Исследовательская статья

Майнинг в эндометрийном раке на основе базы данных TCGA и построение прогностических моделей

DOI:

10.3791/69650

⸱

16 января 2026 г.

 ,  ,  , 
1Heilongjiang University of Traditional Chinese Medicine, 2Department of Gynecology, First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 3Department of Gynecology, Harbin Medical University Affiliated Cancer Hospital, 4Hysteroscopy Room of the First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 5Institute of Traditional Chinese Medicine, Heilongjiang University of Traditional Chinese Medicine

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Этот протокол определяет вычислительный подход к выявлению генов, связанных с метаболизмом никотинамида при раке эндометрия, с использованием наборов данных TCGA и GEO. Для облегчения обнаружения биомаркеров и повышения оценки риска при эндометриальной карциноме матки, данное исследование описывает анализ различных экспрессий, усиление маршрутов, прогностическую модель и процедуры оценки.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Рак эндометрия (ЭК) входит в число наименее распространённых гинекологических опухолей в мире, с ростом заболеваемости из-за старения и ожирения. Метастазирование лимфатических узлов остаётся частым явлением при эндометриальной карциноме матки (UCEC), что требует новых прогностических биомаркеров для направления лечения. В этом исследовании была проанализирована информация UCEC из Атласа генома рака (TCGA), и результаты подтверждены с помощью Gene Expression Omnibus (GEO). Было выявлено восемнадцать дифференциально экспрессированных генетических факторов, связанных с метаболизмом никотинамида (НМРДЭГ). Анализ обогащения генных наборов (GSEA) показал их роль в процессах окислительного стресса, гипоксии, гликолиза и апоптоза. Одномерная регрессия Кокса выявила шесть ключевых генов (AURKA, CDKN3, FOXM1, CDKN2A, TK1 и CDK1), используемых для развития системы прогнозирования рисков. Анализ взаимодействия белков и белков (PPI) выявил дополнительные центральные гены, такие как CDK2, CCNA2, TP53 и FOXM1. Шесть ключевых генов показали сильную прогностическую ценность, и модель риска исследования могла направлять клинические решения. Метаболизм никотинамида был значительно связан с прогрессированием ЭК. Это исследование открывает новые представления о роли метаболизма никотинамида в ЭК и предлагает возможные пути для прогресса в лечении.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Рак эндометрия (ЭК) часто встречается уженщин-пациенток 1. ЭК можно классифицировать на гормонозависимый тип и гормононезависимыйтип 2. В 2020 году обновления рекомендаций по ведению пациентов с ЭК включали выявление молекулярных маркеров и молекулярное типирование, что существенно повлияло на послеоперационное адъювантное лечение и клинический прогнозЭК 3. Патогенез ЭК многогранен, включая мутации или потерю нескольких онкогенов и/или генов-супрессоров опухолей, а также нарушения в нескольких сигнальных путях, которые могут влиять на прогрессирование и исход заболевания. Поиск новых биомаркеров и определение эффективных целей лечения крайне важны. Это направление направлено на углубление понимания патогенеза ЭК и потенциальных прогностических биомаркеров, заложив основу для раннего выявления и таргетной терапии.

Ниацинамид похож на ниацин и участвует в усвоении жира и расщеплении гликогена. Он необходим для человеческого организма как важный коферментный компонент. Метаболизм никотинамида охватывает процессы, в ходе которых человеческий организм поглощает, преобразует и использует никотинамид.

Метаболизм ниацинамид начинается с всасывания. Он может приобретаться через прием пищи или превращение аминокислот в организме и всасывается клетками слизистого эпителия кишечника. Затем он превращается в более сложные формы, играющие ключевую роль во многих биохимических процессах. Кроме того, никотинамид превращается в другие соединения, включая метаболит 1-метилникотинамида с помощью никотинамида адениндинуклеотидметилтрансферазы (NMT). Эти трансформации потенциально влияют на начало и прогрессирование различных метаболических заболеваний. Как сообщалось, прием ниацинамида оказывает различные положительные эффекты, включая профилактику и лечениеопухолей 4. Текущие исследования показали, что он может снижать уровень фосфорилирования STAT3Y705 в клетках ракалегких 5. Исследование показало, что использование только ниацинамида может ингибировать инвазивные немеланомные мембранные опухоли у пациентов с высокимриском 6. Корцидис и др.7 обнаружили, что прием ниацинамида может подавлять набор веса у крыс, усиливать активность транскетолазы (ТК) и эритроцитов Na+-K+-АТФазы, а также влиять на энергетический обмен в организме. Ранее исследование признало никотинамид-N-метилтрансферазу (NNMT), метилтрансферазу, важной проблемой в активности афро-ассоциированныхфибробластов 8. Кроме того, никотинамидфосфорибозилтрансфераза способствует устойчивости к венетоклаксу в рецидивных критических стволовых компартментах миелоидноголейкоза 9. Поэтому целью было всестороннее выявить гены, связанные с метаболизмом NAD+ (NMRG), связанные с риском ЭК.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании использовались общедоступные, деидентифицированные клинические и транскриптомические данные из Атласа генома рака и Omnibus по экспрессии генов. Все участвующие исследования имели предварительное одобрение институционального контрольного совета и информированное согласие. Поскольку проводился только вторичный анализ анонимизированных данных, дополнительное этическое одобрение не требовалось. Базы данных и используемое программное обеспечение перечислены в Таблице материалов.

1. Загрузка данных

Исследования использовалинабор данных EC (TCGA-Uterus Corpus Corpus Endometry Carcinoma (TCGA-UCEC)), который состоит из 589 образцов, включая 554 образца опухолевых тканей от пациентов UCEC (группа UCEC) и данные секвенирования из 35 соседних нормальных тканей (нормальная группа). База данных UCSC Xena использовалась для восстановления соответствующих клинических данных11, исключая тех, у которых не было полной клинической информации. В итоге для анализа было доступно 577 образцов с клиническими данными. Подробная базовая информация приведена в Таблице 1.

Дополнительные наборы данных, связанные с EC, GSE115810 и GSE6367812, были загружены с помощью пакета GEOquery13. Набор данных GSE115810 и GSE63678 были объединены для создания Объединённых наборов данных для дальнейшего анализа (Таблица 2).

Гены, связанные с метаболизмом NAD+ (NMRG), расположены после записиGeneCards 14 и соответствующейлитературы 15. Используя «метаболизм ниацинамида» в качестве поискового запроса в GeneCards, было выявлено 345 НМРГ с показателями релевантности выше 4. Объединение и удаление дубликатов из 42 НМРГ, найденных в литературе, привело к составлению всего 371 НМРГ (Дополнительная таблица 1). Клинические данные были собраны как фенотипические файлы tsv; данные загружались в формате HTSeq-FPKM. Исключённые образцы имели отсутствующее более 20% клинических данных. FPKM был преобразован вlog 2 и преобразован в TPM (транскрипты на миллион). Идентификаторы зондов сопоставлялись с генными символами для наборов данных GEO, а дублирующиеся зонды усреднялись.

2. Дифференциально экспрессируемые гены метаболизма никотинамида

Исследования начались с примененияR-множества sva16 для устранения владений множествами после GSE115810 и GSE63678 наборов данных, что привело к созданию взаимного набора данных, содержащего 31 EC (UCEC) и 8 соседних нормальных образцов. Далее — использование лимма-набора 17 для проведения экспрессии генов с несоответствием на наборе данных TCGA-UCEC.

Пересечение DEGs из анализа TCGA-UCEC с 337 NMRG позволяет определить DEG, связанные с метаболизмом никотинамидов. Это привело к списку генов, связанных с метаболизмом ниацинамид (NMRDEG), которые были изображены на иллюстрации Венна. Результаты исследования внешнего вида расхождений были проиллюстрированы пакетом ggplot2 R18, а тепловая карта NMRDEG была сгенерирована с использованием множества pheatmap19. Дисперсия между наборами данных устраняется пакетной коррекцией с помощью ComBat (эмпирического Байеса). В анализе DEG была использована эмпирическая линейная модель Байеса на основе лиммы. Явно применяемые пороги дифференциального выражения:

|log2FC| ≥ 1

FDR меньше 0,05.

Список NMRG пересекался только с DEG, которые соответствовали обоим требованиям. Графики вулканов и тепловые карты, сделанные с помощью ggplot2 и pheatmap.

3. Исследование функции NMRDEG (GO), улучшения путей (KEGG)

Исследования GO20 и KEGG21были проведены набором 22 clusterProfiler. Для обоих анализов пороги значимости были отмечены при p. adjust< 0,05 и FDR (q-значение) < 0,25. Исследования также интегрировали значения logFC в анализ обогащения, представляя результаты в виде круговых и хордовых диаграмм. Пороги значимости обогащения: p-значение скорректировано < 0,05 FDR < 0,25 (q-значение). Cluster Profiler использовался для исследований GO и KEGG. Направленность генов отображается с помощью графиков хорд и кругов, которые включают данныелогарифмичных изменений в 2 раза.

4. Анализ обогащения множества генов (GSEA)

Тип наследственных наборов факторов, внесших наибольший вклад в фенотип, можно определить с помощьюGSEA 23. Для этого анализа набор данных TCGA-UCEC был ранжирован на основе значений logFC, а анализ улучшения был проведён с использованием пакета clusterProfiler . Ключевые ограничения включали исходную стоимость 2022 года и 10 000 вариантов. Набор генов MSigDB "c2.all.v2022.1.Hs.symbols.gmt"использовался 24. Наиболее обогащённые пути, включая гены, вызванные гипоксией Манало, старение, вызванное окислительным стрессом, гликолиз и апоптоз, были визуализированы с помощью горного графика. До GSEA гены порядковались пологарифмичному двукратному изменению. В анализе использовалось 10 000 перестановок. c2.all.v2022.1.Hs.symbols.gmt — это коллекция MSigDB. Для воспроизводимости использовалось фиксированное случайное семя (2022). Значимые пути были с p < 0,05 и q < 0,25.

5. Конструкция модели Кокс и сопутствующий прогнозный анализ

Для определения прогностической ценности дифференциально экспрессируемых генов (NMRDEG) при эндметриальной карциноме (UCEC) учёные использовали одномерный регрессионный анализ Кокса для первой классификации наследственных факторов; те с пропорцией опасности (HR) > 1 и p-значением < 0,1 были признаны подходящими для многомерной относительной структуры рисков Кокса.

Критерии для одномерного отбора Кокса: p < 0,10 и HR > 1. В многомерной модели Кокса использовались нормированные значения экспрессии Log 2-TPM. Для определения риска используется линейная комбинация коэффициентов Кокса × экспрессии генов. В калибровке номограммы применялись вероятности ОС за 1, 3 и 5 лет. Значения AUC за 1, 3 и 5 лет применялись в зависящих от времени ROC. Для определения порогов выживаемости применялся подход surv_cutpoint max-static. И анализы КМ, и РОК использовали одинаковые пороги.

Был создан номограф на основе многомерной модели Кокса для оценки её точности или прогнозной способности и расчёта шансов на 1, 3 и 5 лет общего существования. Стандартизационные дуги используются для оценки устойчивости между прогнозируемыми перспективами и реальными последствиями, а для измерения медицинской полезности структуры применялся анализ кривой принятия решений (DCA).

Уровни экспрессии мРНК определялись как нормализованные лог₂-преобразованные записи на миллион (TPM) с помощью пакета DESeq2. TPM учитывали сложность секвенирования и измерение генов, чтобы обеспечить надёжные и объективные оценки уровней экспрессии между образцами.

Используя коэффициенты многомерной модели Кокса, прогностическая оценка риска каждого пациента была определена следующим образом:

riskScore = коэффициент σi (генi) *экспрессия мРНК (генi) (1)

Дуги существования Каплана-Мейера (KM) были подготовлены для оценки общей выносливости высоких и низкоопасных кластеров, созданных по определённым рейтингам опасности. Временно-зависящие характеристики приёмника (ROC) были получены при оценке рутинной работы фреймворков на 1, 3- и 5-летних периодическихидеях 26, 27.

Для классификации экспрессии генов по коллекциям с высокой и низкой экспрессией для стратификации выживаемости используется роль surv_cut точки после пакета R из выживших. Эта функция определяет наибольшее сроговое значение за счёт максимизации стандартизированной статистики логарифмического ранга, давая бесприкосную, статистически оптимальную точку среза.

Пороговые значения, полученные для каждого прогностического гена, отображаются в ROC-кривых пунктирными линиями. Исследования применяли одинаковые пороги для всех анализов выживаемости и ROC.

TCGA RNA-seq был загружен в формате HTSeq-FPKM; клинические данные импортировались в виде фенотипных файлов TSV; FPKM был преобразован в TPM и преобразован log₂; Наборы данных GEO отображались от идентификаторов зонда к символам генов с помощью аннотаций платформы; Дублирующиеся зонды усреднялись для одного значения гена; были исключены образцы с отсутствующей клинической информацией более 20%; ComBat (эмпирический Bayes) использовался для пакетной коррекции наборов данных GSE; Для проверки успешности пакетной коррекции использовались PCA и boxplots. нормализация TPM с использованием стандартных методов преобразования выражений; пакетная коррекция с использованием ComBat с началом набора данных в качестве переменной пакета; дифференциальная экспрессия, рассчитанная с помощью линейного моделирования лиммы (матрица опухоли против нормального дизайна); ранжированные списки генов, полученные из изменений fold log₂ для входных данных GSEA; а также одномерные и многомерные регрессии Кокса, проведённые с использованием инструментов анализа выживаемости

6. Анализ вариации генных наборов (GSVA)

GSVA 28 был использован для измерения способов улучшения между кластерами. В наборе данных TCGA-UCEC было обогащено 50 характерных путей, из которых 41 показал значительные изменения между бинарными сборками. GSVA использовался с характерными наборами генов для оценки активности путей на образец; Данные взаимодействия белков STRING были импортированы в Cytoscape; алгоритм MCC использовался для идентификации генов хаба; оценки риска рассчитывались как сумма значений экспрессии генов, умноженная на их коэффициенты Кокса; временно-зависящие кривые ROC были сгенерированы с помощью рутин, связанных с выживанием временем. Для каждой выборки GSVA вычислял оценки обогащения на уровне пути. Тест Уилкоксона с суммой ранга используется для оценки различий в активности характерных путей. Из пятидесяти сигнатурных путей сорок один отличался значительно (скорректированный p < 0,05).

7. Система взаимодействия белков и белков (ИПП)

Была создана система PPI, содержащая важные гены (AURKA, CDKN3, FOXM1, CDKN2A, TK1 и CDK1), используя файл STRING29 и порог значения коммуникации 0,70, что указывает на высокую достоверность. Эта сеть была создана с использованием Cytoscape30, выделивая взаимодействия, которые могут играть ключевую роль в патогенезе UCEC. Метод максимальной центральности клик (MCC)31 был полезен для ранжирования наследуемого фактора, созданного по их показателям взаимодействия в сети. Была распознана верхняя 10 белковых последовательностей с наивысшими показателями интерфейса, включая CDK2, CDK4, CCNA2, CCNB1, CCNE1, CDK1, TP53 и FOXM1. Эти гены были дополнительно проанализированы на предмет их участия в критически важных биологических процессах. ПлатформаGeneMANIA 32 также использовалась для прогнозирования дополнительных взаимодействий белков и предоставления более широкого контекста роли ключевых генов в прогрессировании UCEC. Порог доверия STRING: >0,70 (высокая уверенность). Cytoscape отображает сеть. Метод максимальной центральности клик (MCC) используется для ранжирования генов хаба. Рейтинг MCC использовался для выявления наиболее взаимодействующих генов (CDK2, CCNA2, TP53 и др.). Дополнительные прогнозы взаимодействия делаются с помощью GeneMANIA.

8. Технологическая дорожная карта

Общий рабочий процесс и методы, использованные в этом исследовании, обобщены в дорожной карте технологий, показанной на рисунке 1. Эта дорожная карта описывает этапы от сбора наборов данных и анализа дифференциальных выражений до построения прогностических моделей и анализа обогащения.

9. Статистический анализ

Обработка данных и статистическая оценка осуществлялись с помощью программы R (v4.3.0). Тест Mann-Whitney U или t-тест независимого студента использовался для сравнения в двух группах; тест Крускаля-Уоллиса применялся для трёх и более сборок. Описательные данные оценивались с помощью хи-квадрата или точного теста Фишера. Кроме того, были проведены корреляции Спирмана и анализ выживаемости Каплана-Майера; p < 0,05 считался значимым.

Применение статистических тестов в соответствии с распределением данных: обычные данные с использованием t-теста ученика. Тест Mann-Whitney U на данные, которые не являются нормальными. Тест Крускал-Уоллис более чем для трёх групп. Точность Фишера и хи-квадрат для категориальных данных. Статистическая значимость определяется как p < 0,05.

Надёжность данных поддерживается контрольными точками предварительной обработки, где boxplot должен показывать согласованную дисперсию экспрессии между образцами, а PCA-графики — отсутствие пакетно-специфических кластеров после корректировки ComBat. Для валидации ДЕГ необходимы тепловые карты, демонстрирующие группировку нормальных опухолей, и вулканические графики, чётко иллюстрирующие регуляцию генов вверх/вниз. Для модели проекции Кокса графики калибровки должны совпадать с прогнозируемой и фактической выживаемостью, значения AUC ROC должны превышать 0,65, а дуги КМ должны показывать значительную разницу в выживаемости. Различные активности по маршрутам между группами риска должны быть показаны с помощью анализа GSVA, в соответствии с установленными механизмами, такими как расширение или клеточные циклы. Для проверки устойчивости сети в сети PPI должны располагаться в центре, а гены хаба, определяемые MCC, должны соответствовать физиологически значимым регуляторам.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Объединение коррекции набора данных GEO

Исследования использовали набор SVA R для точного определения пакетных владений в объединённых GSE115810 и GSE63678 наборах данных, создав единый набор данных под названием Combined-Datasets. Результаты группового исключения были проверены с помощью графиков циркуляции (рисунок 2A, B) и графиков PCA (рисунок 2C,D), которые показали, что эффекты ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Роль энергетического метаболизма в микросреде раковых клеток привлекла значительное внимание в последнее время. Исследования показали, что гены, участвующие в метаболизме никотинамида, тесно связаны с прогрессированием различных злокачественных заболеваний. После поглощения организмом никотинамид превращается в NAD и NADP, которые играют ключевую роль во многих процессах, связанных с раком. В результате метаболизм NAD становится перспективной терапевтической целью для действия опухолей. ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторам нечего раскрывать.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Не применимо.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
пакет clusterProfilerБиопроводникv4.8.0Анализ обогащения GO и KEGG
ЦитоскейпКонсорциум Cytoscapev3.9.1Визуализация сети PPI
Пакет DESeq2Биопроводникv1.40.0Нормализация и анализ экспрессии
База данных GeneCardsПакет GeneCardsН/ДИсточник генов, связанных с метаболизмом никотинамида
Платформа GeneMANIAgenemania.orgН/ДФункция генов и предсказание взаимодействия
Наборы данных GEO (GSE115810, GSE63678)Омнибус экспрессии генов (GEO)Н/ДПубличные наборы данных по экспрессии генов для EC
Пакет ggplot2CRANv3.4.2Визуализация данных
Пакет лиммаБиопроводникv3.54.0 (пример)Анализ дифференциальных выражений
Пакет pheatmapCRANv1.0.12Построение тепловой карты
Программное обеспечение R (v4.3.0)R Foundation для статистических вычисленийВерсия 4.3.0Платформа анализа данных
База данных STRINGСТРУНА (string-db.org)v11.5Анализ взаимодействия белков и белков
Пакет survminerCRANv0.4.9Анализ выживаемости
Пакет SVAБиопроводникv3.46.0Удаление пакетного эффекта
Набор данных TCGA-UCECАтлас генома рака (TCGA)Н/ДТранскриптомы и клинические данные пациентов с UCEC
UCSC XenaКалифорнийский университет, Санта-КрусН/ДПлатформа для скачивания клинических/геномных данных

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bray, F., et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 68 (6), 394-424 (2018).
  2. Ni, J., et al. All human genes of the uteroglobin family are localized on chromosome 11q12.2 and form a dense cluster. Ann N Y Acad Sci. 923, 25-42 (2000).
  3. Concin, N., et al. Esgo/estro/esp guidelines for the management of patients with endometrial carcinoma. Virchows Arch. 478 (2), 153-190 (2021).
  4. Nikas, I. P., Paschou, S. A., Ryu, H. S. The role of Nicotinamide in cancer chemoprevention and therapy. Biomolecules. 10 (3), 477(2020).
  5. Wang, W., Karamanlidis, G., Tian, R. Decreased NAD activates STAT3 and integrin pathways to drive epithelial-mesenchymal transition. Mol Cell Proteomics. 17 (10), 2005-2017 (2018).
  6. Chen, A. C., et al. A phase 3 randomized trial of Nicotinamide for skin-cancer chemoprevention. N Engl J Med. 373 (17), 1618-1626 (2015).
  7. Kourtzidis, I. A., et al. Nicotinamide riboside supplementation dysregulates redox and energy metabolism in rats: Implications for exercise performance. Exp Physiol. 103 (10), 1357-1366 (2018).
  8. Eckert, M. A., et al. Proteomics reveals NNMT as a master metabolic regulator of cancer-associated fibroblasts. Nature. 569 (7758), 723-728 (2019).
  9. Jones, C. L., et al. Nicotinamide metabolism mediates resistance to venetoclax in relapsed acute myeloid leukemia stem cells. Cell Stem Cell. 27 (5), 748-764 (2020).
  10. Colaprico, A., et al. TCGAbiolinks: An R/Bioconductor package for integrative analysis of TCGA data. Nucleic Acids Res. 44 (8), e71(2016).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Zhao, D., Liu, J., Wang, C., Zhang, Y., Chen, L. Diagnosis and prediction of endometrial carcinoma using machine learning and artificial neural networks based on public databases. Genes (Basel). 13 (6), 935(2022).
  13. Davis, S., Meltzer, P. S. GEOquery: A bridge between the Gene Expression Omnibus (GEO) and Bioconductor. Bioinformatics. 23 (14), 1846-1847 (2007).
  14. Stelzer, G., et al. The GeneCards suite: From gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 54, 1.30.1-1.30.33 (2016).
  15. Cui, H., Liu, Y., Jiang, X., Li, H., Zhang, L., Wang, Z. Comprehensive analysis of Nicotinamide metabolism-related signature for predicting prognosis and immunotherapy response in breast cancer. Front Immunol. 14, 1145552(2023).
  16. Leek, J. T., Johnson, W. E., Parker, H. S., Jaffe, A. E., Storey, J. D. The SVA package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 28 (6), 882-883 (2012).
  17. Huang, J., Wang, S., Li, Y., Liu, X., Zhang, Y., Chen, Z. Proposing a novel molecular subtyping scheme for predicting distant recurrence-free survival in breast cancer post-neoadjuvant chemotherapy with close correlation to metabolism and senescence. Front Endocrinol (Lausanne). 14, 1265520(2023).
  18. Ito, K., Murphy, D. Application of ggplot2 to pharmacometric graphics. CPT Pharmacometrics Syst Pharmacol. 2 (10), e79(2013).
  19. Li, G. M., Zhang, C. L., Rui, R. P., Sun, B., Guo, W. Bioinformatics analysis of common differential genes of coronary artery disease and ischemic cardiomyopathy. Eur Rev Med Pharmacol Sci. 22 (11), 3553-3569 (2018).
  20. Mi, H., Muruganujan, A., Ebert, D., Huang, X., Thomas, P. D. PANTHER version 14: More genomes, a new PANTHER GO-slim and improvements in enrichment analysis tools. Nucleic Acids Res. 47 (D1), D419-D426 (2019).
  21. Ogata, H., et al. KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Res. 27 (1), 29-34 (1999).
  22. Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  23. Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).
  24. Liberzon, A., Birger, C., Thorvaldsdóttir, H., Ghandi, M., Mesirov, J. P., Tamayo, P. The Molecular Signatures Database hallmark gene set collection. Cell Syst. 1 (6), 417-425 (2015).
  25. Tataranni, T., Piccoli, C. Dichloroacetate (DCA) and cancer: An overview towards clinical applications. Oxid Med Cell Longev. 2019, 8201079(2019).
  26. Barakat, A., Mittal, A., Ricketts, D., Rogers, B. A. Understanding survival analysis: actuarial life tables and the Kaplan-Meier plot. Br J Hosp Med (Lond). 80 (11), 642-646 (2019).
  27. Heagerty, P. J., Lumley, T., Pepe, M. S. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics. 56 (2), 337-344 (2000).
  28. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 7(2013).
  29. Wakonig, B., Auersperg, A. M. I., O'Hara, M. String-pulling in the Goffin's cockatoo (Cacatua goffiniana). Learn Behav. 49 (1), 124-136 (2021).
  30. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  31. Boughorbel, S., Jarray, F., El-Anbari, M. Optimal classifier for imbalanced data using Matthews correlation coefficient metric. PLoS One. 12 (6), e0177678(2017).
  32. Franz, M., et al. GeneMANIA update 2018. Nucleic Acids Res. 46 (W1), W60-W64 (2018).
  33. Chen, A., Jing, W., Qiu, J., Zhang, R. Prediction of cervical cancer outcome by identifying and validating a NAD⁺ metabolism-derived gene signature. J Pers Med. 12 (12), 2031(2022).
  34. Lin, L., et al. Identification of NAD⁺ metabolism-derived gene signatures in ovarian cancer prognosis and immunotherapy. Front Genet. 13, 905238(2022).
  35. Li, H., et al. circABHD2 inhibits malignant progression of endometrial cancer by regulating the NAD⁺/NAMPT metabolism axis. Mol Biotechnol. 67 (7), 2644-2659 (2025).
  36. Hu, D., et al. Comprehensive analysis of a NAD⁺ metabolism-derived gene signature to predict the prognosis and immune landscape in endometrial cancer. Biomol Biomed. 24 (2), 346-359 (2024).
  37. Deng, B., et al. AURKA emerges as a vulnerable target for KEAP1-deficient non-small cell lung cancer by activation of asparagine synthesis. Cell Death Dis. 15 (3), 233(2024).
  38. Zhang, C., Shen, Q., Gao, M., Li, J., Pang, B. The role of cyclin-dependent kinase inhibitor 3 (CDKN3) in promoting human tumors: literature review and pan-cancer analysis. Heliyon. 10 (4), e26061(2024).
  39. Bai, X., Xiong, J., Li, L., Yu, C., Sun, C. Suppression of hypoxia-induced CAV1 autophagic degradation enhances nanoalbumin-paclitaxel transcytosis and improves therapeutic activity in pancreatic cancer. Eur J Pharmacol. 969, 176431(2024).
  40. Zhao, Z., et al. Activation of the FOXM1/ASF1B/PRDX3 axis confers hyperproliferative and antioxidative stress reactivity to gastric cancer. Cancer Lett. 589, 216796(2024).
  41. Yang, C., Plum, P. S., Gockel, I., Thieme, R. Pan-cancer analysis and in vitro validation of the oncogenic and prognostic roles of AURKA in human cancers. Front Oncol. 13, 1186101(2023).
  42. Shen, X., et al. YTHDC1-dependent m6A modification-modulated FOXM1 promotes glycolysis and tumor progression through CENPA in triple-negative breast cancer. Cancer Sci. 115 (6), 1881-1895 (2024).
  43. Jiang, J., et al. HNRNPA2B1-mediated m6A modification of FOXM1 promotes drug resistance and inhibits ferroptosis in endometrial cancer via regulation of LCN2. Funct Integr Genomics. 24 (1), 3(2023).
  44. Yue, C., et al. Autophagy-related risk signature based on CDKN2A to facilitate survival prediction of patients with endometrial cancer. J Gene Med. 26 (1), e3648(2024).
  45. Fu, Y., et al. Discovery of potential biomarkers for early diagnosis of endometrial cancer via integrating metabolomics and transcriptomics. Comput Biol Med. 173, 108327(2024).
  46. Omar, I. S., et al. Aberrant upregulation of CDK1 contributes to medroxyprogesterone acetate resistance in cancer-associated fibroblasts of the endometrium. Biochem Biophys Res Commun. 628, 133-140 (2022).
  47. Zhang, B., et al. A novel glycolysis-related gene signature for predicting the prognosis of multiple myeloma. Front Cell Dev Biol. 11, 1198949(2023).
  48. Huang, H., et al. A novel five-gene metabolism-related risk signature for predicting prognosis and immune infiltration in endometrial cancer: A TCGA data mining study. Comput Biol Med. 155, 106632(2023).
  49. Mao, X., et al. High glucose levels promote glycolysis and cholesterol synthesis via ERRα and suppress the autophagy-lysosomal pathway in endometrial cancer. Cell Death Dis. 16 (1), 182(2025).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Uterine Corpus Endometrial CarcinomaNicotinamide MetabolismGene Set EnrichmentDifferential Gene ExpressionCox RegressionProtein Interaction AnalysisPrognostic Biomarkers

Похожие статьи