Research Article

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

DOI:

10.3791/71214

⸱

June 30th, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
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

In This Article

Summary

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

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.

Abstract

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

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.

Introduction

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

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.

Protocol

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

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.

Results

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

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) 1865 генов были значительно повышены, а 1247 — понижены. В GSE115002 когорте (рисунок 1B) 645 генов были повышены, а 609 — понижены. Всего 421 ген был стабильно апрегуляцирован в обоих наборах данных. Среди этих перекрывающихся генов B3GNT3, FERMT1 и SPP1 отмечены на рисунках 1A и 1B как заметно переэкспрессированные в образцах опухоли. В TCGA-LUAD экспрессия B3GNT3 была увеличена примерно в 5 раз, FERMT1 — в 8 раз, а SPP1 — в 10 раз по сравнению с нормальными тканями. Аналогичная апрегуляция была подтверждена в GSE115002 году, при этом все три гена показали более чем двукратное повышение.

Диагностические показатели B3GNT3, FERMT1 и SPP1

Анализ кривой эксплуатационных характеристик приёмника использовался для оценки диагностических характеристик B3GNT3, FERMT1 и SPP1. На рисунке 2A показаны кривые ROC в когорте TCGA-LUAD, а на рисунке 2B — кривые GSE115002 когорты. Все три гена достигли высокой диагностической точности в обеих когортах. В когорте TCGA-LUAD (рисунок 2A) площадь под значениями кривой превысила 0,95 для всех маркеров. В независимой GSE115002 когорте (рисунок 2B) была зафиксирована аналогичная большая площадь под значениями кривой. Чувствительность и специфичность варьировались от 85% до 95% при оптимальных значениях порогового значения. Эти результаты подтверждают, что каждый ген обеспечивает отличное различие между опухолями и нормальными тканями.

Прогностическая значимость экспрессии B3GNT3, FERMT1 и SPP1

Кривые выживаемости Каплана–Мейера на рисунке 3 показывают, что высокая экспрессия каждого гена была существенно связана с более короткой общей выживаемостью в обеих когортах. Рисунки 3A–3C показывают общие кривые выживаемости для B3GNT3, FERMT1 и SPP1 в когорте TCGA-LUAD. Рисунки 3D–3F показывают соответствующие кривые в GSE115002 когорте. Пациенты с высокой экспрессией B3GNT3, FERMT1 или SPP1 демонстрировали снижение медианной выживаемости и более низкие показатели выживаемости за 5 лет. Многомерный регрессионный анализ подтвердил, что высокая экспрессия SPP1 остаётся независимым отрицательным прогностическим фактором. Повышенная экспрессия всех трёх генов также была связана с более короткой продолжительностью жизни без болезни. Последовательные тенденции в обеих когортах показывают, что гиперэкспрессия B3GNT3, FERMT1 и SPP1 предсказывает неблагоприятные клинические результаты при аденокарциноме лёгких.

Анализ функционального обогащения

Результаты анализа функционального обогащения приведены на рисунке 4. Рисунок 4A показывает обогащение GO и KEGG в когорте TCGA-LUAD, а рисунок 4B — обогащение в GSE115002 когорте. Апрегуляционные гены были сильно обогащены прогрессированием клеточного цикла, организацией внеклеточного матрикса, фокальной адгезией и онкогенной сигнализацией. Пониженные гены были связаны с нормальной эпителиальной дифференциацией и p53-сигнализацией. Эти наблюдения показывают, что три кандидатных гена участвуют в путях, способствующих пролиферации, инвазии и дисрегуляции иммунной системы при аденокарциноме лёгких.

Коэкспрессионные сети

Коэкспрессионные сети, связанные с B3GNT3, FERMT1 и SPP1, показаны на рисунке 5. Рисунок 5A показывает сеть в когорте TCGA-LUAD, а рисунок 5B — сеть из GSE115002 когорты. Узлы представляют гены, а рёбра — коэффициенты корреляции. Три ключевых гена объединяются с генами ремоделирования ЭКМ, регуляции иммунной системы и организации цитоскелета. Эти результаты свидетельствуют о том, что гиперэкспрессия этих трёх генов связана с иммуносупрессивной микросредой опухоли.

Производительность прогностической номограммы

Прогностическая номограмма представлена на рисунке 6. Модель была построена путём интеграции патологических T-стадий, патологических N стадий и уровней экспрессии B3GNT3, FERMT1 и SPP1 для прогнозирования общей выживаемости в LUAD за 1, 2 и 3 года. Для каждой переменной присваиваются очки, а общее количество очков соответствует прогнозируемой вероятности выживания. Модель достигла индекса согласованности 0,743, что свидетельствует о хорошей прогнозной эффективности. Калибровочные кривые показали близкое совпадение между предсказанными и реальными вероятностями выживания. Анализ кривой принятия решения подтвердил клиническую чистую пользу. Эта номограмма улучшает индивидуализированное прогнозирование выживаемости по сравнению с традиционной стадировкой TNM.

В итоге в данном исследовании выделяются B3GNT3, FERMT1 и SPP1 как ключевые молекулярные игроки патогенеза LUAD. Их сверхэкспрессия коррелирует с инвазивными фенотипами опухолей, стромальной ремоделировкой и уклонением от иммунитета. С помощью мультиомической интеграции мы демонстрируем совокупную ценность этих генов для диагностики, прогноза и стратификации пациентов. Будущие исследования должны изучить их прогностическую значимость для иммунотерапевтического ответа и оценить их потенциал как терапевтических целей в LUAD.

figure-results-1
Рисунок 1: Вулканические графики дифференциально экспрессируемых генов в опухоли LUAD по сравнению с нормальными тканями. (A) Набор данных TCGA-LUAD. (B) GSE115002 набор данных. Красный указывает на значительно повышенную регуляцию генов; синий означает понижение регуляции. B3GNT3, FERMT1 и SPP1 обозначены как стабильно повышенные. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-2
Рисунок 2: ROC-кривые для B3GNT3, FERMT1 и SPP1 при различии LUAD от нормальных тканей. (A) Когорта TCGA-LUAD. (B) GSE115002 когорта. Значения AUC демонстрируют высокую диагностическую точность. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-3
Рисунок 3: Общие кривые выживаемости Каплана-Мейера, стратифицированные уровнями экспрессии B3GNT3, FERMT1 и SPP1 . (A–C) Когорта TCGA-LUAD. (A) B3GNT3, (B) FERMT1, (C) SPP1. (D–F) GSE115002 когорту. (D) B3GNT3, (E) FERMT1, (F) SPP1. Высокая экспрессия каждого гена существенно связана с более короткой общей выживаемостью в обеих когортах. Значения HR и P предоставляются из лог-ранговых тестов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-4
Рисунок 4: Анализ обогащения GO и KEGG DEGs коррелировал с тремя ключевыми генами. (A) Когорта TCGA-LUAD. (B) GSE115002 когорту. Термины обогащения включают биологический процесс (BP), клеточный компонент (CC), молекулярную функцию (MF) и пути KEGG. Апрегуляционные гены обогащаются пролиферацией, ремоделированием ECM и онкогенной сигнализацией. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-5
Рисунок 5: Коэкспрессионные сети генов, связанные с B3GNT3, FERMT1 и SPP1. (A) Когорта TCGA-LUAD. (B) GSE115002 когорта. Узлы представляют гены, а рёбра — коэффициенты корреляции. Три ключевых гена объединяются с генами ремоделирования ЭКМ, регуляции иммунной системы и организации цитоскелета. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-6
Рисунок 6: Прогностическая номограмма, интегрирующая патологическую T-стадию, патологическую N-стадию, B3GNT3, FERMT1 и SPP1 экспрессию для прогнозирования общей выживаемости в LUAD за 1, 2 и 3 года. Для каждой переменной присваиваются очки, а общее количество очков соответствует прогнозируемой вероятности выживания. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Discussion

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

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 вероятностям выживаемости за 1, 2 и 3 года. Более высокие общие показатели указывают на повышенный риск смертности. Этот инструмент обеспечивает индивидуальное прогнозирование выживаемости и помогает в стратификации рисков LUAD. Машинное обучение было использовано для выявления различных паттернов клеточной смерти в прогнозе и терапииLUAD 21,22,23, что может дополнительно оптимизировать нашу модель номограммы.

В этом исследовании были выявлены B3GNT3, FERMT1 и SPP1 как надёжные диагностические и прогностические биомаркеры в LUAD с использованием интегрированного биоинформатического анализа. Все три гена постоянно переэкспрессируются в опухоли, отличают опухоли от нормальной ткани с высокой точностью, предсказывают низкую выживаемость и регулируют пути, связанные с EMT, ремоделированием матрикса и уклонением от иммунитета. Комбинированная номограмма улучшает стратификацию риска за пределами стадии ТНМ. B3GNT3 способствует уклонению от иммунитета, стабилизируя PD-L1 посредствомгликозилирования 9,10. FERMT1 усиливает сигнализацию интегрина и подвижность клеток, вызывая инвазию иметастазирование 11,12. SPP1 служит секретируемым драйвером EMT, ангиогенеза и поляризации макрофаговM2 13,14,15. Вместе они определяют агрессивный подтип LUAD, характеризующийся инвазивностью и иммуносупрессией.

Предыдущие исследования сообщали о индивидуальных ролях B3GNT3, FERMT1 или SPP1 в LUAD. Это исследование стало первым, подтвердившим все три группы как единую панель независимых транскриптомных когорт, при этом диагностические и прогнозные результаты подтверждены как в данных TCGA, так и в GEO. Недавние исследования биомаркеров LUAD подтверждают ценность иммунно-ассоциированных генных сигнатур для прогноза и иммунотерапии. Недавние исследования с использованием интегрированной биоинформатики и машинного обучения выявили несколько генных сигнатур для диагностики и прогноза LUAD21,22. Эти подходы, аналогично нашей трёхгенной панели, подчеркивают важность биомаркеров, основанных на транскриптомах, в клинической стратификации.

Ремоделирование внеклеточной матрицы является ключевой особенностью агрессивного LUAD, и сигнатуры, связанные с ECM, были подтверждены как независимые прогностические факторы. Наши данные о том, что FERMT1 и SPP1 тесно связаны с фокальной адгезией и взаимодействием ECM–рецептор, дополнительно подтверждают критическую роль ремоделирования матрицы в прогрессировании LUAD. Подобно CHAF1B и связанным с убиквитином генным сигнатурам, описанным в междисциплинарной медицине (IMed)21,23, наши три гена тесно связаны с иммунной инфильтрацией и могут служить как прогностическими, так и предиктивными маркерами. Альтернативные стратегии идентификации биомаркеров LUAD включают секвенирование одноклеточной РНК, пространственную транскриптомику, отбор признаков на основе машинного обучения и протеомное профилированиеплазмы 24,25,26. Алгоритмы машинного обучения, такие как случайный лес или LASSO, могут дополнительно усовершенствовать выбор биомаркеров. Валидация в мокрой лаборатории с использованием qPCR, IHC и ELISA необходима для подтверждения клиническогоперевода 27,28,29,30.

Это исследование ограничено ретроспективным дизайном, зависимостью от публичных транскриптомных данных и отсутствием внешней клинической валидации. Валидация номограммы ограничивалась внутренним ресэмплингом bootstrap. Объёмные транскриптомические данные не могут определить экспрессию на клеточном уровне. Механистическая причинность требует функциональных экспериментов. Корреляции с иммунной инфильтрацией основаны на вычислительной деконволюции и должны интерпретироваться с осторожностью. Будущие исследования должны подтвердить эти биомаркеры в проспективных когортах с помощью IHC, qPCR и сывороточного ELISA. Одноклеточная и пространственная транскриптомика проясняют клеточные источники и пространственное распределение. Следует оценить прогностическую ценность иммунотерапии и ответа на таргетную терапию. Терапевтическое таргетирование B3GNT3, FERMT1 и SPP1 может предложить новые стратегии лечения LUAD.

Disclosures

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

Авторы не заявляют о конкурирующих интересах.

Acknowledgements

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

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).

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Publicly Available DatasetsTCGA-LUAD DatasetThe Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 LUAD tumor samples, 59 adjacent normal lung tissue samples (RNA-sequencing count/FPKM values + clinical data: survival, TNM staging)Transcriptomic and clinical data for differential expression, survival, and nomogram analysis; primary study cohort
GSE115002 DatasetGene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Agilent microarray, 52 LUAD tumor tissues, 52 matched adjacent normal lung tissues (treatment-naïve primary tumors)Independent validation cohort for differential expression, diagnostic performance, and immune infiltration analysis
Bioinformatics Software & Programming EnvironmentR Programming LanguageVersion 4.1Core platform for all transcriptomic, statistical, and graphical analyses
R Packages (Differential Expression)DESeq2, limmaDESeq2: TCGA RNA-seq raw count differential expression analysis; limma: GSE115002 microarray normalization and differential expression analysis (Benjamini–Hochberg FDR correction)
R Packages (Diagnostic Analysis)pROCConstruction of ROC curves, calculation of AUC (95% CI), optimal cutoff determination (Youden’s index) for diagnostic performance assessment
R Packages (Survival Analysis)survival, survminerKaplan–Meier survival curve generation, log-rank test, univariate/multivariate Cox proportional hazards regression (HR + 95% CI); patient stratification by median gene expression
R Packages (Functional Enrichment)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) and KEGG pathway enrichment analysis (adjusted P < 0.05); fgsea: GSEA for MSigDB Hallmark/KEGG gene sets (FDR < 0.25)
R Packages (Nomogram Construction & Validation)rmsDevelopment of prognostic nomogram (integration of gene expression + TNM stage); Harrell’s C-index calculation, bootstrap resampling (1000 repetitions) for bias correction, calibration plot generation
R Packages (Statistical & Visualization)ggplot2, ComplexHeatmap, corrplotGeneration of volcano plots, bubble plots (enrichment), heatmaps (immune infiltration correlation), scatter plots (gene co-expression); Pearson/Spearman correlation analysis
Bioinformatics Databases & Tools (Network/Immune Analysis)STRING DatabaseConfidence score > 0.7Construction of protein–protein interaction (PPI) networks for B3GNT3/FERMT1/SPP1 and first-degree interactors
Cytoscape-Visualization of PPI and gene co-expression networks (edge weighting by correlation strength, hub gene identification)
Immune Deconvolution AlgorithmCIBERSORTEstimation of immune cell infiltration abundance (M2 macrophages, CD8+ T cells, neutrophils, NK cells, etc.) in LUAD samples; correlation with candidate gene expression
Other ToolsMicrosoft Office/LaTeX-Manuscript preparation, figure assembly, and table formatting; statistical result compilation

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cancer ResearchLung adenocarcinomaB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogramBioinformatics

Related Articles