzanie wstępne
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Globalne zmiany ekspresji genów w LUAD
Transkryptomiczne porównania między tkankami raka gruczołowego płuc a normalnymi tkankami płuc wykazały rozpowszechnione zmiany ekspresji genów. Rycina 1A przedstawia wykresy wulkanowe genów o zróżnicowanej ekspresji w zbiorze TCGA-LUAD, a Rycina 1B przedstawia je w zbiorze GSE115002. W kohorcie TCGA-LUAD (Rycina 1A) 1865 genów było znacząco wzmacnia.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Nomograf został skonstruowany przy użyciu wielowymiarowej analizy regresji Cox na podstawie kohorty TCGA-LUAD. Wskaźniki obejmują patologiczny etap T, patologiczny etap N oraz status ekspresji genów B3GNT3, FERMT1 i SPP1 (sklasyfikowane jako Wysoki vs. Niski na podstawie średniej ekspresji). Dla każdego pacjenta, indywidualne wyniki dla każdej zmiennej są summowane, aby wygenerować wartość „Punkty łączne”, która odpowiada oszacowanym prawdopodobieństwom łącznej przeżywalności na 1, 2 i 3 lata. .......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają żadnych konfliktów interesów.
To dzieło zostało wspierane przez projekt Uniwersytetu Tradycyjnej Medycyny Chin z Fuzhou na poziomie uczelni za rok 2024 (Numer grantu: XB2024012), prowadzony przez Yuhui Lin z Filii Szpitala Uniwersytetu Tradycyjnej Medycyny Chin z Fuzhou. oraz Wspólne fundusze na innowacje w dziedzinie nauki i technologii, prowincja Fujian (Numer grantu:2025Y9530)， prowadzone przez Xiaoting Chen z Municipalnego Szpitala Jinjiang (Szósty Szpital Ludowy w Szanghaju, Fujian).
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Publicznie dostępne zestawy danych | Zestaw danych TCGA-LUAD | The Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 próbek nowotworów LUAD, 59 sąsiednich próbek normalnej tkanki płucnej (ilości sekwencjonowania RNA/wartości FPKM + dane kliniczne: przeżycie, stadium TNM) | Dane transkryptomiczne i kliniczne do analizy różnicowej ekspresji, przeżycia i analizy nomogramowej; główna kohorta badawcza |
| Zestaw danych GSE115002 | Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); mikroarray Agilent, 52 tkanki nowotworowe LUAD, 52 dopasowane sąsiednie normalne tkanki płucne (pierwotne guzy nieleczone) | Niezależna kohorta walidacji do analizy różnicowej ekspresji, wydajności diagnostycznej i analizy infiltracji immunologicznej | |
| Oprogramowanie i środowisko programistyczne bioinformatyczne | Język programowania R | Wersja 4.1 | Podstawowa platforma dla wszystkich analiz transkryptomicznych, statystycznych i graficznych |
| Pakiety R (Analiza różnicowej ekspresji) | DESeq2, limma | DESeq2: Analiza różnicowej ekspresji surowych danych RNA-seq TCGA; limma: Normalizacja mikroarray GSE115002 i analiza różnicowej ekspresji (korekta FDR Benjamini–Hochberg) | |
| Pakiety R (Analiza diagnostyczna) | pROC | Konstrukcja krzywych ROC, obliczenie AUC (95% CI), określenie optymalnego progu (wskaźnik Youdena) do oceny wydajności diagnostycznej | |
| Pakiety R (Analiza przeżycia) | survival, survminer | Generowanie krzywych przeżycia Kaplana–Meiera, test log-rank, regresja proporcjonalnego zagrożenia Cox (HR + 95% CI) jedno- i wielowymiarowa; stratyfikacja pacjentów według mediany ekspresji genu | |
| Pakiety R (Analiza funkcjonalna) | clusterProfiler, fgsea | clusterProfiler: Analiza wzbogacenia ścieżek GO (BP/CC/MF) i KEGG (skorygowany P < 0,05); fgsea: GSEA dla zestawów genów MSigDB Hallmark/KEGG (FDR < 0,25) | |
| Pakiety R (Konstrukcja i walidacja nomogramu) | rms | Opracowanie nomogramu prognostycznego (integracja ekspresji genu + stadiowania TNM); obliczenie indeksu C Harrella, przeliczanie bootstrap (1000 powtórzeń) w celu korekcji błędów, generowanie wykresu kalibracji | |
| Pakiety R (Statystyka i wizualizacja) | ggplot2, ComplexHeatmap, corrplot | Generowanie wykresów wulkanu, wykresów bąbelkowych (wzbogacenie), wykresów cieplnych (korelacja infiltracji immunologicznej), wykresów rozproszonych (współwystępowanie genów); Analiza korelacji Pearsona/Spearmana | |
| Bazy danych i narzędzia bioinformatyczne (Analiza sieciowa/immunologiczna) | Baza danych STRING | Wynik pewności > 0,7 | Konstrukcja sieci oddziaływań białko-białko (PPI) dla B3GNT3/FERMT1/SPP1 i interaktorów pierwszego stopnia |
| Cytoscape | - | Wizualizacja sieci PPI i współwystępowania genów (ważenie krawędzi według siły korelacji, identyfikacja genu centralnego) | |
| Algorytm dekonwolucji immunologicznej | CIBERSORT | Estymacja obfitości infiltracji komórek odpornościowych (makrofagi M2, komórki T CD8+, neutrofile, komórki NK itp.) w próbkach LUAD; korelacja z ekspresją genów kandydatów | |
| Inne narzędzia | Microsoft Office/LaTeX | - | Przygotowanie rękopisu, zestawienie figur i formatowanie tabel; kompilacja wyników statystycznych |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie