Araştırma makalesi

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

DOI:

10.3791/71214

⸱

30 Haziran 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

* These authors contributed equally

Bu makalede

Özet

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

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.

Özet

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

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.

Giriş

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

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.

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

Protokol

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

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.

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

Sonuçlar

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

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 ön...

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

Tartışma

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

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. Da...

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

Açıklamalar

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

Yazarlar rekabet eden çıkarlar belirtmemektedir.

Teşekkürler

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

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).

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Publicly Available DatasetsTCGA-LUAD Veri KümesiThe Cancer Genome Atlas (TCGA) Portal (https://portal.gdc.cancer.gov/); 535 LUAD tümör örneği, 59 bitişik normal akciğer dokusu örnekleri (RNA-dizileme sayımı/FPKM değerleri + klinik veriler: sağkalım, TNM aşamalaması)Diferansiyel ekspresyon, sağkalım ve nomogram analizi için transkriptomik ve klinik veriler; birincil çalışma kohort
GSE115002 Veri KümesiGene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); Agilent mikrodizisi, 52 LUAD tümör dokusu, 52 eşleşen bitişik normal akciğer dokusu (tedavi görmemiş primer tümörler)Diferansiyel ekspresyon, tanısal performans ve bağışıklık infiltrasyon analizi için bağımsız doğrulama kohort
Biyoinformatik Yazılım & Programlama OrtamıR Programlama DiliVersiyon 4.1Tüm transkriptomik, istatistiksel ve grafiksel analizler için çekirdek platform
R Paketleri (Diferansiyel Ekspresyon)DESeq2, limmaDESeq2: TCGA RNA-seq ham sayım diferansiyel ekspresyon analizi; limma: GSE115002 mikrodizisi normalleştirme ve diferansiyel ekspresyon analizi (Benjamini–Hochberg FDR düzeltmesi)
R Paketleri (Tanısal Analiz)pROCROC eğrilerinin oluşturulması, AUC (%95 GA) hesaplaması, tanısal performans değerlendirmesi için en uygun kesme belirlenmesi (Youden’s endeksi)
R Paketleri (Sağkalım Analizi)survival, survminerKaplan–Meier sağkalım eğrisi oluşturma, log-rank testi, tek değişkenli/çok değişkenli Cox oransal risk regresyonu (HR + %95 GA); ortalama gen ekspresyonu ile hasta sınıflandırması
R Paketleri (Fonksiyonel Zenginleştirme)clusterProfiler, fgseaclusterProfiler: GO (BP/CC/MF) ve KEGG yol zenginleştirme analizi (ayarlanan P < 0.05); fgsea: MSigDB Hallmark/KEGG gen setleri için GSEA (FDR < 0.25)
R Paketleri (Nomogram Oluşturma & Doğrulama)rmsPrognostik nomogram geliştirme (gen ekspresyonu + TNM aşaması entegrasyonu); Harrell’s C-index hesaplaması, yanlışlık düzeltmesi için önyükleme yeniden örnekleme (1000 tekrar), kalibre eğrisi oluşturma
R Paketleri (İstatistik & Görselleştirme)ggplot2, ComplexHeatmap, corrplotVolkano grafikleri, kabarcık grafikleri (zenginleştirme), ısı haritaları (bağışıklık infiltrasyon korelasyonu), dağılım grafikleri (gen eş ekspresyonu) oluşturma; Pearson/Spearman korelasyon analizi
Biyoinformatik Veritabanı & Araçlar (Ağ/Bağışıklık Analizi)STRING VeritabanıGüven puanı > 0.7B3GNT3/FERMT1/SPP1 ve birinci derece etkileşimcilerin protein-protein etkileşim (PPI) ağlarının oluşturulması
Cytoscape-PPI ve gen eş ekspresyon ağlarının görselleştirilmesi (korelasyon gücü ile kenar ağırlıklandırması, hub gen tanımlama)
Bağışıklık Ayrıştırma AlgoritmasıCIBERSORTLUAD örneklerinde bağışıklık hücresi infiltrasyonu bolluğu (M2 makrofajları, CD8+ T hücreleri, nötrofiller, NK hücreleri, vb.) tahmini; aday gen ekspresyonu ile korelasyon
Diğer AraçlarMicrosoft Office/LaTeX-Makale hazırlama, şekil montajı ve tablo biçimlendirme; istatistiksel sonuç derlemesi

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Cancer ResearchB3GNT3FERMT1SPP1biomarkerprognosisgene expressionnomogram

İlgili makaleler