SHMT2: метаболический и иммунный биомаркер агрессивной аденокарциномы легкого

Yang Zhang; Yan Nuo; Deyuan Zhang; Silin Wang; Yiping Wei; Chuan Yao

doi:10.3791/71812

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

Исследовательская статья

SHMT2: метаболический и иммунный биомаркер агрессивной аденокарциномы легкого

104 просмотров

⸱

DOI:

10.3791/71812

⸱

28 августа 2026 г.

Yang Zhang^*¹ , Yan Nuo^*¹ , Deyuan Zhang² , Silin Wang¹ , Yiping Wei¹ , Chuan Yao²

¹Department of Thoracic Surgery, Second Affiliated Hospital of Nanchang University, Jiangxi Medical College, Nanchang University, ²Department of Thoracic Surgery, Affiliated Hospital of Jiujiang University

^* These authors contributed equally

В этой статье

Краткое содержание

Интегрированный метаболомный, транскриптомный, одноклеточный и функциональный анализы позволяют идентифицировать SHMT2 как биомаркер метаболического перепрограммирования SGOC, агрессивного поведения и сниженного прогнозируемого ответа на иммунотерапию при аденокарциноме легкого.

Аннотация

Метаболизм серина/глицина и одноуглеродных единиц (SGOC) часто нарушен при аденокарциноме легкого (LUAD), однако его связь с поведением опухоли и прогнозируемым ответом на иммунотерапию остается недостаточно изученной. Метаболомное профилирование 23 пар образцов тканей LUAD и прилежащей нормальной ткани легкого было проведено с использованием масс-спектрометрии с внутренней экстракционной электроспрей-ионизацией. Данные транскриптомики и клинические данные когорты LUAD из Атласа генома рака (TCGA-LUAD) были проанализированы для оценки экспрессии SHMT2, прогноза, дифференциально экспрессируемых генов и иммуно-связанных признаков. Прогнозируемый ответ на блокаду иммунных контрольных точек оценивали с помощью системы Tumor Immune Dysfunction and Exclusion (TIDE) и Атласа иммуномов рака (TCIA), а чувствительность к препаратам определяли с помощью oncoPredict. Данные секвенирования РНК единичных клеток (scRNA-seq) использовались для изучения клеточного распределения SHMT2. Экспериментальная валидация включала количественную ПЦР с обратной транскрипцией (RT-qPCR), вестерн-блоттинг, иммуногистохимию из Human Protein Atlas (HPA), а также нокдаун SHMT2 с помощью коротких шпилечных РНК (shRNA) с последующими анализами пролиферации, заживления ран и формирования колоний. Метаболомный анализ выявил, что метаболизм глицина, серина и треонина является одним из наиболее выраженно измененных путей при LUAD. Экспрессия SHMT2 была повышена при LUAD и ассоциировалась с худшей общей выживаемостью и неблагоприятными клинико-патологическими характеристиками. Опухоли с высоким уровнем SHMT2 демонстрировали обогащение транскрипционных программ, связанных с клеточным циклом и SGOC, более низкие иммунные и стромальные баллы, а также снижение прогнозируемой чувствительности к иммунотерапии. Анализ единичных клеток показал относительное обогащение экспрессией SHMT2 в популяциях B-клеток. In vitro SHMT2 была гиперэкспрессирована в клетках LUAD, а ее нокдаун подавлял пролиферацию, миграцию и клоногенный рост. В совокупности SHMT2 ассоциируется с метаболическим перепрограммированием SGOC, агрессивным фенотипом опухоли и иммуно-дефицитным состоянием при LUAD, что подтверждает ее потенциальную значимость в качестве биомаркера; терапевтическое воздействие требует дополнительной фармакологической валидации и подтверждения in vivo.

Введение

Аденокарцинома легкого (LUAD) остается одной из ведущих причин смертности от рака во всем мире, что обусловлено выраженной молекулярной гетерогенностью, ранной склонностью к метастазированию и ограниченной эффективностью современных стратегий лечения¹^,². Несмотря на то, что ингибиторы контрольных точек иммунного ответа (ICI) изменили терапевтический ландшафт при LUAD, устойчивый клинический эффект наблюдается лишь у части пациентов, при этом часто фиксируется как первичная, так и приобретенная резистентность³^,⁴. Столь значительная межиндивидуальная вариабельность подчеркивает острую необходимость в определении биологических детерминант, которые формируют иммунное микроокружение опухоли и определяют ответ на иммунотерапию, а также в выявлении доступных терапевтических мишеней, которые могут быть использованы для улучшения стратификации пациентов и результатов лечения.

Метаболическое перепрограммирование является основным признаком злокачественной прогрессии⁵. Среди метаболических программ метаболизм SGOC связывает гликолитические потоки с метаболизмом аминокислот и синтезом нуклеотидов, обеспечивая одноуглеродные единицы для производства пуринов/пиримидинов и генерации метильных доноров⁶. Помимо продукции биомассы, метаболизм SGOC способствует поддержанию редокс-гомеостаза и взаимодействует с циклом метионина, влияя на метилирование ДНК, РНК и гистонов, что ставит его в центр регуляции пролиферации и эпигенетики⁷^,⁸. Серинглицин-гидроксиметилтрансфераза 2 (SHMT2), митохондриальная изоформа серингидроксиметилтрансферазы, превращает серин в глицин, генерируя при этом 5,10-метилен-тетрагидрофолат, и представляет собой основную точку входа для митохондриального снабжения одноуглеродными единицами в сети SGOC⁹. SHMT2 аберрантно экспрессируется во многих злокачественных новообразованиях и ассоциируется с усилением пролиферации, инвазии, терапевтической резистентности и адаптации к окислительному стрессу¹⁰^,¹¹^,¹²^,¹³. SHMT2 также пересекается с воспалительной сигнализацией через комплекс BRISC, хотя прямой иммунный механизм, управляемый SHMT2 в LUAD, еще предстоит установить¹⁴^,¹⁵. Соответственно, требуется комплексная оценка того, является ли SHMT2 клинически значимым метаболическим фенотипом при LUAD и как он связан с характеристиками иммунного микроокружения и прогнозируемым ответом на иммунотерапию.

Двунаправленное взаимодействие между метаболизмом опухоли и противоопухолевым иммунитетом занимает центральное место в современной биологии рака¹⁶. Опухолевые клетки могут снижать иммунную компетентность посредством конкурентного истощения питательных веществ, накопления иммуномодулирующих метаболитов и метаболически-эпигенетического сопряжения, которое перестраивает программы дифференцировки и эффекторные функции иммунных клеток⁷^,¹⁶^,¹⁷. Повышенный одноуглеродный обмен может влиять на метилирование-зависимые программы и метаболическую приспособленность T-клеток, однако направление и выраженность этих эффектов зависят от типа клеток и доступности питательных веществ¹⁷. Адаптивная иммунная регуляция также не ограничивается T-клетками: B-клетки, антительный ответ, презентация антигена и третичные лимфоидные структуры (TLS) были связаны с эффективностью иммунотерапии¹⁸. Эти наблюдения обосновывают необходимость многоуровневого анализа, позволяющего рассматривать потенциальный метаболический кандидат в контексте всей опухоли, отдельных клеток и функциональных показателей, не предполагая, что одна лишь согласованность данных разных платформ доказывает причинно-следственную связь.

В отличие от дизайна, основанного только на метаболомике, который выявляет измененные метаболиты без установления их клеточного источника или фенотипической значимости, и в отличие от дизайна, основанного только на объемной транскриптомике, который позволяет сделать вывод об активности путей без прямого наблюдения за изменениями метаболитов, данный рабочий процесс объединяет метаболомику парных тканей, объемную и одноклеточную транскриптомику, а также функциональные тесты in vitro. Согласованность данных на этих уровнях способствует приоритизации кандидатов и снижает зависимость от какой-либо одной аналитической платформы; однако полученные доказательства в отношении иммунной регуляции остаются ассоциативными, пока они не будут подтверждены в системах иммунного кокультивирования или in vivo.

Метаболомика парных образцов тканей при LUAD и прилегающей нормальной ткани легкого была впервые использована для выявления метаболических нарушений, связанных с глицином. Затем были интегрированы транскриптомные и клинические данные TCGA для оценки SHMT2 — митохондриального фермента SGOC, выбор которого был обоснован значимостью соответствующего пути, повышением экспрессии в опухоли, прогностической ассоциацией и возможностью экспериментального исследования. Профилирование иммунного микроокружения, картирование на уровне отдельных клеток и функциональная валидация in vitro впоследствии позволили создать многоуровневую систему генерации гипотез, охватывающую метаболические изменения, дисрегуляцию ферментов, клеточное распределение и фенотип опухолевых клеток. С практической точки зрения данный рабочий процесс требует свежезамороженных парных тканей. Идентификация метаболитов с помощью масс-спектрометрии является полуколичественной; кандидатные метаболиты должны быть подтверждены независимо. Прогнозы эффективности иммунотерапии (TIDE/TCIA) и выводы о чувствительности к препаратам (oncoPredict) представляют собой вычислительные оценки на основе транскриптома, которые не заменяют клиническую валидацию на реальных когортах пациентов, получающих ICI, и должны интерпретироваться как инструмент генерации гипотез.

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

Протокол

Данное исследование было одобрено Институциональным наблюдательным советом Второй аффилированной больницы Нанчанского университета (CDEFYYLK 3-05). До начала сбора образцов от всех пациентов было получено письменное информированное согласие в соответствии с Хельсинкской декларацией. Необработанные данные были экспортированы и проанализированы с использованием программного обеспечения и веб-ресурсов, перечисленных в Таблица материалов.

Сбор клинических образцов тканей

Парные образцы опухоли и соответствующей отдаленной нормальной ткани легкого были собраны у пациентов, перенесших хирургическую резекцию в период с января по июнь 2024 года с патологически подтвержденным диагнозом «инвазивная аденокарцинома легкого». Образцы извлекались оперирующим хирургом, обрабатывались в течение 5 min после резекции, немедленно подвергались шоковой заморозке в жидком азоте и хранились до начала анализа. Обезличенные клинико-патологические характеристики представлены в Дополнительной таблице 1.

Внутренняя экстрактивная масс-спектрометрия с электрораспылением (iEESI-MS) для дифференциации LUAD и нормальных тканей легких

Образцы тканей (1 mm³) анализировали методом iEESI-MS с использованием гибридного масс-спектрометра с линейной ионной ловушкой и электростатической орбитальной ловушкой в режиме положительных ионов. Растворитель для экстракции (метанол 100%) подавали со скоростью 3,0 µL/min при смещении +5 kV. Диапазон сканирования iEESI-MS¹ составлял m/z 50–2,000. Для iEESI-MS² использовали коллизионную диссоциацию с нормированной энергией соударений 25–35%, окном изоляции m/z 2,0 и временем динамического исключения 30 s. Ежедневная внешняя калибровка в соответствии со стандартной процедурой прибора обеспечивала погрешность определения массы <5 ppm. После медианной нормализации, log₂-преобразования и автоскейлинга проводили OPLS-DA с 200 пермутационными тестами. Аннотирование метаболитов осуществляли с помощью HMDB, а анализ обогащения метаболических путей проводили с использованием аннотаций KEGG.

Обработка данных масс-спектрометрии и идентификация метаболитов

Необработанные данные масс-спектрометрии (МС) были нормализованы методом медианной нормализации с последующим логарифмическим преобразованием (log₂) и автоскейлингом (центрирование по среднему и деление на стандартное отклонение каждой переменной). Для идентификации дискриминантных признаков m/z использовали ортогональный анализ дискриминантных функций на основе метода частичных наименьших квадратов (OPLS-DA). Признаки считались дифференциальными при VIP > 1.0, |log₂(FC)| > 0.58 и p < 0.05. Дифференциальные признаки подвергали анализу МС² и аннотировали с помощью базы данных Human Metabolome Database. Затем для выявления измененных путей и приоритизации соответствующих им ферментов использовали анализ обогащения метаболических путей на основе KEGG. Аннотированные дифференциальные метаболиты представлены в Дополнительной таблице 2.

Анализ экспрессии SHMT2, показателей выживаемости и клинико-патологических ассоциаций на основе данных TCGA

Профили экспрессии RNA-seq и соответствующие клинические аннотации для TCGA-LUAD были загружены из Genomic Data Commons 18 декабря 2025 года; опухоли (n = 542) и нормальные ткани (n = 59). Значения количества фрагментов на килобазу транскрипта на миллион картированных прочтений (FPKM) были преобразованы как log₂(FPKM + 1). В прогностический анализ были включены только образцы с полными данными о выживаемости. Значения экспрессии SHMT2 в опухолевых и нормальных тканях сравнивали с помощью рангового суммарного критерия Вилкоксона. Пациенты были разделены на группы с высокой и низкой экспрессией SHMT2 по медианному значению экспрессии. Общую выживаемость оценивали с помощью анализа Каплана-Мейера и лог-рангового критерия. Связь со стадией опухоли по системе TNM (tumor-node-metastasis), возрастом и полом оценивали с помощью критерия хи-квадрат или критерия Вилкоксона, в зависимости от ситуации. Зависимые от времени ROC-кривые (receiver operating characteristic) были построены для 1-, 3- и 5-летней выживаемости. Все статистические тесты были двухсторонними.

Анализ дифференциальной экспрессии и функциональное обогащение (GO/KEGG)

Дифференциально экспрессируемые гены (ДЭГ) между группами с высоким и низким уровнем экспрессии SHMT2 были определены с использованием ложноположительной частоты (FDR) < 0.05 и |log₂(FC)| ≥ 1. Результаты были визуализированы в виде графика «вулкан» и тепловой карты 40 наиболее значимых ДЭГ с Z-нормализацией по строкам. Для анализа обогащения Gene Ontology (GO) и KEGG использовалось скорректированное значение p < 0.05. Аннотации генов человека были получены из базы данных Ensembl в декабре 2025 года.

Иммунная инфильтрация, прогнозирование ответа на иммунотерапию и вывод о чувствительности к препаратам

Показатели микроокружения опухоли, включая ImmuneScore, StromalScore и ESTIMATEScore, были рассчитаны с помощью ESTIMATE. Состав иммунных клеток определяли с помощью CIBERSORT с использованием эталонного набора LM22 (загружен 5 декабря 2025 г.), 1000 перестановок и сохранением образцов с p < 0.05 для деконволюции. Погрупповые сравнения проводились между опухолями с высоким и низким уровнем экспрессии SHMT2. Корреляции Спирмена между SHMT2 и генами, связанными с иммунными контрольными точками, были визуализированы в виде корреляционной матрицы. Иммунофеноскоры были получены из TCIA, а TIDE использовался для дополнительного прогнозирования ответа на иммунотерапию. Чувствительность к препаратам определяли с помощью oncoPredict, обученного на выпуске GDSC от декабря 2023 г., для оценки значений IC₅₀. Для анализа межгрупповых различий использовали критерий Вилкоксона, а для оценки взаимосвязей непрерывных переменных — корреляцию Спирмена.

Анализ РНК-секвенирования единичных клеток при LUAD

Данные транскриптомики единичных клеток¹⁹ были загружены из базы данных Gene Expression Omnibus 20 декабря 2025 г. и проанализированы. Были отобраны клетки с количеством выявленных признаков от 200 до 6 000 и содержанием митохондриальных транскриптов < 10%. Нормализация количества прочтений проводилась с помощью LogNormalize с коэффициентом масштабирования 10 000; были выбраны 2 000 наиболее вариабельных генов, после чего все гены были масштабированы. Для анализа главных компонент использовались первые 20 компонент, для UMAP — измерения 1–20, а для кластеризации — разрешение 0,5. Аннотация типов клеток выполнялась с использованием референсного атласа Human Primary Cell Atlas. Пропорции типов клеток сравнивались между опухолевыми и нормальными образцами, также были построены матрицы корреляции Спирмена. Распределение SHMT2 изучалось в различных аннотированных типах клеток. Состояния клеточного цикла определялись с помощью cyclone и визуализировались с помощью ridge-графиков.

Культура клеток

Клетки BEAS-2B, H1299 и A549 культивировали при 37 °C в увлажненном инкубаторе при содержании 5% CO2₂ и относительной влажности воздуха приблизительно 95%, используя среды и добавки, указанные в Список материалов.

Количественная полимеразная цепная реакция с обратной транскрипцией в реальном времени (ОТ-кПЦР)

Общую РНК экстрагировали с использованием реагента для экстракции РНК на основе фенола. Экстрагированную РНК подвергали обратной транскрипции в кДНК с помощью мастер-микса для обратной транскрипции. Обратную транскрипцию проводили в 20 µL система с удалением геномной ДНК в 42 °C в течение 2 мин, обратная транскрипция при 50 °C в течение 15 мин, и прекращение реакции при 85 °C в течение 5 с. Количественную ПЦР проводили с использованием готовой смеси для кПЦР на основе ДНК-связывающего красителя на системе ПЦР в реальном времени с использованием 95 °C в течение 3 мин, затем 40 циклов: 95 °C в течение 10 с и 60 °C в течение 30 с, а затем этап построения кривой плавления с 95 °C в течение 15 с, 60 °C в течение 60 с, и 95 °C в течение 15 с. Все реакции проводили в трех повторностях. Относительную экспрессию рассчитывали с использованием 2^−ΔΔCtметод с использованием GAPDH в качестве референсного гена. Стоковые растворы праймеров готовили с концентрацией 10 µM в дважды дистиллированной воде и хранится при -20 °C в темноте. Последовательности праймеров приведены в Дополнительная таблица 3.

Вестерн-блоттинг

Общий клеточный белок экстрагировали с использованием буфера для радиоиммунопреципитационного анализа на льду в течение 30 min, после чего центрифугировали при 12,000 x g в течение 15 min при 4 °C. Белки разделяли методом 12% электрофореза в полиакриламидном геле с додецилсульфатом натрия и переносили на поливинилиденовые фторидные мембраны с размером пор 0.22 µm. Мембраны блокировали 5% (w/v) раствором обезжиренного молока в трис-солевом буфере с 0.1% Tween 20 (TBST) в течение 2 h при комнатной температуре, затем инкубировали в течение ночи при 4 °C с первичными антителами к anti-SHMT2 (1:1,000) и anti-GAPDH (1:2,000), разведенными в 5% обезжиренном молоке в TBST. После трех промывок по 8 min каждой в TBST (20 mM Tris-HCl, 150 mM NaCl, 0.1% Tween-20) мембраны инкубировали с вторичными антителами, конъюгированными с пероксидазой хрена (1:5,000), в течение 1 h при комнатной температуре. Сигналы визуализировали с использованием субстрата для усиленной хемилюминесценции, приготовленного путем смешивания равных объемов растворов A и B; инкубацию проводили в течение 2 min при комнатной температуре в темноте, после чего изображения фиксировали с помощью системы хемилюминесцентной визуализации.

Валидация иммуногистохимического анализа HPA

Профили экспрессии белка SHMT2 в нормальной ткани легкого и при LUAD оценивали с помощью HPA. В базе HPA был выполнен поиск по запросу «SHMT2», после чего для сравнения были загружены репрезентативные изображения иммуногистохимического (ИГХ) анализа и соответствующие патоморфологические аннотации. Чтобы минимизировать систематическую ошибку, связанную со специфичностью антител, приоритет отдавался антителам с более высоким уровнем валидации в HPA. При наличии данных результаты ИГХ с использованием нескольких антител подвергались перекрестной проверке (HPA020543 и HPA020549).

Нокдаун SHMT2 в клетках LUAD

Для изучения внутренней роли SHMT2 в опухолевых клетках при LUAD был выполнен нокдаун SHMT2 в клетках H1299 и A549 с использованием shRNA. shRNA переносился лентивирусным вектором с промотором H1 и селективным маркером пуромицина; при производстве вируса совместно трансфецировали упаковочные плазмиды. sh-SHMT2 был направлен на кодирующую область человеческого гена SHMT2, в то время как sh-NC служил скрамблированным отрицательным контролем. Подготовленные вирусные стоки имели титр ≥ 1 x 10⁸ трансдуцирующих единиц/мл и хранились при -80 °C. Клетки заражали подготовленными лентивирусными частицами sh-SHMT2 или sh-NC, описанными в таблице материалов. Через 48 ч эффективность нокдауна оценивали с помощью RT-qPCR и вестерн-блоттинга. Для анализов пролиферации, миграции и колониеобразования использовали только клетки с подтвержденным сайленсингом SHMT2.

Анализ пролиферации клеток

Пролиферацию клеток оценивали с помощью анализа CCK-8. Трансфицированные клетки H1299 и A549 высевали в 96-луночные планшеты в количестве 5 x 10³ клеток на лунку в шестикратной повторности. На 1, 2, 3, 4 и 5 дни в каждую лунку добавляли 10 µL реагента CCK-8 (10% от объема культуральной среды) и инкубировали в течение 2 ч при 37 °C. Оптическую плотность измеряли при 450 nm и использовали в качестве показателя жизнеспособности клеток.

Анализ заживления ран

Миграцию клеток оценивали с помощью теста на заживление раны (wound-healing assay). Трансфицированные клетки H1299 и A549 высевали в 6-луночные планшеты и культивировали до достижения 90–95% конфлюэнтности. С помощью стерильного наконечника пипетки объемом 200 µL создавали линейную «рану», после чего отделившиеся клетки удаляли осторожным промыванием фосфатно-солевым буферным раствором. Затем клетки содержали в безсывороточной или низкосывороточной среде, а область раны фотографировали через 0 h и 24 h с помощью инвертированного микроскопа. Степень закрытия раны количественно определяли с использованием программного обеспечения для анализа изображений, указанного в таблице материалов, и рассчитывали как процент сокращения площади относительно начальной площади раны.

Анализ колониеобразующей способности

Для анализа колониеобразования трансфицированные клетки H1299 и A549 высевали в 6-луночные планшеты в количестве 800 клеток на лунку и культивировали в течение примерно 10–14 дней до образования видимых колоний, осуществляя микроскопический мониторинг в процессе культивирования. Колонии фиксировали 4% параформальдегидом в течение 30 мин при комнатной температуре и окрашивали 0,1% кристаллическим фиолетовым в течение 15 мин при комнатной температуре. Под световым микроскопом подсчитывали колонии, содержащие более 50 клеток.

Статистический анализ для экспериментов in vitro

Все эксперименты in vitro проводились независимо как минимум трижды. Данные представлены в виде среднего значения ± стандартного отклонения. Для сравнения двух групп использовался t-критерий Стьюдента; значение p < 0,05 считалось статистически значимым.

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

Результаты

Метаболомика тканей выявляет обширное метаболическое ремоделирование при LUAD с выраженным обогащением путей, связанных с глицином

Образцы парных опухолевых и прилежащих нормальных тканей легкого от 23 пациентов с LUAD были профилированы методом прямого iEESI-MS; характеристики пациентов и аннотации дифференциальных метаболитов представлены в Дополнительной таблице 1 и Дополнительной таблице 2. После нормализации по log₂ анализ OPLS...

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

Обсуждение

В данном исследовании использовался последовательный подход, включающий метаболомный поиск, приоритизацию ферментов, транскриптомную интерпретацию, оценку иммунного контекста, локализацию на уровне единичных клеток и функциональную валидацию опухолевых клеток. Анализ выявил метаболическое перестроение, связанное с глицином и SGOC, при LUAD, а также установил связь SHMT2 с неблагоприятными исходами и более низким расчетным эффектом от иммунотерапии. Такая приоритизация является более надежной, чем использование одного оми...

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

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы благодарят пациентов и их семьи за участие в данном исследовании. Авторы также выражают признательность участникам баз данных TCGA, GEO и HPA за предоставление своих данных в открытом доступе. Данное исследование было профинансировано в рамках Программы ключевых исследований и разработок провинции Цзянси (грант № 20223BBG71009) и Национального фонда естественных наук Китая (гранты № 81860379 и 82160410).

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

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер
клетки A549	CCL-185	ATCC
антитела к GAPDH	M1310-2	Huaan Biotechnology
антитела к SHMT2	D197021	Sangon Biotech
клетки BEAS-2B	CRL-9609	ATCC
Набор для подсчета клеток Cell Counting Kit-8 (CCK-8)	K1018	APExBIO
База данных: TCGA / GDC	Дата обращения: 18.12.2025	Национальный институт рака (NCI)
База данных: GEO	Дата обращения: 20.12.2025	NCBI
База данных: HMDB	Дата обращения: 12.12.2025	База данных метаболома человека
База данных: KEGG	Дата обращения: 11.12.2025	Лаборатории Канехисы
База данных: Human Protein Atlas		Атлас белков
База данных: GDSC	выпуск 2023-12	Институт Сэнгера
База данных: Ensembl	2025-12	EMBL-EBI
База данных: TCIA	Дата обращения: 10.12.2025	Атлас иммунома моего рака
клетки H1299 (NCI-H1299)	CRL-5803	ATCC
вторичные антитела, конъюгированные с HRP	D110087	Sangon Biotech
HiScript II Q Select RT SuperMix	KR116	Tiangen Biotech
Система LightCycler 480	5015278001	Roche
Обезжиренное молоко	Распространенный лабораторный реагент	БД (или как используется)
ПВДФ-мембрана, 0.22 µm	GVHP00010 (или общепринятый лабораторный реагент)	MilliporeSigma (или согласно использованию)
Пакет R: pRoloc	1.40.0	Bioconductor
Пакет R: TCGAbiolinks	2.26.0	Bioconductor
Пакет R: survival	3.4-0	CRAN
Пакет R: survminer	0.4.9	CRAN
Пакет R: timeROC	1.0.4	CRAN
Пакет R: DESeq2	1.38.1	Bioconductor
Пакет R: ggplot2	3.4.4	CRAN
Пакет R: pheatmap	1.0.12	CRAN
Пакет R: clusterProfiler	4.6.2	Bioconductor
Пакет R: org.Hs.eg.db	3.16.0	Bioconductor
Пакет R: estimate	1.0.13	Bioconductor / GitHub
Пакет R: CIBERSORT	1	(автономный R-скрипт)
Пакет R: corrplot	0.92	CRAN
Пакет R: TIDE	0.3.0	пакет R
Пакет R: oncoPredict	1.1.1	CRAN / GitHub
Пакет R: GEOquery	2.66.0	Bioconductor
Пакет R: Seurat	4.3.0	CRAN
Пакет R: SingleR	1.10.0	Bioconductor
Пакет R: scran	1.26.0	Bioconductor
Мастер-микс для qPCR с SYBR Green (универсальный)	HY-K0501A	MedChemExpress (MCE)
Универсальный реагент TRIzol	DP424	Tiangen Biotech

Ссылки

Siegel RL, et al. Cancer statistics, 2025. CA Cancer J Clin. 2025;75(1):10-45.
Lim ZF, Ma PC. Emerging insights of tumor heterogeneity and drug resistance mechanisms in lung cancer targeted therapy. J Hematol Oncol. 2019;12(1):134.
Wang M, Herbst RS, Boshoff C. Toward personalized treatment approaches for non-small-cell lung cancer. Nat Med. 2021;27:1331-1340.
Passaro A, et al. Managing resistance to immune checkpoint inhibitors in lung cancer: treatment and novel strategies. J Clin Oncol. 2022;40:598-609.
Faubert B, Solmonson A, DeBerardinis RJ. Metabolic reprogramming and cancer progression. Science. 2020;368:eaaw5473.
Wei S, et al. Targeting serine-glycine-one-carbon metabolism as a vulnerability in cancers. Biomark Res. 2023;11:48.
Kao KC, Vilbois S, Tsai CH, Ho PC. Metabolic communication in the tumour-immune microenvironment. Nat Cell Biol. 2022;24(11):1574-1583.
Wong C, Qian Y, Yu J. Interplay between epigenetics and metabolism in oncogenesis: mechanisms and therapeutic approaches. Oncogene. 2017;36:3359-3374.
Xu M, Pei DS. Serine hydroxymethyltransferase 2: a novel target for human cancer therapy. Invest New Drugs. 2021;39:1671-1681.
Zeng Y, et al. Roles of mitochondrial serine hydroxymethyltransferase 2 (SHMT2) in human carcinogenesis. J Cancer. 2021;12(19):5888-5894.
Liberati FR, et al. RNA-mediated inhibition of mitochondrial SHMT2 impairs cancer cell proliferation. Cell Death Discov. 2025;11:369.
Fu R, et al. SHMT proteins: an emerging set of serine hydroxymethyltransferase in cancer. Cell Signal. 2025;135:111977.
Zhang Y, et al. SHMT2 promotes cell viability and inhibits ROS-dependent, mitochondrial-mediated apoptosis via the intrinsic signaling pathway in bladder cancer cells. Cancer Gene Ther. 2022;29(10):1514-1527.
Wens M, et al. Metabolic control of BRISC-SHMT2 assembly regulates immune signalling. Nature. 2019;570:460-464.
Ivashkiv LB. IFNγ: signalling, epigenetics and roles in immunity, metabolism, disease and cancer immunotherapy. Nat Rev Immunol. 2018;18:545-558.
De Martino M, Rathmell JC, Galluzzi L, Vanpouille-Box C. Cancer cell metabolism and antitumour immunity. Nat Rev Immunol. 2024;24:654-669.
Qi Y, et al. One-carbon metabolism shapes T cell immunity in cancer. Trends Endocrinol Metab. 2024;35:961-974.
Huang D, et al. The single-cell immunogenomic landscape of B and plasma cells in early-stage lung adenocarcinoma. Cancer Discov. 2022;12:2545-2563.
Dolgalev I, et al. Inflammation in the tumor-adjacent lung as a predictor of clinical outcome in lung adenocarcinoma. Nat Commun. 2023;14:6479.
Han T, et al. Phosphorylated SHMT2 regulates oncogenesis through m6A modification in lung adenocarcinoma. Adv Sci (Weinh). 2024;11:e2307834.
Lee GY, et al. Comparative oncogenomics identifies PSMB4 and SHMT2 as potential cancer driver genes. Cancer Res. 2014;74:3114-3126.
Bernhardt S, et al. Proteomic profiling of breast cancer metabolism identifies SHMT2 and ASCT2 as prognostic factors. Breast Cancer Res. 2017;19:112.
Yang G, Tan J, Guo J, Wu Z, Zhan Q. Exosome-mediated transfer of circ_0063526 enhances cisplatin resistance in gastric cancer cells via regulating the miR-449a/SHMT2 axis. Anticancer Drugs. 2022;33(10):1047-1057.
Parsa S, et al. The serine hydroxymethyltransferase-2 (SHMT2) initiates lymphoma development through epigenetic tumor suppressor silencing. Nat Cancer. 2020;1:653-664.
Cuthbertson CR, et al. A review of small-molecule inhibitors of one-carbon enzymes: SHMT2 and MTHFD2 in the spotlight. ACS Pharmacol Transl Sci. 2021;4:624-646.
Reina-Campos M, Scharping NE, Goldrath AW. CD8+ T cell metabolism in infection and cancer. Nat Rev Immunol. 2021;21:718-738.
Bacigalupa ZA, Landis MD, Rathmell JC. Nutrient inputs and social metabolic control of T cell fate. Cell Metab. 2024;36:10-20.
Li S, et al. Metabolic regulation of immunity in the tumor microenvironment. Cell Rep. 2025;44(11):116463.
Ouyang Y, et al. S-adenosylmethionine: a metabolite critical to the regulation of autophagy. Cell Prolif. 2020;53(11):e12891.
Wang R, et al. The interaction of innate immune and adaptive immune system. MedComm. 2024;5(10):e714.
Teillaud JL, et al. Tertiary lymphoid structures in anticancer immunity. Nat Rev Cancer. 2024;24:629-646.
Fridman WH, et al. B cells and tertiary lymphoid structures as determinants of tumour immune contexture and clinical outcome. Nat Rev Clin Oncol. 2022;19:441-457.
Lauss M, Donia M, Svane IM, Jönsson G. B cells and tertiary lymphoid structures: friends or foes in cancer immunotherapy? Clin Cancer Res. 2022;28(9):1751-1758.
Xi Y, et al. Macrophage efferocytosis mediated by the TP63-RAC2 pathway promotes immunosuppressive remodeling in esophageal cancer. Cell Rep Med. 2026;7(1):102529.
Jiang G, et al. SATB2 plays a critical role in pancreatic cancer cell proliferation, migration and T cell cytotoxicity. Cancer Genet. 2025;296-297:53-64.
Liu Y, et al. TRIM29 promotes glioblastoma progression via ubiquitinating NEFL and activating the PI3K/AKT signaling pathway. Cancer Genet. 2025;296-297:88-99.
Zhai H, et al. WDR54 enhances NF-κB signaling to promote progression of hepatocellular carcinoma. Cancer Genet. 2025;298-299:302-314.
Yin H, et al. PLAU serves as a prognostic biomarker correlated with perineural invasion in HNSCC. Cancer Genet. 2025;294-295:145-155.
Liu Z, et al. JAK inhibition in PD-1 immunotherapy and tumor microenvironment. Front Immunol. 2026;17:1790936.
DeNicola GM, et al. NRF2 regulates serine biosynthesis in non-small cell lung cancer. Nat Genet. 2015;47(12):1475-1481.
Zhang W, et al. NRF2-mediated persistent adaptation of oesophageal adenocarcinoma cells to HER2 inhibition. Oncogene. 2025;44(33):2929-2941.

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

Перепечатки и разрешения

Больше статей

Биомаркер SHMT2 метаболизм SGOC метаболомное профилирование иммунная контрольная точка секвенирование РНК единичных клеток иммунная дисфункция чувствительность к препаратам вестерн-блоттинг нокдаун SHMT2