Artykuł badawczy

Modelowanie prognostyczne raka jajnika w oparciu o geny docelowe leków związanych z znieczuleniem okołooperacyjnym: podejście bioinformatyczne

93 wyświetleń

⸱

DOI:

10.3791/72629

⸱

14 sierpnia 2026

 ,  ,  ,  ,  ,  , 
1Shanghai Key Lab of Reproduction and Development, Shanghai Key Lab of Female Reproductive Endocrine Related Diseases, Obstetrics & Gynecology Hospital of Fudan University, 2Department of Critical Care Medicine, Aerospace Center Hospital, 3Department of Anesthesiology, The First Affiliated Hospital of Dalian Medical University, 4Department of Anesthesiology, Peking Union Medical College Hospital

* These authors contributed equally

W tym artykule

Podsumowanie

Niniejsze badanie integruje geny docelowe leków związanych z znieczuleniem okołoperacyjnym z wieloomicznymi danymi dotyczącymi raka jajnika, aby zbudować i zweryfikować model prognostyczny oraz scharakteryzować powiązane cechy immunologiczne, przestrzenne i regulacyjne.

Streszczenie

Heterogenność raka jajnika (OV) stanowi istotne wyzwanie dla klasyfikacji podtypów choroby, stratyfikacji ryzyka oraz precyzyjnego zarządzania klinicznego. W związku z tym w niniejszym badaniu opracowano model prognostyczny oparty na genach docelowych leków związanych z anestezją okołooperacyjną (PARDTGs), aby zbadać znaczenie kliniczne PARDTGs u pacjentek z OV. W badaniu przeprowadzono kompleksową analizę PARDTGs w OV poprzez integrację danych multiomicznych, w tym danych z transkryptomiki masowej (bulk transcriptomics), sekwencjonowania RNA pojedynczych komórek (scRNA-seq) oraz danych z transkryptomiki przestrzennej. Na podstawie charakterystyki ekspresji PARDTGs opracowano sygnaturę prognostyczną z wykorzystaniem modelu proporcjonalnych hazardów Coxa z metodą stepAIC. Model ten zbudowano w oparciu o zbiór danych TCGA-OV i zwalidowano przy użyciu zbiorów danych GSE26193, GSE30161 oraz GSE63885. Ponadto skonstruowano nomogramy łączące cechy PARDTG z czynnikami klinicznymi. Przeanalizowano korelację między wskaźnikami ryzyka a wzbogaceniem funkcjonalnym, szlakami sygnałowymi oraz immunologicznym mikrośrodowiskiem guza. Zidentyfikowano 17 genów PARDTGs, które są silnie powiązane z rokowaniem w OV. Sygnatura prognostyczna, zwalidowana w kohortach TCGA-OV, GSE26193, GSE30161 i GSE63885, wykazała wysoką dokładność predykcyjną dla OS. W porównaniu do samej sygnatury genowej, nomogram integrujący model prognostyczny z parametrami klinicznymi wykazał lepszą skuteczność prognostyczną. Dodatkowo analiza mikrośrodowiska guza ujawniła istotne wzbogacenie szlaków związanych z odpornością oraz niższe wyniki TIDE u pacjentek z niskim ryzykiem, co wskazuje, że pacjentki te mogą w większym stopniu odnieść korzyść z immunoterapii. Badanie wykazuje zarówno znaczenie prognostyczne, jak i użyteczność kliniczną PARDTGs w raku jajnika. Integracja cech genetycznych z badaniami klinicznymi daje nadzieję na poprawę leczenia i rokowań klinicznych.

Wprowadzenie

Rak jajnika (OV) jest powszechnym i agresywnym nowotworem złośliwym, charakteryzującym się skrytym początkowym przebiegiem, silną inwazyjnością oraz niespecyficznymi wczesnymi objawami klinicznymi. Badania wykazały, że większość pacjentek w momencie diagnozy znajduje się już w późnym stadium klinicznym, a całkowity wskaźnik przeżywalności pięcioletniej wynosi poniżej 45%1. Mimo postępów w chirurgii, chemioterapii i terapiach celowanych, wciąż istnieją wyzwania takie jak nawroty nowotworu, chemooporność i unikanie odpowiedzi immunologicznej, co ogranicza skuteczność terapeutyczną2. W związku z tym pilnie potrzebne jest zidentyfikowanie nowych biomarkerów molekularnych i opracowanie wiarygodnych narzędzi oceny ryzyka, aby przeciwdziałać heterogeniczności guza i wspierać spersonalizowane strategie kliniczne.

Resekcja chirurgiczna i opieka okołooperacyjna pozostają podstawą leczenia OV. Jednak coraz więcej dowodów wskazuje na to, że okołooperacyjny stres fizjologiczny, reakcje zapalne oraz modulacja odpornościowa mogą wpływać na zachowanie biologiczne a w konsekwencji na długoterminowe rokowania3. Jako kluczowy element interwencji okołooperacyjnej, działanie środków anestetycznych wykracza poza tłumienie ośrodkowego układu nerwowego. Obecne badania wskazują, że techniki znieczulenia i leki anestetyczne mogą modulować odpowiedzi neuroendokrynne, kaskady zapalne oraz aktywność efektorowych komórek odpornościowych, przekształcając tym samym pooperacyjne mikrośrodowisko guza i wpływając na potencjał migracyjny komórek nowotworowych, nadzór immunologiczny oraz procesy związane z przerzutowaniem4. Warto zauważyć, że konkretne środki anestetyczne bezpośrednio zmieniają los komórek nowotworowych: propofol zwiększa przeżywalność krążących komórek nowotworowych poprzez Nrf2-zależne tłumienie ferroptozy, promując tym samym przerzutowanie5. Ketamina indukuje ferroptozę w komórkach raka hepatokomórkowego poprzez kontrolę osi lncPVT1/miR-214-3p/GPX4, co sugeruje, że środki anestetyczne mogą bezpośrednio wpływać na determinację losu komórek nowotworowych6. Ponadto benzodiazepiny, jako pozytywne modulatory allosteryczne receptorów GABA, mogą osłabiać skuteczność przeciwnowotworową kombinacji chemo-immunoterapii7. Jednak obecne badania koncentrują się głównie na pojedynczych środkach anestetycznych, brakuje natomiast systematycznej analizy ich potencjalnych efektów na poziomie sieci genów docelowych.

Geny docelowe leków związanych z znieczuleniem okołoperacyjnym (PARDTGs), stanowiące bezpośrednie substraty molekularne działania anestetyków, uczestniczą w kilku kluczowych szlakach sygnałowych, w tym w regulacji receptorów neurotransmiterów, utrzymaniu homeostazy wapnia, dynamice cytoszkieletu aktynowego oraz w pętli sprzężenia zwrotnego w osi stresu endokrynnego8,9. W warunkach okołoperacyjnego stresu chirurgicznego szlaki te mogą być aktywowane lub tłumione, co wpływa na polaryzację komórek odpornościowych oraz przebudowę mikrośrodowiska związanego z nowotworem8,10. Jednak w przypadku OV obraz ekspresji, charakterystyka funkcjonalna i znaczenie kliniczne PARDTGs pozostają słabo opisane. Jednocześnie pojawienie się scRNA-seq oraz transkryptomiki przestrzennej umożliwiło profilowanie ekspresji genów w rozdzielczości komórkowej z lokalizacją przestrzenną, dostarczając nowych perspektyw na temat rozmieszczenia przestrzennego, preferencji mikrośrodowiskowych i efektów specyficznych dla komórek genów docelowych anestetyków w tkankach nowotworowych11.

W niniejszym badaniu zintegrowano PARDTGs z wieloomicznymi zbiorami danych dotyczącymi OV, systematycznie zidentyfikowano geny o różnym poziomie ekspresji i skonstruowano uogólniony model ryzyka prognostycznego. Dalsza analiza podstaw biologicznych stratyfikacji ryzyka została przeprowadzona z perspektywy infiltracji immunologicznej, cech macierzystości, krajobrazów mutacyjnych oraz ścieżek funkcjonalnych. Łącząc multimodalne dane sekwencyjne, określono pochodzenie typów komórek i przestrzenne nisze ekologiczne, skonstruowano sieci regulacyjne miRNA/czynników transkrypcyjnych oraz przeprowadzono walidację pan-cancer, aby wykazać znaczenie międzynowotworowe. Niniejsza praca dostarcza dowodów mechanistycznych dla zrozumienia potencjalnej roli sieci celów anestetycznych w OV i niesie ze sobą implikacje translacyjne dla klinicznej stratyfikacji ryzyka, przewidywania rokowań oraz strategii opieki okołoperacyjnej.

Protokół

Gromadzenie danych

Przeskanowaliśmy 120 genów docelowych leków związanych z znieczuleniem okołooperacyjnym na podstawie wcześniejszej literatury12 i wymieniliśmy je w Tabeli uzupełniającej S1. Następnie profile ekspresji genów, informacje kliniczne oraz dane o przeżywalności pozyskano z zasobu UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). Zbiór danych ekspresji składał się z 420 próbek pierwotnego surowiczego cystadenokarcinomy jajnika z The Cancer Genome Atlas (TCGA-OV) oraz 88 próbek prawidłowych jajników z projektu Genotype-Tissue Expression (GTEx). Wartości ekspresji genów uzyskano jako wartości FPKM na poziomie genów RSEM wygenerowane przez potok Toil13. Szczegółowy opis przepływu próbek ilustrujący włączenie próbek TCGA do każdej analizy końcowej znajduje się w Tabeli uzupełniającej S2. Dodatkowo, w celu walidacji zewnętrznej, pobraliśmy z bazy danych GEO (http://www.ncbi.nlm.nih.gov/geo/) zbiory danych GSE2619314 (n = 107 próbek), GSE3016115 (n = 58 próbek) oraz GSE6388516 (n = 70 próbek), aby przeanalizować profile ekspresji genów i przeżywalność dopasowanych pacjentów. Aby zapewnić spójność danych, identyfikatory genów ENSEMBL przekonwertowano na oficjalne symbole genów. Geny wykazujące ekspresję w mniej niż połowie próbek zostały odfiltrowane. Ponadto z bazy danych GEO pobraliśmy zbiór danych transkryptomicznych z pojedynczych komórek raka jajnika u ludzi GSE15460017 oraz zbiór danych transkryptomicznych przestrzennych raka jajnika GSE211956-GSM6506110-SP118.

Przetwarzanie danych z sekwencjonowania przestrzennego transkryptomu w raku jajnika

Dane z transkryptomiki przestrzennej przetworzono przy użyciu oprogramowania Seurat19 (wersja 5.4.0). Punkty (spots) przefiltrowano zgodnie z tymi samymi kryteriami kontroli jakości, co w analizie sekwencjonowania RNA pojedynczych komórek (nFeature_RNA: 200–5,000; procent genów mitochondrialnych < 10%). Po normalizacji i identyfikacji genów o wysokiej zmienności przeprowadzono redukcję wymiarowości w oparciu o PCA, a klasteryzację wykonano za pomocą algorytmu klasteryzacji grafowej Seurat. Podgrupy oraz wzorce ekspresji genów zwizualizowano przy użyciu funkcji SpatialFeaturePlot. Dodatkowo poziomy ekspresji genów na poziomie transkryptomu przestrzennego zwizualizowano i przeanalizowano za pomocą narzędzia „AUCell”19 (wersja 1.32.0).

analiza danych scRNA-seq

Dane z sekwencjonowania RNA pojedynczych komórek z zestawu GSE154600 zostały przeanalizowane przy użyciu pakietu Seurat (wersja 5.4.0)19. Komórki niskiej jakości usunięto w oparciu o kryteria kontroli jakości. Wykluczono komórki, w których wykryto mniej niż 200 lub więcej niż 5 000 genów, a także te, w których udział genów mitochondrialnych przekraczał 10%. Po normalizacji za pomocą funkcji NormalizeData, metodą VST zidentyfikowano 2 000 najbardziej zmiennych genów. Przeprowadzono analizę PCA w oparciu o geny zmienne, a pierwsze 15 głównych składowych wykorzystano do klastrowania i redukcji wymiarowości. Klastry komórek zidentyfikowano za pomocą funkcji FindNeighbors i FindClusters z rozdzielczością 0,5, a następnie przeprowadzono wizualizację UMAP i t-SNE. Funkcji FindAllMarkers użyto do identyfikacji genów markerowych dla poszczególnych klastrów komórek. Dodatkowo adnotowano klastry komórek z wykorzystaniem bazy danych CellMarker 2.020 i przeprowadzono ilościową analizę aktywności genów za pomocą funkcji ssGSEA z pakietu GSVA (wersja 2.4.9).

Analiza genów różnicowo wyrażanych (DEG) i analizy funkcjonalne

Analizę ekspresji różnicowej przeprowadzono przy użyciu pakietu „limma”21 (wersja 3.56.2) na podstawie profili ekspresji PARDTGs w tkankach raka jajnika oraz prawidłowych tkankach jajnika. Przed analizą wartości ekspresji FPKM poddano transformacji log2 zgodnie ze wzorem log2(FPKM+1). Aby zidentyfikować różnicowo eksponowane PARDTGs, zastosowano standardowy model liniowy zaimplementowany w pakiecie limma. Za istotnie różnicowo eksponowane uznano geny, dla których wskaźnik fałszywych odkryć (FDR) wynosił < 0,05, a wartość |log2 fold change (FC)| była > 1. Analizy wzbogacenia GO i KEGG dla różnicowo eksponowanych PARDTGs przeprowadzono za pomocą ClusterProfiler22 (wersja 4.8.3). Wykresy wodospadowe (waterfall plots) wygenerowano przy użyciu „maftools”23 (wersja 2.16.0) w celu wykrycia mutacji somatycznych w PARDTGs w raku jajnika. Następnie, z wykorzystaniem repozytorium STRING (wersja 12.0) i domyślnych parametrów, stworzono sieć PPI dla PARDTGs.

Opracowanie systemu oceny ryzyka opartego na PARDTG

W celu zidentyfikowania optymalnych PARDTGs przeprowadzono etapową analizę regresji proporcjonalnego ryzyka Coxa, aby wyłonić geny o istotnym znaczeniu prognostycznym spośród różnicowo wyrażanych PARDTGs oraz określić ich wpływ na przeżycie całkowite w raku jajnika (OV). Założenie proporcjonalności hazardu końcowego wieloczynnikowego modelu regresji Coxa oceniono za pomocą testów reszt Schoenfelda zaimplementowanych w funkcji cox.zph pakietu survival w programie R (wersja 3.5.5). Na podstawie poziomów ekspresji genów sygnaturowych oraz odpowiadających im współczynników regresji Coxa obliczono prognostyczny wskaźnik ryzyka. Ze względu na heterogeniczność platform transkrypcyjnych, modele prognostyczne oceniano niezależnie w kohortach TCGA-OV, GSE26193, GSE30161 oraz GSE63885. Dla każdej kohorty profile ekspresji genów sygnaturowych wykorzystano do obliczenia specyficznych dla danej kohorty wskaźników ryzyka, a pacjentów podzielono na grupy wysokiego i niskiego ryzyka, przyjmując medianę wskaźnika ryzyka jako punkt odcięcia. Przeżycie całkowite (OS) porównywano między obiema grupami za pomocą analizy Kaplana–Meiera, a istotność statystyczną oceniano testem log-rank. Następnie niezależną wartość prognostyczną wskaźnika ryzyka oceniono za pomocą jednoczynnikowej i wieloczynnikowej analizy regresji proporcjonalnego ryzyka Coxa.

Opracowanie prognostycznego modelu klinicznego dla raka jajnika

Aby ustalić, czy wynik ryzyka dostarcza informacji prognostycznych wykraczających poza konwencjonalne zmienne kliniczne, przeprowadzono jednowymiarowe i wielowymiarowe analizy regresji proporcjonalnego hazardu Coxa, uwzględniając wynik ryzyka wraz z cechami kliniczno-patologicznymi. Następnie skonstruowano nomogramy prognostyczne, wykorzystując jako parametry wejściowe molekularny wynik ryzyka oraz istotne klinicznie zmienne, takie jak stopień zaawansowania i stopień zróżnicowania guza. Zmienne wybrano w oparciu o ich istotność kliniczną oraz cel opracowania zintegrowanego modelu prognostycznego, a nie wyłącznie na podstawie istotności statystycznej. Nomogramy wygenerowano przy użyciu pakietu „rms”24 (wersja 6.7.1), aby oszacować prawdopodobieństwo przeżycia całkowite w ciągu 1, 3 i 5 lat na podstawie całkowitych wyników uzyskanych z poszczególnych zmiennych.

Charakterystyka właściwości immunologicznych

Infiltrację komórek odpornościowych oszacowano przy użyciu algorytmu CIBERSORT z macierzą sygnatur LM22. Analizę przeprowadzono z wykorzystaniem 1 000 permutacji, a próbki z wartością P dekonwolucji < 0,05 uznano za statystycznie wiarygodne. Wykresy wodospadowe (waterfall diagrams) wygenerowano za pomocą pakietu maftools (wersja 2.16.0), aby zilustrować częstość występowania silnie zmutowanych genów w raku jajnika. Analizę wzbogacenia zestawów genów (GSEA) przeprowadzono za pomocą narzędzia ClusterProfiler (wersja 4.8.3) z progiem istotności p < 0,05.

Konstrukcja sieci ceRNA

W niniejszym badaniu do analizy interakcji między genami prognostycznymi a czynnikami transkrypcyjnymi wykorzystano program NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25. Sieć koregulacyjna miRNA-TF została skonstruowana przy użyciu NetworkAnalyst 3.0.

Próbki tkanek raka jajnika

Tkanki z raka jajnika oraz odpowiadające im sąsiednie próbki prawidłowe (N = 6) pobrano od pacjentek poddawanych planowanemu wycięciu chirurgicznemu. Protokół badania został zatwierdzony przez Komisję Etyczną Ginekologii i Położnictwa & Szpital Ginekologiczny Uniwersytetu Fudan (2024-54-X1), a od wszystkich uczestników uzyskano pisemną zgodę na udział w badaniu. Badanie zostało przeprowadzone zgodnie z Deklaracją Helsińską.

Analiza Western blot

Całkowite białko wyekstrahowano z próbek tkanek ludzkich, wykorzystując bufor lizujący RIPA zawierający fenylometylosulfonian (PMSF), koktajl inhibitorów proteaz oraz inhibitory fosfataz. Stężenia białek zmierzono za pomocą testu białkowego kwasu biczninkoniniowego (BCA). Równe ilości białka rozdzielono metodą elektroforezy w żelu poliakrylamidowym z SDS (SDS-PAGE), a następnie przeniesiono na membrany z polifluorku winylidenu (PVDF). Po transferze membrany blokowano przez 90 min w temperaturze pokojowej przy użyciu 5% mleka odtłuszczonego przygotowanego w TBS-T. Następnie membrany inkubowano przez noc w 4 °C z przeciwciałami pierwszorzędowymi przeciwko Cytokeratynie 81 (królicze poliklonalne, 1:2 000) lub GAPDH (mysie monoklonalne, 1:10 000). Po przemyciu zastosowano odpowiednie przeciwciała wtórne, inkubując je przez 90 min w temperaturze pokojowej. Prążki białkowe wizualizowano przy użyciu odczynnika do detekcji wzmocnionej chemiluminescencji (ECL) i zarejestrowano za pomocą komercyjnego systemu obrazowania. Analizę densytometryczną przeprowadzono w programie ImageJ, a ekspresję KRT81 znormalizowano względem kontroli ładowania GAPDH. Różnice w ekspresji białek pomiędzy próbkami parowano, a następnie oceniano za pomocą parzystego testu t, przyjmując, że P < 0,05 oznacza istotność statystyczną.

Analiza pan-nowotworowa

W niniejszym badaniu do identyfikacji zależności między poziomami ekspresji KRT81 wykorzystano program TCGAplot26 (wersja 5.0.0). Do obliczenia korelacji statystycznych zastosowano analizę korelacji Pearsona. Profil mutacyjny KRT81 w różnych nowotworach zbadano przy użyciu platformy cBioPortal (http://www.cbioportal.org/) (wersja 7.0.6).

Analizy statystyczne

Wszystkie analizy danych przeprowadzono przy użyciu oprogramowania R (wersja 4.3.1). Porównania między dwiema grupami wykonano testem sum rang Wilcoxona, natomiast różnice między trzema lub większą liczbą grup oceniano za pomocą testu Kruskala-Wallisa. Przeżycie całkowite przeanalizowano metodą Kaplana-Meiera, a istotność statystyczną między krzywymi przeżycia określono testem log-rank. O ile nie wskazano inaczej, dwustronną wartość P < 0,05 uznano za statystycznie istotną. Poziomy istotności oznaczono w następujący sposób: P < 0,05 *, P < 0,01 **, P < 0,001 *** oraz P < 0,0001 ****.

Wyniki

Charakterystyka immunologiczna genów docelowych leków stosowanych w znieczuleniu okołooperacyjnym w analizach transkryptomicznych przestrzennych i jednokomórkowych

Do korekcji głębokości sekwencjonowania wykorzystano SCTransform i zaimplementowane procedury, co ostatecznie pozwoliło na zidentyfikowanie 1 różnych typów komórek. Aby ocenić znaczenie genów będących celami leków stosowanych w znieczuleniu okołooperacyjnym (PARDTGs) w każdej subpopulacji komórek, użyto pakietu AUCell w języku R do wyznaczenia aktywności związanej z PARDTG w każdej subpopulacji komórek (Rysunek 1A,B). Następnie obliczono korelację między liczebnością komórek a aktywnościami związanymi z PARDTG we wszystkich locusach, stosując korelację rang Spearmana. Warto zauważyć, że aktywności związane z PARDTG były ujemnie skorelowane z komórkami nowotworowymi (Rysunek 1C). Uzyskano dane z sekwencjonowania RNA pojedynczych komórek od 5 pacjentek z rakiem jajnika (OV), obejmujące łącznie 41 367 komórek. Na podstawie ekspresji genów markerowych komórki podzielono na 1 głównych klastrów (Rysunek 1D). Sieci interakcji i siła tych oddziaływań dla typów komórek przedstawione są na Rysunku 1E. Oceńiono aktywność PARDTG we wszystkich pojedynczych komórkach poprzez punktowanie ekspresji 120 PARDTGs przy użyciu metody ssGSEA w programie Seurat (Rysunek 1F). Uderzające jest to, że komórki nowotworowe wykazywały znacznie niższą aktywność niż wszystkie pozostałe typy komórek (Rysunek 1G).

Identyfikacja i charakterystyka molekularna genów docelowych leków stosowanych w znieczuleniu okołooperacyjnym w raku jajnika

Z bazy danych TCGA zidentyfikowaliśmy 68 różnicowo wyrażonych PARDTG, które przedstawiono na Rysunku 2A (patrz także Tabela uzupełniająca S3). Rysunek 2B opisuje ekspresję tych 68 perioperacyjnie związanych z anestezją DEG w kohorcie TCGA-OV. Następnie skonstruowaliśmy sieć PPI, aby wyjaśnić złożone zależności między białkami powiązanymi z DEG. Zidentyfikowaliśmy pięć potencjalnych genów centralnych (hub genes) — SLC6A4, CHRNA4, DRD2, SLC6A3 oraz GRIN2A — które mogą odgrywać istotną rolę w patogenezie raka jajnika (Rysunek 2C). Ponadto zbadaliśmy profil zmian molekularnych 120 PARDTG w raku jajnika, przy czym najczęstszym typem wariantu były mutacje nonsensowne (Rysunek 2D). Najczęściej mutowanymi genami były SCN10A, DNMT1, GRIN2A, LTF oraz SCN1A. Przeanalizowaliśmy częstość występowania mutacji liczby kopii (CNV), a wyniki wykazały, że 20 najlepiej udokumentowanych PARDTG z mutacjami wykazywało istotne zmiany CNV (Rysunek 2E). Analiza wzbogacenia GO i KEGG wskazała, że PARDTG są powiązane z sygnalizacją ligandów neuroaktywnych, szlakami sygnalizacji wapniowej, sygnalizacją hormonalną, uzależnieniem od amfetaminy, uzależnieniem od kokainy oraz oddziaływaniami ligand-receptor neuroaktywny (Rysunek 2F,G).

Konstrukcja i walidacja modelu prognostycznego opartego na genach docelowych leków związanych znieczuleniem okołoperacyjnym

Aby zminimalizować złożoność modelu, do redukcji zestawu genów zastosowano metodę StepAIC, w wyniku czego do budowy modelu prognostycznego ostatecznie wybrano 17 PARDTGs (Tabela uzupełniająca S4). Globalny test reszt Schoenfelda nie wykazał istotnego odchylenia od założenia proporcjonalności hazardu (p = 0.265), co potwierdza wiarygodność prognostycznego modelu opartego na 17 genach. Wynik ryzyka (risk score) obliczono za pomocą następującego równania: risk score = ADRA1D*(0.452) + ADRB1*(-0.5347) + CHRNA4*(0.3495) + DBH*(-0.5765) + EPHA4*(0.2827) + EPHA7*(-0.5707) + EPHA8*(0.8765) + GABRB2*(0.5979) + GRIN2A*(-0.1750) + GRIN2D*(0.2746) + KCNA1*(2.2753) + KRT81*(0.101) + OPRD1*(-3.2372) + SLC6A2*(1.4901) + SLC18A1*(4.2170) + SLC18A2*(-1.460) + CHRNA1*(-0.1723). Następnie pacjentów podzielono na grupy niskiego i wysokiego ryzyka na podstawie ich wyników ryzyka; grupa niskiego ryzyka wykazała istotnie lepsze OS w porównaniu z grupą wysokiego ryzyka w kohorcie TCGA-OV (Rysunek 3A, p < 0.01), kohorcie GSE26193 (Rysunek 3B, p = 0.0021), kohorcie GSE30161 (Rysunek 3C, p = 0.017) oraz kohorcie GSE6385 (Rysunek 3D, p = 0.041). Ponadto Rysunki 3E–H przedstawiają rozkłady statusu przeżycia i wyników ryzyka w kohortach TCGA-OV, GSE26193, GSE30161 oraz GSE6385, dostarczając niezależnych dowodów na stabilność i wiarygodność prognostyczną modelu w przypadku OV.

Opracowanie i ocena modelu przeżywalności opartego na nomogramie

Zarówno jednowymiarowe, jak i wielowymiarowe analizy regresji Coxa wykazały, że wynik ryzyka służy jako niezależny predyktor rokowań u pacjentek z rakiem jajnika (Rycina 4A,B). Rozkład ekspresji genów modelu, odpowiadające im wyniki ryzyka oraz charakterystyka kliniczno-patologiczna w kohorcie TCGA-OV przedstawione są na Rycynie 4C. Aby zwiększyć przydatność kliniczną, opracowano prognostyczny nomogram łączący wynik ryzyka z wiekiem, stadium oraz stopniem złośliwości guza w celu oszacowania przeżycia całkowitego (OS) (Rycina 4D). W porównaniu z samą sygnaturą genową, zintegrowany nomogram wykazał lepszą wydajność predykcyjną. Analiza przeżycia dodatkowo wykazała istotnie dłuższy OS w grupie niskiego ryzyka niż w grupie wysokiego ryzyka (Rycina 4E; P < 0.01). Model łączony dał wartości AUC zależne od czasu wynoszące odpowiednio 0,769, 0,690 i 0,728 dla predykcji OS (Rycina 4F). Analiza krzywej decyzyjnej potwierdziła potencjalną użyteczność kliniczną nomogramu, wykazując większą korzyść netto w szerokim zakresie prawdopodobieństw progowych (Rycina 4G). Ponadto wykresy kalibracyjne wskazały na ścisłą zgodność między przewidywanym a obserwowanym prawdopodobieństwem przeżycia, co sugeruje dobrą kalibrację modelu (Rycina 4H). Łącznie wyniki te wskazują, że proponowany nomogram posiada silną zdolność predykcyjną w ocenie rokowań u pacjentek z OV.

Powiązanie modelu prognostycznego opartego na PARDTG z naciekiem immunologicznym i nowotworowym mikrośrodowiskiem immunologicznym

W celu charakterystyki infiltracji immunologicznej określono liczebność komórek odpornościowych w badanych próbkach. Zidentyfikowano siedemnaście genów istotnie powiązanych z naciekającymi guz immunologicznymi komórkami, wśród których ADRA1D, KCNA1 oraz SLC18A2 wykazały pozytywną korelację z makrofagami M2 (Rycyna 5A). Następnie zbadano wzorce lokalizacji komórkowej tych genów. Analiza wykresu kropkowego (dot plot) wykazała, że KRT81 był ekspresjonowany głównie w komórkach CD8Tex i Tprolif, podczas gdy ekspresja EPHA4 była przede wszystkim wzbogacona w komórkach śródbłonka i fibroblastach, co sugeruje ich potencjalny udział w odrębnych przedziałach komórkowych w obrębie mikrośrodowiska guza (Rycyna 5B). Dodatkowo oceniono wyniki TIDE u pacjentów i zaobserwowano, że podgrupa wysokiego ryzyka miała wyższe wyniki TIDE oraz pozytywną korelację (Rycyna 5C). Ponadto wskaźniki wzbogacenia cech macierzystości (stemness enrichment scores) były istotnie wyższe w grupie wysokiego ryzyka niż w grupie niskiego ryzyka (Rycyna 5D). Analiza mutacji somatycznych ujawniła wysoką całkowitą częstotliwość mutacji w obu grupach ryzyka (Rycyna 5E,F). Wśród nich częstotliwość mutacji CSMD3 oraz MUC16 była wyższa w próbkach wysokiego ryzyka.

Analiza GSEA wykazała, że szlaki związane z odpornością, w tym przetwarzanie i prezentacja antygenów oraz odrzucanie alloprzeszczepu, były istotnie wzbogacone w grupie niskiego ryzyka, natomiast szlaki związane z inwazją i ruchliwością nowotworu, takie jak regulacja cytoszkieletu aktynowego, proteoglikany w nowotworach i białka motoryczne, były przeważająco wzbogacone w grupie wysokiego ryzyka (Rycina 5G,H). Wyniki te sugerują, że pacjenci z grupy wysokiego ryzyka mogą wykazywać ograniczoną odpowiedź na immunoterapię.

Identyfikacja i analiza sieci prognostycznych PARDTG w raku jajnika

Aby wyjaśnić ten mechanizm, zidentyfikowano 490 miRNA oraz 17 potencjalnych sieci regulacyjnych biomarkerów (Rysunek 6A). Wśród nich hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p oraz hsa-miR-20b-5p wykazują potencjał do regulacji większości genów. Ostatecznie wyniki naszych badań pozwoliły zidentyfikować 37 czynników transkrypcyjnych regulujących kandydackie geny diagnostyczne (Rysunek 6B). Dodatkowo stwierdzono, że FOXC1 posiada również wielokrotne funkcje regulacyjne.

Analiza ekspresji KRT81 w wielu typach nowotworów

Dane RNA-seq z TCGA pobrano w celu oceny KRT81 ekspresja. Wyniki sugerowały, że wykazuje ona wysoką ekspresję w większości nowotworów, natomiast niską ekspresję w GBM, LGG, SKCM, TGCT oraz THCA (Rycina 7A). Aby zweryfikować wynik, że KRT81 wykazuje wysoką ekspresję w raku jajnika, co ustalono w drodze analizy bioinformatycznej; przeprowadziliśmy eksperyment western blot. Wyniki wykazały, że KRT81 ekspresja była znacznie podwyższona w tkankach nowotworowych w porównaniu z tkankami prawidłowymi i była w dużej mierze zgodna z transkrypcyjnymi danymi TCGA (Rycina 7B, Uzupełniające Rycina S1, i Tabela uzupełniająca S5). Aby zilustrować zależności pomiędzy KRT81 oraz raka, zbadaliśmy ekspresję genów oraz nacieki komórek odpornościowych (Rycina 7C). Analiza wykazała, że KRT81 ekspresja była dodatnio skorelowana z naciekiem limfocytów T, limfocytów T regulatorowych (Tregs) oraz makrofagów M2 w większości nowotworów. Ponadto ekspresja KRT81 była dodatnio powiązana z wynikami stromy i wynikiem immunologicznym w większości nowotworów (Rysunek 7D). Ponadto przeanalizowano korelację między KRT81 ekspresja i wskaźnik aneuploidii (Aneuploidy Score), a wykres radarowy wykazał, że KRT81 korelował ze wskaźnikiem aneuploidii w UCEC, SARC, LUAD, LIHC oraz KIRP (Rycina 7E). Następnie przeanalizowano korelację pomiędzy KRT81 or ploidię guza, a wykres radarowy wykazał, że KRT81 wykazano korelację z ploidią guza w przypadku THCA, TGCT, SARC, MESO, LIHC oraz CESC (Rysunek 7F). Następnie wykres radarowy wykazał, że KRT81 korelował z neoantygenami SNV w UCEC, THYM, LUAD, LIHC, GBM i BRCA (Rycina 7G). Ponadto analiza online w cBioPortal wykazała, że najwyższa częstość występowania KRT81 mutacja genu występowała w UCEC, przy czym najczęstszymi typami były „mutacja” i „amplifikacja” (Rysunek 7HJa). Za pomocą jednowymiarowej analizy regresji proporcjonalnego hazardu Coxa zidentyfikowano, że KRT81 jest predyktorem OS w KIRC, LUAD i STAD (Rycina 7J).

Dostępność danych:

Publicznie dostępne zbiory danych analizowane w niniejszym badaniu pochodzą z baz TCGA, UCSC Xena oraz GEO. Oryginalne obrazy western blot oraz odpowiadające im dane ilościowe wygenerowane podczas tego badania znajdują się w Materiałach Uzupełniających (Rycina Uzupełniająca S1 oraz Tabela Uzupełniająca S5).

Analiza transkryptomiki przestrzennej: mapy ciepła ekspresji genów, wykresy korelacji, sieci interakcji komórkowych.
Rysunek 1Cechy związane z PARDTG w analizie przestrzennej i scRNA-seq. (A,B) Mapowanie przestrzenne intensywności ekspresji PARDTG (C), korelacja Spearmana aktywności związanej z PARDTG. (D) Analiza typów komórek. (E) Analiza liczby i siły interakcji pomiędzy typami komórek. (F) Wartość wzbogacenia PARDTG w komórkach. (G) Rozkład PARDTG. Skróty: PARDTG = perioperative anesthesia-related drug target genes (geny docelowe leków powiązane z anestezją okołooperacyjną); scRNA-seq = sekwencjonowanie RNA pojedynczych komórek. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.

Wykres wulkaniczny, mapa ciepła, diagram sieciowy do analizy ekspresji genów; dane o mutacjach, CNV i szlakach sygnałowych.
Rycina 2Krajobraz zmian genetycznych w genach PARDTG u pacjentek z rakiem jajnika. (A) Wizualizacja typu volcano plot dla genów różnicowo wyrażonych (DEG) w OV (kolor niebieski: DEG o obniżonej ekspresji; kolor czerwony: DEG o podwyższonej ekspresji; kolor szary: geny stabilne), FDR< 0,05 oraz |log2FC| > 1. (B) Mapa ciepła ilustrująca różnice w ekspresji cech pomiędzy grupą OV a grupą normalną. Kolor niebieski oznacza grupę normalną, czerwony grupę OV; niebieski kwadrat reprezentuje niską ekspresję, a żółty kwadrat wysoką ekspresję. (C) sieć PPI genów różnicowo wyrażanych (DEG) związanych znieczuleniem okołooperacyjnym, opracowana na podstawie strony internetowej String. (D) 20 najważniejszych PARDTG w kohorcie TCGA. (E) Częstotliwości przyrostów CNV, utrat CNV oraz braków CNV wśród 20 najważniejszych PARDTG. (F) wykres kropkowy (dotplot) wzbogaconych terminów GO. (G) wykres słupkowy wzbogaconych szlaków KEGG. OV = rak jajnika; GO = Ontologia Genów; KEGG = Kyoto Encyclopedia of Genes and Genomes; PPI = oddziaływanie białko-białko. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykresy analizy przeżywalności Kaplana-Meiera porównujące dane dotyczące czasu do wystąpienia zdarzenia w celu stratyfikacji ryzyka pacjentów.
Rysunek 3Konstrukcja i walidacja sygnatury prognostycznej raka jajnika opartej na PARDTG. (A-D). OS u pacjentów z grupy niskiego i wysokiego ryzyka w (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE6385. (E-H) Rozkład wyniku ryzyka związanego z PARDTG w zależności od statusu przeżycia oraz czasu w (E). TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE6385. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.

Analiza rokowań w nowotworach z wykorzystaniem nomogramu; współczynniki hazardu, mapa ciepła, krzywa przeżycia, ROC, kalibracja.
Rysunek 4Konstrukcja i walidacja nomogramu prognostycznego opracowanego na podstawie sygnatury ryzyka pochodzącej z PARDTG. (A,B) Cechy kliniczno-patologiczne i wskaźniki ryzyka w kohorcie TCGA-OV. (C) Rozkład cech klinicznych i ekspresji genów modelu w zależności od wyniku ryzyka. (D) Nomogram do prognozowania rokowania u pacjentek z OV. (E) Analizy Kaplana-Meiera dla dwóch grup OV. (F) Analiza krzywej ROC w TCGA-OV. (G) DCA wykazuje korzyści netto nomogramu oraz innych charakterystyk klinicznych. (H) Wykresy kalibracyjne przedstawiają OS w TCGA-OV. Skróty: ROC = charakterystyka operacyjna odbiornika; DCA = analiza krzywej decyzyjnej. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Korelacja ekspresji genów na mapie ciepła, wykresie punktowym i wykresie skrzypcowym, przedstawiająca analizę ryzyka oraz częstotliwość mutacji.
Rycina 5Analiza mikrośrodowiska nowotworowego u pacjentów o niskim i wysokim ryzyku. (A) Korelacja między naciekającymi guz immunologicznymi komórkami a genami w modelu prognostycznym związanym z PA. (B) Wykres pęcherzykowy przedstawiający średnią ekspresję i proporcję biomarkerów prognostycznych w różnych podtypach komórek. (C) Wykres skrzypcowy wyników TIDE. (D) Wykres skrzypcowy wskaźników wzbogacenia cech macierzystości nowotworu. (E,F) Wykres kaskadowy przedstawiający charakterystykę mutacji somatycznych w (E) niskiego ryzyka i (F) kategorie wysokiego ryzyka. (G, H) wyniki GSEA dla szlaków KEGG w (G) podgrupa niskiego ryzyka i (H) podgrupa wysokiego ryzyka. Skróty: TIDE = Tumor Immune Dysfunction and Exclusion (dysfunkcja i wykluczenie odpornościowe guza); GSEA = Gene Set Enrichment Analysis (analiza wzbogacenia zestawów genów). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Schemat sieci oddziaływań genów ilustrujący złożone relacje i łączność między genami.
Rycina 6Analiza sieci oddziaływań markerów prognostycznych. (A) Sieć koregulacyjna markerów prognostycznych miRNA. (BSieć koregulacyjna czynników transkrypcyjnych i markerów prognostycznych. Prosimy o kliknięcie tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Badanie biomarkerów nowotworowych; wykresy i mapy ciepła; markery nowotworowe, ekspresja genów, analiza statystyczna.
Rysunek 7Poziom ekspresji, cechy immunologiczne oraz zmiany genetyczne w zakresie KRT81 w guzach ludzkich. (A) KRT81 ekspresja w guzach TCGA i tkankach sąsiadujących. (B) Analiza Western blot w celu oznaczenia KRT81 ekspresja białka w sparowanych, sąsiednich tkankach prawidłowych i nowotworowych u sześciu pacjentek z rakiem jajnika (n = 6). Względne intensywności prążków znormalizowano do GAPDH, a dane przeanalizowano za pomocą testu t dla prób zależnych. Dane przedstawiono jako średnia ± SD.   (C) Korelacja między KRT81 a stosunek komórek odpornościowych został przedstawiony na mapie ciepła. (DKorelacja pomiędzy KRT81 oraz wyniki dla nacieku immunologicznego, stromalnego oraz wskaźnik ESTIMATE, przedstawione na mapie ciepła. (E-G) Korelacja między ekspresją KRT81 oraz (E) Wskaźnik aneuploidii, (F) Ploidia guza, (G) Neoantygeny SNV w bazach danych TCGA. (H) KRT81 mutacje w różnych typach nowotworów z bazy danych cBioPortal. (I) Rozkład KRT81 miejsca mutacji w wielu typach nowotworów (pan-cancer).J) Analiza regresji Coxa dla wielu typów nowotworów (pan-cancer) w odniesieniu do KRT81 w nowotworach TCGA. *p < 0,05; ***p < 0,01; ****p < 0.001. Skróty: SNV = wariant pojedynczego nukleotydu; N = norma; T = nowotwór. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

Tabela uzupełniająca S1: Geny docelowe leków stosowanych w anestezji okołooperacyjnej. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca S2: Opis przepływu próbek.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca S3: Geny docelowe leków stosowanych w znieczuleniu okołooperacyjnym o zróżnicowanej ekspresji. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca S4: Rokownicze geny docelowe leków związanych z anestezją okołooperacyjną.Aby pobrać ten plik, kliknij tutaj.

Tabela uzupełniająca S5: Dane źródłowe Western blot.Aby pobrać ten plik, kliknij tutaj.

Rycina uzupełniająca S1: Oryginalne dane z analizy western blotting.Prosimy kliknąć tutaj, aby pobrać ten plik.

Dyskusja

Jako nieunikcyjny element procesów leczenia nowotworów, znieczulenie okołoperacyjne przyciąga coraz większą uwagę ze względu na potencjalne działanie immunomodulacyjne, zdolność do przebudowy mikrośrodowiska oraz możliwość sprzyjania rozprzestrzenianiu się guza. W obliczu rosnącego uznania nowotworów za chorobę systemową i ekologiczną, a nie tylko za ściśle napędzaną genetycznie zmianę ogniskową27, okołoperacyjne rozregulowanie fizjologiczne, odpowiedzi zapalne oraz stres metaboliczny mogą przekształcać nisze mikrośrodowiskowe i wpływać na trajektorie ewolucyjne guza. Poprzez wielowarstwową integrację transkryptomu, niniejsze badanie systematycznie opisało wzorce ekspresji, powiązania biologiczne i wartość prognostyczną PARDTGs w raku jajnika (OV), dostarczając potencjalnych wskazówek dla precyzyjnego znieczulenia okołoperacyjnego.

Profilowanie transkrypcyjne przestrzenne i na poziomie pojedynczych komórek wykazało wyraźną zmienność przestrzenną aktywności PARDTG, wykazując zmniejszoną aktywność w komórkach nabłonkowych guza oraz zwiększoną aktywność w komórkach odpornościowych, śródbłonkowych i fibroblastach. Ten wzorzec „wzbogacenia w komórkach nieguzowych” sugeruje, że sieć celów anestetycznych może wywierać swój wpływ przede wszystkim poprzez modulację stanów komórek zrębu i komórek odpornościowych, a nie poprzez bezpośrednie mechanizmy wewnątrzkomórkowe komórek guza. Obserwacja ta jest zgodna z koncepcją, według której progresja guza jest wspólnie kształtowana przez komórki nowotworowe oraz ich mikrośrodowisko gospodarza28. Co istotne, wywołany operacją ostry stan zapalny, przejściowa immunosupresja i przebudowa tkanek mogą generować krótkotrwałe mikrośrodowisko gojenia ran, które guzy mogą wykorzystać w celu zwiększenia ryzyka rozsiewu i nawrotu29.

Dalsza analiza kohorty TCGA pozwoliła zidentyfikować 68 różnicowo wyrażonych PARDTGs, które są istotnie wzbogacone w interakcje ligand-receptor neuroaktywny, sygnalizację wapniową oraz szlaki związane z uzależnieniem. Skonstruowana sieć PPI wyróżniła kilka genów hub związanych z transporterami i receptorami neurotransmisji, takich jak DRD2, SLC6A3 oraz SLC6A430, co sugeruje dodatkowy wpływ regulacyjny sygnalizacji neurotransmiterów w okresie okołooperacyjnym na progresję OV. Niedawne prace wykazały, że antagonista DRD2, ONC206, hamuje proliferację i inwazję w komórkach OV oraz w transgenicznych modelach mysich, indukując zatrzymanie cyklu komórkowego i apoptozę, co podkreśla potencjał terapeutyczny tej osi. CHRNA4 i GRIN2A kodują odpowiednio białka receptora cholinergicznego oraz białka związane z receptorem NMDA; aktywacja tych receptorów ułatwia wewnątrzkomórkowy napływ Ca2⁺31,32, podczas gdy zaburzenia poziomu wapnia mogą przebudowywać cytoszkielet i aktywować pronowotworowe programy transkrypcyjne33. Dodatkowo receptory związane z uzależnieniem (np. receptory opioidowe µ) powiązano z aktywacją mTORC1 i unikiem immunologicznym34. Zbiorczo wyniki te sugerują potencjalny crosstalk pomiędzy szlakami będącymi celami anestetyków a okołoperacyjną siecią stres–neuro–immune, co wpływa na plastyczność guza i ryzyko nawrotu w krótkim oknie okołoperacyjnym.

Model ryzyka oparty na 17 genach wykazał stabilną wartość prognostyczną w wielu niezależnych kohortach. Pacjenci wysokiego ryzyka wykazywali wzbogacenie w takich szlakach jak „Regulation of actin cytoskeleton” oraz „Proteoglycans in cancer”, co wskazuje na nasiloną przebudowę cytoszkieletu i potencjał przerzutniczy. Profilowanie immunologiczne ujawniło wyższe proporcje makrofagów M2, nadekspresję genów związanych z punktami kontrolnymi układu odpornościowego oraz podwyższone wyniki TIDE w grupie wysokiego ryzyka. Makrofagi M2 sprzyjają ucieczce immunologicznej, a pooperacyjna aktywacja zapalna może stymulować rekrutację mieloidalnych komórek supresorowych (MDSCs)35. Co istotne, EPHA4 wykazywał dominującą ekspresję w podgrupach komórek śródbłonka i fibroblastów, co sugeruje jego potencjalny udział w regulacji naczyniowej, przebudowie zrębu oraz interakcjach w mikrośrodowisku guza. EPHA4 jest członkiem rodziny receptorowych tyrozynowych kinaz Eph i pełni funkcję istotnego mediatora komunikacji międzykomórkowej poprzez sygnalizację Eph/ephrin. Aktywacja EPHA4 może regulować szlaki downstream zaangażowane w reorganizację cytoszkieletu, adhezję komórkową, migrację oraz organizację macierzy pozakomórkowej36. W mikrośrodowisku guza rozregulowana sygnalizacja EPHA4 była powiązana z promowaniem inwazji komórek nowotworowych, odpowiedziami angiogennymi, aktywacją zrębu oraz interakcjami między komórkami złośliwymi a otaczającymi komponentami zrębu37. Wyniki te sugerują, że EPHA4 może przyczyniać się do agresywnych cech biologicznych u pacjentów wysokiego ryzyka poprzez modulowanie komunikacji naczyniowo-zrębowej oraz ekologiczną przebudowę guza. Jednocześnie u pacjentów wysokiego ryzyka odnotowano wyższą częstotliwość mutacji w genach takich jak MUC16 i CSMD3, które są zaangażowane w interakcje ze zrębem i ucieczkę immunologiczną38,39. Podsumowując, pacjenci wysokiego ryzyka wykazują złośliwe cechy ekologiczne charakteryzujące się rozregulowaną dynamiką cytoszkieletu, immunosupresyjnym mikrośrodowiskiem i przebudową macierzy, co sugeruje, że PARDTGs mogą być powiązane ze zmianami w ekologii guza i progresją choroby.

Środki znieczulające mogą również przeprogramowywać ekspresję wielu genów poprzez modulację sieci niekodującego RNA, wpływając na adhezję, migrację, oporność na apoptozę i utrzymanie pluripotencji komórek nowotworowych, co potencjalnie zmienia ryzyko nawrotu pooperacyjnego40,41. W naszej rdzennej sieci regulacyjnej miRNA–czynnik transkrypcyjny, miR-27a-3p, miR-34a-5p oraz miR-106b-5p zostały zidentyfikowane jako potencjalne węzły regulacyjne, a liczne dowody potwierdzają ich udział w progresji OV oraz farmakologicznych odpowiedziach związanych ze znieczuleniem42,43,44. FOXC1, jako kluczowy czynnik transkrypcyjny, odgrywa istotną rolę w promowaniu migracji, inwazji i fenotypów EMT w OV i jest regulowany powyżej przez liczne niekodujące RNA45.

Przeprowadzono analizę pan-nowotworową w celu dalszego zbadania charakterystyki biologicznej KRT81 w różnych typach złośliwości, a nie w celu walidacji modelu prognostycznego dla raka jajnika. W naszej analizie KRT81 był znacząco upregulowany w większości typów nowotworów i korelował z aneuploidią, naciekiem immunologicznym oraz wskaźnikami zrębowymi, co sugeruje jego udział w przebudowie niszy ekologicznej i ucieczce immunologicznej. Jako członek rodziny keratin typu II, KRT81 bierze udział w utrzymaniu integralności cytoszkieletu nabłonkowego, mechanicznej stabilności komórek oraz adaptacji do stresu. Zaburzona ekspresja KRT81 może wpływać na plastyczność komórek nowotworowych poprzez oddziaływanie na organizację cytoszkieletu, różnicowanie nabłonkowe oraz oddziaływania między komórkami nowotworowymi a otaczającym mikrośrodowiskiem. Co więcej, aberracyjna przebudowa keratin była implikowana w progresji nowotworów poprzez modulację proliferacji, migracji, inwazji komórek oraz komunikacji między układem odpornościowym a zrębem. Wcześniejsze badania wykazały, że KRT81 służy jako biomarker dla podtypowania immunologicznego i stratyfikacji prognostycznej w OV46 oraz przyczynia się do tworzenia immunosupresyjnego mikrośrodowiska i przewidywania odpowiedzi na immunoterapię w potrójnie ujemnym raku piersi47. Zatem KRT81 może stanowić kluczowy węzeł w perioperacyjnych sieciach plastyczności nowotworu o znaczeniu mechanisticznym i translacyjnym.

Podsumowując, niniejsze badanie dostarcza pierwszej charakterystyki ekologii ekspresji PARDTG w OV na poziomie przestrzennym i pojedynczych komórek oraz ilustruje ich powiązania z mikrośrodowiskami immunologicznymi, cechami macierzystości i niestabilnością genomiczną, co sugeruje, że geny docelowe leków związanych z anestezją okołooperacyjną mogą być powiązane z trajektoriami ewolucyjnymi guza. Niemniej jednak należy uznać kilka ograniczeń. Po pierwsze, badanie to opierało się głównie na publicznie dostępnych zbiorach danych transkryptomicznych, a różnice w źródłach próbek, platformach sekwencjonowania i charakterystyce kohort mogą wprowadzać potencjalne efekty seryjne i wpływać na rzetelność wyników. Po drugie, mimo że do walidacji wykorzystano kohorty zewnętrzne, model prognostyczny opracowano na podstawie retrospektywnych zbiorów danych, a potencjalnego przeuczenia wynikającego z metod selekcji cech nie można całkowicie wykluczyć. Po trzecie, choć analizy transkryptomiczne pojedynczych komórek i analizy przestrzenne dostarczyły wglądu w role biologiczne PARDTGs, wnioski te opierały się głównie na inferencji obliczeniowej i wymagają dalszej walidacji eksperymentalnej. Ponadto niektóre analizy eksploracyjne, w tym analizy pan-cancer oraz analizy korelacji immunologicznych, obejmowały wielokrotne porównania, a potencjalne fałszywie dodatnie powiązania należy interpretować z ostrożnością. Wreszcie, ograniczona rozdzielczość transkryptomiki przestrzennej oraz brak walidacji funkcjonalnej przewidywanych sieci regulacyjnych stanowią dodatkowe ograniczenia. W celu dalszej walidacji zidentyfikowanych mechanizmów uzasadnione są przyszłe badania z wykorzystaniem modeli eksperymentalnych i próbek klinicznych.

Badanie to wykazało, że PARDTGs pełnią istotne transkrypcyjne funkcje ekologiczne w OV i mogą uczestniczyć w inwazji oraz ucieczce immunologicznej napędzanej przez mikrośrodowisko pooperacyjne, dostarczając nowych dowodów molekularnych dla perioperacyjnej anestezji precyzyjnej, stratyfikacji ryzyka i zapobiegania nawrotom.

Oświadczenia

Autorzy oświadczają, że nie mają żadnych konfliktów interesów

Podziękowania

Szczerze dziękujemy badaczom, którzy udostępnili swoje cenne zestawy danych w bazach TCGA i GEO, w tym TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 oraz GSE211956.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Przeciwciało anty-cytokeratyna 81 (królicze poliklonalne)Proteintech, USA11342-1-AP
Przeciwciało anty-GAPDH (mysie monoklonalne)Proteintech, USA60004-1-Ig
Zestaw do oznaczania białek metodą BCAThermo Fisher, USA23225
CIBERSORTStanford Universityhttps://cibersort.stanford.eduInfiltracja immunologiczna | macierz sygnatur LM22 | analiza infiltracji komórek odpornościowych
Charakterystyka kliniczna pacjentek z rakiem jajnika (OV)UCSC Xenahttp://xena.ucsc.edu/Dane kliniczne | 341 pacjentek | analiza korelacji klinicznej
pakiet clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfilerAnaliza wzbogacenia funkcjonalnego | wersja 4.8.3 | analizy GO, KEGG i GSEA
pakiet ggplot2CRANhttps://cran.r-project.org/package=ggplot2Wizualizacja danych | wersja 4.0.2 | wizualizacja danych
GSE26193baza danych GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Zestaw walidacyjny | 107 próbek | walidacja zewnętrzna
GSE30161baza danych GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Zestaw walidacyjny | 58 próbek | walidacja zewnętrzna
GSE63885baza danych GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Zestaw walidacyjny | 70 próbek | walidacja zewnętrzna
pakiet GSVABioconductorhttps://bioconductor.org/packages/GSVAAnaliza wzbogacenia zestawów genów | wersja 2.4.9 | analiza ssGSEA
pakiet limmaBioconductorhttps://bioconductor.org/packages/limma/Analiza różnicowej ekspresji | wersja 3.56.2 | analiza DEG
Informacje o przeżyciu całkowitym pacjentek z rakiem jajnika (OV)UCSC Xenahttp://xena.ucsc.edu/Dane o przeżywalności | 353 pacjentek | konstrukcja modelu prognostycznego
Membrana PVDFMillipore, USAIPVH00010
RR Foundation for Statistical Computinghttps://www.r-project.org/Oprogramowanie bioinformatyczne | wersja 4.3.1 | analizy statystyczne
Bufor RIPABeyotime, ChinyP0013B
pakiet SeuratCRANhttps://satijalab.org/seurat/Analiza pojedynczych komórek | wersja 5.4.0 | analiza scRNA-seq
baza danych STRINGSTRING Consortiumhttps://string-db.orgBaza interakcji białkowych | wersja 12.0 | konstrukcja sieci PPI
pakiet survivalCRANhttps://cran.r-project.org/package=survivalAnaliza przeżywalności | wersja 3.5.5 | analiza przeżywalności
Dane ekspresji genów jajnika TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Zestaw treningowy | 420 próbek nowotworowych TCGA | kohorta treningowa
Dane prawidłowej tkanki jajnika TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Referencyjny zestaw danych prawidłowych | 88 prawidłowych próbek GTEx | analiza różnicowej ekspresji

Bibliografia

  1. Caruso G, Weroha SJ, Cliby W. Ovarian cancer: a review. JAMA. 2025;334(14):1278-91.
  2. Konstantinopoulos PA, Matulonis UA. Clinical and translational advances in ovarian cancer therapy. Nat Cancer. 2023;4(9):1239-57.
  3. Horowitz M, Neeman E, Sharon E, Ben-Eliyahu S. Exploiting the critical perioperative period to improve long-term cancer outcomes. Nat Rev Clin Oncol. 2015;12(4):213-26.
  4. Piegeler T, Beck-Schimmer B. Anesthesia and colorectal cancer: the perioperative period as a window of opportunity. Eur J Surg Oncol. 2016;42(9):1286-95.
  5. Zhang B, et al. Anesthetic propofol inhibits ferroptosis and aggravates distant cancer metastasis via Nrf2 upregulation. Free Radic Biol Med. 2023;195:298-308.
  6. He GN, et al. Ketamine induces ferroptosis of liver cancer cells by targeting lncRNA PVT1/miR-214-3p/GPX4. Drug Des Devel Ther. 2021;15:3965-78.
  7. Montégut L, et al. Benzodiazepines compromise the outcome of cancer immunotherapy. Oncoimmunology. 2024;13(1):2413719.
  8. Wall T, Sherwin A, Ma D, Buggy DJ. Influence of perioperative anaesthetic and analgesic interventions on oncological outcomes: a narrative review. Br J Anaesth. 2019;123(2):135-50.
  9. Ponferrada A, et al. Anaesthesia and cancer: can anaesthetic drugs modify gene expression? Ecancermedicalscience. 2020;14:1080.
  10. Piegeler T, et al. Endothelial barrier protection by local anesthetics: ropivacaine and lidocaine block tumor necrosis factor-α-induced endothelial cell Src activation. Anesthesiology. 2014;120(6):1414-28.
  11. Xu J, et al. Single-cell RNA sequencing reveals the tissue architecture in human high-grade serous ovarian cancer. Clin Cancer Res. 2022;28(16):3590-602.
  12. Yu D, et al. Development and validation of a breast cancer survival prediction model based on perioperative anesthesia-related drug target genes and analysis of immune microenvironment and drug sensitivity. Comput Biol Chem. 2026;120(Pt 2):108681.
  13. Wang S, et al. UCSCXenaShiny: an R/CRAN package for interactive analysis of UCSC Xena data. Bioinformatics. 2022;38(2):527-9.
  14. Gentric G, et al. PML-regulated mitochondrial metabolism enhances chemosensitivity in human ovarian cancers. Cell Metab. 2019;29(1):156-73.e10.
  15. Ferriss JS, et al. Multi-gene expression predictors of single-drug responses to adjuvant chemotherapy in ovarian carcinoma: predicting platinum resistance. PLoS One. 2012;7(2):e30550.
  16. Lisowska KM, et al. Gene expression analysis in ovarian cancer: faults and hints from DNA microarray study. Front Oncol. 2014;4:6.
  17. Liang L, et al. Integration of scRNA-seq and bulk RNA-seq to analyse the heterogeneity of ovarian cancer immune cells and establish a molecular risk model. Front Oncol. 2021;11:711020.
  18. Denisenko E, et al. Spatial transcriptomics reveals discrete tumour microenvironments and autocrine loops within ovarian cancer subclones. Nat Commun. 2024;15(1):2860.
  19. Quan W, et al. Single-cell analysis reveals the roles and regulatory mechanisms of type I interferons in Parkinson’s disease. Cell Commun Signal. 2024;22(1):212.
  20. Hu C, et al. CellMarker 2.0: an updated database of manually curated cell markers in human/mouse and web tools based on scRNA-seq data. Nucleic Acids Res. 2023;51(D1):D870-6.
  21. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  22. Yu G, Wang LG, Han Y, He QY. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-7.
  23. Mayakonda A, et al. Maftools: efficient and comprehensive analysis of somatic variants in cancer. Genome Res. 2018;28(11):1747-56.
  24. Zu S, et al. Development and validation of a recurrence risk prediction model for elderly schizophrenia patients. BMC Psychiatry. 2025;25(1):73.
  25. Zhou G, et al. NetworkAnalyst 3.0: a visual analytics platform for comprehensive gene expression profiling and meta-analysis. Nucleic Acids Res. 2019;47(W1):W234-41.
  26. Liao C, Wang X. TCGAplot: an R package for integrative pan-cancer analysis and visualization of TCGA multi-omics data. BMC Bioinformatics. 2023;24(1):483.
  27. Swanton C, et al. Embracing cancer complexity: hallmarks of systemic disease. Cell. 2024;187(7):1589-616.
  28. Vendramin R, Litchfield K, Swanton C. Cancer evolution: Darwin and beyond. EMBO J. 2021;40(18):e108389.
  29. Demicheli R, et al. The effects of surgery on tumor growth: a century of investigations. Ann Oncol. 2008;19(11):1821-8.
  30. Marinho V, et al. Genetic influence alters the brain synchronism in perception and timing. J Biomed Sci. 2018;25(1):61.
  31. Pan X, et al. Hepatocyte CHRNA4 mediates the MASH-promotive effects of immune cell-produced acetylcholine and smoking exposure in mice and humans. Cell Metab. 2023;35(12):2231-49.e7.
  32. Camp AJ, et al. Loss of Grin2a causes a transient delay in the electrophysiological maturation of hippocampal parvalbumin interneurons. Commun Biol. 2023;6(1):952.
  33. Sun Y, et al. Identification of potential diagnoses based on immune infiltration and autophagy characteristics in major depressive disorder. Front Genet. 2022;13:702366.
  34. Lennon FE, Moss J, Singleton PA. The µ-opioid receptor in cancer progression: is there a direct effect? Anesthesiology. 2012;116(4):940-5.
  35. Mohammadpour H, et al. β2-adrenergic receptor-mediated signaling regulates the immunosuppressive potential of myeloid-derived suppressor cells. J Clin Invest. 2019;129(12):5537-52.
  36. Bhatia S, et al. Effects of altered ephrin-A5 and EphA4/EphA7 expression on tumor growth in a medulloblastoma mouse model. J Hematol Oncol. 2015;8:105.
  37. Dong Y, et al. MicroRNA-335 suppresses the proliferation, migration, and invasion of breast cancer cells by targeting EphA4. Mol Cell Biochem. 2018;439(1-2):95-104.
  38. Li X, Pasche B, Zhang W, Chen K. Association of MUC16 mutation with tumor mutation load and outcomes in patients with gastric cancer. JAMA Oncol. 2018;4(12):1691-8.
  39. Zhao Y, et al. Patient-derived ovarian cancer organoid carries immune microenvironment and blood vessel keeping high response to cisplatin. MedComm (2020). 2024;5(9):e697.
  40. Jiang S, et al. Effects of propofol on cancer development and chemotherapy: potential mechanisms. Eur J Pharmacol. 2018;831:46-51.
  41. Wang ZT, et al. Propofol suppresses proliferation and invasion of pancreatic cancer cells by upregulating microRNA-133a expression. Genet Mol Res. 2015;14(3):7529-37.
  42. Li E, Han K, Zhou X. MicroRNA-27a-3p downregulation inhibits malignant biological behaviors of ovarian cancer by targeting BTG1. Open Med (Wars). 2019;14:577-85.
  43. Zhang Y, et al. Sevoflurane inhibits the apoptosis of hypoxia/reoxygenation-induced cardiomyocytes via regulating miR-27a-3p-mediated autophagy. J Pharm Pharmacol. 2021;73(11):1470-9.
  44. Zhao H, et al. Sevoflurane inhibits migration and invasion of glioma cells via regulating the miR-34a-5p/MMP-2 axis. Life Sci. 2020;256:117897.
  45. Wu Z, et al. Circ-PTK2 (hsa_circ_0008305) regulates the pathogenic processes of ovarian cancer via the miR-639 and FOXC1 regulatory cascade. Cancer Cell Int. 2021;21(1):277.
  46. Hu Y, et al. DNA methylation and transcription factor-driven immune subtypes in ovarian cancer. Discov Oncol. 2025;16(1):1646.
  47. Yan Z, et al. The prognostic marker KRT81 is involved in suppressing CD8+ T cells and predicts immunotherapy response for triple-negative breast cancer. Cancer Biol Ther. 2024;25(1):2355705.

Przedruki i uprawnienia

Tagi

Cele lek w anestezjologicznychdane multiomicznepojedyncze kom rki RNAtranskryptomika przestrzennamodel proporcjonalnego hazardu Coxaimmunologiczne mikro rodowisko guzanomogram kliniczny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.