Araştırma makalesi

TCGA Veritabanına Dayalı Endometrium Kanserinde Madencilik ve Prognostik Modeller Oluşturma

DOI:

10.3791/69650

⸱

16 Ocak 2026

 ,  ,  , 
1Heilongjiang University of Traditional Chinese Medicine, 2Department of Gynecology, First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 3Department of Gynecology, Harbin Medical University Affiliated Cancer Hospital, 4Hysteroscopy Room of the First Affiliated Hospital of Heilongjiang University of Traditional Chinese Medicine, 5Institute of Traditional Chinese Medicine, Heilongjiang University of Traditional Chinese Medicine

Bu makalede

Özet

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

Bu protokol, endometriyal kanserde nikotinamid metabolizmasıyla ilişkili genleri tanımlamak için TCGA ve GEO veri setlerini kullanarak hesaplamalı bir yaklaşım sunmaktadır. Rahim korpusu endometriyal karsinomunda biyobelirteçlerin keşfini kolaylaştırmak ve risk tahminini artırmak amacıyla, bu araştırma farklı ekspresyonun analizini, yol geliştirme, prognostik model tasarımı ve değerlendirme prosedürlerini açıklar.

Özet

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

Endometrium kanseri (EK), dünya genelinde en az yaygınlaşan jinekolojik tümörler arasında yer almakta olup, yaşlanma ve obezite nedeniyle artan sıklık görülmektedir. Lenf düğümü metastazı, Rahim Korpusu Endometriyal Karsinomunda (UCEC) yaygın olmaya devam etmekte olup, tedaviyi yönlendirmek için yeni prognostik biyobelirteçler gerektirmektedir. Bu araştırmada, Kanser Genomu Atlas'ından (TCGA) alınan UCEC bilgileri analiz edildi ve sonuçlar Gen İfadesi Omnibusu (GEO) kullanılarak doğrulandı. Nikotinamid metabolizması (NMRDEG) ile ilişkili on sekiz farklı şekilde eksprese edilen genetik faktör tespit edildi. Gen Seti Zenginleştirme Analizi (GSEA), oksidatif stres, hipoksi, glikoliz ve apoptoz süreçlerindeki rollerini göstermiştir. Tek değişkenli Cox regresyonu, bir tehlike tahmin çerçevesini ilerletmek için kullanılan altı ana geni (AURKA, CDKN3, FOXM1, CDKN2A, TK1 ve CDK1) tespit etti. Protein-protein etkileşimi (PPI) analizi, CDK2, CCNA2, TP53 ve FOXM1 gibi ek hub genleri ortaya çıkardı. Altı ana gen güçlü prognostik değer gösterdi ve çalışmanın risk modeli klinik kararları yönlendirebilirdi. Nikotinamid metabolizmasının OK ilerlemesiyle anlamlı bağlantılı olduğu bulundu. Bu çalışma, YK'de nikotinamid metabolizmasının rolüne dair yeni algılar sunuyor ve tedavi ilerlemeleri için olası yollar öneriyor.

Giriş

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

Endometrium kanseri (EK) kadın hastalardayaygındır 1. EC, hormona bağımlı tip ve hormondan bağımsız tip2 olarak sınıflandırılabilir. 2020 yılında, EK hastalarının yönetimi için yönergelerin güncellenmesi arasında moleküler belirteç tespit ve moleküler tipleme yer aldı; bu da ameliyat sonrası adjuvan tedavi ve EC3 için klinik prognozunu önemli ölçüde etkiledi. EK'nin patogenezi çok yönlüdür; birkaç onkogen ve/veya tümör baskılayıcı genlerin mutasyonları veya kaybı ile hastalık ilerlemesini ve sonucunu etkileyebilecek birden fazla sinyal yolunda anormallikler içerir. Yeni biyobelirteçler aramak ve etkili tedavi hedeflerini belirlemek kritik öneme sahiptir. Bu çaba, AK'nin patogenezi ve potansiyel prognostik biyobelirteçleri anlamayı derinleştirmeyi, erken tespit ve hedefli tedavi için bir temel oluşturmayı amaçlamaktadır.

Niasinamide niasine benzer ve yağ emilimi ile glikojen parçalanmasında rol oynar. İnsan vücudu için önemli bir koenzim bileşeni olarak gereklidir. Nikotinamid metabolizması, insan vücudunun Nikotinamid emişi, dönüşümü ve kullandığı süreçleri kapsar.

Niacinamide metabolizması emilimle başlar. Vücutta gıda alımı veya amino asit dönüşümü yoluyla elde edilebilir ve bağırsak mukoza epitel hücreleri tarafından emilir. Daha sonra daha karmaşık formlarına dönüşür ve birçok biyokimyasal süreçte kritik rol oynar. Ayrıca, nikotinamid metabolit 1-metilnikotinamid (nikotinamid adenin dinükleotid metiltransferaz (NMT) aracılığıyla diğer bileşiklere dönüştürülebilir. Bu dönüşümler, çeşitli metabolik hastalıkların başlangıcını ve ilerlemesini etkileyebilir. Bildirildiği gibi, Niacinamide takviyesinin tümörlerin önlenmesi ve tedavisi dahil olmak üzere çeşitli faydalıetkileri vardır 4. Mevcut araştırmalar, akciğer kanser hücrelerinde STAT3Y705 fosforilasyon seviyesini azaltabileceğinidoğruladı 5. Bir çalışma, Niacinamide tek başına kullanmanın yüksek riskli hastalarda invaziv nonmelanoma membran tümörlerini engelleyebileceğiniortaya koymuştur 6. Kourtzidis ve ark.7 , Niacinamide takviyesinin sıçanlarda kilo alımını engelleyebileceğini, transketolaz (TK) ve kırmızı kan hücresi Na+- K+- ATPazın aktivitesini artırabileceğini ve vücuttaki enerji metabolizmasını etkileyebildiğini bulmuştur. Daha önceki bir çalışma, nikotinamid N-metiltransferaz (NNMT), bir metiltransferaz, kanserle ilişkili fibroblastların aktivitesinde önemli bir sorun olarak kabuledilmiştir 8. Ayrıca, nikotinamid fosforibosil transferazın, nüks eden kritik miyeloid lösemi kök bölümlerinde venetoklaks direncine katkıda bulunduğugösterilmiştir 9. Bu nedenle, amaç, EC riskiyle bağlantılı NAD+ metabolizması ile ilgili genleri (NMRG) kapsamlı şekilde tanımlamaktı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, Kanser Genomu Atlası ve Gen İfadesi Omnibus'tan kamuya açık olan, kimliği silinmiş klinik ve transkriptomik verileri kullandı. Tüm katkı sağlayan çalışmalar önceden kurumsal inceleme kurulu onayı ve bilgilendirilmiş onayı almıştır. Anonimleştirilmiş verilerin sadece ikincil analizi yapıldığı için ek etik onay gerekmemiştir. Kullanılan veritabanları ve yazılımlar Materyaller Tablosu'nda listelenmiştir.

1. Veri indirme

Araştırma, 589 örnekten oluşan EC (TCGA-Uterin Corpus Endometrial Carcinom (TCGA-UCEC)) veriseti 10'u kullandı; bu veri seti 589 örnekten oluşuyordu; bunlar arasında UCEC hastalarından (UCEC grubu) alınan 554 tümör dokusu örneği ve 35 bitişik normal dokudan (Normal grup) dizileme verileri yer almaktadır. UCSC Xena veritabanı, ilgili klinik verileri11 kurtarmak için kullanıldı, tam klinik bilgiye sahip olmayanlar hariç tutuldu. Sonuç olarak, klinik verilerle birlikte analiz için 577 örnek mevcut oldu. Ayrıntılı temel bilgiler Tablo 1'de verilmiştir.

EC, GSE115810 ve GSE6367812 ile ilgili ek veri setleri GEOquerypaketi 13 kullanılarak indirildi. GSE115810 veri seti ve GSE63678 birleştirilerek daha fazla analiz için Birleşik Veri Setleri oluşturuldu (Tablo 2).

NAD+ metabolizmaya bağlı genler (NMRG'ler), GeneCardrecord14 ve ilgililiteratürden sonra yer alır 15. GeneCards'ta arama terimi olarak "Niacinamide metabolizması" kullanıldığında, 4'ün üzerinde alaka puanı olan 345 NMRG tespit edildi. Literatürde bulunan 42 NMRG'den kopyaların birleştirilip çıkarılmasıyla toplam 371 NMRG derlenmiştir (Ek Tablo 1). Klinik veriler .tsv fenotipik dosyaları olarak alındı; veriler HTSeq-FPKM formatında indirildi. Dışlanan örneklerde klinik verilerin %20'sinden fazlası eksikti. FPKM log2 dönüştürülerek TPM'ye dönüştürüldü (milyonluk transkript). Prob kimlikleri, GEO veri setleri için gen sembollerine eşlendi ve tekrarlanan problar ortalamalandı.

2. Nikotinamid metabolizmasının farklı ekspresyon genleri

Araştırma, GSE115810 ve GSE63678 veri setlerinden sonra küme sahipliklerini ortadan kaldırmak için Rseti sva16'nın uygulanmasıyla başladı ve sonuçta 31 EC (UCEC) ve 8 bitişik normal örnek içeren ortak bir veri seti ortaya çıktı. Sonra, TCGA-UCEC veri setinde uyumsuzluk gen ekspresyonu incelemesi için limmaset 17'nin kullanılması.

TCGA-UCEC analizinden DEG'lerin 337 NMRG ile kesişimi, nikotinamid metabolizmasına bağlı DEG'leri tespit etmek. Bu, Venn illüstrasyonuyla resmedilen Niacinamide metabolizmasına bağlı farklı ekspresyon genlerin (NMRDEG) bir listesini oluşturdu. Uyumsuzluk görünüm incelemesinin sonuçları ggplot2 Rpaketi 18 ile gösterilmiş, NMRDEG'lerin ısı haritası ise pheatmapkümesi 19 kullanılarak oluşturulmuştur. Veri kümeleri arası varyans, ComBat (ampirik Bayes) kullanılarak toplu düzeltme yoluyla ortadan kaldırılır. Limma ampirik Bayes doğrusal model çerçevesi DEG analizinde kullanılmıştır. Açıkça uygulanan diferansiyel ifade eşikleri:

|log2FC| ≥ 1

FDR 0.05'ten az.

NMRG listesi yalnızca her iki gereksinimi karşılayan DEG'lerle kesişiyordu. Volkan haritaları ve ggplot2 ile yapılan ısı haritaları.

3. NMRDEG'lerin fonksiyonu (GO), yol (KEGG) geliştirme muayenesi

GO20 ve KEGG21geliştirme incelemeleri, clusterProfiler kümesi 22 tarafından tamamlandı. Her iki analiz için de p. ayarlama< 0,05 ve FDR (q değeri) 0,25 < anlamlılık eşikleri tespit edildi. Araştırmalar ayrıca logFC değerlerini zenginleştirme analizine entegre ederek sonuçları dairesel ve akor diyagramlarında temsil etti. Zenginleştirme anlamlılığı için eşikler: p-değeri 0,05 FDR < 0,25 (q-değeri) < düzeltildi. Küme Profileri GO ve KEGG çalışmaları için kullanıldı. Gen yönü, log2 kat değişim verisini içeren kord ve daire grafikleri kullanılarak gösterilir.

4. Gen Seti Zenginleştirme Analizi (GSEA)

Fenotipe en çok katkıda bulunan kalıtsal faktör kümeleri türü GSEA23 kullanılarak tanımlanabilir. Bu analiz için TCGA-UCEC veri seti logFC değerlerine göre sıralanmış ve clusterProfiler paketi kullanılarak iyileştirme incelemesi yapılmıştır. Ana kısıtlamalar arasında 2022 tohum değeri ve 10.000 permütasyon yer alıyordu. MSigDB gen seti "c2.all.v2022.1.Hs.symbols.gmt"24 kez kullanılmıştır. Manalo hipoksisiyle indüklenen genler, oksidatif stresle tetiklenen yaşlanma, glikoliz ve apoptoz yolları dahil olmak üzere en zenginleşmiş yollar, dağ grafiki kullanılarak görselleştirildi. GSEA'dan önce, genler log2 kat değişime göre sıralanıyordu. Analizde 10.000 permütasyon kullanıldı.c2.all.v2022.1.Hs.symbols.gmt MSigDB koleksiyonudur. Tekrarlanabilirlik için sabit rastgele bir tohum (2022) kullanılmıştır. Önemli yollar p < 0.05 ve q < 0.25 olanlardı.

5. Cox model inşası ve ilgili prognoz incelemesi

Endometriyal karsinomda (UCEC) nikotinamid metabolizmasına bağlı farklı ekspresyon genlerin (NMRDEG) öngörücü değerini belirlemek için, araştırmacılar tek değişkenli Cox regresyon analizini kullanarak başvuran kalıtsal faktörleri ilk olarak sınıflandırdı; Tehlike oranı (HR) > 1 ve p-değeri < 0.1 olanlar, çok değişkenli Cox göreceli riskler çerçevesi için uygun olarak belirlendi.

Tek değişkenli Cox seçimi kriterler: p < 0.10 ve 1.Log 2-TPM-normalize ekspresyon >değerleri çok değişkenli Cox modelinde kullanıldı. Risk skoru belirlenmek için Cox katsayıları × gen ifadesinin doğrusal bir kombinasyonu kullanılır. Nomogram kalibrasyonunda 1-, 3- ve 5 yıllık OS olasılıkları kullanıldı. Zamana bağlı ROC'da 1-, 3- ve 5 yıllık AUC değerleri kullanıldı. surv_cutpoint maksimum istatistiksel yaklaşımı hayatta kalma kesme değerlerini bulmak için kullanıldı. Hem KM hem de ROC analizleri aynı eşikleri kullandı.

Çok değişkenli Cox modelinden bir nomograf, doğruluğunu veya tahmin kapasitesini değerlendirmek ve 1, 3 ve 5 yıllık toplam varlık olasılıklarını hesaplamak için oluşturulmuştur. Tahmin edilen beklentiler ile gerçek sonuçlar arasındaki istikrarı değerlendirmek için standartlaştırma yayları kullanılır ve karar eğrisi analizi (DCA) yapının tıbbi faydalılığını ölçmek içinkullanılmıştır 25.

mRNA ifade seviyeleri, DESeq2 paketi aracılığıyla normalleştirilmiş log₂-dönüştürülmüş kayıt per milyon (TPM) değerleri olarak belirlendi. TPM'ler, dizileme karmaşıklığı ve gen ölçümünü hesaba katarak örnekler arasında sağlam ve tarafsız ifade seviyeleri tahminleri sağladı.

Çok değişkenli Cox modelinin katsayıları kullanılarak, her hastanın prognostik risk derecesi şu şekilde belirlendi:

riskScore = Σi Katsayısı (gen i) *mRNA İfadesi (geni) (1)

Kaplan-Meier (KM) varoluş yayları, belirlenmiş tehlike derecelerine göre oluşturulan uzun ve düşük tehlike kümelerinin genel dayanıklılığını değerlendirmek için hazırlandı. Zamana bağlı alıcı çalışma karakteristikleri (ROC) arkları, çerçevelerin rutininin 1, 3 ve 5 yıllık dönemlerde değerlendirilmesinde üretilmiştir26,27.

Gen ifadesini yüksek ve düşük ekspresyonlu koleksiyonlarla kategorize etmek için, hayatta kalma tabakası için surv_cut puan rolünün kullanılması kullanılır. Bu fonksiyon, standartlaştırılmış log-rank istatistikini maksimize ederek en büyük kesme değerini belirler; böylece tarafsız, istatistiksel olarak optimal bir kesme noktası elde eder.

Her prognostik gen için elde edilen kesme değerleri, ROC eğrilerinde kesik çizgiler olarak gösterilir. Araştırmalar, tüm sağ kalma ve ROC analizlerinde aynı eşikleri uygulamıştır.

TCGA RNA-seq HTSeq-FPKM formatında indirildi; klinik veriler TSV fenotip dosyaları olarak ithale getirildi; FPKM TPM'ye dönüştürüldü ve log₂ dönüştürüldü; GEO veri setleri, platform açıklamaları kullanılarak prob kimliklerinden gen sembollerine eşlendi; Tek bir gen değeri için kopya problar ortalanmıştır; %20'den fazla eksik klinik bilgiye sahip örnekler hariç tutuldu; ComBat (ampirik Bayes) GSE veri setleri için toplu düzeltme amacıyla kullanıldı; Toplu düzeltmenin başarılı olduğunu doğrulamak için PCA ve kutu grafikleri kullanıldı. Standart ifade dönüşüm teknikleriyle TPM normalizasyonu; toplu değişken olarak veri seti kökenini içeren ComBat kullanılarak toplu düzeltme; limma lineer modelleme (tümör vs. normal tasarım matrisi) kullanılarak hesaplanan diferansiyel ifade; GSEA girdisi için log₂ katlama değişikliklerinden oluşturulan sıralanmış gen listeleri; ve hayatta kalma analiz araçları kullanılarak yapılan tek değişkenli ve çok değişkenli Cox regresyonları

6. Gen kümesi varyasyon analizi (GSVA)

GSVA28 , kümeler arasındaki gelişim şeklini ölçmek için kullanıldı. TCGA-UCEC veri setinde, 50 önemli yol zenginleştirildi ve 41'inde ikili montajlar arasında önemli değişiklikler görüldü. GSVA, örnek başına yol aktivitesi elde etmek için kendine özgü gen setleriyle kullanıldı; STRING protein etkileşim verileri Cytoscape'e aktarıldı; MCC algoritması hub genlerini tanımlamak için kullanıldı; risk puanları, gen ifade değerlerinin Cox katsayılarıyla çarpılması olarak hesaplandı; zamana bağlı ROC eğrileri, hayatta kalma süresi ROC rutinleri kullanılarak oluşturuldu. Her örnek için GSVA, yol düzeyinde zenginleştirme puanlarını hesapladı. Wilcoxon sıralama toplamı testi, alişal yol aktivitesindeki farklılıkları değerlendirmek için kullanılır. Elli imza yolundan kırk biri önemli ölçüde farklıydı (ayarlanmış p < 0.05).

7. Protein-protein etkileşimi (PPI) sistemi

Önemli genleri (AURKA, CDKN3, FOXM1, CDKN2A, TK1 ve CDK1) içeren bir PPI sistemi, STRINGdosyası 29 ve yüksek güveni gösteren 0.70 iletişim değeri eşiği kullanılarak oluşturulmuştur. Bu ağ, UCEC patogenezinde kritik rol oynayabilecek etkileşimleri vurgulayan Cytoscape30 kullanılarak oluşturulmuştur. Maksimum Klique Merkeziyeti (MCC)yöntemi 31 , internet içindeki etkileşim puanlarında oluşan kalıtsal faktörü sıralamak için faydalıydı. En üst arayüz skorlarına sahip üst 10 protein dizisi tanındı; bunlar arasında CDK2, CDK4, CCNA2, CCNB1, CCNE1, CDK1, TP53 ve FOXM1 bulundu. Bu genler, kritik biyolojik süreçlerdeki rolleri açısından daha fazla analiz edildi. GeneMANIAplatformu 32 , ek protein etkileşimlerini tahmin etmek ve anahtar genlerin UCEC ilerlemesindeki rollerine daha geniş bir bağlam sağlamak için de kullanıldı. STRING güven puanı için eşik değeri: >0.70 (yüksek güven). Cytoscape ağı gösterir. Maksimum Klique Merkeziyeti (MCC) tekniği, hub genlerini sıralamak için kullanılır. MCC sıralaması, en üst etkileşimli genleri (CDK2, CCNA2, TP53 vb.) belirlemek için kullanıldı. GeneMANIA kullanılarak ek etkileşim tahminleri yapılır.

8. Teknoloji yol haritası

Bu çalışmada kullanılan genel iş akışı ve yöntemler, Şekil 1'de gösterilen teknoloji yol haritasında özetlenmiştir. Bu yol haritası, veri seti edinimi ve diferansiyel ifade analizinden prognostik modeller ve zenginleştirme analizlerinin oluşturulmasına kadar olan adımları özetlemektedir.

9. İstatistiksel analiz

Veri işleme ve istatistiksel tahmin R programı (v4.3.0) kullanılarak gerçekleştirildi. İki grup karşılaştırmaları için Mann-Whitney U testi veya Bağımsız Öğrenci t-testi kullanıldı; Kruskal-Wallis testi üç veya daha fazla montaj için kullanılmıştır. Betimleyici veriler, chi-square veya Fisher'ın tam testi kullanılarak değerlendirildi. Ayrıca, Spearman korelasyonu ve Kaplan-Meier hayatta kalma analizi yapıldı; p < 0.05 anlamlı olarak kabul edildi.

Veri dağılımına göre istatistiksel testlerin uygulanması: Öğrencinin t-testi kullanılarak normal veriler. Mann-Whitney U normal olmayan veriler için test yapar. Kruskal-Wallis testleri üçten fazla grup için yapılır. Fisher'ın tam ve kategorik veriler için ki-karesidir. İstatistiksel anlamlılık p < 0.05 olarak tanımlanır.

Veri güvenilirliği, kutu grafiklerinin örnekler arasında tutarlı ifade varyansı göstermesi ve PCA grafiklerinin ComBat ayarlamasından sonra toplu kümelerin olmadığını göstermesi gereken ön işlem kontrol noktaları tarafından korunur. Tümör-normal gruplaşmasını gösteren ısı haritaları ve gen yukarı/aşağı regülasyonunu açıkça gösteren volkan grafikleri DEG doğrulaması için gereklidir. Projeksiyon Cox modeli için, kalibrasyon grafikleri tahmin edilen ve gerçek hayatta kalma ile eşleşmeli, ROC AUC değerleri 0.65'ten büyük olmalı ve KM yayları önemli bir hayatta kalma farkı göstermelidir. Risk grupları arasındaki farklı rota faaliyetleri, genişleme veya hücre döngüsü yolları gibi yerleşik mekanizmalara uygun olarak GSVA analiziyle gösterilmelidir. Ağ dayanıklılığını doğrulamak için, PPI ağındaki yüksek bağlı düğümler merkezi olarak görünmelidir ve MCC tarafından belirlenen hub genleri fizyolojik olarak önemli düzenleyicilerle eşleşmelidir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

GEO veri setinin düzeltmesinin birleştirilmesi

Araştırma, SVA R setini, birleşik GSE115810 ve GSE63678 veri setlerindeki toplu sahiplikler için hassas şekilde kullandı ve birleşik bir veri seti olan Combine-Datasets oluşturuldu. Grup sonuçlarının eliminasyonu sonuçları, dolaşım kutu grafikleri (Şekil 2A,B) ve PCA grafikleri (Şekil 2C,D) kullanılarak doğrulandı; bu da parti etkilerinin...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Enerji metabolizmasının kanser hücrelerinin mikro ortamındaki rolü son zamanlarda önemli ilgi gördü. Araştırmalar, nikotinamid metabolizmasında rol alan genlerin çeşitli malignitelerin ilerlemesiyle yakından bağlantılı olduğunu göstermiştir. Vücut tarafından emildikten sonra nikotinamid NAD ve NADP'ye dönüşür; bu iki madde de kanserle ilgili birçok süreçte çok önemlidir. Sonuç olarak, NAD metabolizması tümör etkisi için umut vadeden bir terapötik hedef olarak ortaya çıkmaktadır. Transkri...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Uygulanamaz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
clusterProfiler paketiBiyoiletkenv4.8.0GO ve KEGG zenginleştirme analizi
SitoscapeSitoscape Konsorsiyumuv3.9.1PPI ağ görselleştirmesi
DESeq2 paketiBiyoiletkenv1.40.0Normalizasyon ve ifade analizi
GeneCards veritabanıGeneCards PaketiYokNikotinamid metabolizmasıyla ilgili genlerin kaynağı
GeneMANIA platformugenemania.orgYokGen fonksiyonu ve etkileşim tahmini
GEO veri setleri (GSE115810, GSE63678)Gen İfadesi Omnibüsü (GEO)YokEC için kamu gen ifade veri setleri
ggplot2 paketiCRANv3.4.2Veri görselleştirme
Limma paketiBiyoiletkenv3.54.0 (örnek)Diferansiyel ifade analizi
Pheatmap PaketiCRANv1.0.12Isı haritası çizimi
R software (v4.3.0)R İstatistiksel Hesaplama VakfıSürüm 4.3.0Veri analiz platformu
STRING veritabanıTEZE (string-db.org)v11.5Protein-protein etkileşim analizi
Survminer paketiCRANv0.4.9Hayatta kalma analizi
SVA paketiBiyoiletkenv3.46.0Parti etkisinin kaldırılması
TCGA-UCEC veri setiKanser Genomu Atlası (TCGA)YokUCEC hastalarının transkriptom ve klinik verileri
UCSC XenaKaliforniya Üniversitesi, Santa CruzYokKlinik/genomik veri indirme platformu

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bray, F., et al. Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 68 (6), 394-424 (2018).
  2. Ni, J., et al. All human genes of the uteroglobin family are localized on chromosome 11q12.2 and form a dense cluster. Ann N Y Acad Sci. 923, 25-42 (2000).
  3. Concin, N., et al. Esgo/estro/esp guidelines for the management of patients with endometrial carcinoma. Virchows Arch. 478 (2), 153-190 (2021).
  4. Nikas, I. P., Paschou, S. A., Ryu, H. S. The role of Nicotinamide in cancer chemoprevention and therapy. Biomolecules. 10 (3), 477(2020).
  5. Wang, W., Karamanlidis, G., Tian, R. Decreased NAD activates STAT3 and integrin pathways to drive epithelial-mesenchymal transition. Mol Cell Proteomics. 17 (10), 2005-2017 (2018).
  6. Chen, A. C., et al. A phase 3 randomized trial of Nicotinamide for skin-cancer chemoprevention. N Engl J Med. 373 (17), 1618-1626 (2015).
  7. Kourtzidis, I. A., et al. Nicotinamide riboside supplementation dysregulates redox and energy metabolism in rats: Implications for exercise performance. Exp Physiol. 103 (10), 1357-1366 (2018).
  8. Eckert, M. A., et al. Proteomics reveals NNMT as a master metabolic regulator of cancer-associated fibroblasts. Nature. 569 (7758), 723-728 (2019).
  9. Jones, C. L., et al. Nicotinamide metabolism mediates resistance to venetoclax in relapsed acute myeloid leukemia stem cells. Cell Stem Cell. 27 (5), 748-764 (2020).
  10. Colaprico, A., et al. TCGAbiolinks: An R/Bioconductor package for integrative analysis of TCGA data. Nucleic Acids Res. 44 (8), e71(2016).
  11. Goldman, M. J., et al. Visualizing and interpreting cancer genomics data via the Xena platform. Nat Biotechnol. 38 (6), 675-678 (2020).
  12. Zhao, D., Liu, J., Wang, C., Zhang, Y., Chen, L. Diagnosis and prediction of endometrial carcinoma using machine learning and artificial neural networks based on public databases. Genes (Basel). 13 (6), 935(2022).
  13. Davis, S., Meltzer, P. S. GEOquery: A bridge between the Gene Expression Omnibus (GEO) and Bioconductor. Bioinformatics. 23 (14), 1846-1847 (2007).
  14. Stelzer, G., et al. The GeneCards suite: From gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 54, 1.30.1-1.30.33 (2016).
  15. Cui, H., Liu, Y., Jiang, X., Li, H., Zhang, L., Wang, Z. Comprehensive analysis of Nicotinamide metabolism-related signature for predicting prognosis and immunotherapy response in breast cancer. Front Immunol. 14, 1145552(2023).
  16. Leek, J. T., Johnson, W. E., Parker, H. S., Jaffe, A. E., Storey, J. D. The SVA package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 28 (6), 882-883 (2012).
  17. Huang, J., Wang, S., Li, Y., Liu, X., Zhang, Y., Chen, Z. Proposing a novel molecular subtyping scheme for predicting distant recurrence-free survival in breast cancer post-neoadjuvant chemotherapy with close correlation to metabolism and senescence. Front Endocrinol (Lausanne). 14, 1265520(2023).
  18. Ito, K., Murphy, D. Application of ggplot2 to pharmacometric graphics. CPT Pharmacometrics Syst Pharmacol. 2 (10), e79(2013).
  19. Li, G. M., Zhang, C. L., Rui, R. P., Sun, B., Guo, W. Bioinformatics analysis of common differential genes of coronary artery disease and ischemic cardiomyopathy. Eur Rev Med Pharmacol Sci. 22 (11), 3553-3569 (2018).
  20. Mi, H., Muruganujan, A., Ebert, D., Huang, X., Thomas, P. D. PANTHER version 14: More genomes, a new PANTHER GO-slim and improvements in enrichment analysis tools. Nucleic Acids Res. 47 (D1), D419-D426 (2019).
  21. Ogata, H., et al. KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Res. 27 (1), 29-34 (1999).
  22. Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  23. Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).
  24. Liberzon, A., Birger, C., Thorvaldsdóttir, H., Ghandi, M., Mesirov, J. P., Tamayo, P. The Molecular Signatures Database hallmark gene set collection. Cell Syst. 1 (6), 417-425 (2015).
  25. Tataranni, T., Piccoli, C. Dichloroacetate (DCA) and cancer: An overview towards clinical applications. Oxid Med Cell Longev. 2019, 8201079(2019).
  26. Barakat, A., Mittal, A., Ricketts, D., Rogers, B. A. Understanding survival analysis: actuarial life tables and the Kaplan-Meier plot. Br J Hosp Med (Lond). 80 (11), 642-646 (2019).
  27. Heagerty, P. J., Lumley, T., Pepe, M. S. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics. 56 (2), 337-344 (2000).
  28. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 7(2013).
  29. Wakonig, B., Auersperg, A. M. I., O'Hara, M. String-pulling in the Goffin's cockatoo (Cacatua goffiniana). Learn Behav. 49 (1), 124-136 (2021).
  30. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  31. Boughorbel, S., Jarray, F., El-Anbari, M. Optimal classifier for imbalanced data using Matthews correlation coefficient metric. PLoS One. 12 (6), e0177678(2017).
  32. Franz, M., et al. GeneMANIA update 2018. Nucleic Acids Res. 46 (W1), W60-W64 (2018).
  33. Chen, A., Jing, W., Qiu, J., Zhang, R. Prediction of cervical cancer outcome by identifying and validating a NAD⁺ metabolism-derived gene signature. J Pers Med. 12 (12), 2031(2022).
  34. Lin, L., et al. Identification of NAD⁺ metabolism-derived gene signatures in ovarian cancer prognosis and immunotherapy. Front Genet. 13, 905238(2022).
  35. Li, H., et al. circABHD2 inhibits malignant progression of endometrial cancer by regulating the NAD⁺/NAMPT metabolism axis. Mol Biotechnol. 67 (7), 2644-2659 (2025).
  36. Hu, D., et al. Comprehensive analysis of a NAD⁺ metabolism-derived gene signature to predict the prognosis and immune landscape in endometrial cancer. Biomol Biomed. 24 (2), 346-359 (2024).
  37. Deng, B., et al. AURKA emerges as a vulnerable target for KEAP1-deficient non-small cell lung cancer by activation of asparagine synthesis. Cell Death Dis. 15 (3), 233(2024).
  38. Zhang, C., Shen, Q., Gao, M., Li, J., Pang, B. The role of cyclin-dependent kinase inhibitor 3 (CDKN3) in promoting human tumors: literature review and pan-cancer analysis. Heliyon. 10 (4), e26061(2024).
  39. Bai, X., Xiong, J., Li, L., Yu, C., Sun, C. Suppression of hypoxia-induced CAV1 autophagic degradation enhances nanoalbumin-paclitaxel transcytosis and improves therapeutic activity in pancreatic cancer. Eur J Pharmacol. 969, 176431(2024).
  40. Zhao, Z., et al. Activation of the FOXM1/ASF1B/PRDX3 axis confers hyperproliferative and antioxidative stress reactivity to gastric cancer. Cancer Lett. 589, 216796(2024).
  41. Yang, C., Plum, P. S., Gockel, I., Thieme, R. Pan-cancer analysis and in vitro validation of the oncogenic and prognostic roles of AURKA in human cancers. Front Oncol. 13, 1186101(2023).
  42. Shen, X., et al. YTHDC1-dependent m6A modification-modulated FOXM1 promotes glycolysis and tumor progression through CENPA in triple-negative breast cancer. Cancer Sci. 115 (6), 1881-1895 (2024).
  43. Jiang, J., et al. HNRNPA2B1-mediated m6A modification of FOXM1 promotes drug resistance and inhibits ferroptosis in endometrial cancer via regulation of LCN2. Funct Integr Genomics. 24 (1), 3(2023).
  44. Yue, C., et al. Autophagy-related risk signature based on CDKN2A to facilitate survival prediction of patients with endometrial cancer. J Gene Med. 26 (1), e3648(2024).
  45. Fu, Y., et al. Discovery of potential biomarkers for early diagnosis of endometrial cancer via integrating metabolomics and transcriptomics. Comput Biol Med. 173, 108327(2024).
  46. Omar, I. S., et al. Aberrant upregulation of CDK1 contributes to medroxyprogesterone acetate resistance in cancer-associated fibroblasts of the endometrium. Biochem Biophys Res Commun. 628, 133-140 (2022).
  47. Zhang, B., et al. A novel glycolysis-related gene signature for predicting the prognosis of multiple myeloma. Front Cell Dev Biol. 11, 1198949(2023).
  48. Huang, H., et al. A novel five-gene metabolism-related risk signature for predicting prognosis and immune infiltration in endometrial cancer: A TCGA data mining study. Comput Biol Med. 155, 106632(2023).
  49. Mao, X., et al. High glucose levels promote glycolysis and cholesterol synthesis via ERRα and suppress the autophagy-lysosomal pathway in endometrial cancer. Cell Death Dis. 16 (1), 182(2025).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Endometrial CancerTCGA DatabasePrognostic ModelsUterine Corpus Endometrial CarcinomaNicotinamide MetabolismGene Set EnrichmentDifferential Gene ExpressionCox RegressionProtein Interaction AnalysisPrognostic Biomarkers

İlgili makaleler