Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
* These authors contributed equally
Zintegrowane analizy metabolomiczne, transkryptomiczne, jednokomórkowe oraz funkcjonalne identyfikują SHMT2 jako biomarker reprogramowania metabolicznego SGOC, agresywnego przebiegu choroby oraz obniżonej przewidywanej odpowiedzi na immunoterapię w gruczolakoraku płuca.
Metabolizm seryno-glicynowy jednowęglowy (SGOC) jest często zaburzony w gruczolakoraku płuca (LUAD), jednak jego związek z zachowaniem guza i przewidywaną odpowiedzią na immunoterapię pozostaje nie w pełni określony. Profilowanie metabolomiczne 23 par tkanek LUAD i przyległych tkanek płuca prawidłowych przeprowadzono z wykorzystaniem wewnętrznej ekstrakcyjnej spektrometrii mas z jonizacją przez rozpylanie elektryczne. Dane transkrypcyjne i kliniczne z kohorty LUAD z The Cancer Genome Atlas (TCGA-LUAD) przeanalizowano w celu oceny ekspresji SHMT2, rokowań, genów o zróżnicowanej ekspresji oraz cech związanych z odpornością. Przewidywaną odpowiedź na blokadę punktów kontrolnych układu odpornościowego oceniano za pomocą Tumor Immune Dysfunction and Exclusion (TIDE) oraz The Cancer Immunome Atlas (TCIA), a wrażliwość na leki wnioskowano przy użyciu oncoPredict. Dane z sekwencjonowania RNA pojedynczych komórek (single-cell RNA-seq) wykorzystano do zbadania rozkładu komórkowego SHMT2. Walidacja eksperymentalna obejmowała ilościową reakcję łańcuchową polimerazy z odwrotną transkrypcją (RT-qPCR), western blotting, immunohistochemię z Human Protein Atlas (HPA) oraz wyciszenie SHMT2 za pomocą krótkich zapinek RNA (shRNA) z następującym po tym badaniem proliferacji, gojenia ran i tworzenia kolonii. Analiza metabolomiczna zidentyfikowała metabolizm glicyny, seryny i treoniny jako wyraźnie zaburzony szlak w LUAD. SHMT2 wykazano w stopniu zwiększonym w LUAD, co wiązało się z gorszym przeżyciem całkowitym i niekorzystnymi cechami kliniczno-patologicznymi. Guzy z wysoką ekspresją SHMT2 wykazywały wzbogacenie programów transkrypcyjnych związanych z cyklem komórkowym i SGOC, niższe wyniki odpornościowe i zrazikowe oraz zmniejszoną przewidywaną odpowiedź na immunoterapię. Analiza pojedynczych komórek wykazała względne wzbogacenie ekspresji SHMT2 w populacjach limfocytów B. In vitro SHMT2 był nadmiernie ekspresowany w komórkach LUAD, a jego wyciszenie hamowało proliferację, migrację i wzrost klonogenny. Podsumowując, SHMT2 wiąże się z metabolicznym przeprogramowaniem SGOC, agresywnymi fenotypami nowotworu i stanem niekorzystnym pod kątem immunologicznym w LUAD, co potwierdza jego potencjalne znaczenie jako biomarkera; celowanie terapeutyczne wymaga dodatkowej walidacji farmakologicznej i in vivo.
LUAD pozostaje jedną z głównych przyczyn śmiertelności z powodu nowotworów na całym świecie, co wynika z wyraźnej heterogeniczności molekularnej, wczesnej skłonności do przerzutowania oraz ograniczonej trwałości obecnych strategii terapeutycznych1,2. Chociaż inhibitory punktów kontrolnych układu odpornościowego (ICIs) zmieniły krajobraz terapeutyczny LUAD, trwała korzyść kliniczna ogranicza się do podgrupy pacjentów, a często obserwuje się zarówno oporność pierwotną, jak i nabytą3,4. Ta znaczna zmienność między pacjentami podkreśla pilną potrzebę zdefiniowania determinant biologicznych, które kształtują immunologiczne mikrośrodowisko guza i warunkują odpowiedź na immunoterapię, przy jednoczesnej identyfikacji potencjalnych punktów uchwycenia, które można wykorzystać w celu poprawy stratyfikacji pacjentów i wyników leczenia.
Przeprogramowanie metaboliczne jest kluczową cechą progresji złośliwej5. Wśród programów metabolicznych metabolizm SGOC łączy wkład glikolityczny z metabolizmem aminokwasów i syntezą nukleotydów, dostarczając jednostek jednowęglowych do produkcji puryn/pirymidyn oraz generowania donorów grup metylowych6. Poza produkcją biomasy, metabolizm SGOC przyczynia się do homeostazy redox i oddziałuje z cyklem metioninowym, wpływając na metylację DNA, RNA i histonów, co plasuje go w centrum procesów proliferacji i regulacji epigenetycznej7,8. Serynowa hydroksymetylotransferaza 2 (SHMT2), mitochondrialna izoforma serynowej hydroksymetylotransferazy, przekształca serynę w glicynę, generując jednocześnie 5,10-metylenotetrahydrofolian, i stanowi główny punkt wejścia dla mitochondrialnej podaży jednostek jednowęglowych w sieci SGOC9. SHMT2 wykazuje aberracyjną nadekspresję w wielu nowotworach złośliwych i jest powiązana ze zwiększoną proliferacją, inwazją, opornością terapeutyczną oraz adaptacją do stresu oksydacyjnego10,11,12,13. SHMT2 krzyżuje się również z sygnalizacją zapalną poprzez kompleks BRISC, choć bezpośredni mechanizm immunologiczny zależny od SHMT2 w LUAD pozostaje do ustalenia14,15. W związku z tym, zintegrowana ocena jest niezbędna, aby określić, czy SHMT2 wyznacza klinicznie istotny fenotyp metaboliczny w LUAD oraz jak wiąże się on z cechami mikrośrodowiska immunologicznego i przewidywaną odpowiedzią na immunoterapię.
Dwukierunkowa interakcja między metabolizmem guza a odpornością przeciwnowotworową zajmuje centralne miejsce we współczesnej biologii nowotworów16. Komórki nowotworowe mogą upośledzać kompetencje immunologiczne poprzez konkurencyjne wyczerpywanie składników odżywczych, gromadzenie metabolitów immunomodulujących oraz sprzężenie metaboliczno-epigenetyczne, które zmienia programy różnicowania i funkcji efektorowych komórek odpornościowych7,16,17. Zwiększony metabolizm jedno-węglowy może wpływać na programy zależne od metylacji oraz sprawność metaboliczną limfocytów T, jednak kierunek i skala tych efektów zależą od typu komórek i kontekstu odżywczego17. Adaptacyjna regulacja odporności wykracza poza limfocyty T: limfocyty B, odpowiedzi przeciwciałowe, prezentacja antygenów oraz trzeciorzędowe struktury limfatyczne (TLS) wiązano z skutecznością immunoterapii18. Powyższe obserwacje uzasadniają przeprowadzenie wielowarstwowej analizy, która pozwala na umiejscowienie kandydata metabolicznego w kontekście całej masy guza, pojedynczych komórek oraz funkcji, bez zakładania, że sama zgodność między różnymi platformami analitycznymi dowodzi przyczynowości.
W przeciwieństwie do projektów opartych wyłącznie na metabolomice, które identyfikują zmienione metabolity bez ustalenia ich źródła komórkowego lub istotności fenotypowej, oraz w przeciwieństwie do projektów opartych wyłącznie na transkryptomice masowej, które mogą wnioskować o aktywności szlaków bez bezpośredniej obserwacji zmian w metabolitach, niniejszy schemat postępowania integruje metabolomikę tkanek sparowanych, transkryptomikę masową i jednokomórkową oraz funkcjonalne testy in vitro. Zgodność między tymi poziomami wspiera priorytetyzację kandydatów i zmniejsza zależność od pojedynczej platformy analitycznej; jednak uzyskane dowody pozostają o charakterze asocjacyjnym w odniesieniu do regulacji odporności, dopóki nie zostaną zwalidowane w systemach kokultury immunologicznej lub in vivo.
Metabolomika par tkanek z LUAD i sąsiadującego normalnego płuca została najpierw wykorzystana do zidentyfikowania zaburzeń metabolicznych związanych z glicyną. Następnie zintegrowano transkrypcyjne i kliniczne dane TCGA, aby ocenić SHMT2 – mitochondrialny enzym SGOC, którego wybór uzasadniała istotność ścieżki sygnałowej, nadekspresja w guzie, związek prognostyczny oraz możliwość weryfikacji eksperymentalnej. Profilowanie mikrośrodowiska immunologicznego, mapowanie jednokomórkowe oraz walidacja funkcjonalna in vitro pozwoliły następnie stworzyć wielowarstwowe ramy generowania hipotez, obejmujące zmiany metaboliczne, dysregulację enzymatyczną, rozkład komórkowy oraz fenotyp komórek nowotworowych. Z praktycznego punktu widzenia ten schemat pracy wymaga świeżo zamrożonych par tkanek. Identyfikacja metabolitów za pomocą spektrometrii mas jest półilościowa; kandydackie metabolity powinny zostać niezależnie zwalidowane. Przewidywania odpowiedzi na immunoterapię (TIDE/TCIA) oraz wnioski dotyczące wrażliwości na leki (oncoPredict) są obliczeniowymi szacunkami opartymi na transkryptomie, które nie zastępują walidacji klinicznej w rzeczywistych kohortach leczzonych ICI i powinny być interpretowane jako generujące hipotezy.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Badanie to zostało zatwierdzone przez Instytucjonalną Komisję Rewizyjną Drugiego Szpitala Afiliacyjnego Uniwersytetu w Nanchang (CDEFYYLK 3-05). Przed pobraniem próbek od wszystkich pacjentów uzyskano pisemną świadomą zgodę, zgodnie z Deklaracją Helsińską. Surowe dane zostały wyeksportowane i przeanalizowane przy użyciu oprogramowania oraz zasobów sieciowych wymienionych w Tabeli materiałów.
Pobieranie tkanek klinicznych
Pobrano pary tkanek guza i dopasowanych do nich odległych tkanek płuc prawidłowych od pacjentów poddanych resekcji chirurgicznej między styczniem a czerwcem 2024 roku, u których rozpoznano patomorfologicznie inwazyjnego gruczolakoraka płuca. Próbki zostały pobrane przez chirurga operującego, poddane obróbce w ciągu 5 min od resekcji, natychmiast zamrożone w ciekłym azocie i przechowywane do czasu analizy. Zanonimizowana charakterystyka kliniczno-patologiczna została przedstawiona w Tabele uzupełniającej 1.
Wewnętrzna ekstrakcyjna spektrometria mas z jonizacją przez elektrorozpylanie (iEESI-MS) w celu odróżnienia LUAD od prawidłowych tkanek płuc
Próbki tkanek (1 mm3) analizowano metodą iEESI-MS, wykorzystując hybrydowy masowy spektrometr z pułapką liniową jonów i orbitalną pułapką elektrostatyczną w trybie jonów dodatnich. Rozpuszczalnik do ekstrakcji (metanol 100%) podawano z przepływem 3,0 µL/min przy napięciu polaryzującym +5 kV. Zakres skanowania iEESI-MS1 wynosił m/z 50–2,000. W iEESI-MS2 zastosowano dysocjację indukowaną zderzeniem z znormalizowaną energią kolizyjną 25–35%, oknem izolacji m/z 2,0 oraz czasem wykluczania dynamicznego 30 s. Codzienna kalibracja zewnętrzna zgodnie ze standardową procedurą instrumentu pozwoliła utrzymać błąd masy <5 ppm. Po normalizacji do mediany, transformacji log₂ oraz autoskalowaniu przeprowadzono analizę OPLS-DA z 200 testami permutacji. Metabolity przypisano na podstawie bazy HMDB, a analizę wzbogacenia szlaków metabolicznych wykonano z wykorzystaniem adnotacji KEGG.
Przetwarzanie danych spektrometrii mas i identyfikacja metabolitów
Surowe dane MS znormalizowano metodą normalizacji medianowej, po której zastosowano transformację log₂ oraz aut skalowanie (centrowanie średniej i dzielenie przez odchylenie standardowe każdej zmiennej). Do identyfikacji różnicujących cech m/z wykorzystano ortogonalną analizę dyskryminacyjną cząstkowych najmniejszych kwadratów (OPLS-DA). Cechy uznano za różnicujące, gdy VIP > 1.0, |log₂(FC)| > 0.58 oraz p < 0.05. Cechy różnicujące poddano analizie MS2 i zinterpretowano z wykorzystaniem Human Metabolome Database. Następnie przeprowadzono analizę wzbogacenia szlaków w oparciu o bazę KEGG, aby zidentyfikować zmienione szlaki i wytypować istotne dla nich enzymy. Adnotacje zidentyfikowanych metabolitów różnicujących znajdują się w Tabe li Załącznikowej 2.
Analizy ekspresji SHMT2, przeżywalności oraz powiązań kliniczno-patologicznych w oparciu o TCGA
Profile ekspresji RNA-seq i odpowiadające im adnotacje kliniczne dla TCGA-LUAD zostały pobrane z Genomic Data Commons w dniu 18 grudnia 2025 r.; guzy (n = 542) i tkanki prawidłowe (n = 59). Wartości liczby fragmentów na kilobaza transkryptu na milion zmapowanych odczytów (FPKM) przekształcono jako log2(FPKM + 1). W analizy prognostyczne włączono wyłącznie próbki z pełnymi informacjami dotyczącymi przeżywalności. Wartości ekspresji SHMT2 w guzach i tkankach prawidłowych porównano za pomocą testu sum rang Wilcoxona. Pacjentów podzielono na grupy z wysoką i niską ekspresją SHMT2 w oparciu o medianę wartości ekspresji. Przeżywalność całkowitą oceniono za pomocą analizy Kaplan-Meiera i testu log-rank. Powiązania ze stopniem zaawansowania TNM (tumor-node-metastasis), wiekiem i płcią oceniano za pomocą testów chi-kwadrat lub testów Wilcoxona, w zależności od potrzeb. Dla przeżywalności 1-, 3- i 5-letniej wygenerowano zależne od czasu krzywe charakterystyki operacyjnej odbiornika (ROC). Wszystkie testy statystyczne były dwustronne.
Analiza różnicowej ekspresji i wzbogacenia funkcjonalnego (GO/KEGG)
Geny o różnym poziomie ekspresji (DEG) pomiędzy grupami z wysokim i niskim poziomem SHMT2 zidentyfikowano przy użyciu współczynnika fałszywych odkryć (FDR). < 0,05 oraz |log₂(FC)| ≥ 1. Wyniki przedstawiono w formie wykresu wulkanicznego (volcano plot) oraz mapy ciepła (heatmap) dla 40 najważniejszych DEG z normalizacją z-score w wierszach. W analizach wzbogacenia Gene Ontology (GO) i KEGG zastosowano skorygowaną p < 0.05. Adnotacje genów ludzkich pobrano z bazy Ensembl w grudniu 2025 r.
Infiltracja immunologiczna, przewidywanie odpowiedzi na immunoterapię i wnioskowanie o wrażliwości na leki
Wyniki mikrośrodowiska guza, w tym ImmuneScore, StromalScore i ESTIMATEScore, obliczono przy użyciu narzędzia ESTIMATE. Skład komórek odpornościowych wywnioskowano za pomocą CIBERSORT z wykorzystaniem zestawu referencyjnego LM22 (pobranego 5 grudnia 2025 r.), 1 000 permutacji oraz zachowaniem próbek z dekonwolucją p < 0,05. Porównania między grupami przeprowadzono pomiędzy guzy z wysokim i niskim poziomem SHMT2. Korelacje Spearmana między SHMT2 a genami związanymi z punktami kontrolnymi odporności zwizualizowano w formie macierzy korelacji. Immunophenoscores pobrano z TCIA, a narzędzia TIDE użyto do uzupełniającej prognozy odpowiedzi na immunoterapię. Wrażliwość na leki wywnioskowano za pomocą oncoPredict, wytrenowanego na wydaniu GDSC z grudnia 2023 r., w celu oszacowania wartości IC50. Do analizy różnic między grupami zastosowano testy Wilcoxona, a w przypadku zależności ciągłych wykorzystano korelacje Spearmana.
Analiza scRNA-seq w przypadku LUAD
Dane transkryptomiczne z pojedynczych komórek19 pobrano z bazy Gene Expression Omnibus 20 grudnia 2025 r. i poddano analizie. Zachowano komórki z liczbą wykrytych cech w zakresie 200–6 000 oraz zawartością transkryptów mitochondrialnych < 10%. Liczbę odczytów znormalizowano przy użyciu metody LogNormalize z czynnikiem skalującym 10 000; wybrano 2 000 najbardziej zmiennych genów, a następnie wszystkie geny przeskalowano. Do analizy głównych składowych wykorzystano 20 pierwszych komponentów, do UMAP wymiary 1–20, a do klastrowania przyjęto rozdzielczość 0,5. Typy komórek przypisano na podstawie referencyjnego atlasu Human Primary Cell Atlas. Porównano proporcje typów komórek między próbkami nowotworowymi a prawidłowymi i wygenerowano macierze korelacji Spearmana. Zbadano rozkład SHMT2 w przypisanych typach komórek. Stany cyklu komórkowego wywnioskowano przy użyciu narzędzia cyclone i zwizualizowano za pomocą wykresów grzbietowych (ridge plots).
Hodowla komórkowa
Komórki BEAS-2B, H1299 i A549 hodowano w temperaturze 37 °C w inkubatorze z nawilżeniem, przy ustawieniu 5% CO2 i około 95% wilgotności względnej, wykorzystując pożywki i suplementy określone w Tabeli materiałów.
Ilościowa odczynna polimerazy w czasie rzeczywistym z odwrotną transkrypcją (RT-qPCR)
Całkowity RNA wyekstrahowano przy użyciu odczynnika do ekstrakcji RNA na bazie fenolu. Wyekstrahowany RNA poddano odwrotnej transkrypcji do cDNA z zastosowaniem gotowej mieszaniny do odwrotnej transkrypcji (master mix). Odwrotną transkrypcję przeprowadzono w 20 µL system z usuwaniem genomowego DNA w 42 °C przez 2 min, odwrotna transkrypcja w temperaturze 50 °C przez 15 min, a następnie przerwanie reakcji w temperaturze 85 °C przez 5 s. Ilościową PCR przeprowadzono z użyciem master mixu do qPCR opartego na barwniku wiążącym DNA w systemie PCR w czasie rzeczywistym, wykorzystując 95 °C przez 3 min, a następnie 40 cykli 95 °C przez 10 s i 60 °C przez 30 s, a następnie etap krzywej topnienia o 95 °C przez 15 s, 60 °C przez 60 s, a następnie 95 °C przez 15 s. Wszystkie reakcje przeprowadzono w trzech powtórzeniach. Względną ekspresję obliczono przy użyciu metody 2-−ΔΔCt metoda z użyciem GAPDH jako genu referencyjnego. Roztwory zapasowe starterów przygotowano w 10 µM w wodzie dwukrotnie destylowanej i przechowywano w temperaturze -20 °C w ciemności. Sekwencje starterów podano w Tabela uzupełniająca 3.
Western blotting
Całkowite białko komórkowe wyekstrahowano przy użyciu buforu do radioimmunoprecypitacji na lodzie przez 30 min, a następnie odwirowano przy 12,000 x g przez 15 min w temperaturze 4 °C. Białka rozdzielono za pomocą 12% elektroforezy w żelu poliakryloamidowym z dodecylosiarczanem sodu i przeniesiono na membrany z polifluorku winylidenu o wielkości porów 0.22 µm. Membrany blokowano 5% (w/v) odtłuszczonym mlekiem w soli buforowanej trisfosforanem z dodatkiem 0,1% Tween 20 (TBST) przez 2 h w temperaturze pokojowej, a następnie inkubowano przez noc w 4 °C z przeciwciałami pierwszorzędowymi anty-SHMT2 (1:1,000) i anty-GAPDH (1:2,000) rozcieńczonymi w 5% odtłuszczonym mleku-TBST. Po trzech 8-minutowych przemyciach buforem TBST (20 mM Tris-HCl, 150 mM NaCl, 0,1% Tween-20), membrany inkubowano z przeciwciałami wtórnymi sprzężonymi z peroksydazą chrzanową (1:5,000) przez 1 h w temperaturze pokojowej. Sygnały rozwinięto przy użyciu substratu do wzmocnionej chemiluminescencji, przygotowanego poprzez zmieszanie równych objętości roztworów A i B, inkubowano przez 2 min w temperaturze pokojowej w ciemności i zarejestrowano za pomocą systemu obrazowania chemiluminescencyjnego.
Walidacja immunohistochemii HPA
Wzorce ekspresji białka SHMT2 w prawidłowej tkance płuc oraz w LUAD oceniono z wykorzystaniem bazy HPA. W bazie HPA wyszukano frazę „SHMT2”, a następnie pobrano reprezentatywne obrazy immunohistochemiczne (IHC) oraz powiązane z nimi adnotacje patologiczne do celów porównawczych. Aby zminimalizować błąd wynikający ze specyficzności przeciwciał, priorytetowo potraktowano przeciwciała o wyższym stopniu walidacji w HPA. W przypadkach dostępności, wyniki IHC uzyskane przy użyciu wielu przeciwciał zostały zestawione (HPA020543 i HPA020549).
Wyciszenie genu SHMT2 w komórkach LUAD
Aby zbadać wewnątrzkomórkową rolę SHMT2 w komórkach guza w przypadku LUAD, przeprowadzono wyciszenie SHMT2 w komórkach H1299 i A549 przy użyciu shRNA. shRNA był przenoszony przez lentiwirusowy wektor z selekcją puromycynową pod kontrolą promotora H1; podczas produkcji wirusa współtransfekowano plazmidy pakujące. sh-SHMT2 celował w kodującą region SHMT2 u ludzi, natomiast sh-NC stanowił scramblowaną kontrolę negatywną. Przygotowane zapasy wirusa miały miano ≥ 1 x 108 jednostek transdukcyjnych/mL i były przechowywane w temperaturze -80 °C. Komórki zainfekowano przygotowanymi cząstkami lentiwirusowymi sh-SHMT2 lub sh-NC opisanymi w Tabeli Materiałów. Po 48 h wydajność wyciszenia oceniono za pomocą RT-qPCR oraz western blottingu. Do testów proliferacji, migracji i tworzenia kolonii wykorzystano wyłącznie komórki z potwierdzonym wyciszeniem SHMT2.
Test proliferacji komórek
Proliferację komórek oceniono za pomocą testu CCK-8. Transfekowane komórki H1299 i A549 wysiano do płytek 96-dołkowych w zagęszczeniu 5 x 103 komórek na dołek, w sześciu powtórzeniach. W dniach 1, 2, 3, 4 i 5 do każdego dołka dodano 10 µL odczynnika CCK-8 (10% objętości pożywki hodowlanej) i inkubowano przez 2 h w temperaturze 37 °C. Absorbancję mierzono przy 450 nm i wykorzystano ją jako odczyt żywotności komórek.
Test gojenia ran
Migrację komórek oceniono za pomocą testu gojenia ran (wound-healing assay). Transfekowane komórki H1299 i A549 wysiano do płytek 6-dołkowych i hodowano do osiągnięcia 90–95% konfluencji. Za pomocą sterylnej końcówki pipety 200 µL wykonano liniowe zadrapanie, a oderwane komórki usunięto poprzez delikatne przemycie roztworem soli fizjologicznej z buforem fosforanowym (PBS). Następnie komórki utrzymywano w medium bezzsrytkowym lub z niską zawartością surowicy, a obszar rany obrazowano w 0 h i 24 h pod mikroskopem odwróconym. Stopień zamknięcia rany określono ilościowo przy użyciu oprogramowania do analizy obrazów wymienionego w Tabeli Materiałów i obliczono jako procentową redukcję powierzchni w stosunku do początkowego obszaru rany.
Test tworzenia kolonii
Do analizy tworzenia kolonii, transfektowane komórki H1299 i A549 wysiano do płytek 6-dołkowych w liczbie 800 komórek na dołek i hodowano przez około 10–14 dni, aż do powstania widocznych kolonii, monitorując proces pod mikroskopem. Kolonie utrwalono 4% paraformaldehydem przez 30 min w temperaturze pokojowej i barwiono 0,1% fioletem krystalicznym przez 15 min w temperaturze pokojowej. Pod mikroskopem świetlnym policzono kolonie składające się z więcej niż 50 komórek.
Analiza statystyczna dla eksperymentów in vitro
Wszystkie eksperymenty in vitro przeprowadzono niezależnie co najmniej trzy razy. Dane przedstawiono jako średnia ± odchylenie standardowe. Do porównań dwóch grup zastosowano test t Studenta, a wartość p < 0,05 uznano za istotną statystycznie.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Metabolomika tkanek ujawnia rozległe przebudowy metaboliczne w LUAD z wyraźnym wzbogaceniem szlaków związanych z glicyną
Pare tkanki guza i przyległej zdrowej tkanki płuc od 23 pacjentów z LUAD poddano analizie bezpośrednią metodą iEESI-MS; charakterystyka pacjentów oraz adnotacje metabolitów różnicowych zostały przedstawione w tabeli uzupełniającej 1 oraz w tabeli uzupełniającej 2. Po normalizacji log2 analiza OPLS-DA wykazała wyra...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
W niniejszym badaniu zastosowano sekwencyjne podejście obejmujące odkrycia metabolomiczne, priorytetyzację enzymów, interpretację transkrypcyjną, ocenę kontekstu immunologicznego, lokalizację na poziomie pojedynczych komórek oraz walidację funkcjonalną komórek nowotworowych. Analizy zidentyfikowały przebudowę metaboliczną związaną z glicyną i SGOC w LUAD oraz powiązały SHMT2 z niekorzystnymi rokowaniami i niższą obliczeniowo przewidywaną korzyścią z immunoterapii. Taka priorytetyzacja jest bardziej efektywna niż opierani...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy nie zgłaszają żadnych konfliktów interesów.
Autorzy dziękują pacjentom oraz ich rodzinom za udział w niniejszym badaniu. Autorzy pragną również podziękować osobom współtworzącym bazy danych TCGA, GEO i HPA za udostępnienie danych publicznie. Badania zostały sfinansowane przez Kluczowy Program Badawczo-Rozwojowy Prowincji Jiangxi (grant nr 20223BBG71009) oraz Narodową Fundację Nauk Naturalnych Chin (granty nr 81860379 i 82160410).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| komórki A549 | CCL-185 | ATCC | |
| przeciwciało anty-GAPDH | M1310-2 | Huaan Biotechnology | |
| przeciwciało przeciwko SHMT2 | D197021 | Sangon Biotech | |
| komórki BEAS-2B | CRL-9609 | ATCC | |
| Zestaw do liczenia komórek-8 (CCK-8) | K1018 | APExBIO | |
| Baza danych: TCGA / GDC | Data dostępu: 2025-12-18 | Krajowy Instytut Raka (National Cancer Institute, NCI) | |
| Baza danych: GEO | Data dostępu: 2025-12-20 | NCBI | |
| Baza danych: HMDB | Data dostępu: 2025-12-12 | Baza Danych Metabolomu Ludzkiego (Human Metabolome Database) | |
| Baza danych: KEGG | Data dostępu: 2025-12-11 | Kanehisa Laboratories | |
| Baza danych: Human Protein Atlas | Atlas Białek | ||
| Baza danych: GDSC | wydanie 2023-12 | Sanger Institute | |
| Baza danych: Ensembl | 2025-12 | EMBL-EBI | |
| Baza danych: TCIA | Data dostępu: 2025-12-10 | Atlas Immunomu Nowotworów | |
| komórki H1299 (NCI-H1299) | CRL-5803 | ATCC | |
| przeciwciało wtórne koniugowane z HRP | D110087 | Sangon Biotech | |
| HiScript II Q Select RT SuperMix | KR116 | Tiangen Biotech | |
| System LightCycler 480 | 5015278001 | Roche | |
| Mleko odtłuszczone | Powszechny odczynnik laboratoryjny | BD (lub według zastosowania) | |
| membrana PVDF, 0.22 µm | GVHP00010 (lub powszechny odczynnik laboratoryjny) | MilliporeSigma (lub zgodnie z zastosowaniem) | |
| Pakiet R: pRoloc | 1.40.0 | Bioconductor | |
| Pakiet R: TCGAbiolinks | 2.26.0 | Bioconductor | |
| Pakiet R: survival | 3.4-0 | CRAN | |
| Pakiet R: survminer | 0.4.9 | CRAN | |
| Pakiet R: timeROC | 1.0.4 | CRAN | |
| Pakiet R: DESeq2 | 1.38.1 | Bioconductor | |
| Pakiet R: ggplot2 | 3.4.4 | CRAN | |
| Pakiet R: pheatmap | 1.0.12 | CRAN | |
| Pakiet R: clusterProfiler | 4.6.2 | Bioconductor | |
| Pakiet R: org.Hs.eg.db | 3.16.0 | Bioconductor | |
| Pakiet R: estimate | 1.0.13 | Bioconductor / GitHub | |
| Pakiet R: CIBERSORT | 1 | (samodzielny skrypt R) | |
| Pakiet R: corrplot | 0.92 | CRAN | |
| Pakiet R: TIDE | 0.3.0 | pakiet R | |
| Pakiet R: oncoPredict | 1.1.1 | CRAN / GitHub | |
| Pakiet R: GEOquery | 2.66.0 | Bioconductor | |
| Pakiet R: Seurat | 4.3.0 | CRAN | |
| Pakiet R: SingleR | 1.10.0 | Bioconductor | |
| Pakiet R: scran | 1.26.0 | Bioconductor | |
| SYBR Green qPCR Master Mix (Universal) | HY-K0501A | MedChemExpress (MCE) | |
| Odczynnik uniwersalny TRIzol | DP424 | Tiangen Biotech |
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.