Многоэтапные генетические, транскриптомные и одноклеточные данные позволяют выделить MAP1LC3A среди генов, связанных с ферроптозом при глиобластоме

Zhirui Liao; Mingming Xian; Fanmeng Zeng; Weikun Zhou; Jinshui Lin; Bo Yang; Wanchun Yin; Jianjun Ye

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Многоэтапные генетические, транскриптомные и одноклеточные данные позволяют выделить MAP1LC3A среди генов, связанных с ферроптозом при глиобластоме

94 просмотров

⸱

11 сентября 2026 г.

Zhirui Liao^*¹ , Mingming Xian^*² , Fanmeng Zeng¹ , Weikun Zhou¹ , Jinshui Lin¹ , Bo Yang¹ , Wanchun Yin¹ , Jianjun Ye¹

¹Department of Cerebrovascular Neurosurgery, The First People's Hospital of Zhaoqing, ²The National Key Clinical Specialty, Guangdong Provincial Key Laboratory on Brain Function Repair and Regeneration, Department of Neuro-oncological Surgery, Zhujiang Hospital, Southern Medical University

^* These authors contributed equally

В этой статье

Краткое содержание

Генетически обоснованная многоэтапная схема, объединяющая менделевскую рандомизацию, транскриптомику опухолей и одноклеточный анализ, позволила выделить MAP1LC3A в качестве связанного с ферроптозом гена, ассоциированного с предрасположенностью к глиобластоме и являющегося кандидатом для дальнейшей экспериментальной проверки.

Аннотация

Глиобластома (GBM) остается крайне агрессивным злокачественным новообразованием, и вклад генов, связанных с ферроптозом, в предрасположенность к этому заболеванию изучен не полностью. Для приоритизации генов, связанных с ферроптозом и ассоциированных с GBM, была применена многоэтапная структура с генетической привязкой. Среди 483 генов, отобранных из FerrDb V2, 315 имели потенциальные цис-экспрессионные количественные признаки локусов (cis-eQTLs) в eQTLGen, 250 сохранили как минимум три независимых инструмента после клампинга по неравновесности сцепления, и 226 дали достоверные оценки менделевской рандомизации с использованием метода обратной дисперсии (IVW) на основе полногеномного исследования ассоциаций GBM, включавшего 6 183 случая заболевания и 18 169 контрольных образцов. Тридцать четыре гена соответствовали критериям предварительного поиска: P < 0,05 и уровень ложноположительных результатов по методу Бенджамини–Хохберга (BH-FDR) < 0,20, при этом оценки байесовской взвешенной менделевской рандомизации (BWMR) были согласованны по направлению. Менделевская рандомизация на этапе репликации с использованием cis-eQTLs цельной крови из GTEx V10 подтвердила значимость четырех генов: ATG7, RPTOR, MAP1LC3A и CHMP6. Анализ трех независимых транскриптомных когорт «опухоль–контроль» показал, что экспрессия MAP1LC3A была последовательно снижена в опухолевой ткани и продемонстрировала значимую объединенную оценку со случайными эффектами (log₂-кратное изменение: −1,273; 95% доверительный интервал: от −1,625 до −0,920; уровень ложноположительных результатов = 0,016), в то время как остальные три гена не получили сопоставимой статистической поддержки между когортами. Впоследствии был проведен анализ виртуального нокаута на уровне отдельных клеток в сбалансированном по пациентам подмножестве из 2 400 злокачественных клеток, отобранных из 4 916 подходящих клеток в 20 опухолях GBM взрослых с диким типом IDH. В пяти независимых запусках было выявлено 3, 15, 4 и 7 устойчивых нижестоящих генов для ATG7, RPTOR, MAP1LC3A и CHMP6 соответственно. Полученные консенсусные наборы включали 17 уникальных генов, при этом RND3 был общим для всех четырех мишеней. Анализ Gene Ontology указал на обогащение процессов клеточной адгезии и процессов на поверхности клеток, в то время как ни один из путей KEGG или Reactome не остался значимым после коррекции на множественное тестирование. В совокупности эти результаты позволяют приоритизировать MAP1LC3A для дальнейших экспериментальных исследований, при этом отделяя генетическую ассоциацию, согласованность экспрессии в опухоли и результаты компьютерного моделирования возмущений от окончательных доказательств причинно-следственной связи или механизмов действия.

Введение

Глиобластома (GBM) остается классическим примером рефрактерного к лечению злокачественного новообразования. Несмотря на все более уточненную молекулярную классификацию и мультидисциплинарный подход к лечению, стойкие улучшения в исходах для пациентов остаются ограниченными¹. Для пациентов с удовлетворительным общим состоянием современная тактика ведения заключается в максимальной безопасной резекции с последующей лучевой терапией в сочетании с конкомитантным и адъювантным введением темозоломида — эта схема была установлена в знаковом рандомизированном исследовании и сохраняется в современных клинических рекомендациях¹^,². Тем не менее, диффузная инфильтрация, а также выраженная клеточная и молекулярная гетерогенность ограничивают возможность долгосрочного контроля заболевания, и у большинства пациентов в конечном итоге наступает прогрессирование или рецидив, для которых не существует универсально эффективного стандартного лечения¹^,³. Этот устойчивый разрыв между достижениями в характеристике заболевания и клиническими результатами подчеркивает необходимость выявления биологически значимых молекулярных зависимостей, которые могли бы лечь в основу новых терапевтических стратегий лечения GBM.

Ферроптоз представляет собой железозависимую форму регулируемой клеточной гибели, характеризующуюся неконтролируемым перекисным окислением фосфолипидов и сбоем в работе клеточных антиоксидантных систем защиты, что механистически отличает его от апоптоза и других канонических программ гибели клеток⁴^,⁵. Этот процесс особенно актуален для ГБМ, где генетические изменения и метаболическая пластичность перестраивают гомеостаз железа, окислительно-восстановительный баланс и липидный обмен. Интегрированное геномное и липидомное профилирование показало, что делеция CDKN2A перераспределяет окисляемые полиненасыщенные жирные кислоты, создавая тем самым генотип-зависимую чувствительность к ферроптозу в моделях ГБМ⁶. Аналогичным образом, парный анализ первичных и рецидивирующих опухолей выявил связанные с рецидивом изменения в GPX4, ACSL4 и других регуляторах ферроптоза⁷. Также было показано, что экспериментальная модуляция путей защиты от ферроптоза влияет на ответ клеток ГБМ и ксенографтных моделей на темозоломид⁸. В совокупности эти данные определяют ферроптоз как биологически обоснованную терапевтическую уязвимость при ГБМ. Однако они преимущественно отражают ассоциации с состоянием опухоли или контекстно-зависимые экспериментальные наблюдения и не устанавливают, способствует ли конститутивная вариабельность экспрессии генов, связанных с ферроптозом, наследственной предрасположенности к ГБМ.

Большинство исследований ферроптоза при глиоме у людей основывались на анализе дифференциальной экспрессии, моделировании выживаемости и молекулярном субтипировании с использованием наборов данных TCGA, CGGA и GEO⁹^,¹⁰. Хотя эти работы подтвердили прогностическую значимость транскрипционных программ, связанных с ферроптозом, их обсервационный дизайн не позволяет определить, способствует ли измененная экспрессия генов предрасположенности к GBM или же она является следствием развития опухоли. Последующий полнотранскриптомный менделевский рандомизационный анализ выявил генетически регулируемые тканеспецифичные гены, связанные с риском глиомы, в то время как более современные исследования на основе количественных признаков экспрессии (eQTL) и количественных признаков белков (pQTL) позволили начать приоритизацию потенциальных терапевтических мишеней для GBM¹¹^,¹². Тем не менее, в предыдущих исследованиях обычно применялись полнотранскриптомные или ориентированные на мишени лекарственных средств подходы, а не оценка заранее определенного всеобъемлющего набора генов, связанных с ферроптозом. Кроме того, лишь в немногих работах масштабное полногеномное поиск ассоциаций (GWAS) для GBM был интегрирован с менделевской рандомизацией на этапе репликации с использованием независимого ресурса eQTL с последующей оценкой в нескольких транскриптомных когортах «опухоль — контроль». Это различие важно, поскольку генетическая регуляция экспрессии генов существенно различается в разных тканях, и нельзя предполагать, что ассоциации eQTL, полученные из крови, отражают регуляторные эффекты внутри опухолей головного мозга¹¹^,¹³. Следовательно, необходима интегративная основа, объединяющая генетическую ассоциацию, менделевскую рандомизацию на этапе репликации, межкогортный транскриптомный анализ опухолей и функциональное прогнозирование на уровне единичных клеток, полученных от пациентов, для идентификации генов, связанных с ферроптозом, чья роль в GBM подтверждается совокупностью сходящихся доказательств.

В данном исследовании изучалось, связана ли генетически регулируемая экспрессия генов, относящихся к ферроптозу, с предрасположенностью к ГБМ. Менделевская рандомизация на этапе обнаружения и этапе репликации была объединена с анализом экспрессии генов в трех независимых транскриптомных когортах «опухоль–контроль». Гены, подтвержденные на обоих этапах Менделевской рандомизации, впоследствии были оценены в данных одноклеточного транскриптомного анализа, полученных от пациентов, с использованием виртуального возмущения для характеристики прогнозируемых транскрипционных ответов в злокачественных клетках. Вместо того чтобы отдавать приоритет генам исключительно на основе профилей экспрессии в опухоли, эта многоэтапная структура сначала использовала наследуемую генетическую вариабельность, а затем оценивала релевантные заболеванию паттерны экспрессии вместе с вычислительными профилями возмущения на уровне отдельных клеток. Полученные в итоге конвергентные данные были использованы для приоритезации генов, связанных с ферроптозом, для дальнейших экспериментальных исследований ГБМ.

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

Протокол

Данное исследование было освобождено от этической экспертизы Комитетом по медицинской этике Первой народной больницы города Чжаоцин (регистрационный номер B2026-08-03). В исследовании использовались ретроспективно собранные, деидентифицированные обобщенные генетические и транскриптомные данные, включая данные с ограниченным доступом из EGAD00010001657, одобренные Комитетом по доступу к данным, а также наборы данных, полученные из GEO, eQTLGen и GTEx в соответствии с применимыми условиями доступа и использования. Новые участники не привлекались, биообразцы не собирались, и доступ к идентифицируемым данным на уровне отдельных участников не осуществлялся. Этическое одобрение и информированное согласие для исходных исследований были получены соответствующими создателями данных, а данные с ограниченным доступом использовались в соответствии с применимым Соглашением о доступе к данным.

Дизайн исследования

В данном исследовании использовалась многоэтапная схема для приоритизации генов, связанных с ферроптозом и предрасположенностью к глиобластоме (GBM), а также для оценки их транскрипционных эффектов, имеющих значение для заболевания (Рисунок 1). Во-первых, гены, связанные с ферроптозом и отобранные из базы данных FerrDb V2, были проанализированы с помощью двухвыборочного менделевского рандомизирования (MR) с использованием данных о цис-экспрессионных количественных признаках локусов (cis-eQTL) и результатов крупного полногеномного поиска ассоциаций (GWAS) для GBM. Основным методом скрининга служило MR со взвешиванием по обратной дисперсии (IVW), байесовское взвешенное менделевское рандомизирование (BWMR) обеспечивало дополнительную оценку надежности, а независимый набор данных eQTL использовался для MR на этапе репликации. Во-вторых, гены, подтвержденные генетическим анализом, оценивались в трех независимых транскриптомных когортах (опухоль — контроль) с последующим метаанализом между когортами. В-третьих, транскриптомные данные отдельных клеток, полученные от пациентов, использовались для проведения виртуальной генной пертурбации в злокачественных клетках и выявления воспроизводимых нижестоящих транскрипционных ответов. Эти ответы впоследствии были охарактеризованы с помощью функционального обогащения и анализа общих сетей. В целом, генетический анализ был направлен на выявление генов, связанных с предрасположенностью к GBM, в то время как транскриптомный анализ и анализ отдельных клеток служили для оценки биологического соответствия и выдвижения гипотез для последующей экспериментальной проверки.

Источники данных

Гены, связанные с ферроптозом, были получены из базы данных FerrDb V2; после гармонизации символов генов и удаления дубликатов было выявлено 483 уникальных белок-кодирующих генов человека¹⁴. Сводные статистические данные по цис-экспрессионным количественным признакам локусов (cis-eQTL) цельной крови из консорциума eQTLGen использовались в качестве набора данных воздействия для менделевской рандомизации (MR) на этапе обнаружения, в то время как данные по cis-eQTL цельной крови из релиза GTEx V10 служили независимым набором данных воздействия для MR на этапе репликации¹¹^,¹⁵. Данные об ассоциациях с исходами ГБМ были получены из сводных статистик полногеномного поиска ассоциаций (GWAS) с ограниченным доступом, доступных через Европейский архив геномов и феномов, и включали 6 183 случая заболевания и 18 169 контрольных образцов европейского происхождения¹⁶. Экспрессия генетически приоритетных генов на тканевом уровне оценивалась в трех независимых когортах Gene Expression Omnibus (GEO): GSE196533, включающей 61 образец глиомы 4-й степени, обозначенных как ГБМ в переданных метаданных, и девять образцов ненеопластической ткани мозга; GSE4290, включающей образцы ГБМ и неопухолевой ткани мозга, полученные при эпилепсии; и GSE116520, содержащей парные образцы ядра опухоли и перитуморальной зоны, а также ненеопластический контроль¹⁷^,¹⁸^,¹⁹. Данные Smart-seq2, полученные от пациентов из GSE131928, использовались для анализа виртуального возмущения злокачественных клеток²⁰. Характеристики наборов данных и их соответствующие аналитические роли обобщены в Таблице 1. Все анализы проводились с использованием ранее собранных деидентифицированных наборов данных, для которых в рамках исходных исследований было получено этическое одобрение и информированное согласие.

Выбор генетического инструментария и гармонизация данных

В качестве потенциальных инструментов были отобраны цис-экспрессионные количественные признаки loci (цис-eQTL), ассоциированные с экспрессией генов с уровнем значимости общегеномного масштаба (P < 5 × 10⁻⁸). Варианты были сгруппированы (clumping) с использованием европейской референсной панели проекта 1000 Genomes с порогом неравновесного сцепления (LD) r² < 0.001 в окне 10 000-kb. Гены, для которых после группировки осталось менее трех независимых инструментов, были исключены из основного анализа менделевской рандомизации (MR). Учитывая цель эксплораторного скрининга, минимальное количество инструментов было предварительно определено как три, чтобы сохранить гены с ограниченной, но сильной поддержкой цис-eQTL, обеспечив при этом возможность оценки методом обратного взвешивания инструментов (IVW). Данный порог сопровождался строгим LD-clumping-ом и фильтрацией по F-статистике; оценки, основанные только на трех или четырех инструментах, интерпретировались с осторожностью, а анализ чувствительности проводился только в методологически применимых случаях. Сила инструмента для каждого варианта оценивалась с помощью F-статистики (F = β²/SE²), где β и SE представляют собой оценку эффекта цис-eQTL и ее стандартную ошибку соответственно. Варианты с F < 10 были исключены для минимизации систематической ошибки из-за слабых инструментов²¹^,²². Наборы данных по экспозиции и исходу были гармонизированы путем выравнивания аллелей эффекта и направлений эффекта. Дублирующиеся варианты, варианты, отсутствующие в наборе данных GBM GWAS, и варианты с несовместимым кодированием аллелей были исключены. Поскольку частоты аллелей эффекта для GBM GWAS были недоступны, палиндромные варианты с неоднозначной ориентацией цепи были удалены, а не определены расчетным путем. По той же причине формальный тест Стигера на направленность не проводился.

Менделевская рандомизация

Связь между генетически предсказанной экспрессией генов и предрасположенностью к GBM оценивали с помощью двухвыборочной менделевской рандомизации (MR). На этапе поиска включались только гены, имеющие не менее трех независимых инструментов цис-экспрессионных количественных признаков локусов (cis-eQTL), а основным аналитическим подходом служил метод обратного взвешивания по дисперсии (IVW). Оценки эффекта представлялись в виде отношений шансов (OR) с 95% доверительными интервалами (CI) на единицу увеличения генетически предсказанной экспрессии генов. Для учета множественного тестирования по всем оцениваемым генам значения P метода IVW корректировали с использованием процедуры Бенджамини–Хохберга²³. Гены со значением P < 0,05 и ложноположительной скоростью обнаружения по методу Бенджамини–Хохберга (BH-FDR) < 0,20 были отобраны в качестве предварительных кандидатов. Этот относительно широкий порог FDR был выбран, чтобы избежать преждевременного исключения потенциально значимых генов на этапе поиска; поэтому статус кандидата интерпретировался в совокупности с последующим анализом, а не как подтверждающее доказательство. Затем к кандидатам этапа поиска применяли байесовскую взвешенную менделевскую рандомизацию (BWMR) с использованием тех же гармонизированных инструментов²⁴. Согласованность результатов IVW и BWMR оценивали на основе статистической значимости и направления эффекта. В случаях, когда это позволяло количество доступных инструментов, для оценки гетерогенности, горизонтального плейотропии, влияния аномальных вариантов и влияния отдельных однонуклеотидных полиморфизмов (SNPs) проводили Q-тест Кокрана, тест перехвата MR-Egger, MR-PRESSO и анализ с исключением одного варианта (leave-one-out)²².

MR на этапе репликации была проведена с использованием данных cis-eQTL цельной крови из GTEx V10. Метод отношения Вальда применялся в случаях, когда был доступен только один инструментальный параметр, в то время как метод обратного взвешивания (IVW) использовался для генов с двумя или более инструментами. Репликация определялась как P < 0,05, BH-FDR < 0,20 и направление эффекта, согласующееся с соответствующей оценкой на этапе обнаружения. Поскольку несколько оценок репликации GTEx основывались всего на одном или двух инструментах, они интерпретировались как подтверждающие данные для репликации, а не как независимые доказательства причинно-следственной связи.

Транскриптомный анализ нескольких когорт

Четыре гена, отобранные в ходе анализа менделевской рандомизации (MR) на этапах открытия и репликации, были изучены в трех независимых транскриптомных когортах. Для GSE196533 необработанные данные количества чтений РНК-секвенирования анализировались с помощью DESeq2²⁵. Гены, количество чтений которых было менее 10 во всех образцах, кроме двух, были исключены, в то время как четыре целевых гена были сохранены независимо от фильтрации экспрессии. Дифференциальная экспрессия оценивалась между 61 образцом глиомы 4-й степени, аннотированными в переданных метаданных как GBM, и девятью образцами мозга без неоплазий.

Для GSE4290 были исключены четыре образца, не имевшие четкого гистопатологического диагноза, в результате чего осталось 77 образцов GBM и 23 образца непухолевой ткани мозга. Обработанные значения интенсивности микрочипов подвергли log₂-преобразованию, квантильной нормализации и анализу с использованием робастных эмпирических линейных моделей Байеса, реализованных в limma²⁶. Если несколько зондов соответствовали одному гену, выбирали зонд с самым высоким средним уровнем экспрессии во всех включенных образцах независимо от значимости дифференциальной экспрессии.

Набор данных GSE116520 включал парные образцы из ядра опухоли и перитуморальной области, полученные от 17 пациентов, а также восемь ненеопластических контрольных образцов. Депонированные данные экспрессии, подвергнутые логарифмическому преобразованию и квантильной нормализации, анализировали с помощью пакета limma. Внутрипациентные корреляции между образцами из ядра опухоли и перитуморальной области учитывали с помощью блокировки на уровне пациента и функции duplicateCorrelation. Сравнение ядра опухоли с контролем было предварительно определено для кросс-когортного мета-анализа, в то время как перитуморальные сравнения и упорядоченная тенденция «контроль — перитуморальная область — ядро опухоли» оценивались отдельно.

Специфические для каждого исследования значения log₂ кратного изменения и стандартные ошибки объединялись с использованием модели случайных эффектов с ограниченным максимальным правдоподобием и выводом по методу Хартунга–Кнаппа, реализованной в пакете metafor. Гетерогенность между исследованиями оценивали с помощью Q-статистики Кохрена и I². Объединенные значения P для четырех целевых генов были скорректированы с использованием процедуры Бенджамини–Хохберга. Сильная транскриптомная поддержка определялась как уровень ложноположительных результатов (FDR) метаанализа < 0.05, значимость FDR на уровне когорты как минимум в двух наборах данных и согласованное направление эффекта во всех трех когортах.

Анализ виртуального нокаута на уровне отдельных клеток

Данные Smart-seq2, полученные от пациентов из набора GSE131928, были использованы для оценки четырех генов с реплицированным MR в злокачественных клетках. Злокачественные клетки взрослых людей были идентифицированы в соответствии с аннотациями, представленными в оригинальном исследовании; из каждого подходящего пациента было отобрано равное количество клеток случайным образом, чтобы минимизировать дисбаланс в представленности пациентов. Виртуальный нокаут выполнялся с помощью scTenifoldKnk и повторялся в пяти независимых запусках. Гены со скорректированным по методу Бенджамини — Хохберга значением P < 0.05 в отдельном запуске считались значимыми. Нижестоящие гены, воспроизведенные как минимум в трех из пяти запусков, были определены как основной консенсусный набор, в то время как более строгий критерий «четыре из пяти» использовался для анализа чувствительности. Эти результаты интерпретировались как вычислительные прогнозы транскрипционного возмущения, а не как доказательства прямого молекулярного регулирования.

Функциональное обогащение и анализ общих сетей

Анализ функционального обогащения проводили с использованием специфических для мишеней нижележащих генов, которые воспроизводимо идентифицировались как минимум в трех из пяти виртуальных запусков нокаута. Обогащение по категориям Gene Ontology (GO), путям Kyoto Encyclopedia of Genes and Genomes (KEGG) и Reactome оценивали с помощью односторонних гипергеометрических тестов; в качестве фонового набора генов использовали 1 004 гена, включенных в вывод сети. P значения корректировались отдельно для каждой базы данных аннотаций с помощью процедуры Бенджамини — Хохберга, и скорректированное P < Значение 0,05 считалось статистически значимым.

Для представления взаимосвязей между четырьмя мишенями нокаута и их общими нижестоящими генами была построена бипартитная сеть. Гены, связанные с несколькими мишенями, были определены на основе их общего степеня связи, а перекрытие между наборами генов, специфичных для конкретных мишеней, было количественно оценено с помощью подсчета пересечений и индексов Жаккара. Ребра сети представляют собой ассоциации между воспроизводимыми вычислительными возмущениями и не должны интерпретироваться как доказательства прямых молекулярных взаимодействий.

Статистический анализ и воспроизводимость

Если не указано иное, статистические тесты были двусторонними, а множественные сравнения контролировались с помощью процедуры Бенджамини–Хохберга. Критерии значимости для конкретных видов анализа описаны в соответствующих подразделах. Все анализы проводились с использованием R или Python. Для рандомизированных процедур использовались заранее определенные начальные значения (seeds); аналитический код, версии программного обеспечения и подробные настройки параметров были заархивированы для обеспечения воспроизводимости. Все наборы данных были собраны ранее и деидентифицированы; этическое одобрение и информированное согласие были получены в ходе оригинальных исследований.

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

Результаты

Подбор генов, связанных с ферроптозом, и генетических инструментов

Всего из базы данных FerrDb V2 было получено 483 гена, связанных с ферроптозом (Рисунок 1). Среди них 315 генов соответствовали набору данных eQTLGen и имели как минимум один кандидатный цис-локус количественных признаков экспрессии (cis-eQTL). После кластеризации по неравновесию сцепления 250 генов сохранили как минимум три независимых кандидатных инструмента. После поиска вариант...

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

Обсуждение

В данном исследовании были интегрированы генетический анализ ассоциаций, менделевская рандомизация (MR) на этапе репликации, транскриптомика опухолей и моделирование отдельных клеток на основе образцов пациентов для приоритезации генов, связанных с ферроптозом и предрасположенностью к глиобластоме (GBM). Скрининг 483 отобранных генов в рамках полногеномного исследования ассоциаций (GWAS) глиобластомы, включавшего 6 183 случая заболевания и 18 169 контрольных образцов, позволил выявить 34 кандидата на этапе обнаружения, ч...

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

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают благодарность команде по геномике рака Института исследований рака (The Institute of Cancer Research) за предоставление доступа к сводным статистическим данным GWAS глиомы через Европейский архив геномов и феномов (набор данных EGAD00010001657). Первоначальный сбор этих данных был поддержан организацией Cancer Research UK, включая Фонд Бобби Мура (Bobby Moore Fund), Wellcome Trust и Медицинский исследовательский траст DJ Fielding (C1298/A8362).

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

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
BWMR	R package	BWMR	Байесовская взвешенная менделевская рандомизация
DESeq2	Bioconductor	Version 1.46.0	Анализ дифференциальной экспрессии при РНК-секвенировании
FerrDb V2	FerrDb	Version 2	Источник 483 курируемых генов, связанных с ферроптозом
Glioblastoma bulk microarray	NCBI Gene Expression Omnibus	GSE4290	Когорта для транскриптомной оценки
Glioblastoma GWAS summary statistics	European Genome-phenome Archive	EGAD00010001657	Данные об исходах с ограниченным доступом; 6 183 случая и 18 169 контролей
Glioblastoma Smart-seq2 single-cell RNA sequencing	NCBI Gene Expression Omnibus	GSE131928	Анализ виртуального нокаута в злокачественных клетках
Grade 4 glioma bulk RNA sequencing	NCBI Gene Expression Omnibus	GSE196533	Когорта для транскриптомной оценки
GTEx whole-blood cis-eQTL summary statistics	Genotype-Tissue Expression project	GTEx V10	Данные по воздействию на этапе репликации
limma	Bioconductor	Version 3.62.2	Анализ дифференциальной экспрессии на микрочипах
metafor	R package	Version 4.8-0	Метаанализ со случайными эффектами
R	R Foundation for Statistical Computing	Version 4.4.2	Среда для статистических вычислений
scTenifoldKnk	R package	Version 1.0.3	Одноклеточный анализ виртуального нокаута
Tumour-core and peritumoural bulk microarray	NCBI Gene Expression Omnibus	GSE116520	Когорта для транскриптомной оценки
TwoSampleMR	R package	Version 0.6.29	Двухвыборочная менделевская рандомизация
Whole-blood cis-eQTL summary statistics	eQTLGen Consortium	eQTLGen	Данные по воздействию на этапе поиска

Ссылки

Weller M, et al. EANO guidelines on the diagnosis and treatment of diffuse gliomas of adulthood. Nat Rev Clin Oncol. 2021;18:170-186.
Stupp R, et al. Radiotherapy plus concomitant and adjuvant temozolomide for glioblastoma. N Engl J Med. 2005;352:987-996.
McBain C, et al. Treatment options for progression or recurrence of glioblastoma: a network meta-analysis. Cochrane Database Syst Rev. 2021;5:CD013579.
Dixon SJ, et al. Ferroptosis: an iron-dependent form of nonapoptotic cell death. Cell. 2012;149:1060-1072.
Stockwell BR, et al. Ferroptosis: A regulated cell death nexus linking metabolism, redox biology, and disease. Cell. 2017;171:273-285.
Minami JK, et al. CDKN2A deletion remodels lipid metabolism, priming glioblastoma for ferroptosis. Cancer Cell. 2023;41:1048-1060.e1049.
Kram H, et al. Glioblastoma relapses show increased markers of vulnerability to ferroptosis. Front Oncol. 2022;12:841418.
Miao Z, et al. A targetable PRR11-DHODH axis drives ferroptosis- and temozolomide-resistance in glioblastoma. Redox Biol. 2024;73:103220.
Liu HJ, et al. Ferroptosis-related gene signature predicts glioma cell death and glioma patient progression. Front Cell Dev Biol. 2020;8:538.
Dong J, et al. Ferroptosis-related gene contributes to immunity, stemness, and predicts prognosis in glioblastoma multiforme. Front Neurol. 2022;13:829926.
Robinson JW, et al. Transcriptome-wide Mendelian randomization study prioritizing novel tissue-dependent genes for glioma susceptibility. Sci Rep. 2021;11:2329.
Zhang H, Wang Z, Qiao X, Wu J, Cheng C. Investigating potential drug targets for the treatment of glioblastoma: a Mendelian randomization study. BMC Cancer. 2025;25:654.
GTEx Consortium. The GTEx Consortium atlas of genetic regulatory effects across human tissues. Science. 2020;369:1318-1330.
Zhou N, et al. FerrDb V2: update of the manually curated database of ferroptosis regulators and ferroptosis-disease associations. Nucleic Acids Res. 2023;51:D571-D582.
Võsa U, et al. Large-scale cis- and trans-eQTL analyses identify thousands of genetic loci and polygenic scores that regulate blood gene expression. Nat Genet. 2021;53:1300-1310.
Melin BS, et al. Genome-wide association study of glioma subtypes identifies specific differences in genetic susceptibility to glioblastoma and non-glioblastoma tumors. Nat Genet. 2017;49:789-794.
Zeng C, et al. Dissection of transcriptomic and epigenetic heterogeneity of grade 4 gliomas: implications for prognosis. Acta Neuropathol Commun. 2023;11:133.
Sun L, et al. Neuronal and glioma-derived stem cell factor induces angiogenesis within the brain. Cancer Cell. 2006;9:287-300.
Kruthika BS, et al. Transcriptome profiling reveals PDZ binding kinase as a novel biomarker in peritumoral brain zone of glioblastoma. J Neurooncol. 2019;141:315-325.
Neftel C, et al. An integrative model of cellular states, plasticity, and genetics for glioblastoma. Cell. 2019;178:835-849.e821.
Burgess S, Thompson SG. Avoiding bias from weak instruments in Mendelian randomization studies. Int J Epidemiol. 2011;40:755-764.
Papadimitriou N, et al. Physical activity and risks of breast and colorectal cancer: a Mendelian randomisation analysis. Nat Commun. 2020;11:597.
Song W, et al. Causal relationship between gut microbiota and lung squamous cell carcinoma: a bidirectional two-sample Mendelian randomization study. Postgrad Med J. 2025;101:526-534.
Zhao J, et al. Bayesian weighted Mendelian randomization for causal inference based on summary statistics. Bioinformatics. 2020;36:1501-1508.
Love MI, Huber W, Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15:550.
Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43:e47.
Yun D, et al. A novel prognostic signature based on glioma essential ferroptosis-related genes predicts clinical outcomes and indicates treatment in glioma. Front Oncol. 2022;12:897702.
Li R, et al. Identification of candidate genes associated with prognosis in glioblastoma. Front Mol Neurosci. 2022;15:913328.
Bai H, Inoue J, Kawano T, Inazawa J. A transcriptional variant of the LC3A gene is involved in autophagy and frequently inactivated in human cancers. Oncogene. 2012;31:4397-4408.
Hayashima K, Kimura I, Katoh H. Role of ferritinophagy in cystine deprivation-induced cell death in glioblastoma cells. Biochem Biophys Res Commun. 2021;539:56-63.
Wu Y, et al. ALDH1-mediated autophagy sensitizes glioblastoma cells to ferroptosis. Cells. 2022;11:4015.
Carriere A, et al. ERK1/2 phosphorylate Raptor to promote Ras-dependent activation of mTOR complex 1 (mTORC1). J Biol Chem. 2011;286:567-577.
Dai E, Meng L, Kang R, Wang X, Tang D. ESCRT-III-dependent membrane repair blocks ferroptosis. Biochem Biophys Res Commun. 2020;522:415-421.
Comincini S, et al. microRNA-17 regulates the expression of ATG7 and modulates the autophagy process, improving the sensitivity to temozolomide and low-dose ionizing radiation treatments in human glioblastoma cells. Cancer Biol Ther. 2013;14:574-586.
Wang L, et al. Autophagy mediates glucose starvation-induced glioblastoma cell quiescence and chemoresistance through coordinating cell metabolism, cell cycle, and survival. Cell Death Dis. 2018;9:213.

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

Перепечатки и разрешения

Больше статей

Гены ферроптоза предрасположенность к глиобластоме менделевская рандомизация анализ единичных клеток транскриптомные когорты анализ eQTL генная онтология снижение экспрессии в опухоли генетическая ассоциация