Исследовательская статья

Интегрированный биоинформатический анализ транскриптомических данных человека выделяет три ключевых диагностических и прогностических биомаркера при аденокарциноме лёгких

DOI:

10.3791/71214

⸱

30 июня 2026 г.

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Laboratory Medicine, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, 2School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, 3Department of Laboratory Medicine, Fujian Nan'an Hospital, 4Department of Laboratory Medicine, Pujiang Tianxian Orthopedic Hospital, 5Department of Laboratory Medicine, People's Hospital of Dafang, 6Department of Laboratory Medicine, Fujian Medical University Union Hospital, 7Department of Laboratory Medicine, Fujian Pingtan Comprehensive Experimental Area Hospital, 8Medical Laboratory Center, Jinjiang Municipal Hospital, Shanghai Sixth People's Hospital, 9Medical Laboratory Center, Jinjiang Municipal Hospital, Teaching Hospital of Huaqiao University

* These authors contributed equally

В этой статье

Краткое содержание

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

В этом исследовании были выявлены диагностические и прогностические биомаркеры аденокарциномы легких с использованием транскриптомических данных TCGA-LUAD и GEO GSE115002. B3GNT3, FERMT1 и SPP1 были повышены регуляцией, что отличало опухоли от нормальной ткани. Эти гены связаны с эпителиально-мезенхимным переходом и иммуносупрессией. Номограмма, объединяющая экспрессию гена со стадией TNM, показала надёжную прогностическую ценность.

Аннотация

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

Аденокарцинома лёгких (LUAD) является ведущей причиной смерти, связанной с раком, во всем мире. Несмотря на достижения в хирургии, таргетной терапии и иммунотерапии, 5-летняя выживаемость продвинутой LUAD остаётся ниже 20%, что указывает на острую необходимость надёжных молекулярных биомаркеров для раннего выявления и прогноза. В этом исследовании авторы выдвинули гипотезу, что три постоянно апрегуляционных гена могут служить эффективными диагностическими и прогностическими биомаркерами для LUAD. Авторы проанализировали транскриптомные данные из двух независимых когорт — TCGA-LUAD (535 опухолей, 59 нормальных образцов) и GSE115002 (52 опухоли, 52 совпадающих нормальных образца) — для скрининга дифференциально экспрессируемых генов. Три основных гена — B3GNT3, FERMT1 и SPP1 — постоянно экспрессировались в опухолях LUAD в обоих наборах данных. Эти гены показали отличную диагностическую эффективность: AUC выше 0,95 в TCGA-LUAD и высокая точность в GSE115002. Анализ выживаемости показал, что высокая экспрессия каждого гена существенно связана с более короткой общей и безболезненной выживаемостью, а многомерная регрессия Кокса подтвердила их независимую прогностическую ценность. Анализ функционального обогащения показал, что эти три гена участвуют в эпителиально-мезенхимальном переходе, ремоделировании внеклеточного матрикса и иммуносупрессии, все они тесно связаны с инвазией и метастазами LUAD. Авторы дополнительно создали прогностическую номограмму, объединив три гена и стадию TNM, достигнув индекса согласованности 0,743 и демонстрировав хорошую прогностическую эффективность. Эти результаты подтверждают, что B3GNT3, FERMT1 и SPP1 являются перспективными диагностическими и прогностическими биомаркерами для LUAD, поддерживая клиническое применение в стратификации и управлении рисками.

Введение

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

Рак лёгких является основной причиной глобальной смертности от рака, на него пришлось примерно 1,8 миллиона смертей в 2020году. Аденокарцинома легких (LUAD) составляет почти 40% всех случаев ракалёгких 2. Несмотря на достижения в хирургии, таргетной терапии и иммунотерапии, 5-летняя выживаемость при прогрессирующем LUAD остаётся ниже 20%3,4. Надёжные молекулярные биомаркеры для раннего выявления и точного прогнозирования крайне необходимы. Высокопроизводительное секвенирование и публичные базы данных, такие как The Cancer Genome Atlas (TCGA) и Gene Expression Omnibus (GEO), обеспечивают систематическое транскриптомическое профилирование рака 5,6. Интегративная биоинформатика между когортами повышает надёжность обнаружения кандидатов побиомаркерам 5.

Многие гены и пути связаны с LUAD, включая пролиферацию клеток, сигнализацию EGFR и иммунный выход7. Однако немногие из них были переведены в клиническую практику. Модели риска, объединяющие генные сигнатуры и клиникопатологические признаки — особенно номограммы — повышают прогностическую точность вLUAD 8. Хотя B3GNT3, FERMT1 и SPP1 по отдельности связаны с прогрессированием рака, их совокупная диагностический, прогностический и иммунно-микроклиматический регуляторный ценность в LUAD не была систематически подтверждена в независимых когортах. Это исследование обеспечивает первый интегрированный кроссплатформенный анализ этих трёх генов в виде единой панели биомаркеров для LUAD с клинически применимой прогностической номограммой.

B3GNT3 кодирует гликозилтрансферазу, которая стабилизирует PD-L1 и способствует уходу отиммунитета 9,10. FERMT1 (kindlin-1) регулирует активацию интегрина и стимулирует метастазирование при немелкоклеточном раке лёгких (НМРЛ)11,12. SPP1 (остеопонтин) опосредует ремоделирование внеклеточного матрикса, эпителийно-мезенхимальный переход (EMT) и хеморезистентность 13,14,15. Гены, связанные с циркадными часами, также предсказывают прогноз и диагноз LUAD16, а половые различия в LUAD были выявлены с помощью мультиомических интегративных белковых сигнальныхсетей 17. B3GNT3 и SPP1 секретируются или локализованы мембранами, что подтверждает потенциальное использование в качестве минимально инвазивных биомаркеров. Эффективная классификация LUAD и идентификация биомаркеров также достигается с помощью перекрывающихся методов отборапризнаков 18, а мультиомические взаимодействия играют важную функциональную роль в прогрессировании ракалёгких 19. Митохондриальные генные сигнатуры, выявленные путём комплексной мультиомической интеграции, также имеют значение для прогноза LUAD и персонализированной терапии20. B3GNT3 и SPP1 секретируются или локализованы мембранами, что подтверждает потенциальное использование в качестве минимально инвазивных биомаркеров. Целью данного исследования было выявление устойчивых биомаркеров LUAD с помощью интегративной биоинформатики, оценка их диагностической и прогностической эффективности, изучение их биологических функций и иммунных ассоциаций, а также создание клинически полезной прогностической номограммы.

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

Протокол

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

1. Источники данных и предварительная обработка

  1. Обработка необработанных данных в R (версия 4.1.3; Windows 10 Pro).
  2. Для GSE115002 примените квантильную нормализацию с помощью лиммы (версия 3.52.3).
  3. Фильтровать гены с низкой экспрессией для TCGA: сохранять гены с CPM > 0,5 в ≥50% образцов.
  4. Фильтруйте гены с низкой экспрессией для GSE115002: сохраняйте гены со средним сигналом >50.
  5. log2Преобразовать значения выражения с псевдосчётом +1.
    ПРИМЕЧАНИЕ: Экспрессия генов LUAD и клинические данные были получены из TCGA-LUAD (версия 33.0, портал GDC, скачано 7 августа 2025 года) и GSE115002 (микрочип Agilent, GEO, скачано 7 августа 2025 года). TCGA-LUAD включал 535 опухолей и 59 нормальных образцов. GSE115002 включали 52 опухоли и 52 совпадающих с нормальными образцами.

2. Идентификация дифференциально экспрессированных генов

  1. Используйте DESeq2 (версия 1.36.0) для TCGA RNA-seq и limma (версия 3.52.3) для GSE115002 для анализа дифференциальных выражений. Вычислите скорректированные P-значения (FDR) с помощью метода Бенджамини–Хохберга.
  2. Для обеспечения сопоставимости между наборами данных используется единый |log₂FC| ≥ для обеих когорт был применён балл 1.0. DEGs были определены как FDR < 0.05 и |log₂FC| ≥ 1.0. Перекрывающиеся DEG были выявлены с помощью VennDiagram (версия 1.7.3). B3GNT3, FERMT1 и SPP1 были выбраны как кандидаты с последовательно повышенной регуляцией с известной значимостью для рака.

3. Оценка диагностической ценности

  1. Постройте ROC-кривые для каждого кандидата гена.
  2. Определите оптимальные значения срогового значения с помощью индекса Юдена.
  3. Рассчитайте AUC, чувствительность и специфичность для каждого гена.
  4. Постройте комбинированную диагностическую панель с использованием многомерной логистической регрессии.
    ПРИМЕЧАНИЕ: Для анализа ROC использовался пакет pROC версии 1.18.0. Функция glm с биномиальным семейством использовалась для построения диагностической модели.

4. Анализ выживаемости

  1. Стратифицировать пациентов на группы с высокой и низкой экспрессией с использованием медианы.
  2. Генерируйте кривые выживаемости Каплана–Мейера для каждого гена.
  3. Проведите тесты с логарифмическим рангом для сравнения различий в выживаемости.
  4. Проведите одномерный регрессионный анализ Кокса.
  5. Проведите многомерный регрессионный анализ Кокса.
  6. Включать клинические ковариаты в регрессионные модели.
  7. Проверьте предположение о пропорциональных рисках с помощью остаточных данных Шёнфельда.
  8. Рассчитайте трёхгенный рейтинг риска.
    ПРИМЕЧАНИЕ: использовались версии Survival v3.3.1 и survminer v0.4.9. Ковариаты включали возраст, пол, стадию Т, стадию N и стадию М. Оценка риска рассчитывалась следующим образом:
    Оценка риска = (0,328 × B3GNT3) + (0,331 × FERMT1) + (0,321 × SPP1). (1)

5. Обогащение множества генов и функциональная аннотация

  1. Проведите анализ обогащения GO с помощью DEG.
  2. Проведите анализ обогащения путей KEGG с помощью DEG.
  3. Провести анализ обогащения множеств генов (GSEA).
  4. Корреляция ранговых генов по Пирсону с экспрессией кандидатов генов.
  5. Определите значимые термины с помощью скорректированного P < 0,05.
    ПРИМЕЧАНИЕ: clusterProfiler v4.6.2 использовался для анализа GO и KEGG. FGSEA v1.22.0 и MSigDB Hallmark v7.5 использовались для GSEA.

6. Анализ корреляции и сети

ПРИМЕЧАНИЕ: Корреляция Пирсона использовалась для нормально распределённой экспрессии генов; Корреляция Спирмана для фракций иммунных клеток. Сети PPI генерировались с использованием STRING (версия 11.5, confidence > 0.7) и визуализировались в Cytoscape (версия 3.9.1). Иммунная инфильтрация оценивалась с помощью CIBERSORT (абсолютный режим, 100 перестановок). Секвенирование одноклеточной РНК показало наличие нишевых переходов в микросреде НМРЛ, что важно для анализа иммуннойинфильтрации 21,22, а интегративный одноклеточный анализ может дополнительно анализировать роль иммунных клеток, таких как клетки памяти CD8+, вLUAD 23,24,25.

7. Конструкция и валидация номограмм

ПРИМЕЧАНИЕ: Переменные для номограммы были выбраны на основе многомерной значимости Кокса (P < 0,05): стадия T, стадия N, B3GNT3, FERMT1 и SPP1. Номограмма была создана с использованием rms (версия 6.5.0). Внутренняя валидация использовала 1000 bootstrap reampling с заменой. Калибровочные кривые и анализ кривой принятия решения (DCA) проводились с использованием rmda (версия 1.7). Вычислительная среда включала R 4.1.3, Windows 10 Pro и Bioconductor 3.15. Рецепты для анализа доступны по адресу https://github.com/[redacted]/LUAD-biomarker-2025 по разумному запросу.

8. Статистический анализ

ПРИМЕЧАНИЕ: Все статистические тесты были двусторонними; P < 0,05 считался значимым.

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

Результаты

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

Глобальные изменения экспрессии генов в LUAD

Транскриптомические сравнения между тканями аденокарциномы легких и нормальными тканями лёгких выявили масштабные изменения экспрессии генов. На рисунке 1A показаны диаграммы вулканических генов дифференциально экспрессируемых в наборе данных TCGA-LUAD, а на рисунке 1B показаны гены из GSE115002 набора данных. В когорте TCGA-LUAD (рисунок 1A

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

Обсуждение

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

Номограмма была построена с использованием многомерного регрессионного анализа Кокса на основе когорты TCGA-LUAD. Предикторы включают патологическую стадию Т, патологическую стадию N и статус экспрессии генов у B3GNT3, FERMT1 и SPP1 (классифицируются как Высокий и Низкий на основе медианной экспрессии). Для каждого пациента индивидуальные баллы по каждой переменной суммируются, чтобы получить значение «Total Points», которое соответствует оценочным общим вероят...

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

Раскрытие информации

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

Авторы не заявляют о конкурирующих интересах.

Благодарности

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

Эта работа была поддержана проектом на уровне университета Фуцзянского университета традиционной китайской медицины 2024 года (номер гранта: XB2024012), возглавляемым Юхуэй Линем из Аффилированной народной больницы Фуцзянского университета традиционной китайской медицины. и совместные фонды для инноваций в науке и технологиях, провинция Фуцзянь (грант No2025Y9530), возглавляемые Сяотин Чэнем из муниципальной больницы Цзиньцзяна (Шанхайская шестая народная больница, Фуцзянь).

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

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Доступные общественно наборы данныхНабор данных TCGA-LUADПортал The Cancer Genome Atlas (TCGA) (https://portal.gdc.cancer.gov/); 535 образцов опухоли LUAD, 59 смежных нормальных образцов легочной ткани (значения счета/FPKM РНК-секвенирования + клиническая информация: выживаемость, стадия TNM)Транскриптомные и клинически данные для анализа дифференциальной экспрессии, выживаемости и номограммы; основной когорт исследования
Набор данных GSE115002Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); микрочип Agilent, 52 опухолевые ткани LUAD, 52 соответствующих нормальных легочных ткани (первичные опухоли без лечения)Независимая когорт валидации для анализа дифференциальной экспрессии, диагностической производительности и анализа иммунной инфильтрации
Биоинформатическое ПО & среда программированияЯзык программирования RВерсия 4.1Основная платформа для всех транскриптомных, статистических и графических анализов
Пакеты R (Дифференциальная экспрессия)DESeq2, limmaDESeq2: анализ дифференциальной экспрессии сырых счетов РНК-секвенирования TCGA; limma: нормализация микрочипов GSE115002 и анализ дифференциальной экспрессии (коррекция по Бенджамини–Хохбергу FDR)
Пакеты R (Диагностический анализ)pROCПостроение кривых ROC, расчет AUC (95% ДИ), определение оптимальной точки отсечения (индекс Юдена) для оценки диагностической производительности
Пакеты R (Анализ выживаемости)survival, survminerПостроение кривых выживаемости Каплана–Мейера, тест Лог-ранга, однофакторная/многофакторная Cox пропорциональная регрессия риска (HR + 95% ДИ); стратификация пациентов по медианному уровню экспрессии генов
Пакеты R (Функциональное обогащение)clusterProfiler, fgseaclusterProfiler: анализ обогащения по GO (BP/CC/MF) и путей KEGG (корректированное значение P < 0.05); fgsea: GSEA для наборов генов MSigDB Hallmark/KEGG (FDR < 0.25)
Пакеты R (Построение и валидация номограмм)rmsРазработка прогностической номограммы (интеграция экспрессии генов + стадии TNM); расчет индекса C Харрелла, пересчет по методу бутстрапа (1000 повторений) для коррекции смещения, построение графика калибровки
Пакеты R (Статистический и визуальный анализ)ggplot2, ComplexHeatmap, corrplotПостроение вулканических графиков, круговых диаграмм (обогащение), тепловых карт (корреляция иммунной инфильтрации), точечных графиков (соизменение генов); анализ корреляции Пирсона/Спирмена
Биоинформатический анализ и инструменты (Сетевой/Иммунный анализ)База данных STRINGПорог достоверности > 0.7Построение сетей взаимодействия белков (PPI) для B3GNT3/FERMT1/SPP1 и их первостепенных взаимодействующих партнеров
Cytoscape-Визуализация сетей взаимодействий белков и соизменения генов (оценка веса ребер по силе корреляции, идентификация центральных генов)
Алгоритм иммунного декодированияCIBERSORTОценка избыточности инфильтрации иммунных клеток (M2 макрофаги, CD8+ Т-клетки, нейтрофилы, NK-клетки и др.) в образцах LUAD; корреляция с экспрессией кандидатных генов
Другие инструментыMicrosoft Office/LaTeX-Подготовка рукописи, сборка фигур и оформление таблиц; сбор статистических результатов

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Cancer ResearchB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogram

Похожие статьи