Bu protokol, halka açık transkriptomik veri setleri ve kolon epitel hücre doğrulamasını entegre ederek S100P'yi inflamatuar bağırsak hastalığı, kolorektal kanser ve pankreas adenokarsinomu ile ilişkili ortak bir biyobelirteç olarak tanımlar.
Araştırma makalesi
S100P, İltihapli Bağırsak Hastalığı, Kolorektal Kanser ve Pankreas Adenokarsinomunda Ortak Bir Biyobelirteç Olarak: Entegre Transkriptomik Analiz
* These authors contributed equally
Bu makalede
Özet
Özet
İltihaplı bağırsak hastalığı (IBD), kolorektal kanser (CRC) ve pankreas adenokarsinoması (PAAD) riskinin artmasıyla ilişkilidir, ancak bu hastalıklar arasında paylaşılan moleküler özellikler henüz tam olarak anlaşılmamıştır. Bu çalışma, entegre transkriptomik analiz ve deneysel doğrulama yoluyla IBD, CRC ve PAAD ile ilişkili ortak genleri ve biyolojik yolları belirlemeyi amaçladı. IBD, CRC ve PAAD için gen ifade veri setleri The Cancer Genome Atlas ve Gene Expression Omnibus veritabanlarından alınmıştır. Hastalıkla ilişkili ve paylaşılan genlerin belirlenmesi için ağırlıklı gen ortak ifade ağı analizi ve diferansiyel ifade analizi gerçekleştirildi. Gen Ontolojisi ve Kyoto Genler ve Genomlar Ansiklopedisi (analizler, zenginleştirilmiş biyolojik fonksiyonları ve yolları incelemek için kullanıldı. İmmün hücre infiltrasyonu, RNA Transkriptlerinin Göreceli Alt Kümelerini Tahmin Ederek Hücre Tipi Tanımlama yöntemiyle değerlendirildi. Yaygın genlerin tanısal performansını değerlendirmek için alıcı çalışma karakteristikleri analizi yapıldı. S100P'nin hücresel dağılımını incelemek için tek hücreli RNA dizileme analizi yapıldı. Ayrıca, S100P aşağı regulasyonunun etkileri lipopolisakkarit (LPS) ile uyarılan kolon epitel hücrelerinde değerlendirildi. Toplamda 162 hastalıkla ilişkili gen ve dört yaygın gen tespit edildi. Fonksiyonel zenginleştirme analizleri, interlökin-17 sinyal yolu da dahil olmak üzere bağışıklık ve iltihapla ilgili yolların önemli ölçüde zenginleştiğini gösterdi. İmmün infiltrasyon analizi, IBD, CRC ve PAAD genelinde çeşitli bağışıklık hücre popülasyonlarında benzer eğilimleri ortaya koydu. Tek hücreli analiz, üç hastalıktan epitel hücrelerinde S100P ekspresyonunun yükseldiğini gösterdi. S100P'nin aşağı regulasyonu, LPS ile uyarlanan kolon epitel hücrelerinin proliferatif kapasitesini geri kazandı ve inflamatuar sitokin ekspresyonunu azalttı. Entegre transkriptomik analiz, S100P'yi IBD, CRC ve PAAD ile ilişkili bir biyobelirteç olarak tanımladı ve bu hastalıklar arasında ortak bağışıklık ilişkili özellikleri ortaya koydu.
Giriş
İltihap bağırsak hastalığı (IBD), gastrointestinal sistemi etkileyen ülseratif kolit ve Crohn hastalığı dahil olmak üzere bağışıklıkla ilgili bozuklukların bir spektrumunutemsil eder 1. IBD'nin etiyolojisi oldukça karmaşıktır ve mukoza bağışıklık anormallikleri, disbiyoz ve genetik duyarlılıkiçerir 2. IBD, artan insidans oranları ve önemli ekonomik yüklerle küresel bir sağlık sorunudur ve artan yaygınlığı önemli dikkatçekmiştir 1. Önemli olarak, IBD hastalarında kolorektal kanser (CRC)3 ve pankreas adenokarsinom (PAAD)4 gelişme riski önemli ölçüde artmıştır. Bu ilişki iyi belgelenmiş olsa da, IBD, CRC ve PAAD arasındaki genetik çapraz konuşma hâlâ tam olarak anlaşılmamaktadır.
Önceki çalışmalar, IBD, CRC ve PAAD'ın ortak patojenik süreçleri paylaştığını güçlü bir şekilde öne sürmektedir; Ancak, spesifik ve hassas tanısal biyobelirteçler hâlâ eksik olmakta ve ortak patojenik mekanizmalar tam olarak açıklanmamıştır. Neyse ki, yüksek verimli dizileme teknolojilerinin hızlı ilerlemesi ve yaygın erişimi sayesinde, IBD, CRC ve PAAD hastalarından alınan çok sayıda transkriptomik veri seti kamuya açık hale gelmiş ve bu hastalıklar arasındaki moleküler bağlantıların sistematik olarakincelenmesini mümkün kılmıştır 2,5,6.
Bu çalışma, IBD, CRC ve PAAD hastalarından yüksek verimli dizileme verilerini kullanarak ağırlıklı gen ortak ekspresyon ağı analizi (WGCNA) ve diferansiyel ifade analizi kullanarak hastalıkla ilişkili ve paylaşılan genleri tespit etti. Bu genler, IBD, CRC ve PAAD arasında potansiyel ortak sinyal yolları belirlemek için daha fazla araştırıldı. Ayrıca, bu yaygın genlerin tanısal değerini de değerlendirdik. Tek hücreli RNA dizileme (scRNA-seq) analizi, anahtar gen S100P'nin ağırlıklı olarak epitel hücrelerinde ekspresyona geçtiğini gösterdi. Son olarak, S100P'nin IBD'deki biyolojik rolünü araştırdık.
Sonuç olarak, bu çalışma IBD, CRC ve PAAD ile ilişkili yaygın tanısal biyobelirteçleri ve biyolojik yolları belirlemeyi, böylece bu hastalıkların ortak önlenmesi ve tedavisi hakkında değerli klinik bilgiler sağlamayı amaçladı.
Protokol
Bu çalışma, Kanser Genomu Atlası (TCGA) ve Gen İfadesi Omnibus'u (GEO) gibi kamuya açık ve kimliği yok edilmiş veri setlerini ve yerleşik ticari hücre hatlarını kullandı. Yeni işe alınan insan katılımcılar, tanımlanabilir hasta bilgileri veya hasta kaynaklı örnekler dahil edilmedi. Tüm analizler, ilgili kurumsal yönergeler ve kamu veritabanlarının kullanım şartlarına uygun olarak gerçekleştirilmiştir. Bu nedenle, bu çalışma için ek kurumsal etik onay ve bilgilendirilmiş onay gerekmemiştir.
Veri Kaynağı
IBD kohortları (GSE179285; platform: GPL6480 ve GSE24287; platform: GPL6480), CRC kohortları (TCGA-CRC; platform: Illumina HiSeq 2000 ve GSE87211; platform: GPL13497) ve PAAD kohortları (GSE128735; platform: GPL20301 ve GSE62452; platform: GPL6244) için RNA-seq verileri TCGA ve GEO'dan indirildi. Tüm veri setlerine 5 Aralık 2025'te erişildi.
Her veri seti için örnekler kesin olarak iki alt gruba ayrıldı; hastalık lezyon/tümör dokuları vaka grubu, ilgili lezyon olmayan normal dokular ise kontrol grubu olarak hizmet verdi. Özellikle, IBD kohortu IBD hastalarından 297 bağırsak mukozal örneği ve sağlıklı bireylerden 56 normal bağırsak mukoza örneği içeriyordu; CRC kohortu 841 primer kolorektal tümör dokusunu ve 211 uyumlu bitişik normal kolorektal epitel dokusunu içeriyordu; PAAD kohortu ise 114 PAAD tümör dokusu ve 106 normal pankreas parenkimal dokusundan oluşuyordu.
Aynı hastalık kategorisindeki tüm veri setleri eşit şekilde entegre edildi. Limma paketinin normalizeBetweenArrays fonksiyonu, çapraz örneklem quantil normalizasyonu gerçekleştirmek için uygulandı; böylece platformlar arası parti etkileri etkili bir şekilde ortadan kaldırıldı ve farklı veri setlerinde gen ifade değerlerini standartlaştırarak sonraki diferansiyel ifade analizi yapıldı.
IBD-, CRC- ve PAAD ile İlgili Genlerin ve Yaygın Genlerin Taraması
İlk olarak, IBD, CRC ve PAAD kohortlarından limma paketi kullanılarak farklı olarak eksprese edilen genler (DEG) tarandı ve orijinal P değerleri Benjamini-Hochberg yanlış keşf oranı (FDR) yöntemiyle düzeltildi. IBD, CRC ve PAAD kohortlarında tarama kriterleri |logFC| > 0.4 ve P < 0.05. Ayrıca, WGCNA tüm genlerde yapıldı ve minimum modül gen eşiği 100 oldu (yumuşak eşik güç = 0.90; ağ tipi = işaretli). Sonuç olarak, üç kohort arasında ortak DEG'ler ve modül genleri tespit edildi. Her iki yöntemle de tutarlı şekilde tanımlanan genler ortak genler olarak tanımlanırken, kalan genler ilişkili genler olarak kategorize edildi.
PPI ve Fonksiyonel Zenginleştirme Analizi
Bu analizler hastalıkla ilişkili genler üzerinde yapıldı. Protein-protein etkileşimi (PPI) analizi STRING veritabanı kullanılarak yapıldı (etkileşim puanı > 0.40). Fonksiyonel zenginleştirme analizi, clusterProfiler, enrichplot ve org kullanılarak gerçekleştirilen Gen Ontolojisi (GO) ve Kyoto Genom Ansiklopedisi (KEGG) analizlerini içeriyordu. Hs.eg.db paketleri (P < 0.05 ve FDR ile ayarlanmış q değeri [Benjamini–Hochberg yöntemi] < 0.05).
İmmün Mikroçevre Profilleme
CIBERSORT, varsayılan LM22 imzamatrisi 7 kullanılarak gen ifadesi verilerinden bağışıklık hücresi sızma seviyelerini tahmin etmek için güvenilir bir algoritmadır. Bu çalışmada, IBD, CRC ve PAAD kohortlarından alınan örneklerde bağışıklık hücresi infiltrasyonunun kapsamını tahmin etmek için CIBERSORT algoritması kullanıldı ve üç hastalık arasında bağışıklık mikroçevresinin ortak özelliklerini inceledi. Analiz, her örnek için P değerleri hesaplanmak amacıyla 1.000 permütasyon ile yapıldı ve karışım ifade dosyasına quantil normalizasyon (QN = TRUE) uygulandı. Yalnızca CIBERSORT P değeri 0.05 < örnekler sonraki analizler için tutuldu ve dekonvolüsyon sonuçlarının güvenilirliği sağlandı.
Yaygın Genlerin Tanısal Değerinin Değerlendirilmesi
IBD, CRC ve PAAD kohortlarındaki yaygın genlerin tanısal değeri, R'deki pROC paketiyle alıcı çalışma karakteristikli (ROC) analizi kullanılarak değerlendirildi. Duyarlılık ve özgüllük arasındaki optimal denge, ROC eğrileri kullanılarak görselleştirildi.
qRT-PCR, Hücre Transfeksiyonu ve Koloni Oluşumu Testi
qRT-PCR ve hücre transfeksiyonu önceki 8,9,10 çalışmalarına göre gerçekleştirilmiştir. Geçici transfeksiyon, üreticinin talimatlarına göre jetPRIME transfeksiyon reaktifi (Polyplus, Çin) kullanılarak gerçekleştirildi. Hücreler, transfeksiyon karışımıyla 6 saat kuluçka edilmiş, ardından ortam tam DMEM ile değiştirilmiştir. Sonraki deneyler transfeksiyondan 48 saat sonra gerçekleştirildi.
Kısaca, toplam hücresel RNA TRIzol reaktifi kullanılarak ekstraksiyon yapıldı. RNA, PrimeScript RT Master Mix kullanılarak cDNA'ya ters transkribe edildi. Kantitatif PCR, TB Green qPCR kullanılarak gerçekleştirildi. β-aktin, ifade normalizasyonu için iç referans gen olarak kullanıldı. Biyolojik deneyler üçlü olarak gerçekleştirildi. Primer dizileri ve siS100P dizisi önceki bir çalışma 11'de bulunabilir.
NCM460, FHC, HCT116, SW116, PANC1 ve BXPC2 hücreleri, Malzeme Tablosu'nda listelendiği gibi elde edilmiştir. Tüm hücre hatları hücre tanımlaması ve mikoplazma testlerinden geçti.
Deneyler sırasında tüm hücreler 3–5 nesil boyunca geçiş yapıldı. Tüm hücreler, %10 fetal sığır serumu ve %1 penisillin–streptomisin içeren tam DMEM'de kültürlendi.
Koloni oluşumu testi, önceki bir çalışmadatanımlandığı gibi yapılmıştır 12. Kısa bir süreliğine, 6 kuyuluğa ait bir plakanın her kuyusuna 1.000 hücre ekildi ve deney sona ermeden önce 10 gün boyunca kültürlendi. Hücreler %4 paraformaldehit ile sabitlendi, %0,1 kristal violet ile boyandı ve koloniler ImageJ kullanılarak sayıldı.
scRNA-seq verilerine dayalı yaygın genlerin analizi
IBD veri setinden (GSE214695), CRC veri setinden (GSE166555) ve PAAD veri setinden (GSE154778) scRNA-seq verileri önceki çalışmalardatanımlandığı gibi önceden işlenmiş 8,13. Ham sayı matrisleri, limma::avereps kullanılarak kopyalanmış gen sembolleri için ortalama ifade ile daraltıldı. İlk filtreleme, en az üç hücrede ve en az 50 benzersiz transkript içeren hücrelerde tespit edilen genleri tuttu. Mitokondriyal transkript fraksiyonu %>5 veya 50'den az tespit edilen genlere sahip hücreler çıkarıldı. Log normalizasyonu 10.000 ölçek faktörü ile gerçekleştirildi, ardından varyans stabilize edici dönüşüm yapıldı ve ana bileşen analizinden (PCA) önce Z-puanı standartlaştırılmış en çok değişken 1.500 gen belirlendi. Küme tanımlayan belirteç genleri, hedef kümelerde ≥0.25 (katlama değişimi) log2 (katlama değişimi) ve ayarlanmış P değeri ><0.05 kullanılarak filtrelendi.
Kısaca, veri ön işlemesi Seurat paketi kullanılarak yapıldı ve hücre tipi açıklaması SingleR paketi (sürüm 2.6.0) kullanılarak gerçekleştirildi. Hücre kümelenmesi, Seurat'ta k-en yakın komşu grafiği yapısı ve PCA boyutları 1–20 temelinde t-SNE gömülmesi kullanılarak gerçekleştirilmiştir. Daha sonra farklı hücre tipleri arasında yaygın genlerin dağılımı ve ifade seviyeleri incelendi.
IBD Modelinin İnşası
Öncekiçalışmalara göre, normal insan kolon epitel hücrelerinde (FHC ve NCM460) iltihaplanma indüklemek için lipopolisakkarit (LPS) kullanıldı ve böylece iltihapı taklit eden bir IBD modeli oluşturuldu. Biyolojik deneyler üçlü olarak gerçekleştirildi. Hücreler, %5CO2 ile 37°C'de nemlendirilmiş bir kuluçka makinesinde rutin olarak kültürlendi. Hücre birleşimi yaklaşık %50–%70'e ulaştığında, kültür ortamı taze tam ortamla değiştirildi ve hücreler 12 saat boyunca 10 ng/mL LPS ile işlendi. Araç kontrolü olarak eşit miktarda steril fosfat-tamponlu tuzlu (PBS) kullanıldı. Kültür hacmi, 6 delikli plakalarda kuyu başına 2 mL idi. Tedaviden sonra ortam çıkarıldı, hücreler önceden soğutulmuş steril PBS ile iki kez yıkandı ve hücreler sonraki analizler için toplandı.
İstatistiksel Analiz
Tüm biyoinformatik analizler R yazılımı (sürüm 4.1.2) kullanılarak gerçekleştirilmiştir. İki grup arasındaki karşılaştırmalar Student's t-testi kullanılarak yapılırken, birden fazla grup arasındaki karşılaştırmalar tek yönlü varyans analizi (ANOVA) kullanılarak yapıldı. Korelasyon analizi Spearman yöntemiyle gerçekleştirildi. Tüm hücresel deneyler en az üç kez tekrarlanmış ve veriler ortalama ± standart sapma (SD) olarak sunulmuştur. P değeri veya FDR < 0.05 istatistiksel olarak anlamlı olarak kabul edildi. NS, önemli değil; P < 0.05 (*), P < 0.01 (**), P < 0.001 (***).
Sonuçlar
IBD, CRC ve PAAD'da DEG'ler
İlk olarak, IBD kohortları (GSE179285 ve GSE24287), CRC kohortları (TCGA-CRC ve GSE87211) ve PAAD kohortları (GSE128735 ve GSE62452) entegre edildi ve entegrasyon PCA ile gen ifade yoğunluğu grafikleri kullanılarak değerlendirildi. Sonuçlar, farklı veri setleri arasındaki toplu etkilerin entegrasyondan sonra etkili bir şekilde ortadan kaldırıldığını gösterdi (Şekil 1A–F).
Şekil 1. İnflamatuar bağırsak hastalığı (IBD), kolorektal kanser (CRC) ve pankreas adenokarsinomu (PAAD) kohortlarının normalleşmesi. (A) IBD kohortlarının normalizasyonundan önce ve sonra ana bileşen analizi (PCA) grafikleri (GSE179285 ve GSE24287). (B) IBD kohortlarının normalizasyonundan önce ve sonra gen ifade dağılımı grafikleri. (C) PCA, CRC kohortlarının normalizasyonundan önce ve sonra grafikler (TCGA-CRC ve GSE87211). (D) CRC kohortlarının normalizasyonundan önce ve sonra gen ifade dağılımı grafikleri. (E) PCA, PAAD kohortlarının normalleşmesinden önce ve sonra (GSE62452 ve GSE128735) çizer. (F) PAAD kohortlarının normalizasyonundan önce ve sonra gen ifade dağılımı grafikleri. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Veri seti entegrasyonu ve toplu etki düzeltmesinin ardından, IBD, CRC ve PAAD kohortlarında diferansiyel ifade analizi yapıldı. Her kohort içinde, hastalık lezyonu veya tümör dokuları, uyumlu normal dokularla karşılaştırılarak DEG'ler belirlendi. IBD kohortunda, 64'ü aşağıya regülasyonlu, 119'u ise yukarıya regülasyona uğramış 183 DEG tanımlanmıştır (Şekil 2A). CRC kohortunda 5.064 DEG'ler tanımlandı; bunların 2.477'si aşağı regülasyonlu ve 2.587'si yukarı regüle edilmiş gen bulunuyordu (Şekil 2B). PAAD kohortunda 2.293 DEG'ler tanımlandı; bunların 901'i aşağıya regülasyonlu, 1.392'si ise yukarıya regülasyona uğramış gen bulunuyordu (Şekil 2C). Sonuç olarak, IBD, CRC ve PAAD kohortları arasında 40 örtüşen DEG'ler tespit edilmiştir (Şekil 2D).
Şekil 2. IBD, CRC ve PAAD kohortlarının diferansiyel ifade analizi. (A) IBD kohortunda farklı şekilde ifade edilen genlerin (DEG) ısı haritası ve volkan grafiki. (B) CRC kohortunda DEG'lerin ısı haritası ve volkan grafiki. (C) PAAD kohortunda DEG'lerin ısı haritası ve volkan grafiği. (D) IBD, CRC ve PAAD kohortları arasında örtüşen DEG'leri gösteren Venn diyagramı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
IBD, CRC ve PAAD'de WGCNA
WGCNA, IBD, CRC ve PAAD gruplarında gerçekleştirildi. IBD kohortunda üç modül klinik özelliklerle yakından ilişkili olarak tanımlanmış, MEbrown ve MEturquoise modülleri en güçlü korelasyonları göstermiştir (Şekil 3A). Benzer şekilde, CRC kohortunda sekiz modül klinik özelliklerle yakından ilişkili olarak tanımlanmış, MEbrown ve MEturquoise modülleri en güçlü korelasyonları göstermiştir (Şekil 3B). PAAD kohortunda, bir modül klinik özelliklerle yakından ilişkili olarak tanımlanmış, MEblack ve MEbrown modülleri ise en güçlü korelasyonları göstermiştir (Şekil 3C).
Şekil 3. IBD, CRC ve PAAD kohortlarının ağırlıklı gen ortak ekspresyon ağı analizi (WGCNA). (A) IBD kohortunda gen ortak ifade modülleri ile klinik özellikler arasındaki korelasyonları gösteren ısı haritası. (B) CRC kohortunda gen ortak ifade modülleri ile klinik özellikler arasındaki korelasyonları gösteren ısı haritası. (C) PAAD kohortunda gen ortak ifade modülleri ile klinik özellikler arasındaki korelasyonları gösteren ısı haritası. (D) IBD, CRC ve PAAD kohortlarında ana ortak ifade modüllerinden tanımlanan örtüşen genleri gösteren Venn diyagramı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Klinik özelliklerle anlamlı şekilde korelasyon gösteren modüllerden alınan genlere dayanarak, IBD, CRC ve PAAD'da potansiyel olarak rol alan 434 modül ilişkili gen tanımlandı (Şekil 3D).
IBD, CRC ve PAAD'da yaygın genlerin fonksiyonel zenginleştirme analizi
Diferansiyel ekspresyon analizi ve WGCNA sonuçları birleştirilerek 40 yaygın DEG'ler ve 122 ortak modül ilişkili gen tespit edildi. IBD, CRC ve PAAD'ın ortak moleküler özelliklerini incelemek için, bu genler daha fazla analiz için entegre edildi ve 158 hastalıkla ilişkili gen ortaya çıktı.
İlk olarak, 158 gen STRING veritabanı kullanılarak analiz edilerek bir PPI ağı oluşturuldu (Şekil 4A). Sonrasında GO ve KEGG zenginleştirme analizleri yapıldı. GO analizi, hormon metabolik süreci dahil olmak üzere biyolojik süreçlerde önemli zenginleşme gösterdi (Şekil 4B,C), KEGG analizi ise interlökin-17 (IL-17) sinyal yolu ve peroksisom proliferatör-aktifete edilmiş reseptör (PPAR) sinyal yolu gibi yollarda zenginleşme gösterdi (Şekil 4D,E).
Şekil 4. IBD, CRC ve PAAD'da tanımlanan hastalıkla ilişkili genlerin fonksiyonel zenginleştirme analizi. (A) Hastalıkla ilişkili genlerin protein–protein etkileşimi (PPI) ağı. (B) Gen Ontolojisi (GO) zenginleştirme analizi, zenginleştirilmiş biyolojik süreç, hücresel bileşen ve moleküler fonksiyon terimlerinin nokta grafik olarak sunulması. (C) GO gen-kavram ağı, zenginleştirilmiş GO terimleri ile ilişkili genler arasındaki ilişkileri gösterir. (D) Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) yol zenginleştirme analizi, nokta grafik olarak sunulmuştur. (E) Zenginleştirilmiş yollar ile ilişkili genler arasındaki ilişkileri gösteren KEGG gen–yol ağı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
IBD, CRC ve PAAD'da İmpün Hücre İnfiltrasyonu ile Yaygın Genlerin Korelasyon Analizi
CIBERSORT, IBD, CRC ve PAAD kohortlarında bağışıklık hücresi infiltrasyon seviyelerini tahmin etmek için kullanıldı. IBD kohortunda, normal ve IBD örnekleri arasında bağışıklık hücresi infiltrasyon seviyelerinde farklılıklar gözlemlendi (Şekil 5A) ve ortak genler ile bağışıklık hücre popülasyonları arasındaki korelasyonlar değerlendirildi (Şekil 5B). Benzer şekilde, CRC kohortunda normal ve CRC örnekleri arasında bağışıklık hücresi infiltrasyon seviyelerindeki farklılıklar gözlemlendi (Şekil 5C) ve ortak genler ile bağışıklık hücre popülasyonları arasındaki korelasyonlar değerlendirildi (Şekil 5D). PAAD kohortunda, normal ve PAAD örnekleri arasında bağışıklık hücresi infiltrasyon seviyelerindeki farklılıklar gözlemlendi (Şekil 5E) ve yaygın genler ile bağışıklık hücre popülasyonları arasındaki korelasyonlar değerlendirildi (Şekil 5F).
Şekil 5. IBD, CRC ve PAAD kohortlarında bağışıklık hücresi infiltrasyon analizi. (A) IBD kohortunda bağışıklık hücresi popülasyonlarının tahmini oranlarını gösteren keman grafikleri. (B) IBD kohortunda yaygın genler ile bağışıklık hücre popülasyonları arasında, bağışıklık hücresi korelasyon ısı haritası ve gen–immün hücre ilişki ağı dahil olmak üzere korelasyon analizi. (C) CRC kohortunda bağışıklık hücresi popülasyonlarının tahmini oranlarını gösteren keman grafikleri. (D) CRC kohortunda yaygın genler ile bağışıklık hücre popülasyonları arasında, bağışıklık hücresi korelasyon ısı haritası ve gen–bağışıklık hücre ilişki ağı dahil olmak üzere korelasyon analizi. (E) PAAD kohortunda bağışıklık hücresi popülasyonlarının tahmini oranlarını gösteren keman grafikleri. (F) PAAD kohortunda yaygın genler ile bağışıklık hücre popülasyonları arasında, bağışıklık hücresi korelasyon ısı haritası ve gen-immün hücre ilişki ağı dahil olmak üzere korelasyon analizi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
IBD, CRC ve PAAD'da yaygın genlerin potansiyel değerinin değerlendirilmesi
Ortak genlerin ifade kalıpları IBD, CRC ve PAAD kohortlarında daha fazla değerlendirildi. S100P, üç kohortta da tutarlı bir şekilde fazla ifade edildi (Şekil 6A,D,G). Ayrıca, yaygın genlerin tanısal performansı ROC analiziyle değerlendirildi.
Şekil 6. IBD, CRC ve PAAD kohortlarında yaygın genlerin tanısal performansı. (A) IBD kohortunda FXYD3, S100P, PLA2G2A ve MUC1 ifade seviyeleri. (B) IBD kohortunda bireysel yaygın genlerin tanısal performansını gösteren alıcı çalışma karakteristikli (ROC) eğrileri. (C) IBD kohortunda birleşik tanı modelinin tanı performansını gösteren ROC eğrisi. (D) CRC kohortunda FXYD3, S100P, PLA2G2A ve MUC1 ifade seviyeleri. (E) CRC kohortunda bireysel ortak genlerin tanısal performansını gösteren ROC eğrileri. (F) CRC kohortunda birleşik tanı modelinin tanısal performansını gösteren ROC eğrisi. (G) PAAD kohortunda FXYD3, S100P, PLA2G2A ve MUC1 ifade seviyeleri. (H) PAAD kohortunda bireysel yaygın genlerin tanısal performansını gösteren ROC eğrileri. (I) PAAD kohortunda birleşik tanı modelinin tanı performansını gösteren ROC eğrisi. Eğriyi altındaki alan (AUC) değerleri ve buna karşılık gelen %95 güven aralıkları uygun olduğunda gösterilir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
IBD kohortunda eğri altı alan (AUC) değerleri FXYD3 için 0,626, S100P için 0,597, PLA2G2A için 0,670 ve MUC1 için 0,697 iken, birleşik tanı modeli 0,815 AUC vermiştir (Şekil 6B,C). Benzer şekilde, CRC kohortunda AUC değerleri FXYD3 için 0.839, S100P için 0.738, PLA2G2A için 0.716 ve MUC1 için 0.672 iken, birleşik tanı modeli 0.925 AUC verdi (Şekil 6E,F). PAAD kohortunda AUC değerleri FXYD3 için 0.852, S100P için 0.896, PLA2G2A için 0.637 ve MUC1 için 0.733 iken, birleşik tanı modeli 0.901 AUC verdi (Şekil 6H,I).
Ortak Genlere Dayalı scRNA-seq Analizi
IBD veri setinden scRNA-seq verilerinin ön işlenmesinin ardından, 17 hücre kümesi ve 8 hücre tipi tanımlandı. Daha sonra farklı hücre popülasyonları arasında ortak genlerin dağılımı değerlendirilmiş ve ortak genlerin ağırlıklı olarak epitel hücrelerinde eksprese edildiği bulunmuş (Şekil 7A). Benzer şekilde, CRC veri setinin ön işlemesi 20 hücre kümesi ve 8 hücre tipini tanımlamış, yaygın genler de ağırlıklı olarak epitel hücrelerinde eksprese edilmiştir (Şekil 7B). Son olarak, PAAD veri setinin ön işlemesi 19 hücre kümesi ve 7 hücre tipini tespit etmiş ve yaygın genler de ağırlıklı olarak epitel hücrelerinde eksprese edilmiştir (Şekil 7C).
Şekil 7. IBD, CRC ve PAAD dokularındaki yaygın genlerin tek hücreli RNA dizileme (scRNA-seq) analizi. (A) IBD veri setindeki hücre kümelerinin uniform manifold yaklaşımı ve projeksiyonu (UMAP) görselleştirmesi (GSE214695), ilgili hücre tipi notasyonlar ve hücre popülasyonları arasında FXYD3, S100P, PLA2G2A ve MUC1 ifadesini gösteren özellik grafikleri. (B) CRC veri setindeki hücre kümelerinin UMAP görselleştirmesi (GSE166555), ilgili hücre tipi açıklamalar ve hücre popülasyonları arasında FXYD3, S100P, PLA2G2A ve MUC1 ifadesini gösteren özellik grafikleri. (C) PAAD veri setindeki hücre kümelerinin UMAP görselleştirmesi (GSE154778), ilgili hücre tipi notasyonları ve hücre popülasyonları arasında FXYD3, S100P, PLA2G2A ve MUC1'in ifadesini gösteren özellik grafikleri. Renk ölçekleri göreli gen ifade seviyelerini gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
IBD'de S100P'nin Biyolojik Fonksiyonu
IBD, CRC ve PAAD kohortlarında S100P'nin tutarlı aşırı ifadesi ve CRC ile PAAD 15,16'daki rolünü anlatan önceki raporlar göz önüne alındığında, bu çalışma IBD'de S100P'nin biyolojik işlevini daha ayrıntılı inceledi.
İlk olarak, LPS kaynaklı IBD modelinde S100P ekspresyonu önemli ölçüde artmış ve siS100P'nin etkisi doğrulanmış (Şekil 8A,B). Ayrıca, LPS tedavisi hücre çoğalmasını azaltırken, S100P ekspresyonu inhibisyonu hücre çoğalmasını kısmen geri getirdi (Şekil 8C). Ayrıca, S100P'nin etkisi IBD model hücre hatları FHC ve NCM460'da IL-1β, IL-6 ve TNF-α ifadesini anlamlı şekilde azalttı (Şekil 8D,E). Son olarak, S100P'nin aşağı regülasyonu, kolonik epitel hücrelerinde, CRC hücrelerinde ve PAAD hücrelerinde IL17RA ekspresyonunu azaltmıştır (Şekil 8F).
Şekil 8. S100P'nin aşağı regülasyonu, kolonik epitel hücrelerinde lipopolisakkarit (LPS) kaynaklı inflamatuar yanıtları azaltır. (A) LPS stimülasyonu ve S100P etkisi sonrası FHC hücrelerinde göreli S100P mRNA ekspresyonu. (B) LPS uyarısı ve S100P etkisi sonrası NCM460 hücrelerinde göreli S100P mRNA ekspresyonu. (C) LPS stimülasyonu ve S100P etkisi sonrası FHC ve NCM460 hücrelerinde hücre çoğalmasının temsil eden koloni oluşum görüntüleri ve niceliklendirilmesi. (D) LPS stimülasyonu ve S100P knockdown sonrası FHC hücrelerinde IL-1β, IL-6 ve TNF-α seviyelerinin ELISA ölçümü. (E) LPS stimülasyonu ve S100P etkisinin ardından NCM460 hücrelerinde IL-1β, IL-6 ve TNF-α seviyelerinin ELISA ölçümü. (F) FHC, NCM460, HCT116, SW1116, PANC-1 ve BxPC-3 hücrelerinde S100P etkisinden sonra göreli IL-17RA mRNA ekspresyonu. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Veri Erişilebilirliği
Mevcut çalışma sırasında analiz edilen veri setleri, TCGA ve GEO deposunda TCGA-CRC, GSE179285, GSE24287, GSE87211, GSE128735, GSE62452, GSE214695, GSE166555 ve GSE154778 erişim numaralarıyla kamuya açık olarak mevcuttur. Bu çalışma sırasında yeni bir dizileme veri seti oluşturulmadı.
Tartışma
Önceki çalışmalar, bağışıklık kaynaklı gastrointestinal bozukluk olan IBD'nin, nörodejeneratifhastalıklar 17, multipl skleroz18, amiyotrofik lateral skleroz19,endometriozis 20, romatoidartrit 2, Hodgkin lenfoması21, CRC22 ve PAAD23 gibi çeşitli hastalıklarla ilişkisini vurgulamıştır. IBD'nin genellikle hem CRC24 hem de PAAD23 gelişme riskini artırdığı düşünülmektedir. Bu hastalıklar arasında epidemiyolojik ilişkiler bildirilmiş olsa da, ortak moleküler özellikleri hâlâ tam olarak anlaşılmamaktadır. Bu çalışmada, IBD, CRC ve PAAD arasındaki ortak moleküler özellikleri incelemek için toplu transkriptomik veri setleri, scRNA-seq verileri ve hücresel fonksiyonel deneyleri entegre ettik. Bulgularımız, bu hastalık ortamlarında paylaşılan potansiyel moleküler ve bağışıklık ilişkili özellikler hakkında ek bilgiler sunmaktadır.
Bu çalışmada, 40 yaygın DEG'den ve 122 ortak modül ilişkili genden oluşan 158 hastalıkla ilişkili gen diferansiyel ifade analizi ve WGCNA ile tanımlandı. Fonksiyonel zenginleştirme analizi, IL-17 sinyal yolu da dahil olmak üzere yolların önemli zenginleşmesini göstermiştir. Önceki çalışmalar, IBD, CRC ve PAAD 25,26,27 ilerlemesinde IL-17 sinyalizasyonunun önemli rollerini bildirmiştir. Bu gözlemler, IL-17 ile ilgili süreçlerin bu hastalıklar arasında ortak bir biyolojik özellik olabileceğini göstermektedir. Ancak, mevcut çalışma S100P ile IL-17 sinyalizasyonu arasındaki mekanistik ilişkiyi doğrudan incelemedi ve bu ilişkiyi netleştirmek için ek fonksiyonel çalışmalara ihtiyaç vardır. Analiz edilen veri setlerinde dört yaygın gen (FXYD3, S100P, PLA2G2A ve MUC1) tespit edildi. Önceki çalışmalar, FXYD3'ün PAADhücrelerinin 28 büyümesini düzenlediğini, S100P'nin CRC ve PAAD ilerlemesinderol oynadığını ve MUC1'in IBD, CRC ve PAAD 29,30,31 ilerlemesinde rol aldığını göstermiştir. Buna karşılık, PLA2G2A üç hastalıkta da daha az kapsamlı bir şekilde incelenmiştir. ROC analizi, dört genin her birinin ölçülebilir tanı performansı gösterdiğini, birleşik tanı modelinin ise bireysel genlerden daha yüksek tanı performansı sağladığını gösterdi. Bu nedenle, bulgularımız, bu genleri IBD, CRC ve PAAD arasında ortak moleküler özellikler olarak tanımlayarak önceki gözlemleri genişletmektedir.
İmmün hücre infiltrasyon analizi, IBD, CRC ve PAAD kohortlarında naif B hücreleri, dinlenme doğal katil (NK) hücreleri ve M0 makrofajları için benzer infiltrasyon desenleri gösterdi. Ayrıca, scRNA-seq analizi FXYD3, S100P, PLA2G2A ve MUC1'in ağırlıklı olarak epitel hücrelerinde eksprese edildiğini göstermiştir. Bu bulgular, tanımlanan genlerin hücresel dağılımı ve bağışıklık ilişkili özelliklerle olası ilişkisi hakkında ek bilgi sağlar. Ancak mevcut analizler epitel hücreleri ile bağışıklık mikroçevresi arasında doğrudan etkileşimler kurmadığı için daha fazla mekanik çalışma gerekmektedir.
Son olarak, LPS kaynaklı iltihapı taklit eden IBD modelinde S100P'nin biyolojik rolünü araştırdık. LPS uyarısından sonra S100P ekspresyonu önemli ölçüde arttı ve siRNA aracılı knockdown etkili bir şekilde ifadesini azalttı. İncelenen deneysel koşullarda, S100P knockdown hücre çoğalmasını kısmen geri getirdi ve inflamatuar sitokinler IL-1β, IL-6 ve TNF-α'in ekspresyonunu azalttı. Ayrıca, S100P aşağı regulasyonu azalmış IL17RA ekspresyonuyla ilişkilendirilmiştir. Bu bulgular, S100P'nin iltihapla ilişkili hücresel yanıtlarda daha fazla araştırılmasını desteklemektedir.
Bu çalışmanın birkaç sınırlaması vardır. İlk olarak, sadece fonksiyon kaybı deneyleri yapıldı ve aşırı ifade veya kurtarma deneyleri yapılmadı; bu nedenle, S100P'nin doğrudan nedensel rolü kurulamaz. İkinci olarak, S100P ekspresyonu öncelikle mRNA seviyesinde değerlendirildi ve protein düzeyinde doğrulama yapılmadı. Üçüncüsü, fonksiyonel deneyler sadece iltihap taklit eden bir hücre modeliyle sınırlıydı; oysa CRC ve PAAD modelleri deneysel olarak incelenmedi. Son olarak, çoklu omik analizler ortak moleküler özelliklerin tanımlanmasını güçlendirmiş olsa da, S100P ve diğer ortak genlerin biyolojik rollerini daha da netleştirmek için ek mekanik çalışmalar ve in vivo doğrulama gereklidir.
Sonuç olarak, bu çalışma IBD, CRC ve PAAD arasında ortak moleküler özellikleri, biyolojik yolları ve bağışıklık ile ilgili özellikleri belirledi. Dört yaygın gen (FXYD3, S100P, PLA2G2A ve MUC1) analiz edilen veri setlerinde tanısal potansiyel gösterdi ve S100P, iltihapı taklit eden bir IBD modelinde daha fazla araştırıldı. Bu bulgular, IBD, CRC ve PAAD'ı birbirine bağlayan ortak moleküler mekanizmaları inceleyen gelecekteki çalışmalar için bir temel oluşturmaktadır.
Açıklamalar
Çıkar Çatışması:
Yazarlar rekabet eden çıkarlar belirtmemektedir.
Teşekkürler
Yazarlar, Çin Ulusal Ana Ar-Ge Planı'ndan (Hibe No. 2023YFB3210400) maddi destek aldığını takdir etmektedir.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| BXPC2 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human pancreatic adenocarcinoma cell line |
| CIBERSORT | N/A | N/A | Immune cell infiltration analysis |
| clusterProfiler package | Bioconductor | v4.8.0 | Gene Ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) enrichment analyses |
| Dulbecco's Modified Eagle Medium (DMEM) | Thermo Fisher Scientific | 11965092 | Cell culture medium |
| Fetal bovine serum (FBS) | Thermo Fisher Scientific | A5256701 | Cell culture supplement |
| FHC cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human normal colonic epithelial cell line |
| GEO dataset (GSE128735) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE154778) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE166555) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for colorectal cancer |
| GEO dataset (GSE179285) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for inflammatory bowel disease |
| GEO dataset (GSE214695) | Gene Expression Omnibus (GEO) | N/A | Public single-cell RNA sequencing dataset for inflammatory bowel disease |
| GEO dataset (GSE24287) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for inflammatory bowel disease |
| GEO dataset (GSE62452) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for pancreatic adenocarcinoma |
| GEO dataset (GSE87211) | Gene Expression Omnibus (GEO) | N/A | Public gene expression dataset for colorectal cancer |
| ggplot2 package | CRAN | v3.4.2 | Data visualization |
| HCT116 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human colorectal cancer cell line |
| ImageJ | National Institutes of Health (NIH) | v1.8.0 | Colony counting |
| jetPRIME Transfection Reagent | Polyplus | 101000046 | Cell transfection |
| Lipopolysaccharide (LPS) | Beyotime Co., Ltd | S1735 | Induction of an inflammation-mimicking IBD cell model |
| limma package | Bioconductor | v3.54.0 | Differential expression analysis |
| NCM460 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human normal colonic epithelial cell line |
| org.Hs.eg.db package | Bioconductor | v3.23.1 | Gene annotation for enrichment analysis |
| PANC1 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human pancreatic adenocarcinoma cell line |
| Penicillin–streptomycin | Thermo Fisher Scientific | 15140-122 | Antibiotic supplement for cell culture |
| pheatmap package | CRAN | v1.0.12 | Heatmap visualization |
| pROC package | CRAN | v1.19.0.1 | Receiver operating characteristic (ROC) analysis |
| PrimeScript RT Master Mix | Takara Bio | RR036A | Reverse transcription of RNA into cDNA |
| Primer sets for qRT-PCR | Tsingke Biotech Co., Ltd | N/A | Primer sequences reported in Reference 11 |
| R software | R Foundation for Statistical Computing | v4.1.2 | Statistical and bioinformatics analyses |
| Seurat package | CRAN | v4.0 | Single-cell RNA sequencing data preprocessing and analysis |
| siS100P | Tsingke Biotech Co., Ltd | N/A | Small interfering RNA targeting S100P |
| SingleR package | Bioconductor | v2.6.0 | Cell type annotation for single-cell RNA sequencing |
| STRING database | STRING Consortium | N/A | Protein-protein interaction analysis |
| SW1116 cell line | Cell Bank of the Chinese Academy of Sciences | N/A | Human colorectal cancer cell line |
| TB Green qPCR Mix | Takara Bio | RR430B | Quantitative real-time PCR |
| TCGA-CRC dataset | The Cancer Genome Atlas (TCGA) | N/A | Public colorectal cancer transcriptomic dataset |
| TRIzol reagent | Invitrogen | 15596-026 | Total RNA extraction |
| WGCNA package | CRAN | v1.73 | Weighted gene co-expression network analysis |
Kaynaklar
- Xu R, Du W, Yang Q, Du A. ITGB2 related to immune cell infiltration as a potential therapeutic target of inflammatory bowel disease using bioinformatics and functional research. Journal of cellular and molecular medicine. 2024;28(15):e18501.
- Sun HW, Zhang X, Shen CC. The shared circulating diagnostic biomarkers and molecular mechanisms of systemic lupus erythematosus and inflammatory bowel disease. Frontiers in immunology. 2024;15:1354348.
- Faye AS, Holmer AK, Axelrad JE. Cancer in inflammatory bowel disease. Gastroenterology clinics of North America. 2022;51(3):649-66.
- Yu J, et al. Risk of hepato-pancreato-biliary cancer is increased by primary sclerosing cholangitis in patients with inflammatory bowel disease: A population-based cohort study. United European gastroenterology journal. 2022;10(2):212-24.
- Xia B, et al. Identification of potential shared gene signatures between gastric cancer and type 2 diabetes: A data-driven analysis. Frontiers in medicine. 2024;11:1382004.
- Luo Y, et al. Exploring the molecular mechanism of comorbidity of type 2 diabetes mellitus and colorectal cancer: Insights from bulk omics and single-cell sequencing validation. Biomolecules. 2024;14(6).
- Newman AM, et al. Robust enumeration of cell subsets from tissue expression profiles. Nature methods. 2015;12(5):453-7.
- Sun W, et al. Construction and validation of a novel senescence-related risk score can help predict the prognosis and tumor microenvironment of gastric cancer patients and determine that STK40 can affect the ROS accumulation and proliferation ability of gastric cancer cells. Frontiers in immunology. 2023;14:1259231.
- Hong J, et al. A zinc metabolism-related gene signature for predicting prognosis and characteristics of breast cancer. Front Immunol. 2023;14:1276280.
- Man KF, et al. CREB1-BCL2 drives mitochondrial resilience in RAS GAP-dependent breast cancer chemoresistance. Oncogene. 2025;44(16):1093-105.
- Zhou H, et al. S100P promotes trophoblast syncytialization during early placenta development by regulating YAP1. Frontiers in endocrinology. 2022;13:860261.
- Zhou C, et al. Novel exosome-associated LncRNA model predicts colorectal cancer prognosis and drug response. Hereditas. 2025;162(1):79.
- Hong J, et al. Integrative PANoptosis-focused omics analysis uncovers GSDMC as a candidate biomarker in breast cancer. Frontiers in Cell and Developmental Biology. 2026;Volume 14 - 2026.
- Qiu C, et al. Hsa_circ_0004662 accelerates the progression of ulcerative colitis via the microRNA-532/HMGB3 signalling axis. Journal of cellular and molecular medicine. 2025;29(6):e70430.
- Schmid F, et al. Calcium-binding protein S100P is a new target gene of MACC1, drives colorectal cancer metastasis and serves as a prognostic biomarker. British journal of cancer. 2022;127(4):675-85.
- Arumugam T, Simeone DM, Van Golen K, Logsdon CD. S100P promotes pancreatic cancer growth, survival, and invasion. Clinical cancer research: an official journal of the American Association for Cancer Research. 2005;11(15):5356-64.
- Zong J, et al. The two-directional prospective association between inflammatory bowel disease and neurodegenerative disorders: A systematic review and meta-analysis based on longitudinal studies. Frontiers in immunology. 2024;15:1325908.
- Yaqubi K, et al. Inflammatory bowel disease is associated with an increase in the incidence of multiple sclerosis: A retrospective cohort study of 24,934 patients. European journal of medical research. 2024;29(1):186.
- Li CY, et al. Genome-wide genetic links between amyotrophic lateral sclerosis and autoimmune diseases. BMC medicine. 2021;19(1):27.
- Shigesi N, et al. The association between endometriosis and autoimmune diseases: A systematic review and meta-analysis. Human reproduction update. 2019;25(4):486-503.
- Sonnenberg A, Duong HT, McCarty DJ, El-Serag HB. Concurrence of inflammatory bowel disease with multiple sclerosis or Hodgkin lymphoma. European journal of gastroenterology & hepatology. 2023;35(12):1349-53.
- Chacon-Millan P, et al. A combination of microarray-based profiling and biocomputational analysis identified miR331-3p and hsa-let-7d-5p as potential biomarkers of ulcerative colitis progression to colorectal cancer. International journal of molecular sciences. 2024;25(11).
- Everhov Å H, et al. Inflammatory bowel disease and pancreatic cancer: A Scandinavian register-based cohort study 1969-2017. Alimentary pharmacology & therapeutics. 2020;52(1):143-54.
- Contran N, et al. Colorectal cancer and inflammatory bowel diseases share common salivary proteomic pathways. Scientific reports. 2024;14(1):17711.
- Sun W, et al. Osthole pretreatment alleviates TNBS-induced colitis in mice via both cAMP/PKA-dependent and independent pathways. Acta pharmacologica Sinica. 2017;38(8):1120-8.
- Li SY, et al. Diosgenin exerts anti-tumor effects through inactivation of cAMP/PKA/CREB signaling pathway in colorectal cancer. European journal of pharmacology. 2021;908:174370.
- Castro-Pando S, et al. Pancreatic epithelial IL17/IL17RA signaling drives B7-H4 expression to promote tumorigenesis. Cancer immunology research. 2024;12(9):1170-83.
- Kayed H, et al. FXYD3 is overexpressed in pancreatic ductal adenocarcinoma and influences pancreatic cancer cell growth. International journal of cancer. 2006;118(1):43-54.
- Wang H, et al. Mesenchymal stem cells ameliorate DSS-induced experimental colitis by modulating the gut microbiota and MUC-1 pathway. Journal of inflammation research. 2023;16:2023-39.
- Li W, et al. MUC1-C drives stemness in progression of colitis to colorectal cancer. JCI insight. 2020;5(12).
- Murthy D, et al. The MUC1-HIF-1α signaling axis regulates pancreatic cancer pathogenesis through polyamine metabolism remodeling. Proceedings of the National Academy of Sciences of the United States of America. 2024;121(14):e2315509121.
- Sun W, et al. TRIM47 regulates energy metabolism via glycolytic reprogramming to drive hepatocellular carcinoma progression and represents an efficient therapeutic target. Adv Sci (Weinh). 2026;13(17):e16996.
- Sun W, et al. METTL4 enhances GLI1 translation through m(6)Am modification to promote tumor progression as a therapeutic target for hepatocellular carcinoma. J Adv Res. 2026.
- Yuan Y, et al. RNA nanotherapeutics for hepatocellular carcinoma treatment. Theranostics. 2025;15(3):965-92.