A análise integrada de bioinformática dos dados transcriptômicos humanos identifica três biomarcadores diagnósticos e prognósticos chave no adenocarcinoma pulmonar

Resumo

Este estudo identificou biomarcadores diagnósticos e prognósticos para adenocarcinoma pulmonar usando TCGA-LUAD e GEO GSE115002 dados transcriptômicos. B3GNT3, FERMT1 e SPP1 foram regulados para cima, distinguindo tumores do tecido normal. Esses genes estão ligados à transição epitelial-mesenquimata e à imunossupressão. Um nomograma combinando expressão gênica com o estágio TNM mostrou valor preditivo confiável.

Resumo

O adenocarcinoma pulmonar (LUAD) é a principal causa de mortes relacionadas ao câncer no mundo. Apesar dos avanços em cirurgia, terapia direcionada e imunoterapia, a taxa de sobrevivência avançada do LUAD em 5 anos permanece abaixo de 20%, indicando uma necessidade urgente de biomarcadores moleculares confiáveis para detecção precoce e prognóstico. Neste estudo, os autores levantaram a hipótese de que três genes consistentemente aumentados poderiam atuar como biomarcadores diagnósticos e prognósticos eficazes para a LUAD. Os autores analisaram dados transcriptômicos de duas coortes independentes, TCGA-LUAD (535 tumores, 59 amostras normais) e GSE115002 (52 tumores, 52 amostras normais correspondentes), para triar genes expressos diferencialmente. Três genes centrais — B3GNT3, FERMT1 e SPP1 — foram consistentemente superexpressos nos tumores LUAD em ambos os conjuntos de dados. Esses genes apresentaram excelente desempenho diagnóstico, com valores de AUC acima de 0,95 no TCGA-LUAD e alta precisão em GSE115002. A análise de sobrevivência mostrou que alta expressão de cada gene estava significativamente associada a uma sobrevivência geral mais curta e livre de doença, e a regressão multivariada de Cox verificou seu valor prognóstico independente. A análise de enriquecimento funcional indicou que esses três genes participam da transição epitelial-mesenquimal, remodelação da matriz extracelular e imunosupressão, todos intimamente relacionados à invasão e metástase do LUAD. Os autores ainda construíram um nomograma prognóstico combinando os três genes e o estágio TNM, alcançando um índice de concordância de 0,743 e demonstrando bom desempenho preditivo. Esses achados confirmam que B3GNT3, FERMT1 e SPP1 são biomarcadores diagnósticos e prognósticos promissores para o LUAD, apoiando a aplicação clínica na estratificação e manejo de riscos.

Introdução

O câncer de pulmão é a principal causa de mortalidade global por câncer, representando aproximadamente 1,8 milhão de mortes em 2020^. O adenocarcinoma pulmonar (LUAD) representa quase 40% de todos os casos de câncer de^{pulmão 2}. Apesar dos avanços em cirurgia, terapia direcionada e imunoterapia, a taxa de sobrevivência a 5 anos para LUAD avançado permanece abaixo de 20^%3,4. Biomarcadores moleculares confiáveis para detecção precoce e prognóstica precisa são urgentemente necessários. Sequenciamento de alto rendimento e bancos de dad....

Protocolo

1. Fontes de dados e pré-processamento

1. Processar dados brutos em R (versão 4.1.3; Windows 10 Pro).
2. Para GSE115002, aplique normalização de quantil usando limma (versão 3.52.3).
3. Filtrar genes de baixa expressão para TCGA: reter genes com CPM > 0,5 em ≥50% das amostras.
4. Filtrar genes de baixa expressão para GSE115002: manter genes com sinal médio >50.
5. log₂Transforme valores de expressão com uma pseudocontagem de +1.
   NOTA: A expressão gênica e os dados clínicos do LUAD foram obtidos do TCGA-LUAD (versão 33.0, Portal GDC, baixado em 7 de ag....

Resultados

Alterações globais na expressão gênica no LUAD

Comparações transcriptômicas entre tecidos adenocarcinomas pulmonares e tecidos pulmonares normais identificaram mudanças generalizadas na expressão gênica. A Figura 1A mostra gráficos vulcânicos de genes diferencialmente expressos no conjunto de dados TCGA-LUAD, e a Figura 1B mostra aqueles do conjunto de dados GSE115002. Na coorte TCGA-LUAD (Fig.......

Discussão

O nomograma foi construído usando análise multivariada de regressão de Cox baseada na coorte TCGA-LUAD. Os preditores incluem o estágio patológico T, o estágio patológico N e o estado de expressão gênica de B3GNT3, FERMT1 e SPP1 (categorizados como Alto vs. Baixo com base na expressão mediana). Para cada paciente, as pontuações individuais de cada variável são somadas para gerar um valor de "Pontos Totais", que corresponde às probabilidades estimadas de sobrevi.......

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Publicly Available Datasets	TCGA-LUAD Dataset	The Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 amostras de tumores de LUAD, 59 amostras de tecido pulmonar normal adjacente (contagem de RNA-sequencing/valores FPKM + dados clínicos: sobrevivência, estadiamento TNM)	Dados transcriptômicos e clínicos para análise de expressão diferencial, sobrevivência e análise de nomograma; coorte de estudo primário
	GSE115002 Dataset	Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Microarray Agilent, 52 tecidos tumorais de LUAD, 52 tecidos pulmonares normais adjacentes correspondentes (tumores primários não tratados)	Coorte de validação independente para análise de expressão diferencial, desempenho diagnóstico e infiltração imunológica
Bioinformatics Software & Programming Environment	Linguagem de Programação R	Versão 4.1	Plataforma central para todas as análises transcriptômicas, estatísticas e gráficas
	Pacotes R (Expressão Diferencial)	DESeq2, limma	DESeq2: análise de expressão diferencial de contagem bruta de RNA-seq do TCGA; limma: normalização de microarray GSE115002 e análise de expressão diferencial (correção FDR Benjamini–Hochberg)
	Pacotes R (Análise Diagnóstica)	pROC	Construção de curvas ROC, cálculo de AUC (IC 95%), determinação do corte ideal (índice de Youden’s) para avaliação de desempenho diagnóstico
	Pacotes R (Análise de Sobrevivência)	survival, survminer	Geração de curva de sobrevivência Kaplan–Meier, teste log-rank, regressão de risco proporcional de Cox univariada/multivariada (HR + IC 95%); estratificação de pacientes pela mediana de expressão gênica
	Pacotes R (Enriquecimento Funcional)	clusterProfiler, fgsea	clusterProfiler: análise de enriquecimento de vias GO (BP/CC/MF) e KEGG (P ajustado < 0,05); fgsea: GSEA para conjuntos de genes MSigDB Hallmark/KEGG (FDR < 0,25)
	Pacotes R (Construção e Validação de Nomograma)	rms	Desenvolvimento de nomograma prognóstico (integração de expressão gênica + estágio TNM); cálculo do índice C de Harrell’s, reamostragem por bootstrap (1000 repetições) para correção de viés, geração de gráfico de calibração
	Pacotes R (Estatística & Visualização)	ggplot2, ComplexHeatmap, corrplot	Geração de gráficos de vulcão, gráficos de bolhas (enriquecimento), mapas de calor (correlação de infiltração imunológica), gráficos de dispersão (coexpressão gênica); análise de correlação Pearson/Spearman
Bioinformatics Databases & Tools (Análise de Rede/Imunológica)	Banco de Dados STRING	Pontuação de confiança > 0,7	Construção de redes de interação proteína-proteína (PPI) para B3GNT3/FERMT1/SPP1 e interatores de primeiro grau
	Cytoscape	-	Visualização de redes PPI e coexpressão gênica (ponderação das arestas pela força da correlação, identificação de genes hub)
	Algoritmo de Deconvolução Imunológica	CIBERSORT	Estimação da abundância de infiltração de células imunológicas (macrófagos M2, células T CD8+, neutrófilos, células NK, etc.) em amostras de LUAD; correlação com a expressão do gene candidato
Outras Ferramentas	Microsoft Office/LaTeX	-	Preparação de manuscritos, montagem de figuras e formatação de tabelas; compilação de resultados estatísticos