Research Article

İnsan transkriptomik verilerinin entegre biyoinformatik analizi, akciğer adenokarsinomunda üç önemli tanısal ve prognostik biyobelirteç tespit ediyor

DOI:

10.3791/71214

⸱

June 30th, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Laboratory Medicine, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, 2School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, 3Department of Laboratory Medicine, Fujian Nan'an Hospital, 4Department of Laboratory Medicine, Pujiang Tianxian Orthopedic Hospital, 5Department of Laboratory Medicine, People's Hospital of Dafang, 6Department of Laboratory Medicine, Fujian Medical University Union Hospital, 7Department of Laboratory Medicine, Fujian Pingtan Comprehensive Experimental Area Hospital, 8Medical Laboratory Center, Jinjiang Municipal Hospital, Shanghai Sixth People's Hospital, 9Medical Laboratory Center, Jinjiang Municipal Hospital, Teaching Hospital of Huaqiao University

In This Article

Summary

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

Bu çalışma, TCGA-LUAD ve GEO GSE115002 transkriptomik veriler kullanılarak akciğer adenokarsinomu için tanısal ve prognostik biyobelirteçleri belirlemiştir. B3GNT3, FERMT1 ve SPP1 ise yukarı regülasyonla tümörleri normal dokudan ayırt etti. Bu genler epitelyal-mezenkimal geçiş ve bağışıklık baskısı ile bağlantılıdır. Gen ifadesini TNM evresi ile birleştiren bir nomogram, güvenilir öngörü değeri gösterdi.

Abstract

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

Akciğer adenokarsinomu (LUAD), dünya genelinde kansere bağlı ölümlerin başlıca nedenidir. Cerrahi, hedefli tedavi ve immünoterapideki ilerlemelere rağmen, ileri LUAD'ın 5 yıllık sağlıklanma oranı %20'nin altında kalmaya devam ediyor; bu da erken tespit ve prognoz için güvenilir moleküler biyobelirteçlere acil ihtiyaç olduğunu gösteriyor. Bu çalışmada yazarlar, üç tutarlı şekilde yukarı düzenlenmiş genin LUAD için etkili tanısal ve prognostik biyobelirteçler olarak görev yapabileceğini öne sürdüler. Yazarlar, iki bağımsız kohorttan alınan transkriptomik verileri analiz ederek farklı şekilde eksprese edilen genleri taramak için TCGA-LUAD (535 tümör, 59 normal örnek) ve GSE115002 (52 tümör, 52 eşleşen normal örnek) verilerini analiz ettiler. Her iki veri setinde LUAD tümörlerinde üç temel gen—B3GNT3, FERMT1 ve SPP1—sürekli olarak aşırı eksprese edildi. Bu genler, TCGA-LUAD'da AUC değerleri 0,95'in üzerinde, GSE115002'de yüksek doğruluk oranı ile mükemmel tanı performansı gösterdi. Sağkalım analizi, her genin yüksek ekspresyonu ile daha kısa genel ve hastalıksız sağkalma ile anlamlı ilişkili olduğunu gösterdi ve çok değişkenli Cox regresyonu, bağımsız prognostik değerlerini doğruladı. Fonksiyonel zenginleştirme analizi, bu üç genin epitelyal-mezenkimal geçiş, ekstrasellüler matriks yeniden modellenmesi ve bağışıklık baskılamaya katıldığını gösterdi ve bunların hepsi LUAD invazasyonu ve metastazı ile yakından ilişkilidir. Yazarlar, üç geni ve TNM evresini birleştiren bir prognostik nomogram geliştirerek 0.743 uyum indeksi elde ettiler ve iyi öngörücü performans gösterdiler. Bu bulgular, B3GNT3, FERMT1 ve SPP1'in LUAD için umut vadeden tanısal ve prognostik biyobelirteçler olduğunu doğrulamaktadır ve risk tabakalaştırma ve yönetiminde klinik uygulamayı desteklemektedir.

Introduction

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

Akciğer kanseri, küresel kanser ölümlerinin başlıca nedenidir ve 2020 yılında yaklaşık 1,8 milyon ölüme sebepolmuştur 1. Akciğer adenokarsinomu (LUAD), tüm akciğer kanseri vakalarının neredeyse %40'ını oluşturur2. Cerrahi, hedefli tedavi ve immünoterapideki ilerlemelere rağmen, ileri LUAD için 5 yıllık sağlık oranı %20'nin altında kalmaktadır3,4. Erken tespit ve kesin tahmin için güvenilir moleküler biyobelirteçlere acil ihtiyaç vardır. Yüksek verimli dizileme ve Kanser Genomu Atlası (TCGA) ile Gen İfadesi Omnibusu (GEO) gibi kamu veritabanları, kanserlerin sistematik transkriptomik profillenmesinimümkün kılar 5,6. Bütündür çapraz kohort biyoinformatik, aday biyobelirteç keşfinin güvenilirliğiniartırır 5.

LUAD'da hücre çoğalması, EGFR sinyal iletimi ve bağışıklık kaçış 7 dahil olmak üzere birçok gen ve yol rol oynamıştır. Ancak, çok azı klinik kullanıma çevrilmiştir. Gen imzalarını ve özellikle nomogramları birleştiren risk modelleri, LUAD8'de prognostik doğruluğu artırır. B3GNT3, FERMT1 ve SPP1 bireysel olarak kanser ilerlemesiyle ilişkilendirilmiş olsa da, LUAD'deki tanık, prognostik ve bağışıklık mikroçevresi düzenleyici değerlerinin birleşimi bağımsız kohortlar arasında sistematik olarak doğrulanmamıştır. Bu çalışma, bu üç genin LUAD için birleşik bir biyobelirteç paneli olarak ilk entegre çapraz platform analizini ve klinik olarak uygulanabilir prognostik nomogram ile sunmaktadır.

B3GNT3, PD-L1'i stabilize eden ve bağışıklık kaçınmayı teşvik eden bir glikosiltransferazkodlar 9,10. FERMT1 (kindlin-1), küçük hücreli olmayan akciğer kanserinde (NSCLC) integrin aktivasyonunu düzenler ve metastazı tetikler11,12. SPP1 (osteopontin), hücre dışı matriks yeniden şekillendirilmesi, epitelyal-mezenkimal geçiş (EMT) ve kemodirenç 13,14,15 aracılık eder. Sirkadiyen saatle ilgili genlerin LUAD prognozu ve tanısınıtahmin ettiği gösterilmiştir 16, LUAD'daki cinsiyet farklılıkları ise çoklu omik entegre protein sinyal ağ ağları aracılığıyla ortayaçıkarılmıştır 17. B3GNT3 ve SPP1, salgılanan veya membran olarak lokalize edilmiş olup, minimal invaziv biyobelirteç olarak potansiyel kullanımını destekler. Etkili LUAD sınıflandırması ve biyobelirteç tanımlaması, örtüşen özellik seçimi yöntemleriylede sağlanabilir 18 ve çoklu omik etkileşimler akciğer kanseri ilerlemesinde önemli fonksiyonel rolleroynar 19. Mitokondriyal gen imzaları, kapsamlı çoklu omik entegrasyonla tanımlanır ve aynı zamanda LUAD prognozu ve kişiselleştirilmiş tedaviiçin de değer taşır. B3GNT3 ve SPP1, salgılanan veya membran olarak lokalize edilmiş olup, minimal invaziv biyobelirteç olarak potansiyel kullanımını destekler. Bu çalışma, entegre biyoinformatik kullanarak sağlam LUAD biyobelirteçlerini belirlemeyi, tanısal ve prognostik performanslarını değerlendirmeyi, biyolojik fonksiyonlarını ve bağışıklık ilişkilerini incelemeyi ve klinik olarak faydalı bir prognostik nomogram oluşturmayı amaçladı.

Protocol

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

1. Veri kaynakları ve ön işleme

  1. R (sürüm 4.1.3; Windows 10 Pro).
  2. GSE115002 için, limma (sürüm 3.52.3) kullanarak quantil normalizasyon uygulayın.
  3. TCGA için düşük ekspresyon genleri filtreleyin: CPM > genleri örneklerin %≥50'sinde tutar.
  4. Düşük ifadeli genleri GSE115002 için filtreleyin: ortalama sinyal >50 olan genleri koruyun.
  5. log2Dönüştürülen ifade değerlerini +1 sahte sayıyla dönüştür.
    NOT: LUAD gen ifadesi ve klinik veriler TCGA-LUAD (sürüm 33.0, GDC Portalı, 7 Ağustos 2025'te indirildi) ve GSE115002 (Agilent mikroarray, GEO, 7 Ağustos 2025'te indirildi) alındı. TCGA-LUAD 535 tümör ve 59 normal örnek içeriyordu. GSE115002 52 tümör ve 52 eşleşen normal örnek içeriyordu.

2. Farklı şekilde ifade edilen genlerin tanımlanması

  1. TCGA RNA-seq için DESeq2 (sürüm 1.36.0) ve diferansiyel ifade analizi için GSE115002 için limma (sürüm 3.52.3) kullanın. Benjamini–Hochberg yöntemiyle ayarlanmış P-değerleri (FDR) hesaplayın.
  2. Veri kümeleri arası karşılaştırılabilirliği sağlamak için, birleşik bir |log₂FC| ≥ 1.0 her iki grup için de uygulandı. DEG'ler FDR < 0.05 ve |log₂FC| olarak tanımlanmıştır. ≥ 1.0. Örtüşen DEG'ler VennDiagram (sürüm 1.7.3) kullanılarak tanımlandı. B3GNT3, FERMT1 ve SPP1 , bilinen kanser ilgisi olan sürekli olarak yukarı regülasyona sahip adaylar olarak seçildi.

3. Tanısal değerin değerlendirilmesi

  1. Her aday gen için ROC eğrileri oluşturun.
  2. Youden indeksi kullanarak optimal kesme değerlerini belirleyin.
  3. Her gen için AUC, duyarlılık ve özgüllük hesaplayın.
  4. Çok değişkenli lojistik regresyon kullanarak birleşik bir tanı paneli oluşturun.
    NOT: ROC analizi için pROC paketi v1.18.0 kullanılmıştır. Binom ailesiyle birlikte glm fonksiyonu tanı modelini oluşturmak için kullanıldı.

4. Hayatta kalma analizi

  1. Median ekspresyonu kullanarak hastaları yüksek ve düşük ekspresyonlu gruplara katmanlaştırın.
  2. Her gen için Kaplan–Meier hayatta kalma eğrileri oluşturulur.
  3. Hayatta kalma farklarını karşılaştırmak için log-rank testleri yapın.
  4. Tek değişkenli Cox regresyon analizi yapın.
  5. Çok değişkenli Cox regresyon analizi yapın.
  6. Regresyon modellerine klinik kovaryatları dahil edin.
  7. Orantılı tehlike varsayımını Schoenfeld kalıntılarıyla doğrulayın.
  8. Üç genli bir risk puanı hesaplayın.
    NOT: Hayatta kalma v3.3.1 ve survminer v0.4.9 kullanıldı. Ortak değişkenler arasında yaş, cinsiyet, T evresi, N evresi ve M evresi vardı. Risk puanı şu şekilde hesaplandı:
    Risk puanı = (0.328 × B3GNT3) + (0.331 × FERMT1) + (0.321 × SPP1). (1)

5. Gen seti zenginleştirmesi ve fonksiyonel açıklama

  1. DEG'ler kullanarak GO zenginleştirme analizi yapın.
  2. DEG'ler kullanılarak KEGG yol zenginleştirme analizi yapın.
  3. Gen seti zenginleştirme analizi (GSEA) yapın.
  4. Pearson ile genleri aday gen ekspresyonuyla sıralayın.
  5. Önemli terimleri düzeltilmiş P < 0.05 kullanarak belirleyin.
    NOT: clusterProfiler v4.6.2 GO ve KEGG analizleri için kullanıldı. GSEA için FGSEA v1.22.0 ve MSigDB Hallmark v7.5 kullanıldı.

6. Korelasyon ve ağ analizi

NOT: Normal dağılımlı gen ekspresyonu için Pearson korelasyonu kullanıldı; Bağışıklık hücresi fraksiyonları için Spearman korelasyonu. PPI ağları STRING (sürüm 11.5, güven > 0.7) kullanılarak oluşturulmuş ve Cytoscape (sürüm 3.9.1) ile görselleştirilmiştir. İmmün sızıntısı CIBERSORT (mutlak mod, 100 permütasyon) kullanılarak tahmin edildi. Tek hücreli RNA dizilemesinin, bağışıklık sızma analizi(21,22) için önemli olan NSCLC mikro ortamında niş geçişleri ortaya koyduğu gösterilmiştir ve bütünleşik tek hücre analizi, LUAD 23,24,25'te CD8+ hafızak hücreleri gibi bağışıklık hücrelerinin rollerini daha ayrıntılı olarak inceleyebilir.

7. Nomogram yapısı ve doğrulaması

NOT: Nomogram için değişkenler çok değişkenli Cox anlamlılığına (P < 0.05) göre seçildi: T evresi, N evresi, B3GNT3, FERMT1 ve SPP1. Nomogram, rms (sürüm 6.5.0) kullanılarak oluşturulmuştur. İç doğrulamada ise 1000 bootstrap yeniden örnekleme ve değiştirilme kullanıldı. Kalibrasyon eğrileri ve karar eğrisi analizi (DCA) rmda (sürüm 1.7) kullanılarak gerçekleştirildi. Hesaplama ortamı R 4.1.3, Windows 10 Pro ve Bioconductor 3.15 içeriyordu. Analiz senaryoları, makul talep üzerine https://github.com/[redacted]/LUAD-biomarker-2025 adresinde mevcuttur.

8. İstatistiksel analiz

NOT: Tüm istatistiksel testler iki taraflıydı; P < 0.05 önemli olarak kabul edildi.

Results

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

LUAD'da küresel gen ifade değişiklikleri

Akciğer adenokarsinom dokuları ile normal akciğer dokuları arasındaki transkriptomik karşılaştırmalar, yaygın gen ifade değişikliklerini tespit etti. Şekil 1A , TCGA-LUAD veri setindeki farklı ekspresyon genlerin volkan grafiklerini gösterirken, Şekil 1B ise GSE115002 veri setindeki genleri gösterir. TCGA-LUAD kohortunda (Şekil 1A), 1865 gen önemli ölçüde yukarı düzenlenmiş, 1247 gen ise aşağı regülasyonlu hale getirilmiştir. GSE115002 kohortunda (Şekil 1B) 645 gen yukarı regülasyon, 609 gen ise aşağı regülasyon yapıldı. Her iki veri setinde de toplam 421 gen tutarlı şekilde yukarı regülasyonla düzenlendi. Bu örtüşen genler arasında B3GNT3, FERMT1 ve SPP1 , Şekil 1A ve Şekil 1B'de tümör örneklerinde belirgin şekilde aşırı ekspresyona sahip olarak etiketlenmiştir. TCGA-LUAD'da, normal dokulara kıyasla B3GNT3 ekspresyonu yaklaşık 5 kat, FERMT1 8 kat ve SPP1 10 kat arttı. Benzer bir yukarı regülasyon GSE115002'de doğrulandı; üç genin de iki katından fazla yükselme gösterdiği görüldü.

B3GNT3, FERMT1 ve SPP1'in tanısal performansı

B3GNT3, FERMT1 ve SPP1'in tanı performansını değerlendirmek için alıcı çalışma karakteristik eğrisi analizi kullanıldı. Şekil 2A, TCGA-LUAD kohortunda ROC eğrilerini, Şekil 2B ise GSE115002 kohortundaki eğrileri sunar. Her üç gen de her iki kohortta da yüksek tanı doğruluğuna ulaştı. TCGA-LUAD kohortunda (Şekil 2A), eğri değerleri altındaki alan tüm işaretçiler için 0,95'i aşmıştır. Bağımsız GSE115002 kohortunda (Şekil 2B), eğri değerlerinin altında benzer şekilde yüksek alan gözlemlenmiştir. Hassasiyet ve özgüllük, optimal kesme değerlerinde %85 ile %95 arasında değişiyordu. Bu sonuçlar, her genin tümör ile normal dokular arasında mükemmel ayrım sağladığını doğrulamaktadır.

B3GNT3, FERMT1 ve SPP1 ifadesinin prognostik önemi

Şekil 3'teki Kaplan–Meier sağ kabullenme eğrileri, her iki genin yüksek ekspresyonunun her iki kohortta da genel hayatta kalmanın daha kısa olmasıyla anlamlı ilişkili olduğunu ortaya koymaktadır. Şekiller 3A–3C, TCGA-LUAD kohortunda B3GNT3, FERMT1 ve SPP1 için genel hayatta kalma eğrilerini göstermektedir. Şekiller 3D–3F, GSE115002 kohorttaki ilgili eğrileri gösterir. Yüksek B3GNT3, FERMT1 veya SPP1 ekspresyonu olan hastalarda medyan sağlıkta azalma ve 5 yıllık sağlıkta daha düşük oranlar gösterildi. Çok değişkenli regresyon analizi, yüksek SPP1 ekspresyonunun bağımsız ve kötü prognostik bir faktör olarak kaldığını doğruladı. Üç genin de yüksek ekspresyonu hastalıksız yaşamın daha kısa sürmesiyle ilişkilendirildi. Her iki kohortta da tutarlı eğilimler, B3GNT3, FERMT1 ve SPP1'in aşırı ekspresyonesinin akciğer adenokarsinomunda olumsuz klinik sonuçlar öngördüğünü göstermektedir.

Fonksiyonel zenginleştirme analizi

Fonksiyonel zenginleştirme analizi sonuçları Şekil 4'te özetlenmiştir. Şekil 4A, TCGA-LUAD kohortunda GO ve KEGG zenginleşmesini, Şekil 4B'de ise GSE115002 kohortunda zenginleşme gösterilmektedir. Yukarı regülasyona sahip genler, hücre döngüsü ilerlemesi, hücre dışı matriks organizasyonu, odak yapışma ve onkojenik sinyal üretiminde güçlü şekilde zenginleşti. Aşağı regülasyonlu genler, normal epitel farklılaşması ve p53 sinyalizasyonu ile ilişkilendirildi. Bu gözlemler, üç aday genin akciğer adenokarsinomunda proliferasyon, istila ve bağışıklık düzensizliğini teşvik eden yollarda yer aldığını göstermektedir.

Ortak ifade ağları

B3GNT3, FERMT1 ve SPP1 ile ilişkili ortak ifade ağları Şekil 5'te gösterilmiştir. Şekil 5A, TCGA-LUAD kohortunda ağı gösterirken, Şekil 5B GSE115002 kohorttaki ağı gösterir. Düğümler genleri, kenarlar ise korelasyon katsayılarını temsil eder. Üç ana gen, ECM yeniden modellenmesi, bağışıklık düzenlemesi ve sitoskelet organizasyonu genleriyle kümelenir. Bu bulgular, üç genin aşırı ifade edilmesinin immünosupresif tümör mikroçevresiyle ilişkili olduğunu göstermektedir.

Prognostik nomogramın performansı

Prognostik nomogram Şekil 6'da sunulmaktadır. Model, patolojik T evresi, patolojik N evresi ve B3GNT3, FERMT1 ve SPP1 ifade seviyelerinin entegre edilmesiyle oluşturulmuştur; bu seviyeler LUAD'da 1-, 2- ve 3 yıllık genel hayatta kalma tahmin edilmiştir. Her değişken için puanlar atanır ve toplam puanlar tahmin edilen hayatta kalma olasılığına karşılık gelir. Model, iyi bir tahmin performansını gösteren 0.743 uyum indeksi elde etti. Kalibrasyon eğrileri, tahmin edilen ve gerçek hayatta kalma olasılıkları arasında yakın uyum gösterdi. Karar eğrisi analizi klinik net faydayı doğruladı. Bu nomogram, geleneksel TNM aşamasının ötesinde bireysel hayatta kalma tahminini geliştirir.

Özetle, bu çalışma B3GNT3, FERMT1 ve SPP1'i LUAD patogenezinde temel moleküler oyuncular olarak vurgulamaktadır. Aşırı ekspresyonları, invaziv tümör fenotipleri, stromal yeniden şekillendirme ve bağışıklık kaçışıyla ilişkilidir. Multi-omik entegrasyonu sayesinde, bu genlerin tanı, prognoz ve hasta tabakalaşması için birleşik değerini gösteriyoruz. Gelecekteki araştırmalar, immünoterapi yanıtı için öngörücü önemlerini incelemeli ve LUAD'da terapötik hedef olarak potansiyellerini değerlendirmelidir.

figure-results-1
Şekil 1: LUAD tümöründe ve normal dokularda farklı şekilde ifade edilen genlerin volkan grafikleri. (A) TCGA-LUAD veri seti. (B) GSE115002 veri seti. Kırmızı, önemli ölçüde yukarı düzenlenmiş genleri gösterir; Mavi, aşağı regülasyonlu genleri gösterir. B3GNT3, FERMT1 ve SPP1 sürekli olarak üst düzenlemeli olarak etiketlenmiştir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: B3GNT3, FERMT1 ve SPP1 için LUAD'ı normal dokulardan ayırımda ROC eğrileri. (A) TCGA-LUAD kohortu. (B) GSE115002 grup. AUC değerleri yüksek tanı doğruluğu gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Kaplan-Meier genel hayatta kalma eğrileri B3GNT3, FERMT1 ve SPP1 ifade seviyelerine göre katmanlanmıştır. (A–C) TCGA-LUAD grubu. (A) B3GNT3, (B) FERMT1, (C) SPP1. (D–F) GSE115002 grubu. (D) B3GNT3, (E) FERMT1, (F) SPP1. Her genin yüksek ekspresyonu, her iki kohortta da genel hayatta kalmanın daha kısa olmasına anlamlı şekilde bağlıdır. Log-rank testlerinden alınan HR ve P değerleri sağlanır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: DEG'lerin GO ve KEGG zenginleştirme analizi, üç ana genle korelasyonludur. (A) TCGA-LUAD grubu. (B) GSE115002 grubu. Zenginleştirme terimleri arasında biyolojik süreç (BP), hücresel bileşen (CC), moleküler fonksiyon (MF) ve KEGG yolları bulunur. Yukarı regülasyona sahip genler, çoğalma, ECM yeniden şekillendirme ve onkojenik sinyal ile zenginleştirilir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: B3GNT3, FERMT1 ve SPP1 ile ilişkili gen ortak ifade ağları. (A) TCGA-LUAD grubu. (B) GSE115002 kohort. Düğümler genleri, kenarlar ise korelasyon katsayılarını temsil eder. Üç ana gen, ECM yeniden modellenmesi, bağışıklık düzenlemesi ve sitoskelet organizasyonu genleriyle kümelenir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: LUAD'da 1, 2 ve 3 yıllık genel hayatta kalma tahmini için patolojik T evresi, patolojik N evresi, B3GNT3, FERMT1 ve SPP1 ifadesini entegre eden prognostik nomogram. Her değişken için puanlar atanır ve toplam puanlar tahmin edilen hayatta kalma olasılığına karşılık gelir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Discussion

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

Nomogram, TCGA-LUAD kohortu temelinde çok değişkenli Cox regresyon analizi kullanılarak oluşturulmuştur. Tahmin edenler arasında patolojik T evresi, patolojik N evresi ve B3GNT3, FERMT1 ile SPP1'in gen ifade durumu (medyan ifadeye göre Yüksek ve Düşük olarak kategorize edilir) yer alır. Her hasta için, her değişken için bireysel puanlar toplanarak tahmini 1, 2 ve 3 yıllık genel hayatta kalma olasılıklarına karşılık gelen bir "Toplam Puan" değeri oluşturulur. Daha yüksek toplam puanlar artan ölüm riskini gösterir. Bu araç, bireysel hayatta kalma tahmini sağlar ve LUAD risk tabakalaşmasına yardımcı olur. Makine öğrenimi, LUAD prognozu vetedavisinde çeşitli hücre ölüm kalıplarını ortaya çıkarmak için kullanılmıştır 21,22,23 ve bu da nomogram modelimizi daha da optimize edebilir.

Bu çalışma, entegre biyoinformatik analiz kullanılarak B3GNT3, FERMT1 ve SPP1'i LUAD'da sağlam tanısal ve prognostik biyobelirteçler olarak tanımlamıştır. Üç gen de tümörlerde tutarlı olarak aşırı ekspresyona sahiptir, tümörleri normal dokudan yüksek doğrulukla ayırır, kötü hayatta kalma öngörür ve EMT, matriks yeniden modellenmesi ve bağışıklık kaçışmasıyla ilgili yolları düzenler. Kombine nomogram, risk tabakalaşmasını TNM aşamasının ötesinde iyileştirir. B3GNT3, PD-L1'iglikozilasyon 9,10 ile stabilize ederek bağışıklık kaçınmayı teşvik eder. FERMT1, integrin sinyalini ve hücre hareketliliğini artırır, invaziya ve metastazıtetikler 11,12. SPP1, EMT, anjiyogenez ve M2 makrofajpolarizasyonunun salgılanan bir sürücüsü olarak işlev görür 13,14,15. Birlikte, invazivlik ve immünosupresyonla karakterize edilen agresif bir LUAD alt tipini tanımlar.

Önceki çalışmalar, LUAD'da B3GNT3, FERMT1 veya SPP1'in bireysel rollerini bildirmiştir. Bu çalışma, bağımsız transkriptomik kohortlar arasında birleşik bir panel olarak üç çalışmayı doğrulayan ilk çalışmadır ve hem TCGA hem de GEO verilerinde tanı ve prognostik performans doğrulanmıştır. LUAD biyobelirteçleri üzerine yapılan son çalışmalar, bağışıklık ilişkili gen imzalarının prognoz ve immünoterapi rehberliği açısından değerini desteklemektedir. Entegre biyoinformatik ve makine öğrenimi kullanılarak yapılan son çalışmalar, LUAD tanısı veprognozu için birden fazla gen imzası (21,22) tespit etmiştir. Bu yaklaşımlar, üç genli panelimize benzer şekilde, transkriptom tabanlı biyobelirteçlerin klinik tabakalaşmadaki değerini vurgulamaktadır.

Ekstraselüler matris yeniden şekillendirilmesi, agresif LUAD'ın temel bir özelliğidir ve ECM ile ilgili imzalar bağımsız prognostik faktörler olarak doğrulanmıştır. FERMT1 ve SPP1'in odak adezyon ve ECM–reseptör etkileşimiyle yakından ilişkili olduğuna dair bulgularımız, LUAD ilerlemesinde matriks yeniden modellemenin kritik rolünü daha da desteklemektedir. Disiplinlerarası tıpta (IMed)21,23 bildirilen CHAF1B ve ubiquitin-ilişkili gen imzalarına benzer şekilde, üç genimiz bağışıklık infiltrasyonuyla yakından ilişkilidir ve hem prognostik hem de öngörücü belirteç olarak hizmet verebilir. LUAD biyobelirteçlerini tanımlamak için alternatif stratejiler arasında tek hücreli RNA dizileme, mekânsal transkriptomik, makine öğrenimi tabanlı özellik seçimi ve plazma proteomik profilleme 24,25,26 yer alır. Rastgele orman veya LASSO gibi makine öğrenimi algoritmaları biyobelirter seçimini daha da geliştirebilir. QPCR, IHC ve ELISA ile ıslak laboratuvar doğrulaması, klinikçeviri 27,28,29,30'u doğrulamak için gereklidir.

Bu çalışma, retrospektif tasarımı, kamuya açık transkriptomik verilere dayanması ve dış klinik doğrulamanın eksikliği nedeniyle sınırlıdır. Nomogram doğrulaması dahili bootstrap yeniden örnekleme ile sınırlıydı. Toplu transkriptomik veriler hücresel düzeyde ifadeyi çözemez. Mekanistik nedensellik fonksiyonel deneyler gerektirir. Bağışıklık infiltrasyonuyla olan korelasyonlar hesaplamalı dekonvolüsiyona dayanır ve dikkatli yorumlanmalıdır. Gelecekteki çalışmalar, bu biyobelirteçleri IHC, qPCR ve serum ELISA kullanılarak prospektif kohortlarda doğrulamalıdır. Tek hücreli ve mekansal transkriptomik, hücresel kaynakları ve mekansal dağılımı netleştirecektir. İmmünoterapi ve hedefli tedavi yanıtı için öngörücü değer değerlendirilmelidir. B3GNT3, FERMT1 ve SPP1'in terapötik hedeflenmesi, LUAD tedavisi için yeni stratejiler sunabilir.

Disclosures

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

Yazarlar rekabet eden çıkarlar belirtmemektedir.

Acknowledgements

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

Bu çalışma, Fujian Geleneksel Çin Tıbbı Üniversitesi'nden Yuhui Lin'in liderliğindeki 2024 Fujian Geleneksel Çin Tıbbı Üniversitesi düzeyindeki Proje (Hibe Numarası: XB2024012) tarafından desteklenmiştir. ve Fujian Eyaleti'nde bilim ve teknolojinin yeniliği için ortak fon (Hibe No: 2025Y9530), Jinjiang Belediye Hastanesi'nden Xiaoting Chen liderliğinde (Şanghay Altıncı Halk Hastanesi, Fujian).

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Kamuya Açık Veri SetleriTCGA-LUAD Veri SetiKanser Genomu Atlası (TCGA) Portalı (https://portal.gdc.cancer.gov/); 535 LUAD tümör örneği, 59 bitişik normal akciğer dokusu örneği (RNA dizileme sayısı/FPKM değerleri + klinik veriler: sağlık, TNM aşaması)Diferansiyel ifade, sağkalım ve nomogram analizi için transkriptomik ve klinik veriler; Birincil çalışma grubu
GSE115002 Veri SetiGen İfadesi Omnibüsü (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Agilent mikrodizi, 52 LUAD tümör dokusu, 52 uyumlu bitişik normal akciğer dokuları (tedavi-naï ve primer tümörler)Diferansiyel ifade, tanı performansı ve bağışıklık infiltrasyon analizi için bağımsız doğrulama kohortu
Biyoinformatik Yazılım & Programlama OrtamıR Programlama DiliSürüm 4.1Tüm transkriptomik, istatistiksel ve grafiksel analizler için temel platform
R Paketleri (Diferansiyel İfade)DESeq2, limmaDESeq2: TCGA RNA sırası ham sayı diferansiyel ifade analizi; limma: GSE115002 mikroarray normalizasyonu ve diferansiyel ifade analizi (Benjamini– Hochberg FDR düzeltmesi)
R Paketleri (Tanı Analizi)pROCROC eğrilerinin inşası, AUC (%95 CI) hesapı, optimal kesme noktası belirleme (Youden' s indeksi) tanı performans değerlendirmesi için
R Paketleri (Hayatta Kalma Analizi)hayatta kalma, hayatta kalma madencisiKaplan– Meier hayatta kalma eğrisi üretimi, log-rank testi, tek değişkenli/çok değişkenli Cox orantılı riskler regresyonu (HR + %95 CI); Median gen ifadesine göre hasta tabakalaşması
R Paketleri (Fonksiyonel Zenginleştirme)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) ve KEGG yol zenginleştirme analizi (ayarlanmış P < 0.05); fgsea: MSigDB Hallmark/KEGG gen setleri için GSEA (FDR < 0.25)
R Paketleri (Nomogram Yapım & Doğrulama)RMSPrognostik nomogramın geliştirilmesi (gen ifadesinin entegrasyonu + TNM aşaması); Harrell' s C-indeks hesaplaması, önyargı düzeltmesi için bootstrap yeniden örnekleme (1000 tekrar), kalibrasyon grafik oluşturma
R Paketleri (İstatistiksel & Görselleştirme)ggplot2, ComplexHeatmap, corrplotVolkan grafiklerinin oluşturulması, balon grafikleri (zenginleştirme), ısı haritaları (bağışıklık infiltrasyonu korelasyonu), saçılım grafikleri (gen ortak ekspresyonu); Pearson/Spearman korelasyon analizi
Biyoinformatik Veritabanları & Araçlar (Ağ/Bağışıklık Analizi)STRING VeritabanıGüven puanı > 0.7Protein&ndash yapısı; B3GNT3/FERMT1/SPP1 ve birinci derece etkileşimli aktörler için protein etkileşimi (PPI) ağları
Sitoscape-PPI ve gen ortak ifade ağlarının görselleştirilmesi (korelasyon gücüne göre kenar ağırlıklandırma, merkez gen tanımlama)
Bağışıklık Dekonvolüsyon AlgoritmasıCIBERSORTLUAD örneklerinde bağışıklık hücresi sızma bolluğunun (M2 makrofajları, CD8+ T hücreleri, nötrofiller, NK hücreleri vb.) tahmini; aday gen ifadesi ile korelasyon
Diğer AraçlarMicrosoft Office/LaTeX-El yazması hazırlığı, figür montajı ve tablo biçimlendirmesi; İstatistiksel sonuç derlemesi

Reprints and Permissions

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

Request Permission

Tags

Cancer ResearchLung adenocarcinomaB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogramBioinformatics

Related Articles