Geny związane z POChP i PANoptoza przewidują rokowanie oraz wrażliwość na chemioterapię w rak łuszczycowokomórkowy płuc

Podsumowanie

Niniejsze badanie wyprowadza zestaw genów związanych z PANoptotycznymi chorobami COPD na podstawie publicznych danych transkryptomowych i stosuje go do kohorów raka łuszczykowokomorowego płuc w celu opracowania prognostycznego podpisu retrospektywnie ocenianego. Podpis był związany z infiltracją immunologiczną i przewidywaną komputerowo wrażliwością na leki, dostarczając hipotetycznych kandydatów biomarkerów do przyszłych badań nad stratyfikacją ryzyka.

Streszczenie

Przewlekła obturacyjna choroba płuc (POChP) to postępująca choroba zapalna, która zwiększa ryzyko raka płaskonabłonkowego płuc (LUSC). PANoptoza integruje pyroptozę, apoptozę i nekroptozę, ale związek między genami związanymi z POChP a PANoptoza a rokowaniem w przypadku LUSC pozostaje niejasny. W niniejszym badaniu po raz pierwszy wyprowadziliśmy geny związane z POChP o zróżnicowanej ekspresji z GSE57148 poprzez porównanie tkanek płuc z POChP z normalnymi tkankami płuc i przekroczyliśmy te geny z kuratorialną listą genów związanych z PANoptoza. Uzyskany zestaw genów został następnie zastosowany do TCGA-LUSC, GSE30219 i GSE37745, które zostały przeanalizowane jako kohorty LUSC bez potwierdzonej adnotacji współistnienia POChP na poziomie pacjenta. Oceniliśmy wzorce ekspresji genów PANoptoza, przeprowadziliśmy nienadzorowane grupowanie, scharakteryzowaliśmy różnice w infiltracji immunologicznej między grupami i zbudowaliśmy podpis prognostyczny z weryfikacją zewnętrzną. Zidentyfikowaliśmy 38 genów PANoptoza związanych z POChP o zróżnicowanej ekspresji w różnych typach tkanek. Dwa podtypy molekularne wykazywały odrębne krajobrazy immunologiczne, ekspresję punktów kontrolnych immunologicznych i ogólne przeżycie. Model ryzyka 12-genowego wybrany przez regresję Cox jednoczynnikową i LASSO Cox stratyfikował pacjentów na grupy wysokiego i niskiego ryzyka i wykazywał umiarkowanie do umiarkowanie dobrą wydajność predykcyjną w kohortach TCGA-LUSC, GSE30219 i GSE37745. Pacjenci w grupie wysokiego ryzyka wykazywali również wyższe wartości IC50 przewidywane komputerowo dla wielu czynników, co sugeruje niższą przewidywaną wrażliwość na leki niż oporność na chemioterapię potwierdzoną eksperymentalnie. Te ustalenia wskazują, że geny związane z POChP i PANoptoza są związane z rokowaniem, remodelacją mikrośrodowiska immunologicznego i przewidywaną wrażliwością na leki w LUSC i mogą dostarczyć biomarkerów generujących hipotezy do przyszłej weryfikacji.

Wprowadzenie

Rak płasnokomórkowy płuc (LUSC), podtyp raka płuca niedrobnokomórkowego (NSCLC), charakteryzuje się nieprawidłową proliferacją komórek płaskonabłonkowych w płucach. Pomimo postępów w chirurgii, chemioterapii na bazie platyny, immunoterapii, radioterapii i wybranych strategiach kierowanych molekularnie, ogólna wskaźnik wyleczenia z LUSC pozostaje niski, szczególnie wśród pacjentów z chorobą w zaawansowanym stadium^1,2. Optymalizacja skuteczności leczenia pozostaje wyzwaniem z powodu wyraźnej heterogeniczności guza i wielu mechanizmów oporu^3,4.

Zaprogramowana śmierć komórek (PCD) jest kluczowa dla utrzymania homeostazy tkankowej i ogólnego zdrowia. PANoptoza jest specyficznym, zorganizowanym programem zapalnej śmierci komórkowej, który integruje cechy pyroptozu, apoptozy i nekrotozy^5,6,7. Kompleks PANoptosome składa się z cząstek czułych na sygnały oraz cząstek sygnałowych takich jak absent in melanoma 2 (AIM2), Z-DNA binding protein 1 (ZBP1) i receptor-interacting serine/threonine-protein kinase 1 (RIPK1), które mogą wyczuwać specyficzne bodźce, wyzwalać składanie kompleksu PANoptozom i aktywować wiele ścieżek PCD⁸.

Zmienione onkogenne sygnałowe, w tym aktywność szlaku mitogen-activated protein kinase (MAPK), przyczyniają się do heterogeniczności LUSC i oporności na leczenie⁹. Jednak opcje leczenia docelowego LUSC są nadal bardziej ograniczone niż w przypadku raka gruczołowego płuc, a wielu pacjentów nadal otrzymuje chemioterapię, immunoterapię, radioterapię lub kombinacje terapii¹⁰. Ponieważ uniknięcie kontrolowanej śmierci komórkowej jest jednym z mechanizmów oporu na terapię, zorganizowana analiza ścieżek związanych z PANoptoza może pomóc w wygenerowaniu hipotez dotyczących podatności na leczenie w LUSC¹¹.

Nabyta oporność jest główną przyczyną niepowodzenia leczenia w LUSC. Ta oporność może być związana z mutacjami genów, aberracjami ścieżek, zmienionym sygnałowym śmierci komórkowej i zmianami w mikrośrodowisku guza¹². Badania wykazały, że apoptoza przyczynia się do skuteczności wielu leków przeciwnowotworowych¹³. Geny zaangażowane w apoptozę, pyroptozę i nekrotozę mogą zatem oznaczać stany regulacyjne śmierci komórkowej związane z reakcją na leczenie. Jednakże obecne badanie jest komputerowe i nie testuje bezpośrednio, czy te geny powodują opór na PANoptozę^14,15,16.

W niniejszym badaniu używamy określenia operacyjnego geny związane z PANoptoza do opisania genów kurowanych z literatury dotyczącej apoptozy, pyroptozy, nekrotozy i PANoptozy^{17,18,19,20,21}. Termin ten wskazuje na skojarzenie ścieżki, a nie eksperymentalnie udowodnioną funkcję oporu w związanych z POChP LUSC. Integrując zmiany transkryptomowe związane z POChP z tym zestawem genów PANoptoza, zamierzaliśmy zidentyfikować kandydatów genów i wzorce ekspresji związane z rokowaniem, cechami odpornościowymi i przewidywaną wrażliwością na leki w publicznych kohortach LUSC.

Przewlekła obturacyjna choroba płuc (POChP) to przewlekła choroba płuc charakteryzująca się niedrożnością dróg oddechowych i obniżoną czynnością płuc, a jest znaczącym czynnikiem ryzyka LUSC²². Przewlekłe zapalenie w płucach pacjentów z POChP może zapewniać sprzyjające warunki dla rozwoju raka^23,24. POChP może również wpływać na wybór i tolerancję leczenia, ponieważ upośledzona funkcja oddechowa może ograniczać opcje terapeutyczne^25–27. Ponadto, związana z POChP inflamacja może zmieniać mikrośrodowisko odpornościowe guza i wpływać na reakcję na immunoterapię^28–30. Obecne badanie nie analizowało bezpośrednio klinicznie potwierdzonych przypadków współistniejącego LUSC z POChP; zamiast tego wyprowadzono charakterystykę genów związanych z POChP z niezłośliwego tkanki płuc z POChP i oceniono ich związki prognostyczne i odpornościowe w publicznych kohortach LUSC.

Protokół

To badanie korzystało tylko z publicznie dostępnych, anonimizowanych zbiorów danych i nie obejmowało bezpośrednich eksperymentów na ludziach lub zwierzętach; dlatego nie było potrzeby dodatkowego zatwierdzenia komitetu etycznego i uzyskania zgody świadomej.

Pobieranie i przetwarzanie danych
Dane sekwencji RNA i odpowiednie informacje kliniczne dotyczące raka płaskonabłonkowego płuc (LUSC) zostały uzyskane z bazy The Cancer Genome Atlas (TCGA) poprzez portal danych Genomic Data Commons w ramach projektu TCGA-LUSC. Macierz ekspresji TCGA-LUSC użyta w tym badaniu była oparta na wartościach FPKM. Wartości ekspresji genów zostały przekształcone i znormalizowane przed analizą. Zmienne kliniczne obejmowały wiek, płeć, stopień zaawansowania guza, patologiczną fazę TNM, stopień złośliwości, czas przeżycia i status przeżycia, jeśli były dostępne. Pierwotnie pobrano 489 przypadków TCGA-LUSC, a 381 pacjentów z kompletnymi profilami ekspresji i ogólnymi informacjami o przeżyciu zostało włączonych do budowy modelu prognostycznego i wewnętrznej oceny.

Niezależne dane walidacyjne zostały pobrane z bazy Gene Expression Omnibus (GEO) 3 stycznia 2026 roku. GSE30219 był oparty na platformie GPL570 i obejmował 307 pacjentów z LUSC z dostępnymi informacjami o ekspresji i ogólnym przeżyciu. GSE37745 również był oparty na platformie GPL570 i obejmował 196 pacjentów z LUSC z dostępnymi informacjami o ekspresji i ogólnym przeżyciu. GSE57148 był oparty na platformie GPL11154 i obejmował 91 normalnych tkanek płuc i 98 tkanek płuc od pacjentów z przewlekłą obturacyjną chorobą płuc (COPD), łącznie 189 próbek. GSE57148 został użyty do zidentyfikowania genów różnicowej ekspresji związanych z COPD, podczas gdy GSE30219 i GSE37745 były używane jako niezależne zewnętrzne kohort do walidacji.

W przypadku zestawów danych GEO, adnotacja sond została przeprowadzona za pomocą odpowiedniego pakietu adnotacyjnego R i plików adnotacji platformy. Identyfikatory sond zostały przekształcone na oficjalne symbole genów. Kiedy wiele sond mapowano na ten sam gen, zachowano sondę o najwyższej średniej wartości ekspresji, aby reprezentować ten gen. Po dopasowaniu symboli genów nie wykryto brakujących genów modelu w zbiorach walidacyjnych. TCGA-LUSC, GSE30219 i GSE37745 zostały przeanalizowane jako ogólne kohorty LUSC, ponieważ status współistnienia COPD na poziomie pacjenta nie został potwierdzony w adnotacjach użytych w tej analizie.

Ponieważ zestawy danych TCGA i GEO zostały wygenerowane przy użyciu różnych platform ekspresji, normalizacja między platformami i korekcja efektów wsadowymi zostały przeprowadzone za pomocą standardowych metod przetwarzania opartych na R przed zastosowaniem modelu. Model ryzyka został przetrenowany w kohorcie TCGA-LUSC, a następnie niezależnie oceniany w każdej zewnętrznej kohorcie GEO zamiast bezpośredniego łączenia wszystkich kohor. Analiza różnicowej ekspresji została przeprowadzona za pomocą pakietu limma R. Geny różnicowej ekspresji związane z COPD w GSE57148 zostały przesiewane za pomocą |log2FC| > 0,263 i P < 0,05. Ten próg log2FC odpowiada około 1,2-krotnej zmianie i został użyty jako kryterium przesiewowe w celu zachowania potencjalnie istotnych genów związanych z PANoptosis. Łącznie 277 genów związanych z PANoptosis zostało opracowane z wcześniej opublikowanych badań nad apoptozą, piroptozy, nekroptozą i PANoptosis i są dostępne w Tabeli uzupełniającej 1.

Analiza wzbogacania funkcjonalnego genów
Aby wyjaśnić funkcjonalne założenia wybranych genów PANoptosis związanych z COPD, przeprowadzono analizę wzbogacania Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG) za pomocą pakietu clusterProfiler R i pakietu adnotacyjnego org.Hs.eg.db. Oceniono kategorie procesów biologicznych, komponentów komórkowych i funkcji molekularnych GO. Analiza wzbogacania ścieżek KEGG została przeprowadzona w celu zidentyfikowania ścieżek sygnałowych związanych z wybranymi genami. Wartości P zostały skorygowane dla wielokrotnych testów za pomocą metody Benjamini-Hochberg false discovery rate, gdzie to możliwe. Terminy wzbogacania o wartości P < 0,05 zostały uznane za statystycznie istotne w tej eksploracyjnej analizie. Wykresy wzbogacania zostały wygenerowane za pomocą ggplot2.

Niezależna analiza skupiania genów związanych z PANoptosis
Aby zbadać różnorodność molekularną związaną z ekspresją genów PANoptosis w LUSC, przeprowadzono skupianie konsensualne za pomocą pakietu ConsensusClusterPlus R. Próbki LUSC zostały skupione według profili ekspresji genów PANoptosis związanych z przeżyciem. Stosowano skupianie hierarchiczne z odległością korelacji Pearsona. Maksymalna liczba klasters została ustalona na sześć, a 1000 iteracji ponownego próbkowania zostało przeprowadzonych w celu oceny mocności skupiania. Optymalna liczba klasters została określona poprzez ocenę macierzy konsensusu, krzywej funkcji rozkładu skumulowanej, wykresu delty obszaru i biologicznej interpretacji wynikających grup. Na podstawie tych kryteriów k = 2 zostało wybrane do dalszej analizy. Różnice przeżycia między dwoma grup

Wyniki

Wzorce ekspresji i funkcyjna adnotacja genów związanych z PANoptosis w LUSC
Dane transkryptomiczne z GSE57148, obejmujące 91 normalnych tkanek płuc i 98 tkanek płuc z POChP, zostały przeanalizowane w celu zidentyfikowania genów związanych z POChP o różnicowej ekspresji. Łącznie zidentyfikowano 2 182 geny związane z POChP, a 38 genów pokrywało się z kuratowanym zestawem genów związanych z PANoptosis (Rycina 1A i 1B). Rozkład chromosomowy tych 38 genów p...

Dyskusja

POChP i LUSC są klinicznie i biologicznie powiązane poprzez wspólne procesy patogenne związane z zapaleniem, paleniem tytoniu i uszkodzeniem dróg oddechowych^31,32,33. Chociaż inhibitory punktów kontrolnych odpowiedzi immunologicznej i inne terapie ogólnoustrojowe poprawiły opcje leczenia LUSC, trwała korzyść dla wielu pacjentów jest ograniczona z powodu niejednorodności guza, niekompletnej stratyfikacji biomarkerów i odporności ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
AnnotationDbi R package	Bioconductor	N/A	Używane do adnotacji genów i konwersji identyfikatorów. Źródło: https://bioconductor.org/packages/AnnotationDbi/
caret R package	CRAN	N/A	Używane do reprodukowalnego losowego podziału kohorty TCGA-LUSC na podzbiory treningowe i testowe. Źródło: https://cran.r-project.org/package=caret
Algorytm CIBERSORT	Zasób CIBERSORT	N/A	Używane do dekonwolucji komórek immunologicznych z macierzą podpisów LM22. Dostęp i licencjonowanie podlegają oryginalnemu dostawcy zasobów. Źródło: https://cibersortx.stanford.edu/
clusterProfiler R package	Bioconductor	N/A	Używane do analizy wzbogacenia GO i KEGG. Źródło: https://bioconductor.org/packages/clusterProfiler/
ConsensusClusterPlus R package	Bioconductor	N/A	Używane do konsensusowego klastrowania wzorców ekspresji genów związanych z PANoptosis. Źródło: https://bioconductor.org/packages/ConsensusClusterPlus/
e1071 R package	CRAN	N/A	Używane jako zależność dla analizy dekonwolucji opartej na CIBERSORT. Źródło: https://cran.r-project.org/package=e1071
edgeR R package	Bioconductor	N/A	Używane do przetwarzania danych liczbowych RNA-seq, gdy wymagana była normalizacja oparta na liczbie. Źródło: https://bioconductor.org/packages/edgeR/
ESTIMATE R package	MD Anderson Cancer Center / SourceForge	N/A	Używane do obliczania wyniku stromy, wyniku odporności, wyniku ESTIMATE i czystości guza. Źródło: https://sourceforge.net/projects/estimateproject/
Portal danych Genomic Data Commons	National Cancer Institute	TCGA-LUSC	Źródło danych sekwencjonowania RNA TCGA-LUSC i adnotacji klinicznych. Źródło: https://portal.gdc.cancer.gov/
Baza danych Genomiki Czułości na Leki w Raku	Projekt GDSC	N/A	Zestaw danych referencyjnych dotyczących reakcji na leki używany poprzez referencyjne dane zgodne z pRRophetic. Źródło: https://www.cancerrxgene.org/
GEOquery R package	Bioconductor	N/A	Używane do pobierania i analizowania plików GEO Series Matrix. Źródło: https://bioconductor.org/packages/GEOquery/
ggplot2 R package	CRAN	N/A	Używane do wizualizacji i generowania figur. Źródło: https://cran.r-project.org/package=ggplot2
ggpubr R package	CRAN	N/A	Używane do generowania wykresów w stylu publikacji i porównywania grup. Źródło: https://cran.r-project.org/package=ggpubr
glmnet R package	CRAN	N/A	Używane do regresji LASSO Cox i budowy modelu prognostycznego. Źródło: https://cran.r-project.org/package=glmnet
Zestaw danych GSE30219	NCBI Gene Expression Omnibus	GSE30219	Zespół zewnętrznej walidacji LUSC z danymi ekspresji i przeżywalności. Źródło: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30219
Zestaw danych GSE37745	NCBI Gene Expression Omnibus	GSE37745	Zespół zewnętrznej walidacji LUSC z danymi ekspresji i przeżywalności. Źródło: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE37745
Zestaw danych GSE57148	NCBI Gene Expression Omnibus	GSE57148	Zestaw danych transkryptomicznych porównujących POChP z normalnym płucem używany do wyznaczania genów różnicowej ekspresji związanych z POChP. Źródło: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE57148
limma R package	Bioconductor	N/A	Używane do analizy różnicowej ekspresji. Źródło: https://bioconductor.org/packages/limma/
org.Hs.eg.db annotation package	Bioconductor	N/A	Używane do adnotacji ludzkich genów w analizie wzbogacenia. Źródło: https://bioconductor.org/packages/org.Hs.eg.db/
preprocessCore R package	Bioconductor	N/A	Używane do przetwarzania ekspresji i przepływów pracy zgodnych z CIBERSORT. Źródło: https://bioconductor.org/packages/preprocessCore/
pRRophetic R package	CRAN	N/A	Używane do eksploracyjnego przewidywania wartości IC50 leków na podstawie danych ekspresji genów. Źródło: https://cran.r-project.org/package=pRRophetic
Oprogramowanie R	Fundacja R dla Statystyki Obliczeniowej	Wersja 4.1.0	Używane do wszystkich analiz statystycznych i generowania figur. Źródło: https://www.r-project.org/
STRINGdb R package	Bioconductor	N/A	Używane do analizy związków między białkami, jeśli to możliwe. Źródło: https://bioconductor.org/packages/STRINGdb/
SummarizedExperiment R package	Bioconductor	N/A	Używane do obsługi obiektów danych ekspresji TCGA pobrane za pomocą TCGAbiolinks. Źródło: https://bioconductor.org/packages/SummarizedExperiment/
survival R package	CRAN	N/A	Używane do regresji Cox i analizy przeżywalności Kaplan-Meier. Źródło: https://cran.r-project.org/package=survival
survminer R package	CRAN	N/A	Używane do wizualizacji krzywych przeżywalności Kaplan-Meier i tabel ryzyka. Źródło: https://cran.r-project.org/package=survminer
TCGAbiolinks R package	Bioconductor	N/A	Używane do pobierania i przygotowywania danych ekspresji i klinicznych TCGA-LUSC. Źródło: https://bioconductor.org/packages/TCGAbiolinks/