Artigo de investigação
* These authors contributed equally
Este estudo deriva um conjunto de genes de PANoptose associado à DPOC a partir de dados transcriptômicos públicos e o aplica a coortes de carcinoma escamoso pulmonar para desenvolver uma assinatura prognóstica avaliada retrospectivamente. A assinatura estava associada à infiltração imune e à sensibilidade computacionalmente prevista a medicamentos, fornecendo biomarcadores candidatos geradores de hipóteses para futuros estudos de estratificação de risco.
A doença pulmonar obstrutiva crônica (DPOC) é uma doença inflamatória progressiva que aumenta o risco de carcinoma de células escamosas pulmonares (LUSC). A PANoptose integra piroptose, apoptose e necroptose, mas a relação entre os genes da PANoptose associada à DPOC e o prognóstico da LUSC permanece incerta. Neste estudo, primeiro derivamos genes diferencialmente expressos associados à DPOC a partir de GSE57148 comparando tecidos pulmonares da DPOC com tecidos pulmonares normais e intersectamos esses genes com uma lista curada de genes associados à PANoptose. O conjunto de genes resultante foi então aplicado ao TCGA-LUSC, GSE30219 e GSE37745, que foram analisados como coortes de LUSC sem anotação confirmada de comorbidade de DPOC em nível de paciente. Avaliamos os padrões de expressão gênica da PANoptose, realizamos agrupamento não supervisionado, caracterizamos as diferenças de infiltração imune entre aglomerados e construímos uma assinatura prognóstica com validação externa. Identificamos 38 genes de PANoptose associados à DPOC com expressão diferencial entre os tipos de tecidos. Dois subtipos moleculares apresentaram paisagens imunes distintas, expressão de pontos de controle imunes e sobrevivência geral. Um modelo de risco de 12 genes selecionado pela regressão de Cox univariada e LASSO Cox estratificou os pacientes em grupos de alto e baixo risco e apresentou desempenho preditivo modesto a moderado nas coortes TCGA-LUSC, GSE30219 e GSE37745. Pacientes de alto risco também apresentaram valores computacionalmente previstos mais altos de IC50 para múltiplos agentes, sugerindo menor sensibilidade prevista a medicamentos em vez de resistência à quimioterapia confirmada experimentalmente. Esses achados indicam que genes da PANoptose associada à DPOC estão associados ao prognóstico, à remodelação do microambiente imunológico e à sensibilidade prevista a medicamentos na LUSC, podendo fornecer biomarcadores geradores de hipóteses para validação futura.
O carcinoma de células escamosas pulmonares (LUSC), um subtipo de câncer de pulmão não de pequenas células (NSCLC), é caracterizado pela proliferação anormal de células escamosas dentro do pulmão. Apesar dos avanços em cirurgia, quimioterapia à base de platina, imunoterapia, radioterapia e estratégias molecularmente selecionadas selecionadas, a taxa geral de cura da LUSC permanece baixa, especialmente entre pacientes com doença em estágioavançado 1,2. A otimização da eficácia do tratamento continua sendo desafiadora devido à marcada heterogeneidade tumoral e aos múltiplos mecanismos de resistência 3,4.
A morte celular programada (PCD) é crucial para manter a homeostase dos tecidos e a saúde geral. A panoptose é um programa específico e coordenado de morte inflamatória celular que integra características de piroptose, apoptose e necroptose 5,6,7. O complexo PANoptossomo compreende moléculas de detecção e sinalização a montante, como as ausentes no melanoma 2 (AIM2), proteína de ligação ao Z-DNA 1 (ZBP1) e a quinase da proteína serina/treonina (RIPK1) interagente com receptores, que pode detectar estímulos específicos, acionar a montagem do PANoptossomo e ativar múltiplas viasPCD 8.
A sinalização oncogênica alterada, incluindo a atividade da via da proteína quinase ativada por mitógeno (MAPK), contribui para a heterogeneidade do LUSC e para a resistênciaao tratamento 9. No entanto, as opções de tratamento direcionadas para LUSC continuam sendo mais limitadas do que as para adenocarcinoma pulmonar, e muitos pacientes ainda recebem quimioterapia, imunoterapia, radioterapia ou regimescombinados 10. Como a evasão da morte celular regulada é um dos mecanismos de resistência terapêutica, a análise coordenada das vias relacionadas à PANoptose pode ajudar a gerar hipóteses sobre a vulnerabilidade ao tratamento noLUSC 11.
A resistência adquirida é uma das principais causas de falha do tratamento no LUSC. Essa resistência pode estar associada a mutações gênicas, aberrações nas vias, alteração da sinalização da morte celular e alterações no microambientetumoral 12. Estudos mostraram que a apoptose contribui para a eficácia de muitos medicamentos anticâncer13. Genes envolvidos na apoptose, piroptose e necroptose podem, portanto, marcar estados regulatórios da morte celular associados à resposta ao tratamento. No entanto, o presente estudo é computacional e não testa diretamente se esses genes causam resistência àPANoptose 14,15,16.
No presente estudo, usamos o termo operacional genes associados à PANoptose para descrever genes selecionados a partir da literatura relacionada à apoptose, piroptose, necroptose ePANoptose 17,18,19,20,21. Esse termo indica associação por vias em vez de função de resistência comprovada experimentalmente na LUSC relacionada à DPOC. Ao integrar alterações transcriptômicas associadas à DPOC com esse conjunto de genes da PANoptose, buscamos identificar genes candidatos e padrões de expressão associados ao prognóstico, características imunes e sensibilidade prevista a medicamentos em coortes públicas de LUSC.
A doença pulmonar obstrutiva crônica (DPOC) é uma doença pulmonar crônica caracterizada por obstrução das vias aéreas e diminuição da função pulmonar, sendo um fator de risco significativo paraLUSC 22. O ambiente inflamatório crônico nos pulmões de pacientes com DPOC pode proporcionar condições favoráveis ao desenvolvimento do câncer23,24. A DPOC também pode influenciar a escolha do tratamento e a tolerabilidade, pois a função respiratória comprometida pode limitar opções terapêuticasde 25 a 27. Além disso, a inflamação relacionada à DPOC pode alterar o microambiente imunológico tumoral e afetar a resposta àimunoterapia de 28 a 30. O presente estudo não analisou diretamente casos clinicamente confirmados de LUSC com LUSC comórbida e DOP; em vez disso, derivou uma assinatura genética associada à DPOC a partir do tecido pulmonar não maligno da DPOC e avaliou suas associações prognósticas e imunes em coortes públicas de LUSC.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Este estudo utilizou apenas conjuntos de dados públicos e desidentificados, e não envolveu experimentação direta em humanos ou animais; portanto, não era necessário adicional aprovação do comitê de ética e consentimento informado.
Download e processamento de dados
Os dados de sequenciamento de RNA e as informações clínicas correspondentes para o carcinoma escamoso do pulmão (LUSC) foram obtidos do banco de dados The Cancer Genome Atlas (TCGA) por meio do portal de dados Genomic Data Commons no projeto TCGA-LUSC. A matriz de expressão TCGA-LUSC usada neste estudo foi baseada em valores FPKM. Os valores de expressão gênica foram transformados e normalizados antes das análises posteriores. As variáveis clínicas incluíram idade, sexo, estágio tumoral, estágio patológico da TNM, grau, tempo de sobrevivência e status de sobrevivência quando disponíveis. Um total de 489 casos de TCGA-LUSC foram inicialmente coletados, e 381 pacientes com perfis de expressão completa e informações de sobrevivência geral foram incluídos na construção do modelo prognóstico e avaliação interna.
Conjuntos de dados independentes de validação foram baixados do banco de dados Gene Expression Omnibus (GEO) em 3 de janeiro de 2026. GSE30219 foi baseada na plataforma GPL570 e incluiu 307 pacientes com LUSC com informações disponíveis de expressão e sobrevivência geral. GSE37745 também foi baseada na plataforma GPL570 e incluiu 196 pacientes com LUSC com informações disponíveis de expressão e sobrevivência geral. GSE57148 foi baseada na plataforma GPL11154 e incluiu 91 tecidos pulmonares normais e 98 tecidos pulmonares de pacientes com doença pulmonar obstrutiva crônica (DPOC), totalizando 189 amostras. GSE57148 foi usado para identificar genes diferencialmente expressos associados à DPOC, enquanto GSE30219 e GSE37745 foram usados como coortes independentes de validação externa.
Para conjuntos de dados GEO, a anotação de sonda era realizada usando o correspondente pacote de anotação R e arquivos de anotação da plataforma. Os identificadores da sonda foram convertidos em símbolos genéticos oficiais. Quando múltiplas sondas mapeavam para o mesmo gene, a sonda com o maior valor médio de expressão era mantida para representar esse gene. Nenhum gene modelo ausente foi detectado nos conjuntos de dados de validação após a correspondência entre símbolos de genes e símbolos. TCGA-LUSC, GSE30219 e GSE37745 foram analisados como coortes gerais de LUSC porque o status de comorbidade de DPOC em nível de paciente não foi confirmado nas anotações usadas nesta análise.
Como os conjuntos de dados TCGA e GEO foram gerados usando diferentes plataformas de expressão, a normalização multiplataforma e a correção de efeitos em lote foram realizadas usando métodos padrão de pré-processamento baseados em R antes da aplicação do modelo. O modelo de risco foi treinado na coorte TCGA-LUSC e depois avaliado de forma independente em cada coorte externa GEO, em vez de mesclar diretamente todas as coortes. A análise diferencial de expressão foi realizada usando o pacote limma R. Genes diferencialmente expressos à DPOC em GSE57148 foram triados usando |log2FC| > 0,263 e P < 0,05. Esse limiar de log2FC corresponde a uma variação de aproximadamente 1,2 vezes e foi usado como critério exploratório para reter genes potencialmente relevantes associados à PANoptose. Um total de 277 genes associados à PANoptose foram selecionados a partir de estudos previamente publicados relacionados à apoptose, piroptose, necroptose e PANoptose, e estão apresentados na Tabela Suplementar 1.
Análise de enriquecimento funcional de genes
Para esclarecer as implicações funcionais dos genes selecionados da PANoptose associados à DPOC, análises de enriquecimento da Gene Ontology (GO) e da Kyoto Encyclopedia of Genes and Genomes (KEGG) foram realizadas utilizando o pacote clusterProfiler R e a organização. Hs.eg.db pacote de anotações. Foram avaliadas as categorias de processo biológico GO, componentes celulares e função molecular. A análise de enriquecimento das vias KEGG foi realizada para identificar vias de sinalização associadas aos genes selecionados. Os valores P foram ajustados para testes múltiplos usando o método da taxa de falsa descoberta de Benjamini-Hochberg, quando aplicável. Termos de enriquecimento com P < 0,05 foram considerados estatisticamente significativos nesta análise exploratória. Os plots de enriquecimento foram gerados usando ggplot2.
Análise não supervisionada de agrupamento de padrões de expressão gênica associados à PANoptose
Para explorar a heterogeneidade molecular associada à expressão gênica associada à PANoptose no LUSC, foi realizado agrupamento por consenso usando o pacote Consensus ClusterPlus R. Amostras de LUSC foram agrupadas de acordo com os perfis de expressão dos genes de PANoptose associados à sobrevivência. O agrupamento hierárquico foi aplicado com a distância de correlação de Pearson. O número máximo de clusters foi definido para seis, e 1.000 iterações de reamostragem foram realizadas para avaliar a robustez do agrupamento. O número ótimo de agrupamento foi determinado avaliando a matriz de consenso, a curva da função de distribuição cumulativa, o gráfico da área delta e a interpretabilidade biológica dos grupos resultantes. Com base nesses critérios, k = 2 foi selecionado para análise posterior. As diferenças de sobrevivência entre os dois grupos moleculares foram avaliadas usando análise de Kaplan-Meier e o teste de log-rank.
Análise das diferenças do microambiente imunológico entre subtipos
Para comparar as características do microambiente imune entre subtipos moleculares, a infiltração de células imunes foi estimada usando o algoritmo de deconvolução CIBERSORT com a matriz de assinatura leucocitária LM22. A análise foi realizada em R usando os pacotes e1071 e preprocessCore. Os valores P da permutação CIBERSORT foram registrados para avaliar a confiabilidade das estimativas de deconvolução. Como este estudo foi exploratório e baseado em dados transcriptômicos retrospectivos, as diferenças entre células imunes foram interpretadas como padrões computacionalmente inferidos de infiltração imunológica, em vez de medições celulares diretas.
O algoritmo ESTIMATE foi usado para calcular escore estromal, escore imunológico, escore ESTIMATE e pureza tumoral para cada amostra tumoral. O GSVA foi aplicado para estimar as pontuações de enriquecimento em nível de via com base em conjuntos genéticos selecionados. Diferenças por grupo em frações de células imunes, genes de checkpoint imunológico, genes da família HLA e escores derivados do ESTIMATE foram avaliadas por meio de testes não paramétricos. Para múltiplas comparações relacionadas ao sistema imunológico, a correção de Benjamini-Hochberg foi aplicada quando apropriado; análises relatadas usando valores nominais de P foram interpretadas como exploratórias. A análise de correlação de rank de Spearman foi usada para avaliar associações entre expressão gênica e marcadores relacionados ao sistema imunológico, com coeficientes de correlação e valores P relatados quando aplicável. As diferenças entre transcritos HLA foram interpretadas como alterações transcricionais relacionadas à apresentação do antígeno, em vez de evidências funcionais diretas de maior capacidade de apresentação de antígenos.
Estabelecimento de uma assinatura prognóstica relacionada a genes associados à PANoptose
A coorte TCGA-LUSC com perfis completos de expressão e informações de sobrevivência geral foi usada para a construção prognóstica do modelo. Entre os 489 casos inicialmente recuperados de TCGA-LUSC, 381 pacientes com dados completos de sobrevivência geral foram incluídos na análise prognóstica. Esses pacientes foram divididos aleatoriamente em uma coorte de treinamento e uma coorte interna de testes, com uma proporção de 7:3. A randomização estratificada foi realizada de acordo com o status de sobrevivência para manter uma distribuição comparável de eventos de sobrevivência entre as coortes de treinamento e teste.
Na coorte de treinamento, a regressão de riscos proporcionais de Cox univariada foi usada pela primeira vez para avaliar a associação entre cada gene candidato associado à PANoptose e a sobrevivência geral. Genes com P < 0,05 foram considerados genes prognósticos candidatos e posteriormente inseridos na regressão LASSO Cox usando o pacote glmnet R. A validação cruzada dez vezes foi usada para selecionar o parâmetro de penalidade ideal e reduzir o sobreajuste. Com base nos coeficientes de regressão de Cox do LASSO e nos valores de expressão gênica normalizados correspondentes, um escore de risco individualizado foi calculado para cada paciente usando a fórmula:
Pontuação de risco = Σ(coefi × Xi)
onde coefi representa o coeficiente de regressão de cada gene selecionado e Xi representa o valor de expressão normalizada do gene correspondente. O modelo prognóstico final continha 12 genes: GSDMD, IL18, NFKBIA, PIK3CA, IL1B, BIRC3, MCL1, PSMB10, LMNA, CFLAR, IL1R1 e AKT3. A equação completa baseada em coeficientes de risco é fornecida na Tabela Suplementar 2.
A pontuação mediana de risco na coorte de treinamento foi usada como corte para classificar os pacientes em grupos de alto e baixo risco. A mesma fórmula de escórrea de risco foi aplicada à coorte interna de testes e às coortes externas de validação GSE30219 e GSE37745. Análise de sobrevivência de Kaplan-Meier, testes de classificação logarítmica e análise da curva característica operacional dependente do tempo do receptor foram usados para avaliar o desempenho do modelo. Como os conjuntos de dados de validação foram gerados usando plataformas de microarray e não continham anotação confirmada de comorbidade para DPOC, a validação externa foi interpretada como avaliação retrospectiva em coortes independentes de LUSC, em vez de validação em pacientes clinicamente confirmados com LUSC com LUCC.
Análise de previsão de sensibilidade a medicamentos
A sensibilidade ao medicamento foi estimada usando o pacote pRRophetic R, que prevê a resposta a medicamentos a partir dos perfis de expressão gênica tumoral com base em dados farmacogenômicos de referência do banco de dados Genomics of Drug Sensitivity in Cancer. Valores previstos de concentração inibitória metade-máxima (IC50) foram calculados para cada amostra de paciente. Matrizes de expressão foram processadas de acordo com os requisitos de entrada pRRofético, e a correção de efeito em lote foi realizada usando o fluxo de trabalho padrão compatível com pRRophetic. Os valores previstos de IC50 foram reportados na escala de saída pRRophetic.
Oito agentes candidatos, incluindo sorafenibe, gefitinibe, bleomicina, bosutinib, etopóside, lenalidomida, camptotecina e metotrexato, foram avaliados em um painel exploratório de sensibilidade a medicamentos. As diferenças nos valores previstos de IC50 entre grupos de alto e baixo risco foram comparadas usando o teste de soma de ranks de Wilcoxon. Esses resultados foram interpretados como estimativas computacionais de sensibilidade ao medicamento, em vez de resposta medida à quimioterapia clínica ou resistência a medicamentos confirmada experimentalmente.
Análise estatística
Todas as análises estatísticas foram realizadas usando o software R. Variáveis contínuas entre dois grupos foram comparadas usando o teste de soma de ranks de Wilcoxon, enquanto comparações entre mais de dois grupos foram realizadas usando o teste de Kruskal-Wallis quando apropriado. A sobrevivência geral foi definida como o principal ponto final de sobrevivência. Curvas de sobrevivência de Kaplan-Meier foram geradas para comparar diferenças de sobrevivência entre grupos, e a significância estatística foi avaliada usando o teste log-rank. Univariada e multivariada
Análises de regressão de riscos proporcionais de Cox foram usadas para avaliar associações prognósticas entre variáveis clínicas, grupo de risco e sobrevivência geral. Variáveis com relevância clínica ou significância estatística na análise de Cox univariada foram consideradas para regressão multivariada de Cox. A suposição de riscos proporcionais foi avaliada usando resíduos de Schoenfeld. As variáveis clínicas ausentes foram tratadas usando análise completa de casos para regressão de Cox e construção de nomogramas. A colinearidade entre variáveis clínicas foi avaliada antes da modelagem multivariada.
Curvas ROC dependentes do tempo foram usadas para avaliar o desempenho preditivo do modelo de risco para a sobrevivência geral de 1, 3 e 5 anos. Um nomograma foi construído usando variáveis retidas no modelo multivariado ou variáveis com disponibilidade clínica suficiente. Gráficos de calibração foram usados para comparar as probabilidades de sobrevivência geral previstas e observadas. A análise da curva de decisão foi realizada como uma avaliação exploratória do potencial benefício líquido entre probabilidades limiar selecionadas.
A análise de correlação de rank de Spearman foi usada para avaliar associações entre expressão gênica e características relacionadas ao sistema imunológico. Coeficientes de correlação e valores P foram relatados quando aplicável. Para comparações múltiplas, foi aplicada correção da taxa de falsas descobertas de Benjamini-Hochberg quando apropriado. Análises relatadas usando valores nominais de P foram consideradas exploratórias. Um valor P bilateral < 0,05 foi considerado estatisticamente significativo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Padrões de expressão e anotação funcional de genes associados à PANoptose no LUSC
Dados transcriptômicos de GSE57148, incluindo 91 tecidos pulmonares normais e 98 tecidos pulmonares de DPOC, foram analisados para identificar genes diferencialmente expressos associados à DPOC. Um total de 2.182 genes associados à DPOC foram identificados, e 38 genes se sobrepuseram ao conjunto de genes selecionados associados à PANoptose (Figuras 1A
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
DPOC e LUSC estão clinicamente e biologicamente conectados por processos patogênicos inflamatórios, relacionados ao tabagismo e lesões nas vias aéreas compartilhados. Embora inibidores de checkpoint imunológico e outras terapias sistêmicas tenham melhorado as opções de tratamento para LUSC, o benefício duradouro permanece limitado para muitos pacientes devido à heterogeneidade tumoral, estratificação incompleta de biomarcadores e resistência aotratamento 31,32,33....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores não têm conflitos de interesse a declarar.
Os autores reconhecem o Atlas do Genoma do Câncer, o Omnibus de Expressão Gênica e o projeto Genomics of Drug Sensitivity in Cancer por fornecerem os conjuntos de dados de acesso aberto usados neste estudo. Essa pesquisa não recebeu financiamento externo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| AnnotationDbi R package | Bioconductor | N/A | Usado para anotação de genes e conversão de identificadores. Fonte: https://bioconductor.org/packages/AnnotationDbi/ |
| caret R package | CRAN | N/A | Usado para divisão aleatória e estratificada reproduzível da coorte TCGA-LUSC em subconjuntos de treinamento e teste. Fonte: https://cran.r-project.org/package=caret |
| CIBERSORT algorithm | CIBERSORT resource | N/A | Usado para deconvolução de células imunes com a matriz de assinatura LM22. O acesso e licenciamento estão sujeitos ao provedor de recursos original. Fonte: https://cibersortx.stanford.edu/ |
| clusterProfiler R package | Bioconductor | N/A | Usado para análises de enriquecimento de GO e KEGG. Fonte: https://bioconductor.org/packages/clusterProfiler/ |
| ConsensusClusterPlus R package | Bioconductor | N/A | Usado para agrupamento de consenso de padrões de expressão gênica associados à PANoptose. Fonte: https://bioconductor.org/packages/ConsensusClusterPlus/ |
| e1071 R package | CRAN | N/A | Usado como dependência para análise de deconvolução baseada em CIBERSORT. Fonte: https://cran.r-project.org/package=e1071 |
| edgeR R package | Bioconductor | N/A | Usado para processamento de contagem RNA-seq quando a normalização baseada em contagem era necessária. Fonte: https://bioconductor.org/packages/edgeR/ |
| ESTIMATE R package | MD Anderson Cancer Center / SourceForge | N/A | Usado para calcular pontuação estroma, pontuação imune, pontuação ESTIMATE e pureza tumoral. Fonte: https://sourceforge.net/projects/estimateproject/ |
| Genomic Data Commons Data Portal | National Cancer Institute | TCGA-LUSC | Fonte de dados de RNA-sequenciamento TCGA-LUSC e anotações clínicas. Fonte: https://portal.gdc.cancer.gov/ |
| Genomics of Drug Sensitivity in Cancer database | GDSC project | N/A | Conjunto de dados de referência de resposta a medicamentos usado através dos dados de referência compatíveis com pRRophetic. Fonte: https://www.cancerrxgene.org/ |
| GEOquery R package | Bioconductor | N/A | Usado para baixar e analisar arquivos GEO Series Matrix. Fonte: https://bioconductor.org/packages/GEOquery/ |
| ggplot2 R package | CRAN | N/A | Usado para visualização e geração de figuras. Fonte: https://cran.r-project.org/package=ggplot2 |
| ggpubr R package | CRAN | N/A | Usado para plotagem estilo publicação e comparações de grupo. Fonte: https://cran.r-project.org/package=ggpubr |
| glmnet R package | CRAN | N/A | Usado para regressão Cox LASSO e construção de modelos prognósticos. Fonte: https://cran.r-project.org/package=glmnet |
| GSE30219 dataset | NCBI Gene Expression Omnibus | GSE30219 | Coorte de validação externa de LUSC com informações de expressão e sobrevivência. Fonte: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30219 |
| GSE37745 dataset | NCBI Gene Expression Omnibus | GSE37745 | Coorte de validação externa de LUSC com informações de expressão e sobrevivência. Fonte: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE37745 |
| GSE57148 dataset | NCBI Gene Expression Omnibus | GSE57148 | Conjunto de dados transcriptômicos de DPOC versus pulmão normal usado para derivar genes diferencialmente expressos associados à DPOC. Fonte: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE57148 |
| limma R package | Bioconductor | N/A | Usado para análise de expressão diferencial. Fonte: https://bioconductor.org/packages/limma/ |
| org.Hs.eg.db annotation package | Bioconductor | N/A | Usado para anotação de genes humanos em análise de enriquecimento. Fonte: https://bioconductor.org/packages/org.Hs.eg.db/ |
| preprocessCore R package | Bioconductor | N/A | Usado para pré-processamento de expressão e fluxos de trabalho compatíveis com CIBERSORT. Fonte: https://bioconductor.org/packages/preprocessCore/ |
| pRRophetic R package | CRAN | N/A | Usado para previsão exploratória de valores IC50 de medicamentos a partir de dados de expressão gênica. Fonte: https://cran.r-project.org/package=pRRophetic |
| R software | R Foundation for Statistical Computing | Versão 4.1.0 | Usado para todas as análises estatísticas e geração de figuras. Fonte: https://www.r-project.org/ |
| STRINGdb R package | Bioconductor | N/A | Usado para análise relacionada a interação proteína-proteína quando aplicável. Fonte: https://bioconductor.org/packages/STRINGdb/ |
| SummarizedExperiment R package | Bioconductor | N/A | Usado para lidar com objetos de dados de expressão TCGA baixados através do TCGAbiolinks. Fonte: https://bioconductor.org/packages/SummarizedExperiment/ |
| survival R package | CRAN | N/A | Usado para regressão Cox e análise de sobrevivência Kaplan-Meier. Fonte: https://cran.r-project.org/package=survival |
| survminer R package | CRAN | N/A | Usado para visualizar curvas de sobrevivência Kaplan-Meier e tabelas de risco. Fonte: https://cran.r-project.org/package=survminer |
| TCGAbiolinks R package | Bioconductor | N/A | Usado para baixar e preparar dados de expressão e clínicos TCGA-LUSC. Fonte: https://bioconductor.org/packages/TCGAbiolinks/ |
| timeROC R package | CRAN | N/A | Usado para análise ROC dependente do tempo do modelo prognóstico. Fonte: https://cran.r-project.org/package=timeROC |
Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE
Solicitar permissão