Исследовательская статья

Прогностическое моделирование рака яичников на основе генов-мишеней лекарственных препаратов, связанных с периоперационной анестезией: биоинформатический подход

108 просмотров

⸱

DOI:

10.3791/72629

⸱

14 августа 2026 г.

 ,  ,  ,  ,  ,  , 
1Shanghai Key Lab of Reproduction and Development, Shanghai Key Lab of Female Reproductive Endocrine Related Diseases, Obstetrics & Gynecology Hospital of Fudan University, 2Department of Critical Care Medicine, Aerospace Center Hospital, 3Department of Anesthesiology, The First Affiliated Hospital of Dalian Medical University, 4Department of Anesthesiology, Peking Union Medical College Hospital

* These authors contributed equally

В этой статье

Краткое содержание

В данном исследовании гены-мишени препаратов, используемых при периоперационной анестезии, интегрированы с мультиомными данными по раку яичников для построения и валидации прогностической модели, а также для характеристики связанных с ней иммунных, пространственных и регуляторных особенностей.

Аннотация

Гетерогенность рака яичников (OV) создает значительные трудности при классификации подтипов заболевания, стратификации рисков и точном клиническом ведении пациентов. В связи с этим в данном исследовании была разработана прогностическая модель на основе генов-мишеней препаратов, применяемых при периоперационной анестезии (PARDTGs), для определения клинической значимости PARDTGs у пациентов с раком яичников. В исследовании был проведен комплексный анализ PARDTGs при раке яичников путем интеграции мультиомиксных данных, включая данные полнотранскриптомного секвенирования (bulk transcriptomics), данные секвенирования РНК единичных клеток (scRNA-seq) и данные пространственной транскриптомики. На основе характеристик экспрессии PARDTGs с помощью модели пропорциональных рисков Кокса с использованием метода stepAIC мы разработали прогностическую панель. Эта модель была построена на наборе данных TCGA-OV и валидирована с использованием наборов данных GSE26193, GSE30161 и GSE63885. Кроме того, мы построили номограммы, объединяющие признаки PARDTG и клинические факторы. Был проанализирован корреляционный анализ между показателями риска и функциональным обогащением, сигнальными путями и иммунным микроокружением опухоли. Нами было выявлено 17 PARDTGs, которые тесно связаны с прогнозом при раке яичников. Прогностическая панель, валидированная на когортах TCGA-OV, GSE26193, GSE30161 и GSE63885, продемонстрировала высокую точность прогнозирования общей выживаемости (OS). По сравнению с использованием только генной панели, номограмма, объединяющая прогностическую модель и клинические параметры, показала более высокую прогностическую эффективность. Кроме того, анализ микроокружения опухоли выявил значительное обогащение иммуноопосредованных путей и более низкие показатели TIDE у пациентов с низким риском, что указывает на более высокую вероятность получения пользы от иммунотерапии у данной группы пациентов. Данное исследование демонстрирует как прогностическую значимость, так и клиническую полезность PARDTGs при раке яичников. Интеграция генетических характеристик в клиническую диагностику открывает перспективы для улучшения клинического лечения и прогноза.

Введение

Рак яичников (OV) представляет собой распространенное и агрессивное злокачественное новообразование, характеризующееся скрытым течением на начальных этапах, высокой инвазивностью и неспецифическими ранними клиническими признаками. Исследования показали, что у большинства пациентов на момент постановки диагноза уже наблюдаются поздние клинические стадии, а общая пятилетняя выживаемость составляет менее 45%1. Несмотря на успехи в хирургии, химиотерапии и таргетной терапии, такие проблемы, как рецидив опухоли, химиорезистентность и уклонение от иммунного ответа, сохраняются, ограничивая эффективность лечения2. Таким образом, для решения проблемы гетерогенности опухолей и поддержки персонализированных клинических стратегий крайне необходимо выявление новых молекулярных биомаркеров и разработка надежных инструментов оценки рисков.

Хирургическая резекция и периоперационное ведение остаются основой лечения OV. Однако растущий объем данных свидетельствует о том, что периоперационный физиологический стресс, воспалительные реакции и иммунная модуляция могут влиять на биологическое поведение опухоли и, следовательно, на долгосрочный прогноз3. Поскольку анестетики являются ключевым компонентом периоперационного вмешательства, их воздействие не ограничивается подавлением центральной нервной системы. Современные исследования показывают, что методы анестезии и анестезирующие препараты могут модулировать нейроэндокринные ответы, воспалительные каскады и активность иммунных эффекторных клеток, тем самым изменяя послеоперационное микроокружение опухоли и влияя на миграционный потенциал опухолевых клеток, иммунный надзор и процессы, связанные с метастазированием4. Примечательно, что определенные анестетики напрямую изменяют судьбу опухолевых клеток: пропофол повышает выживаемость циркулирующих опухолевых клеток посредством Nrf2-опосредованного подавления ферроптоза, способствуя тем самым метастазированию5. Кетамин индуцирует ферроптоз в клетках гепатоцеллюлярной карциномы, контролируя ось lncPVT1/miR-214-3p/GPX4, что указывает на способность анестетиков напрямую влиять на определение судьбы опухолевой клетки6. Кроме того, бензодиазепины, являясь положительными аллостерическими модуляторами GABA-рецепторов, могут снижать противоопухолевую эффективность комбинаций химио- и иммунотерапии7. Тем не менее, текущие исследования сосредоточены преимущественно на отдельных анестетиках, и в них отсутствует систематический анализ их потенциального воздействия на уровне сети генных мишеней.

Гены-мишени препаратов для периоперационной анестезии (PARDTGs), являясь прямыми молекулярными субстратами действия анестетиков, участвуют в нескольких ключевых сигнальных путях, включая регуляцию нейромедиаторных рецепторов, поддержание гомеостаза кальция, динамику актинового цитоскелета и обратную связь в эндокринной оси стресса8,9. В условиях периоперационного хирургического стресса эти пути могут активироваться или подавляться, влияя на поляризацию иммунных клеток и ремоделирование опухолеассоциированного микроокружения8,10. Однако при раке яичников (OV) профиль экспрессии, функциональные характеристики и клиническая значимость PARDTGs остаются недостаточно изученными. В то же время появление методов scRNA-seq и пространственной транскриптомики позволило проводить профилирование экспрессии генов с клеточным разрешением и пространственной локализацией, что открывает новые перспективы в изучении пространственного распределения, микроокружения и клеточно-специфических эффектов генов-мишеней анестетиков в опухолевых тканях11.

В данном исследовании мы интегрировали PARDTGs с мультиомными наборами данных OV, систематически выявили дифференциально экспрессируемые гены и разработали универсальную прогностическую модель риска. Далее мы проанализировали биологическую основу стратификации рисков с точки зрения иммунной инфильтрации, характеристик стволовости, мутационного ландшафта и функциональных путей. Объединив данные мультимодального секвенирования, мы определили происхождение типов клеток и пространственные экологические ниши, построили регуляторные сети miRNA/транскрипционных факторов и провели панраковый анализ для подтверждения значимости результатов для различных типов опухолей. Эта работа предоставляет механистические доказательства для понимания потенциальной роли сетей мишеней анестетиков при OV и имеет трансляционное значение для клинической стратификации рисков, прогностического прогнозирования и стратегий периоперационного ведения пациентов.

Протокол

Сбор данных

Мы провели скрининг 120 генов-мишеней препаратов, связанных с периоперационной анестезией, на основе имеющейся литературы12 и перечислили их в Дополнительной таблице S1. Впоследствии профили экспрессии генов, клиническая информация и данные о выживаемости были получены из ресурса UCSC Xena TCGA TARGET GTEx Toil recompute (http://xena.ucsc.edu/). Набор данных экспрессии состоял из 420 образцов первичной серозной цистаденокарциномы яичников из The Cancer Genome Atlas (TCGA-OV) и 88 образцов нормального яичника из проекта Genotype-Tissue Expression (GTEx). Значения экспрессии генов были получены в виде значений FPKM на уровне генов RSEM, сгенерированных конвейером Toil13. Подробное описание потока образцов, иллюстрирующее включение образцов TCGA для каждого последующего анализа, приведено в Дополнительной таблице S2. Кроме того, для внешней валидации мы загрузили из базы данных GEO (http://www.ncbi.nlm.nih.gov/geo/) наборы данных GSE2619314 (n = 107 образцов), GSE3016115 (n = 58 образцов) и GSE6388516 (n = 70 образцов) для анализа профилей экспрессии генов и выживаемости соответствующих пациентов. Для обеспечения согласованности данных идентификаторы генов ENSEMBL были преобразованы в официальные символы генов. Гены, экспрессируемые менее чем в половине образцов, были отфильтрованы. Кроме того, мы получили из базы данных GEO набор данных одноядерного транскриптома рака яичников человека GSE15460017 и набор данных пространственного транскриптома рака яичников GSE211956-GSM6506110-SP118.

Обработка данных пространственного транскриптомного секвенирования при раке яичников

Данные пространственной транскриптомики обрабатывали с помощью Seurat19 (версия 5.4.0). Споты фильтровали, используя те же критерии контроля качества, что и при анализе секвенирования РНК отдельных клеток (nFeature_RNA: 200–5,000; процент митохондриальных генов < 10%). После нормализации и определения высоковариабельных генов проводили снижение размерности на основе метода главных компонентов (PCA), а кластеризацию выполняли с использованием графового алгоритма кластеризации Seurat. Подгруппы и паттерны экспрессии генов визуализировали с помощью функции SpatialFeaturePlot. Кроме того, уровни экспрессии генов на уровне пространственного транскриптома визуализировали и анализировали с помощью «AUCell»19 (версия 1.32.0).

анализ данных scRNA-seq

Данные секвенирования РНК одиночных клеток из набора GSE154600 были проанализированы с использованием пакета Seurat (версия 5.4.0)19. Низкокачественные клетки были удалены на основании критериев контроля качества. Были исключены клетки, в которых было обнаружено менее 200 или более 5 000 генов, а также клетки, в которых доля митохондриальных генов превышала 10%. После нормализации с помощью функции NormalizeData методом VST были определены 2 000 наиболее вариабельных генов. На основе вариабельных генов был проведен анализ главных компонент (PCA), и первые 15 главных компонент были использованы для кластеризации и снижения размерности. Клеточные кластеры были определены с помощью функций FindNeighbors и FindClusters с разрешением 0,5 с последующей визуализацией с помощью UMAP и t-SNE. Для идентификации маркерных генов различных клеточных кластеров использовалась функция FindAllMarkers. Кроме того, мы аннотировали клеточные кластеры с использованием базы данных CellMarker 2.020 и провели количественный анализ активности генов с помощью функции ssGSEA пакета GSVA (версия 2.4.9).

Анализ дифференциально экспрессируемых генов (DEG) и функциональный анализ

Анализ дифференциальной экспрессии проводили с помощью пакета «limma»21 (версия 3.56.2) на основе профилей экспрессии PARDTGs в тканях рака яичников и нормальных тканях яичников. Перед анализом значения экспрессии FPKM подвергали log2-преобразованию по формуле log2(FPKM+1). Для выявления дифференциально экспрессируемых PARDTGs применяли стандартную линейную модель, реализованную в пакете limma. Гены с ложноположительной частотой (FDR) < 0.05 и |log2 fold change (FC)| > 1 считались значимо дифференциально экспрессируемыми. Анализ обогащения GO и KEGG для дифференциально экспрессируемых PARDTGs выполняли с помощью ClusterProfiler22 (версия 4.8.3). Для выявления соматических мутаций в PARDTGs при раке яичников с помощью «maftools»23 (версия 2.16.0) строили водопадные диаграммы. Затем с использованием репозитория STRING (версия 12.0) при параметрах по умолчанию была построена сеть белок-белковых взаимодействий (PPI) для PARDTGs.

Разработка системы оценки риска на основе PARDTG

Для выявления оптимальных PARDTGs был проведен пошаговый регрессионный анализ пропорциональных рисков Кокса с целью поиска прогностически значимых генов среди дифференциально экспрессируемых PARDTGs и определения их вклада в общую выживаемость при раке яичников (OV). Допущение о пропорциональности рисков для окончательной многофакторной модели регрессии Кокса оценивали с помощью тестов остатков Шенфельда, реализованных в функции cox.zph пакета R survival (версия 3.5.5). Прогностический показатель риска рассчитывали на основе уровней экспрессии сигнатурных генов и соответствующих им коэффициентов регрессии Кокса. Учитывая гетерогенность различных транскриптомных платформ, прогностические модели оценивали независимо в когортах TCGA-OV, GSE26193, GSE30161 и GSE63885. Для каждой когорты профили экспрессии сигнатурных генов использовали для расчета специфических для данной когорты показателей риска, а пациентов разделяли на группы высокого и низкого риска, используя медианное значение показателя риска в качестве порога. Общую выживаемость (OS) в двух группах сравнивали с помощью анализа Каплана — Майера, статистическую значимость оценивали с помощью лог-рангового критерия. Затем независимая прогностическая ценность показателя риска оценивалась с помощью одномерного и многофакторного регрессионного анализа пропорциональных рисков Кокса.

Разработка прогностической клинической модели для рака яичников

Чтобы определить, предоставляет ли показатель риска прогностическую информацию помимо традиционных клинических переменных, были проведены однофакторный и многофакторный регрессионные анализы пропорциональных рисков Кокса, включающие показатель риска вместе с клинико-патологическими характеристиками. Впоследствии были построены прогностические номограммы, в качестве входных параметров которых использовались молекулярный показатель риска и клинически значимые переменные, такие как стадия и степень злокачественности опухоли. Переменные отбирались на основании их клинической значимости и цели разработки комплексной прогностической модели, а не только по критерию статистической значимости. Номограммы были созданы с помощью пакета «rms»24 (версия 6.7.1) для оценки вероятности общей выживаемости через 1, 3 и 5 лет на основе общих баллов, рассчитанных по отдельным переменным.

Характеристика иммунных свойств

Инфильтрацию иммунных клеток оценивали с помощью алгоритма CIBERSORT с использованием сигнатурной матрицы LM22. Анализ проводили с использованием 1 000 перестановок; образцы со значением P-value деконволюции < 0,05 считались статистически достоверными. Диаграммы «водопад» (waterfall diagrams) были созданы с помощью maftools (версия 2.16.0) для иллюстрации распространенности высокомутировавших генов при раке яичников. Анализ обогащения наборов генов (GSEA) проводили с помощью ClusterProfiler (версия 4.8.3) с порогом значимости p < 0,05.

Построение сети ceRNA

В данном исследовании для анализа взаимодействия между прогностическими генами и факторами транскрипции использовался инструмент NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25. Сеть ко-регуляции miRNA-TF была построена с помощью NetworkAnalyst 3.0.

Образцы тканей при раке яичников

Ткани карциномы яичника и соответствующие прилегающие образцы нормальной ткани (N = 6) были получены от пациентов, перенесших плановую хирургическую резекцию. Протокол исследования был одобрен комитетом по этике акушерства & Гинекологическая больница Университета Фудань (2024-54-X1); от всех участников было получено письменное информированное согласие. Данное исследование было проведено в соответствии с Хельсинкской декларацией.

Вестерн-блот анализ

Общий белок экстрагировали из образцов тканей человека с использованием лизирующего буфера RIPA, содержащего фенилметилсульфонилфторид (PMSF), коктейль ингибиторов протеаз и ингибиторы фосфатаз. Концентрацию белков определяли с помощью белкового анализа с бицинхониновой кислотой (BCA). Равные количества белка разделяли методом электрофореза в полиакриламидном геле с SDS (SDS-PAGE) с последующим переносом на мембраны из поливинилиденфторида (PVDF). После переноса мембраны блокировали в течение 90 мин при комнатной температуре 5% раствором обезжиренного молока в TBS-T. Затем мембраны инкубировали в течение ночи при 4 °C с первичными антителами к Cytokeratin 81 (кроличьи поликлональные, 1:2,000) или GAPDH (мышиные моноклональные, 1:10,000). После промывки в течение 90 мин при комнатной температуре наносили соответствующие вторичные антитела. Полосы белков визуализировали с использованием реагента для усиленной хемолюминесценции (ECL) и фиксировали с помощью коммерческой системы визуализации. Денситометрический анализ проводили в программе ImageJ, экспрессию KRT81 нормировали относительно контрольного белка GAPDH. Различия в экспрессии белков между парными образцами оценивали с помощью парного t-критерия; статистически значимыми считали значения P < 0.05.

Панраковый анализ

В данном исследовании для определения взаимосвязей между уровнями экспрессии KRT81 использовался инструмент TCGAplot26 (версия 5.0.0). Для расчета статистических корреляций применялся корреляционный анализ Пирсона. Мутационный профиль KRT81 при различных видах рака изучался с помощью платформы cBioPortal (http://www.cbioportal.org/) (версия 7.0.6).

Статистический анализ

Весь анализ данных проводили с использованием программного обеспечения R (версия 4.3.1). Сравнения между двумя группами выполняли с помощью критерия суммы рангов Уилкоксона, а различия между тремя или более группами оценивали с использованием критерия Краскела–Уоллиса. Общую выживаемость анализировали методом Каплана–Мейера, а статистическую значимость различий между кривыми выживаемости определяли с помощью лог-рангового критерия. Если не указано иное, двустороннее значение P < 0,05 считалось статистически значимым. Уровни значимости обозначены следующим образом: P < 0,05 *, P < 0,01 **, P < 0,001 *** и P < 0,0001 ****.

Результаты

Иммунные характеристики генов-мишеней препаратов для периоперационной анестезии в пространственном и одноклеточном транскриптомных анализах

Для коррекции глубины секвенирования и реализации соответствующих процедур использовался метод SCTransform, что в итоге позволило идентифицировать 11 различных типов клеток. Чтобы оценить значимость генов-мишеней препаратов, применяемых при периоперационной анестезии (PARDTGs), в каждой субпопуляции клеток, мы использовали пакет AUCell для языка R для определения активности PARDTG в каждой субпопуляции (Рисунок 1A,B). Впоследствии мы рассчитали корреляцию между обилием клеток и активностью, связанной с PARDTG во всех локусах, используя ранговую корреляцию Спирмена. Примечательно, что активность PARDTG отрицательно коррелировала с опухолевыми клетками (Рисунок 1C). Мы получили данные секвенирования РНК отдельных клеток от 5 пациенток с раком яичников (OV), containing всего 41 367 клеток. На основании экспрессии маркерных генов клетки были разделены на 11 основных кластеров (Рисунок 1D). Сети взаимодействий и сила взаимодействий для типов клеток показаны на Рисунке 1E. Мы оценили активность PARDTG во всех единичных клетках, рассчитав баллы экспрессии 120 PARDTGs с помощью ssGSEA в Seurat (Рисунок 1F). Поразительно, что опухолевые клетки демонстрировали значительно более низкую активность, чем все остальные типы клеток (Рисунок 1G).

Идентификация и молекулярная характеристика генов-мишеней препаратов для периоперационной анестезии при раке яичников

С помощью базы данных TCGA мы выявили 68 дифференциально экспрессируемых PARDTG, которые представлены на Рисунке 2A (см. также Дополнительную таблицу S3). На Рисунке 2B описана экспрессия этих 68 DEGs, связанных с периоперационной анестезией, в когорте TCGA-OV. Впоследствии мы построили сеть PPI для выяснения сложных взаимосвязей между белками, связанными с DEGs. Мы идентифицировали пять потенциальных генных хабов — SLC6A4, CHRNA4, DRD2, SLC6A3 и GRIN2A, которые могут оказывать важное влияние на патогенез рака яичников (Рисунок 2C). Кроме того, мы исследовали профиль молекулярных изменений 120 PARDTGs при раке яичников, при этом наиболее распространенным типом вариантов оказались нонсенс-мутации (Рисунок 2D). Наиболее часто мутировавшими генами были SCN10A, DNMT1, GRIN2A, LTF и SCN11A. Мы изучили распространенность мутаций с изменением числа копий (CNV), и результаты показали, что 20 наиболее мутировавших PARDTGs демонстрируют значительные изменения CNV (Рисунок 2E). Анализ обогащения GO и KEGG показал, что PARDTGs связаны с передачей сигналов нейроактивных лигандов, путями передачи сигналов кальция, гормональной сигнализацией, амфетаминовой зависимостью, кокаиновой зависимостью и взаимодействиями нейроактивных лигандов с рецепторами (Рисунок 2F,G).

Построение и валидация прогностической модели на основе генов-мишеней препаратов, применяемых при периоперационной анестезии

Для минимизации сложности модели для сокращения набора генов использовался метод StepAIC, в результате чего для построения прогностической модели было отобрано 17 PARDTG (Дополнительная таблица S4). Глобальный тест остатков Шенфельда не выявил значимого отклонения от допущения о пропорциональности рисков (p = 0,265), что подтверждает надежность прогностической модели из 17 генов. Показатель риска был рассчитан по следующему уравнению: показатель риска = ADRA1D*(0.4452) + ADRB1*(-0.5347) + CHRNA4*(0.3495) + DBH*(-0.5765) + EPHA4*(0.2827) + EPHA7*(-0.5707) + EPHA8*(0.8765) + GABRB2*(0.5979) + GRIN2A*(-0.1750) + GRIN2D*(0.2746) + KCNA1*(2.2753) + KRT81*(0.1101) + OPRD1*(-3.2372) + SLC6A2*(1.4901) + SLC18A1*(4.2170) + SLC18A2*(-1.4600) + CHRNA1(-0,1723). Впоследствии пациенты были разделены на категории низкого и высокого риска в соответствии с их показателями риска, при этом в группе низкого риска наблюдалось значительное улучшение общей выживаемости (OS) по сравнению с группой высокого риска в когорте TCGA-OV (Рисунок 3A, p < 0,0001), когорта GSE26193 (Рисунок 3B, p = 0,00021), когорта GSE30161 (Рисунок 3C, p = 0,0017), и когорта GSE63885 (Рисунок 3D, p = 0,0041). Более того, Рисунок 3E–H проиллюстрируйте распределение статуса выживаемости и показателей риска в когортах TCGA-OV, GSE26193, GSE30161 и GSE63885, что обеспечит независимое подтверждение стабильности и прогностической надежности данной прогностической модели при раке яичников.

Создание и оценка модели выживаемости на основе номограммы

Как однофакторный, так и многофакторный регрессионный анализ Кокса показали, что оценка риска служит независимым предиктором прогноза у пациентов с раком яичников (Рисунок 4A,B). Распределение экспрессии генов модели, соответствующих оценок риска и клинико-патологических характеристик в когорте TCGA-OV представлено на Рисунке 4C. Для повышения клинической применимости была создана прогностическая номограмма, включающая оценку риска вместе с возрастом, стадией и степенью злокачественности опухоли, для оценки общей выживаемости (OS) (Рисунок 4D). Интегрированная номограмма продемонстрировала более высокую прогностическую эффективность по сравнению с использованием только генной сигнатуры. Анализ выживаемости дополнительно показал значительно более длительную OS в группе низкого риска по сравнению с группой высокого риска (Рисунок 4E; P < 0.0001). Комбинированная модель дала значения временно-зависимых AUC 0,769, 0,690 и 0,728 для прогнозирования OS (Рисунок 4F). Анализ кривых принятия решений подтвердил потенциальную клиническую полезность номограммы, продемонстрировав более высокую чистую выгоду в диапазоне пороговых вероятностей (Рисунок 4G). Кроме того, калибровочные графики указали на тесное соответствие между прогнозируемой и наблюдаемой вероятностями выживаемости, что свидетельствует о хорошей калибровке модели (Рисунок 4H). В совокупности эти результаты указывают на то, что предложенная номограмма обладает высокой прогностической способностью для оценки прогноза пациентов с раком яичников (OV).

Связь прогностической модели на основе PARDTG с иммунной инфильтрацией и иммунным микроокружением опухоли

Для характеристики иммунной инфильтрации была количественно определена численность иммунных клеток во всех образцах. Семнадцать генов были определены как значимо связанные с опухоль-инфильтрирующими иммунными клетками, среди которых ADRA1D, KCNA1 и SLC18A2 продемонстрировали положительную корреляцию с макрофагами M2 (Рисунок 5A). Далее мы исследовали паттерны клеточной локализации этих генов. Анализ с помощью диаграмм рассеяния (dot plot) показал, что KRT81 преимущественно экспрессировался в клетках CD8Tex и Tprolif, в то время как экспрессия EPHA4 была в основном обогащена в эндотелиальных клетках и фибробластах, что указывает на их потенциальную вовлеченность в различные клеточные компартменты внутри микроокружения опухоли (Рисунок 5B). Кроме того, мы оценили показатели TIDE у пациентов и обнаружили, что в подкластере высокого риска показатели TIDE были выше и наблюдалась положительная корреляция (Рисунок 5C). Более того, показатели обогащения стволовости были значимо выше в группе высокого риска, чем в группе низкого риска (Рисунок 5D). Анализ соматических мутаций выявил высокую общую частоту мутаций в обеих группах риска (Рисунок 5E,F). Среди них частоты мутаций CSMD3 и MUC16 были выше в образцах высокого риска.

Анализ GSEA показал, что иммуноопосредованные пути, включая процессинг и презентацию антигенов, а также отторжение аллотрансплантата, были значительно обогащены в группе низкого риска, тогда как пути, связанные с инвазией и подвижностью опухоли, такие как регуляция актинового цитоскелета, протеогликаны при раке и моторные белки, были преимущественно обогащены в группе высокого риска (Рисунок 5G,H). Эти данные позволяют предположить, что пациенты в группе высокого риска могут проявлять ограниченный ответ на иммунотерапию.

Идентификация и сетевой анализ прогностических PARDTGs при раке яичников

Для выяснения механизма мы идентифицировали 490 миРНК и 17 потенциальных регуляторных сетей биомаркеров (Рисунок 6A). Среди них hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p и hsa-miR-20b-5p обладают потенциалом регулировать большинство генов. В конечном итоге результаты нашего исследования позволили выявить 37 факторов транскрипции, регулирующих гены-кандидаты для диагностики (Рисунок 6B). Кроме того, было обнаружено, что FOXC1 также выполняет несколько регуляторных функций.

Панраковый анализ экспрессии KRT81

Для оценки экспрессии KRT81 были получены данные RNA-seq из базы TCGA. Результаты показали, что данный ген высоко экспрессируется в большинстве видов рака, но имеет низкий уровень экспрессии при GBM, LGG, SKCM, TGCT и THCA (Рисунок 7A). Чтобы подтвердить результат биоинформатического анализа о высокой экспрессии KRT81 при раке яичников, мы провели эксперимент по вестерн-блоттингу. Результаты indicated, что экспрессия KRT81 была значительно повышена в опухолевых тканях по сравнению с нормальными тканями, что в значительной степени соответствовало транскриптомным данным TCGA (Рисунок 7B, Дополнительный рисунок S1 и Дополнительная таблица S5). Чтобы проиллюстрировать взаимосвязь между KRT81 и раком, мы изучили экспрессию генов и инфильтрацию иммунных клеток (Рисунок 7C). Анализ выявил, что экспрессия KRT81 положительно коррелировала с инфильтрацией T-клеток, Tregs и M2-макрофагов в большинстве видов рака. Кроме того, экспрессия KRT81 была положительно связана со стромальным и иммунным индексами в большинстве видов рака (Рисунок 7D). Далее мы проанализировали корреляцию между экспрессией KRT81 и показателем анеуплоидии (Aneuploidy Score); лепестковая диаграмма показала, что KRT81 коррелирует с Aneuploidy Score при UCEC, SARC, LUAD, LIHC и KIRP (Рисунок 7E). Затем мы проанализировали корреляцию между KRT81 и плоидностью опухоли (Tumor Ploidy), и лепестковая диаграмма показала, что KRT81 коррелирует с Tumor Ploidy при THCA, TGCT, SARC, MESO, LIHC и CESC (Рисунок 7F). После этого лепестковая диаграмма продемонстрировала корреляцию KRT81 с неоантигенами SNV при UCEC, THYM, LUAD, LIHC, GBM и BRCA (Рисунок 7G). Более того, онлайн-анализ cBioPortal выявил, что самая высокая частота мутаций гена KRT81 наблюдалась при UCEC, где преобладали типы «мутация» и «амплификация» (Рисунок 7H,I). С помощью одномерного регрессионного анализа пропорциональных рисков Кокса мы определили, что KRT81 является предиктором общей выживаемости (OS) при KIRC, LUAD и STAD (Рисунок 7J).

Доступность данных:

Общедоступные наборы данных, проанализированные в данном исследовании, доступны в TCGA, UCSC Xena и GEO. Оригинальные изображения вестерн-блоттинга и соответствующие количественные данные, полученные в ходе данного исследования, представлены в Дополнительных материалах (Дополнительный рисунок S1 и Дополнительная таблица S5).

Пространственный транскриптомный анализ: тепловые карты экспрессии генов, графики корреляции, сети клеточных взаимодействий.
Рисунок 1. Характеристики, связанные с PARDTG, при пространственном анализе и scRNA-seq. (A,B) Пространственное картирование интенсивности экспрессии PARDTG (C), корреляция Спирмена активности, связанной с PARDTG. (D) Анализ типов клеток. (E) Анализ количества и силы взаимодействий между типами клеток. (F) Значение обогащения PARDTG в клетках. (G) Распределение PARDTG. Сокращения: PARDTG = гены-мишени препаратов, связанных с периоперационной анестезией; scRNA-seq = секвенирование РНК единичных клеток. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

График вулкана, тепловая карта, сетевая диаграмма для анализа генетической экспрессии; данные о мутациях, CNV и путях.
Рисунок 2. Ландшафт генетических изменений PARDTGs у пациентов с OV. (A) Визуализация DEGs при OV на графике вулкана (синий: DEGs с пониженной экспрессией; красный: DEGs с повышенной экспрессией; серый: стабильные гены), FDR < 0.05 и |log2FC| > 1. (B) Тепловая карта, иллюстрирующая дифференциально экспрессируемые признаки между группами OV и нормальной группой. Синий цвет — нормальная группа, красный — группа OV; синий квадрат представляет низкую экспрессию, а желтый квадрат — высокую экспрессию. (C) Сеть PPI для DEGs, связанных с периоперационной анестезией, полученная с веб-сайта String. (D) Топ-20 PARDTGs в когорте TCGA. (E) Частота прироста CNV, потери CNV и отсутствия CNV среди топ-20 PARDTGs. (F) Точечный график GO для обогащенных терминов GO. (G) Столбчатая диаграмма обогащенных путей KEGG. OV = рак яичников; GO = Gene Ontology; KEGG = Киотская энциклопедия генов и геномов; PPI = белок-белковое взаимодействие. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики анализа выживаемости Каплана-Мейера, сравнивающие данные о времени до наступления события для стратификации риска пациентов.
Рисунок 3. Построение и валидация прогностической панели на основе PARDTG для рака яичников. (A-D). Общая выживаемость (OS) у пациентов с низким и высоким риском в (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885. (E-H) Распределение показателя риска, связанного с PARDTG, с использованием статуса выживаемости и времени в (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Анализ прогноза рака с использованием номограммы; отношения рисков, тепловая карта, кривая выживаемости, ROC, калибровка.
Рисунок 4. Построение и валидация прогностической номограммы на основе сигнатуры риска, производной от PARDTG. (A,B) Клинико-патологические характеристики и показатели риска в когорте TCGA-OV. (C) Распределение клинических характеристик и экспрессия генов модели в зависимости от показателя риска. (D) Номограмма для прогнозирования исхода у пациентов с OV. (E) Анализ Каплана-Мейера для двух групп OV. (F) ROC-анализ в TCGA-OV. (G) DCA демонстрирует чистую выгоду номограммы и других клинических характеристик. (H) Калибровочные графики показывают OS в TCGA-OV. Сокращения: ROC = рабочая характеристика приемника; DCA = анализ кривых принятия решений. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Корреляция экспрессии генов на тепловой карте, точечной диаграмме и скрипичной диаграмме, демонстрирующая анализ рисков и частоту мутаций.
Рисунок 5. Анализ микроокружения опухоли у пациентов с низким и высоким риском. (A) Корреляция между инфильтрующими опухоль иммунными клетками и генами в прогностической модели, связанной с PA. (B) Пузырьковая диаграмма, показывающая среднюю экспрессию и долю прогностических биомаркеров в различных подтипах клеток. (C) Скрипичная диаграмма показателей TIDE. (D) Скрипичная диаграмма показателей обогащения стволовости опухоли. (E,F) Диаграмма-водопад, отображающая характеристики соматических мутаций в категориях (E) низкого и (F) высокого риска. (G,H) Результаты GSEA для путей KEGG в (G) подгруппе с низким риском и (H) подгруппе с высоким риском. Сокращения: TIDE = иммунная дисфункция и исключение опухоли; GSEA = анализ обогащения наборов генов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Схема сети генного взаимодействия, иллюстрирующая сложные взаимосвязи и связность генов.
Рисунок 6. Анализ сети взаимодействия прогностических маркеров. (A) Сеть корегуляции miRNA и прогностических маркеров. (B) Сеть корегуляции транскрипционных факторов и прогностических маркеров. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Исследование биомаркеров рака; графики и тепловые карты; опухолевые маркеры, экспрессия генов, статистический анализ.
Рисунок 7. Уровень экспрессии, иммунные характеристики и генетические изменения KRT81 в опухолях человека. (A) Экспрессия KRT81 в опухолях TCGA и прилежащих тканях. (B) Вестерн-блот-анализ экспрессии белка KRT81 в парных образцах прилежащей нормальной ткани и опухолевой ткани у шести пациентов с раком яичников (n = 6). Относительная интенсивность полос была нормализована по GAPDH, данные анализировались с помощью парного t-критерия. Данные представлены как среднее значение ± SD.   (C) Тепловая карта корреляции между KRT81 и соотношением иммунных клеток. (D) Тепловая карта корреляции между KRT81 и показателями иммунного, стромального и ESTIMATE баллов. (E-G) Корреляция между экспрессией KRT81 и (E) баллом анеуплоидии (Aneuploidy Score), (F) плоидностью опухоли (Tumor Ploidy), (G) неоантигенами SNV в базах данных TCGA. (H) Мутации KRT81 при различных типах рака по данным базы cBioPortal. (I) Распределение сайтов мутаций KRT81 в панракетном анализе. (J) Панракетный регрессионный анализ Кокса для KRT81 по данным TCGA. *p < 0.05; ***p < 0.001; ****p < 0.0001. Сокращения: SNV = однонуклеотидный вариант; N = норма; T = опухоль. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Дополнительная таблица S1: Гены-мишени препаратов, связанных с периоперационной анестезией. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица S2: Описание потока образцов.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица S3: Дифференциально экспрессируемые гены-мишени препаратов для периоперационной анестезии.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица S4: Прогностические гены-мишени препаратов для периоперационной анестезии.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица S5: Исходные данные вестерн-блоттинга.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок S1: Исходные данные вестерн-блоттинга.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Периоперационная анестезия, являясь неизбежным компонентом протоколов лечения рака, привлекает все больше внимания из-за своих потенциальных иммуномодулирующих эффектов, способности к ремоделированию микроокружения и возможного стимулирования диссеминации опухоли. Поскольку рак все чаще рассматривается как системное и экологическое заболевание, а не просто как строго генетически обусловленный очаговый поражение27, периоперационная физиологическая дисрегуляция, воспалительные реакции и метаболический стресс могут изменять микроокружение и влиять на траектории эволюции опухоли. С помощью интеграции многослойного транскриптома в данном исследовании были систематически описаны паттерны экспрессии, биологические связи и прогностическая значимость PARDTGs при раке яичников (OV), что дает потенциальные ключи к реализации прецизионной периоперационной анестезии.

Пространственное и одноклеточное транскриптомное профилирование выявило выраженную пространственную вариабельность активности PARDTG, характеризующуюся снижением активности в эпителиальных клетках опухоли и повышением активности в иммунных, эндотелиальных клетках и фибробластах. Эта модель «обогащения в неопухолевых клетках» позволяет предположить, что сеть мишеней анестетика может оказывать свое воздействие преимущественно за счет модуляции состояний стромальных и иммунных клеток, а не через прямые внутренние механизмы опухолевых клеток. Данное наблюдение согласуется с концепцией, согласно которой прогрессирование опухоли совместно определяется опухолевыми клетками и микроокружением хозяина28. Примечательно, что вызванное хирургическим вмешательством острое воспаление, транзиторная иммуносупрессия и ремоделирование тканей могут создавать кратковременное микроокружение заживления ран, которое опухоли могут использовать для повышения риска диссеминации и рецидива29.

Дальнейший анализ когорты TCGA позволил выявить 68 дифференциально экспрессируемых PARDTGs, значительно обогащенных в процессах взаимодействия нейроактивных лигандов с рецепторами, кальциевой сигнализации и путях, связанных с зависимостью. Построенная сеть PPI выявила несколько центральных генов, относящихся к транспортерам и рецепторам нейротрансмиттеров, таких как DRD2, SLC6A3, и SLC6A430, что указывает на дополнительный регуляторный вклад периоперационной нейротрансмиттерной сигнализации в прогрессирование рака яичников. Недавние исследования показали, что DRD2 антагонист ONC206 подавляет пролиферацию и инвазию в клетках рака яичников и на моделях трансгенных мышей, индуцируя остановку клеточного цикла и апоптоз, что подчеркивает терапевтический потенциал данной оси. CHRNA4 и GRIN2A кодируют белки холинорецепторов и NMDA-рецепторов соответственно; активация этих рецепторов способствует повышению уровня внутриклеточного Ca2⁺ приток31,32, в то время как нарушение гомеостаза кальция может привести к перестройке цитоскелета и активации стимулирующих рост опухоли транскрипционных программ33Кроме того, рецепторы, связанные с зависимостью (например, μ-опиоидные рецепторы), были связаны с активацией mTORC1 и уклонением от иммунного ответа.34В совокупности эти данные указывают на возможное взаимодействие между путями воздействия анестетиков и периоперационной стресс-нейроиммунной сетью, что влияет на пластичность опухоли и риск рецидива в коротком периоперационном окне.

Модель риска из 17 генов продемонстрировала стабильную прогностическую эффективность в нескольких независимых когортах. У пациентов высокого риска была выявлена обогащенность таких путей, как «Regulation of actin cytoskeleton» и «Proteoglycans in cancer», что указывает на усиление ремоделирования цитоскелета и метастатического потенциала. Иммунный профиль выявил более высокую пропорцию макрофагов M2, ап-регуляцию генов, связанных с иммунными контрольными точками, и повышенные показатели TIDE в группе высокого риска. Макрофаги M2 способствуют уклонению от иммунного ответа, а послеоперационная воспалительная активация может стимулировать привлечение миелоидных супрессорных клеток (MDSCs)35. Примечательно, что EPHA4 преимущественно экспрессировался в субпопуляциях эндотелиальных клеток и фибробластов, что предполагает его потенциальное участие в регуляции сосудов, стромальном ремоделировании и взаимодействиях в микроокружении опухоли. EPHA4 является членом семейства рецепторных тирозинкиназ Eph и функционирует как важный медиатор межклеточной коммуникации через Eph/ephrin-сигналинг. Активация EPHA4 может регулировать нижележащие пути, участвующие в перестройке цитоскелета, адгезии, миграции клеток и организации внеклеточного матрикса36. В микроокружении опухоли нарушение сигналинга EPHA4 связывают с усилением инвазии опухолевых клеток, ангиогенным ответом, активацией стромы и взаимодействием злокачественных клеток с окружающими стромальными компонентами37. Эти результаты позволяют предположить, что EPHA4 может способствовать агрессивным биологическим характеристикам пациентов высокого риска, модулируя сосудисто-стромальную коммуникацию и экологическое ремоделирование опухоли. Одновременно с этим у пациентов высокого риска наблюдалась более высокая частота мутаций в таких генах, как MUC16 и CSMD3, которые участвуют в стромальных взаимодействиях и уклонении от иммунного ответа38,39. В совокупности данные свидетельствуют о том, что пациенты высокого риска характеризуются злокачественными экологическими признаками, для которых типичны нарушение динамики цитоскелета, иммуносупрессивное микроокружение и ремоделирование матрикса; это позволяет предположить, что PARDTGs могут быть связаны с изменениями экологии опухоли и прогрессированием заболевания.

Анестетики также могут перепрограммировать экспрессию множества генов посредством модуляции сетей некодирующих РНК, что влияет на адгезию, миграцию, устойчивость к апоптозу и сохранение стволовых свойств опухолевых клеток, тем самым потенциально изменяя риск послеоперационного рецидива40,41. В нашей центральной регуляторной сети «миРНК — транскрипционный фактор» в качестве потенциальных регуляторных узлов были определены miR-27a-3p, miR-34a-5p и miR-106b-5p, и име имеются обширные данные, подтверждающие их участие в прогрессировании OV и фармакологических реакциях, связанных с применением анестетиков42,43,44. FOXC1, будучи ключевым транскрипционным фактором, играет критическую роль в стимуляции миграции, инвазии и фенотипов ЭМП при OV и регулируется выше по каскаду множеством некодирующих РНК45.

Был проведен панракцентный анализ для дальнейшего изучения биологических характеристик KRT81 при различных злокачественных новообразованиях, а не для валидации прогностической модели рака яичников. В нашем анализе экспрессия KRT81 была значительно повышена в большинстве типов рака и коррелировала с анеуплоидией, иммунной инфильтрацией и стромальным баллом, что указывает на участие в ремоделировании экологической ниши и ускользании от иммунного ответа. Будучи представителем семейства кератинов II типа, KRT81 участвует в поддержании целостности цитоскелета эпителия, механической стабильности клеток и адаптации к стрессу. Нарушение экспрессии KRT81 может влиять на пластичность опухолевых клеток, воздействуя на организацию цитоскелета, дифференцировку эпителия и взаимодействия между опухолевыми клетками и окружающим микроокружением. Более того, аберрантное ремоделирование кератинов было связано с прогрессированием рака посредством модуляции пролиферации, миграции, инвазии клеток и иммунно-стромального взаимодействия. В предыдущих исследованиях сообщалось, что KRT81 служит биомаркером для иммунного субтипирования и прогностической стратификации при раке яичников (OV)46, а также способствует формированию иммуносупрессивного микроокружения и прогнозированию ответа на иммунотерапию при трижды отрицательном раке молочной железы47. Таким образом, KRT81 может представлять собой ключевое звено в сетях периоперационной пластичности опухоли, имеющее механистическое и трансляционное значение.

В целом, данное исследование предоставляет первую характеристику экологии экспрессии PARDTG на пространственном и одноклеточном уровнях при OV и иллюстрирует их связь с иммунными микросредами, признаками стволовости и геномной нестабильностью, что позволяет предположить, что гены-мишени препаратов, связанных с периоперационной анестезией, могут быть связаны с траекториями эволюции опухоли. Тем не менее следует признать несколько ограничений. Во-первых, это исследование основывалось преимущественно на общедоступных транскриптомных наборах данных, и различия в источниках образцов, платформах секвенирования и характеристиках когорт могут привести к потенциальным пакетным эффектам и повлиять на надежность полученных результатов. Во-вторых, хотя для валидации использовались внешние когорты, прогностическая модель была разработана на основе ретроспективных данных, и нельзя полностью исключить возможность переобучения из-за методов отбора признаков. В-третьих, хотя одноклеточный и пространственный транскриптомный анализы дали представление о биологической роли PARDTG, эти выводы основывались главным образом на вычислительном выводе и требуют дальнейшего экспериментального подтверждения. Кроме того, некоторые исследовательские анализы, включая панраковый анализ и анализ корреляции с иммунными показателями, включали множественные сравнения, поэтому потенциальные ложноположительные ассоциации следует интерпретировать с осторожностью. Наконец, ограниченное разрешение пространственного транскриптомного анализа и отсутствие функциональной валидации предсказанных регуляторных сетей представляют собой дополнительные ограничения. Для дальнейшего подтверждения выявленных механизмов необходимы будущие исследования с использованием экспериментальных моделей и клинических образцов.

Данное исследование показало, что PARDTGs выполняют важные транскрипционные экологические функции при OV и могут участвовать в инвазии и уклонении от иммунного ответа, вызванных микроокружением после операции, что дает новые молекулярные доказательства для периоперационной прецизионной анестезии, стратификации рисков и предотвращения рецидивов.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов

Благодарности

Мы искренне благодарим исследователей, предоставивших свои ценные наборы данных в базах данных TCGA и GEO, включая TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 и GSE211956.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Антитела к цитокератину 81 (кроличьи поликлональные)Proteintech, USA11342-1-AP
Антитела к GAPDH (мышиные моноклональные)Proteintech, USA60004-1-Ig
Набор для определения концентрации белка методом BCAThermo Fisher, USA23225
CIBERSORTStanford Universityhttps://cibersort.stanford.eduИммунная инфильтрация | Матрица сигнатур LM22 | Анализ инфильтрации иммунных клеток
Клинические характеристики пациентов с OVUCSC Xenahttp://xena.ucsc.edu/Клинические данные | 341 пациент | Анализ клинической корреляции
пакет clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfilerАнализ функционального обогащения | Версия 4.8.3 | Анализы GO, KEGG и GSEA
пакет ggplot2CRANhttps://cran.r-project.org/package=ggplot2Визуализация данных | Версия 4.0.2 | Визуализация данных
GSE26193база данных GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Валидационный набор данных | 107 образцов | Внешняя валидация
GSE30161база данных GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Валидационный набор данных | 58 образцов | Внешняя валидация
GSE63885база данных GEOhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Валидационный набор данных | 70 образцов | Внешняя валидация
пакет GSVABioconductorhttps://bioconductor.org/packages/GSVAАнализ обогащения наборов генов | Версия 2.4.9 | Анализ ssGSEA
пакет limmaBioconductorhttps://bioconductor.org/packages/limma/Анализ дифференциальной экспрессии | Версия 3.56.2 | Анализ DEG
Информация об общей выживаемости пациентов с OVUCSC Xenahttp://xena.ucsc.edu/Данные по выживаемости | 353 пациента | Построение прогностической модели
Мембрана ПВДФMillipore, USAIPVH00010
RR Foundation for Statistical Computinghttps://www.r-project.org/Программное обеспечение для биоинформатики | Версия 4.3.1 | Статистический анализ
Буфер RIPABeyotime, ChinaP0013B
пакет SeuratCRANhttps://satijalab.org/seurat/Одноклеточный анализ | Версия 5.4.0 | Анализ scRNA-seq
база данных STRINGSTRING Consortiumhttps://string-db.orgБаза данных белок-белковых взаимодействий | Версия 12.0 | Построение сети PPI
пакет survivalCRANhttps://cran.r-project.org/package=survivalАнализ выживаемости | Версия 3.5.5 | Анализ выживаемости
Данные экспрессии генов яичника TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Обучающий набор данных | 420 образцов опухолей TCGA | Обучающая когорта
Данные нормальной ткани яичника TCGA TARGET GTEx (Toil)UCSC Xenahttp://xena.ucsc.edu/Эталонный набор данных нормальных тканей | 88 нормальных образцов GTEx | Анализ дифференциальной экспрессии

Ссылки

  1. Caruso G, Weroha SJ, Cliby W. Ovarian cancer: a review. JAMA. 2025;334(14):1278-91.
  2. Konstantinopoulos PA, Matulonis UA. Clinical and translational advances in ovarian cancer therapy. Nat Cancer. 2023;4(9):1239-57.
  3. Horowitz M, Neeman E, Sharon E, Ben-Eliyahu S. Exploiting the critical perioperative period to improve long-term cancer outcomes. Nat Rev Clin Oncol. 2015;12(4):213-26.
  4. Piegeler T, Beck-Schimmer B. Anesthesia and colorectal cancer: the perioperative period as a window of opportunity. Eur J Surg Oncol. 2016;42(9):1286-95.
  5. Zhang B, et al. Anesthetic propofol inhibits ferroptosis and aggravates distant cancer metastasis via Nrf2 upregulation. Free Radic Biol Med. 2023;195:298-308.
  6. He GN, et al. Ketamine induces ferroptosis of liver cancer cells by targeting lncRNA PVT1/miR-214-3p/GPX4. Drug Des Devel Ther. 2021;15:3965-78.
  7. Montégut L, et al. Benzodiazepines compromise the outcome of cancer immunotherapy. Oncoimmunology. 2024;13(1):2413719.
  8. Wall T, Sherwin A, Ma D, Buggy DJ. Influence of perioperative anaesthetic and analgesic interventions on oncological outcomes: a narrative review. Br J Anaesth. 2019;123(2):135-50.
  9. Ponferrada A, et al. Anaesthesia and cancer: can anaesthetic drugs modify gene expression? Ecancermedicalscience. 2020;14:1080.
  10. Piegeler T, et al. Endothelial barrier protection by local anesthetics: ropivacaine and lidocaine block tumor necrosis factor-α-induced endothelial cell Src activation. Anesthesiology. 2014;120(6):1414-28.
  11. Xu J, et al. Single-cell RNA sequencing reveals the tissue architecture in human high-grade serous ovarian cancer. Clin Cancer Res. 2022;28(16):3590-602.
  12. Yu D, et al. Development and validation of a breast cancer survival prediction model based on perioperative anesthesia-related drug target genes and analysis of immune microenvironment and drug sensitivity. Comput Biol Chem. 2026;120(Pt 2):108681.
  13. Wang S, et al. UCSCXenaShiny: an R/CRAN package for interactive analysis of UCSC Xena data. Bioinformatics. 2022;38(2):527-9.
  14. Gentric G, et al. PML-regulated mitochondrial metabolism enhances chemosensitivity in human ovarian cancers. Cell Metab. 2019;29(1):156-73.e10.
  15. Ferriss JS, et al. Multi-gene expression predictors of single-drug responses to adjuvant chemotherapy in ovarian carcinoma: predicting platinum resistance. PLoS One. 2012;7(2):e30550.
  16. Lisowska KM, et al. Gene expression analysis in ovarian cancer: faults and hints from DNA microarray study. Front Oncol. 2014;4:6.
  17. Liang L, et al. Integration of scRNA-seq and bulk RNA-seq to analyse the heterogeneity of ovarian cancer immune cells and establish a molecular risk model. Front Oncol. 2021;11:711020.
  18. Denisenko E, et al. Spatial transcriptomics reveals discrete tumour microenvironments and autocrine loops within ovarian cancer subclones. Nat Commun. 2024;15(1):2860.
  19. Quan W, et al. Single-cell analysis reveals the roles and regulatory mechanisms of type I interferons in Parkinson’s disease. Cell Commun Signal. 2024;22(1):212.
  20. Hu C, et al. CellMarker 2.0: an updated database of manually curated cell markers in human/mouse and web tools based on scRNA-seq data. Nucleic Acids Res. 2023;51(D1):D870-6.
  21. Ritchie ME, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 2015;43(7):e47.
  22. Yu G, Wang LG, Han Y, He QY. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-7.
  23. Mayakonda A, et al. Maftools: efficient and comprehensive analysis of somatic variants in cancer. Genome Res. 2018;28(11):1747-56.
  24. Zu S, et al. Development and validation of a recurrence risk prediction model for elderly schizophrenia patients. BMC Psychiatry. 2025;25(1):73.
  25. Zhou G, et al. NetworkAnalyst 3.0: a visual analytics platform for comprehensive gene expression profiling and meta-analysis. Nucleic Acids Res. 2019;47(W1):W234-41.
  26. Liao C, Wang X. TCGAplot: an R package for integrative pan-cancer analysis and visualization of TCGA multi-omics data. BMC Bioinformatics. 2023;24(1):483.
  27. Swanton C, et al. Embracing cancer complexity: hallmarks of systemic disease. Cell. 2024;187(7):1589-616.
  28. Vendramin R, Litchfield K, Swanton C. Cancer evolution: Darwin and beyond. EMBO J. 2021;40(18):e108389.
  29. Demicheli R, et al. The effects of surgery on tumor growth: a century of investigations. Ann Oncol. 2008;19(11):1821-8.
  30. Marinho V, et al. Genetic influence alters the brain synchronism in perception and timing. J Biomed Sci. 2018;25(1):61.
  31. Pan X, et al. Hepatocyte CHRNA4 mediates the MASH-promotive effects of immune cell-produced acetylcholine and smoking exposure in mice and humans. Cell Metab. 2023;35(12):2231-49.e7.
  32. Camp AJ, et al. Loss of Grin2a causes a transient delay in the electrophysiological maturation of hippocampal parvalbumin interneurons. Commun Biol. 2023;6(1):952.
  33. Sun Y, et al. Identification of potential diagnoses based on immune infiltration and autophagy characteristics in major depressive disorder. Front Genet. 2022;13:702366.
  34. Lennon FE, Moss J, Singleton PA. The µ-opioid receptor in cancer progression: is there a direct effect? Anesthesiology. 2012;116(4):940-5.
  35. Mohammadpour H, et al. β2-adrenergic receptor-mediated signaling regulates the immunosuppressive potential of myeloid-derived suppressor cells. J Clin Invest. 2019;129(12):5537-52.
  36. Bhatia S, et al. Effects of altered ephrin-A5 and EphA4/EphA7 expression on tumor growth in a medulloblastoma mouse model. J Hematol Oncol. 2015;8:105.
  37. Dong Y, et al. MicroRNA-335 suppresses the proliferation, migration, and invasion of breast cancer cells by targeting EphA4. Mol Cell Biochem. 2018;439(1-2):95-104.
  38. Li X, Pasche B, Zhang W, Chen K. Association of MUC16 mutation with tumor mutation load and outcomes in patients with gastric cancer. JAMA Oncol. 2018;4(12):1691-8.
  39. Zhao Y, et al. Patient-derived ovarian cancer organoid carries immune microenvironment and blood vessel keeping high response to cisplatin. MedComm (2020). 2024;5(9):e697.
  40. Jiang S, et al. Effects of propofol on cancer development and chemotherapy: potential mechanisms. Eur J Pharmacol. 2018;831:46-51.
  41. Wang ZT, et al. Propofol suppresses proliferation and invasion of pancreatic cancer cells by upregulating microRNA-133a expression. Genet Mol Res. 2015;14(3):7529-37.
  42. Li E, Han K, Zhou X. MicroRNA-27a-3p downregulation inhibits malignant biological behaviors of ovarian cancer by targeting BTG1. Open Med (Wars). 2019;14:577-85.
  43. Zhang Y, et al. Sevoflurane inhibits the apoptosis of hypoxia/reoxygenation-induced cardiomyocytes via regulating miR-27a-3p-mediated autophagy. J Pharm Pharmacol. 2021;73(11):1470-9.
  44. Zhao H, et al. Sevoflurane inhibits migration and invasion of glioma cells via regulating the miR-34a-5p/MMP-2 axis. Life Sci. 2020;256:117897.
  45. Wu Z, et al. Circ-PTK2 (hsa_circ_0008305) regulates the pathogenic processes of ovarian cancer via the miR-639 and FOXC1 regulatory cascade. Cancer Cell Int. 2021;21(1):277.
  46. Hu Y, et al. DNA methylation and transcription factor-driven immune subtypes in ovarian cancer. Discov Oncol. 2025;16(1):1646.
  47. Yan Z, et al. The prognostic marker KRT81 is involved in suppressing CD8+ T cells and predicts immunotherapy response for triple-negative breast cancer. Cancer Biol Ther. 2024;25(1):2355705.

Перепечатки и разрешения

Теги

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.