Araştırma makalesi

Perioperatif Anestezi ile İlişkili İlaç Hedefi Genlere Dayalı Over Kanserinin Prognostik Modellemesi: Biyoinformatik Bir Yaklaşım

101 görüntülenme

⸱

DOI:

10.3791/72629

⸱

14 Ağustos 2026

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

* These authors contributed equally

Bu makalede

Özet

Bu çalışma, bir prognostik model oluşturmak ve doğrulamak ile ilişkili immün,le mekansal ve düzenleyici özellikleri tanımlamak amacıyla, perioperatif anestezi kaynaklı ilaç hedef genlerini çoklu omik yumurtalık kanseri verileriyle entegre etmektedir.

Özet

Over kanserinin (OV) heterojenliği; hastalık alt tip sınıflandırması, risk stratifikasyonu ve hassas klinik yönetim açısından önemli zorluklar oluşturmaktadır. Bu nedenle, bu çalışmada OV hastalarında PARDTGs'lerin klinik önemini belirlemek amacıyla perioperatif anesteziyle ilgili ilaç hedef genlerine (PARDTGs) dayalı bir prognostik model geliştirilmiştir. Bu çalışma; bulk transkriptomik veriler, tek hücreli RNA dizileme (scRNA-seq) verileri ve uzamsal transkriptomik veriler dahil olmak üzere çoklu omik verileri entegre ederek OV'deki PARDTGs'leri kapsamlı bir şekilde analiz etmiştir. PARDTGs'lerin ekspresyon özelliklerine dayanarak, stepAIC Cox orantılı risk modeli kullanılarak bir prognostik imza geliştirilmiştir. Bu model TCGA-OV veri seti üzerinden oluşturulmuş ve GSE26193, GSE30161 ve GSE63885 veri setleri kullanılarak doğrulanmıştır. Ayrıca, PARDTG özellikleri ve klinik faktörleri birleştiren nomogramlar oluşturulmuştur. Risk skorları ile fonksiyonel zenginleştirme, sinyal yolları ve tümör immün mikroçevresi arasındaki korelasyon analiz edilmiştir. OV prognozu ile güçlü şekilde ilişkili 17 PARDTG belirlenmiştir. TCGA-OV, GSE26193, GSE30161 ve GSE63885 kohortlarında doğrulanan prognostik imza, OS için güçlü bir öngörü doğruluğu göstermiştir. Yalnızca gen imzasıyla karşılaştırıldığında, prognostik model ve klinik parametreleri entegre eden nomogram, geliştirilmiş bir prognostik performans sergilemiştir. Ek olarak, tümör mikroçevre analizi, düşük riskli hastalarda immün ilgili yolların önemli ölçüde zenginleştiğini ve daha düşük TIDE skorlarını ortaya koymuştur; bu durum, söz konusu hastaların immünterapiden fayda görme olasılığının daha yüksek olabileceğini göstermektedir. Çalışma, PARDTGs'lerin over kanserindeki hem prognostik ilgisini hem de klinik faydasını kanıtlamaktadır. Genetik özelliklerin klinik testlere entegre edilmesi, klinik tedavi ve prognozun iyileştirilmesi açısından gelecek vaat etmektedir.

Giriş

OV, gizli başlangıç semptomları, güçlü invazivite ve spesifik olmayan erken klinik belirtilerle karakterize, yaygın ve agresif bir malignitedir. Çalışmalar, hastaların çoğunun tanı konulduğu sırada klinik olarak geç evrelerde olduğunu ve genel beş yıllık sağkalım oranının %45'in altında olduğunu göstermiştir1. Cerrahi, kemoterapi ve hedefe yönelik tedavilerdeki ilerlemelere rağmen; tümör nüksü, kemodirenç ve immün kaçış gibi zorluklar devam etmekte ve terapötik etkinliği sınırlamaktadır2. Bu nedenle, tümör heterojenliğini ele almak ve kişiselleştirilmiş klinik stratejileri desteklemek için yeni moleküler biyobelirteçlerin belirlenmesi ve sağlam risk değerlendirme araçlarının geliştirilmesi acilen gereklidir.

Cerrahi rezeksiyon ve perioperatif yönetim, OV tedavisinin temel taşı olmaya devam etmektedir. Bununla birlikte, artan kanıtlar, perioperatif fizyolojik stresin, inflamatuar yanıtların ve immün modülasyonun biyolojik davranışı etkileyebileceğini ve sonuç olarak uzun vadeli prognozu etkileyebileceğini göstermektedir3. Perioperatif müdahalenin temel bir bileşeni olan anestezik ajanların etkileri, merkezi sinir sistemi baskılamasının ötesine geçer. Güncel çalışmalar, anestezi tekniklerinin ve anestezik ilaçların nöroendokrin yanıtları, inflamatuar kaskadları ve immün efektör hücre aktivitesini modüle edebildiğini, böylece ameliyat sonrası tümör mikroçevresini yeniden şekillendirerek tümör hücresi migrasyon potansiyelini, immün gözetimi ve metastazla ilgili süreçleri etkileyebildiğini göstermektedir4. Özellikle, belirli anestetikler tümör hücresi kaderini doğrudan değiştirir: propofol, ferroptozun Nrf2 aracılığıyla baskılanması yoluyla dolaşımdaki tümör hücrelerinin hayatta kalmasını artırarak metastazı teşvik eder5. Ketamin, lncPVT1/miR-214-3p/GPX4 aksını kontrol ederek hepatosellüler karsinom hücrelerinde ferroptozu indükler; bu durum, anestezik ajanların tümör hücresi kader belirlemesini doğrudan etkileyebileceğini göstermektedir6. Ek olarak, GABA reseptörlerinin pozitif allosterik modülatörleri olan benzodiazepinler, kemo-immünoterapötik kombinasyonların antitümör etkinliğini azaltabilir7. Ancak, mevcut araştırmalar öncelikle tekil anestezik ajanlara odaklanmakta olup, bunların gen hedef ağı düzeyindeki potansiyel etkilerinin sistematik bir incelemesinden yoksundur.

Anestezi etkisinin doğrudan moleküler substratları olan perioperatif anestezi ilişkili ilaç hedef genleri (PARDTGs); nörotransmitter reseptör regülasyonu, kalsiyum homeostazının sürdürülmesi, aktinle ilgili hücre iskeleti dinamiği ve endokrin stres eksenindeki geri bildirim süreçleri dahil olmak üzere birkaç temel sinyal yolunda rol oynarlar8,9. Perioperatif cerrahi stres altında, bu yollar aktive edilebilir veya baskılanabilir, bu da immün hücre polarizasyonunu ve tümörle ilişkili mikroçevresel yeniden şekillenmeyi etkileyebilir8,10. Ancak, OV'de PARDTGs'lerin ekspresyon profili, fonksiyonel özellikleri ve klinik önemi henüz yeterince karakterize edilememiştir. Eş zamanlı olarak, scRNA-seq ve uzamsal transkriptomiğin ortaya çıkışı, uzamsal lokalizasyonla birlikte hücresel çözünürlükte gen ekspresyon profillemesini mümkün kılarak, tümör dokularındaki anestezi hedef genlerinin uzamsal dağılımı, mikroçevresel tercihleri ve hücreye özgü etkileri hakkında yeni perspektifler sağlamıştır11.

Bu çalışmada, PARDTG'leri OV çoklu omik veri setleriyle entegre ettik, diferansiyel olarak eksprese edilen genleri sistematik bir şekilde belirledik ve genelleştirilebilir bir prognostik risk modeli oluşturduk. Ayrıca; immün infiltrasyon, kök hücre benzeri özellikler, mutasyonel manzaralar ve fonksiyonel yolaklar perspektiflerinden risk sınıflandırmasının biyolojik temelini inceledik. Multimodal sekanslama verilerini birleştirerek hücre tipi kökenlerini ve uzamsal ekolojik nişleri belirledik, miRNA/transkripsiyon faktörü düzenleyici ağları oluşturduk ve tümörler arası anlamlılığı göstermek için pan-kanser doğrulaması gerçekleştirdik. Bu çalışma, anestezik hedef ağlarının OV'deki potansiyel rolünü anlamak için mekanistik kanıtlar sunmakta ve klinik risk sınıflandırması, prognostik tahmin ve perioperatif yönetim stratejileri için translasyonel çıkarımlar sağlamaktadır.

Protokol

Veri toplama

Önceki literatürden12 perioperatif anesteziyle ilişkili 120 ilaç hedef geni taradık ve bunları Ek Tablo S1'de listeledik. Ardından, gen ekspresyon profilleri, klinik bilgiler ve sağkalım verileri UCSC Xena TCGA TARGET GTEx Toil yeniden hesaplama kaynağından (http://xena.ucsc.edu/) elde edildi. Ekspresyon veri seti, The Cancer Genome Atlas'tan (TCGA-OV) 420 primer over seröz kistadenokarsinom örneği ve Genotype-Tissue Expression (GTEx) projesinden 88 normal over örneğinden oluşmaktaydı. Gen ekspresyon değerleri, Toil hattı tarafından üretilen RSEM gen düzeyindeki FPKM değerleri olarak elde edildi13. Her bir alt analiz için TCGA örneklerinin dahil edilmesini gösteren ayrıntılı örnek akış açıklaması Ek Tablo S2'de verilmiştir. Ayrıca, harici doğrulama için, eşleştirilmiş hastaların gen ekspresyon profillerini ve sağkalımlarını analiz etmek amacıyla GEO veritabanından (http://www.ncbi.nlm.nih.gov/geo/) GSE2619314 (n = 107 örnek), GSE3016115 (n = 58 örnek) ve GSE6388516 (n = 70 örnek) veri setlerini indirdik. Veri tutarlılığını sağlamak için ENSEMBL gen tanımlayıcıları resmi gen sembollerine dönüştürüldü. Örneklerin yarısından azında ekspresyon gösteren genler filtrelenerek çıkarıldı. Ek olarak, GEO veritabanından insan over kanseri tek hücre transkriptom veri seti GSE15460017 ve over kanseri spatial transkriptom veri seti GSE211956-GSM6506110-SP118 elde edildi.

Overyen kanseri spatial transkriptom sekanslama verilerinin işlenmesi

Uzamsal transkriptomik veriler Seurat19 (versiyon 5.4.0) kullanılarak işlendi. Spotlar, tek hücreli RNA dizileme analizi ile aynı kalite kontrol kriterleri kullanılarak filtrelendi (nFeature_RNA: 200–5.000; mitokondriyal gen yüzdesi < %10). Normalizasyon ve yüksek değişkenlik gösteren genlerin belirlenmesinin ardından, PCA tabanlı boyut indirgeme gerçekleştirildi ve Seurat graf tabanlı kümeleme algoritması kullanılarak kümeleme yapıldı. Alt gruplar ve gen ekspresyon modelleri SpatialFeaturePlot fonksiyonu kullanılarak görselleştirildi. Ayrıca, uzamsal transkriptom düzeyindeki gen ekspresyon seviyeleri “AUCell”19 (versiyon 1.32.0) kullanılarak görselleştirildi ve analiz edildi.

scRNA-seq veri analizi

GSE154600'den elde edilen tek hücreli RNA dizileme verileri, Seurat paketi (versiyon 5.4.0)19 kullanılarak analiz edildi. Düşük kaliteli hücreler, kalite kontrol kriterlerine göre çıkarıldı. 200'den az veya 5.000'den fazla saptanan gene sahip olan ya da mitokondriyal gen oranları %10'u aşan hücreler hariç tutuldu. NormalizeData fonksiyonu ile normalizasyon yapıldıktan sonra, VST yöntemi kullanılarak en yüksek değişkenliğe sahip 2.000 gen belirlendi. Değişken genlere göre PCA uygulandı ve kümeleme ile boyut indirgeme için ilk 15 temel bileşen kullanıldı. Hücre kümeleri, 0,5 çözünürlükle FindNeighbors ve FindClusters fonksiyonları kullanılarak tanımlandı, ardından UMAP ve t-SNE görselleştirmeleri yapıldı. Farklı hücre kümeleri için marker genleri belirlemek amacıyla FindAllMarkers fonksiyonu kullanıldı. Ayrıca, hücre kümeleri CellMarker 2.020 veri tabanı kullanılarakle adlandırıldı ve GSVA paketi (versiyon 2.4.9) içerisindeki ssGSEA fonksiyonu ile gen aktivitesinin kantitatif analizi gerçekleştirildi.

Diferansiyel eksprese olan gen (DEG) ve fonksiyonel analizler

Diferansiyel ekspresyon analizi, yumurtalık kanseri ve normal yumurtalık dokuları arasındaki PARDTG ekspresyon profillerine dayalı olarak “limma” paketi21 (versiyon 3.56.2) kullanılarak gerçekleştirilmiştir. Analizden önce, FPKM ekspresyon değerleri log2(FPKM+1) formülü kullanılarak log2-dönüşümüne tabi tutulmuştur. Diferansiyel ekspresyon gösteren PARDTGs'leri belirlemek için limma paketinde yer alan standart lineer model uygulanmıştır. Yanlış keşif oranı (FDR) < 0,05 ve |log2 kat değişimi (FC)| > 1 olan genler, anlamlı düzeyde diferansiyel ekspresyon göstermiş olarak kabul edilmiştir. Diferansiyel ekspresyon gösteren PARDTGs'ler üzerinde ClusterProfiler22 (versiyon 4.8.3) kullanılarak GO ve KEGG zenginleştirme analizleri uygulanmıştır. Yumurtalık kanserindeki PARDTGs'lerde somatik mutasyonları tespit etmek için “maftools”23 (versiyon 2.16.0) kullanılarak şelale grafikleri (waterfall plots) oluşturulmuştur. Ardından, PARDTGs'lerin PPI ağı, varsayılan parametrelerle STRING veri tabanı (versiyon 12.0) kullanılarak kurulmuştur.

PARDTG tabanlı bir risk skorlama sisteminin geliştirilmesi

Optimal PARDTG'leri belirlemek amacıyla, diferansiyel ekspresyon gösteren PARDTG'ler arasından prognostik olarak anlamlı genleri taramak ve bunların over kanserinde (OV) genel sağkalım üzerindeki katkılarını belirlemek için basamaklı bir Cox orantılı riskler regresyon analizi gerçekleştirilmiştir. Final çok değişkenli Cox regresyon modelinin orantılı riskler varsayımı, R survival paketinin (versiyon 3.5.5) cox.zph fonksiyonunda uygulanan Schoenfeld artık testleri kullanılarak değerlendirilmiştir. İmza genlerin ekspresyon seviyeleri ve bunlara karşılık gelen Cox regresyon katsayılarına dayanarak bir prognostik risk skoru hesaplanmıştır. Transkriptomik platformlar arasındaki heterojenlik nedeniyle, prognostik modeller TCGA-OV, GSE26193, GSE30161 ve GSE63885 kohortlarında bağımsız olarak değerlendirilmiştir. Her kohort için, imza genlerin ekspresyon profilleri kohorta özgü risk skorlarını hesaplamak amacıyla kullanılmış ve hastalar, medyan risk skorunu kesim noktası alarak yüksek ve düşük riskli kategorilere ayrılmıştır. İki grup arasındaki genel sağkalım (OS), Kaplan-Meier analizi ile karşılaştırılmış ve istatistiksel anlamlılık log-rank testi ile değerlendirilmiştir. Risk skorunun bağımsız prognostik değeri daha sonra hem tek değişkenli hem de çok değişkenli Cox orantılı riskler regresyon analizleri ile değerlendirilmiştir.

Over kanseri için prognostik bir klinik model geliştirilmesi

Risk skorunun geleneksel klinik değişkenlerin ötesinde prognostik bilgi sağlayıp sağlamadığını belirlemek için, risk skoru ile birlikte klinikopatolojik özelliklerin dahil edildiği tek değişkenli ve çok değişkenli Cox orantılı risk regresyon analizleri gerçekleştirilmiştir. Ardından, moleküler risk skoru ile tümör evresi ve derecesi gibi klinik olarak ilgili değişkenler girdi parametreleri olarak kullanılarak prognostik nomogramlar oluşturulmuştur. Değişkenler, yalnızca istatistiksel anlamlılığa göre değil, klinik ilgilerine ve entegre bir prognostik model geliştirme amacına göre seçilmiştir. Bireysel değişkenlerden türetilen toplam skorlara dayalı olarak 1, 3 ve 5 yıllık genel sağkalım olasılıklarını tahmin etmek için “rms” paketi24 (versiyon 6.7.1) kullanılarak nomogramlar oluşturulmuştur.

İmmün özelliklerin karakterizasyonu

İmmün hücre infiltrasyonu, LM22 imza matrisi ile CIBERSORT algoritması kullanılarak tahmin edildi. Analiz 1.000 permütasyon ile gerçekleştirildi ve dekonvolüsyon P-değeri < 0.05 olan örnekler istatistiksel olarak güvenilir kabul edildi. Over kanserinde yüksek mutasyonlu genlerin yaygınlığını göstermek için maftools (versiyon 2.16.0) ile şelale diyagramları oluşturuldu. Gen seti zenginleştirme analizi (GSEA), ClusterProfiler (versiyon 4.8.3) aracılığıyla p < 0.05 anlamlılık eşiği ile yürütüldü.

CeRNA-ağı oluşturulması

Bu çalışmada, prognostik genler ve transkripsiyon faktörleri arasındaki etkileşimi analiz etmek için NetworkAnalyst 3.0 (https://www.networkanalyst.ca/)25 kullanılmıştır. miRNA-TF ko-regülatuar ağı NetworkAnalyst 3.0 kullanılarak oluşturulmuştur.

Over canseri doku örnekleri

Elektif cerrahi rezeksiyon uygulanan hastalardan over karsinoma dokuları ve bunlarla eşleşen komşu normal örnekler (N = 6) toplandı. Çalışma protokolü, Kadın Hastalıkları ve Doğum Etik Kurulu tarafından onaylandı. & Fudan Üniversitesi Jinekoloji Hastanesi (2024-54-X1) tarafından onaylanmış olup tüm katılımcılardan yazılı bilgilendirilmiş onam alınmıştır. Bu çalışma, Helsinki Deklarasyonu'na uygun olarak yürütülmüştür.

Western blot analizi

Toplam protein, fenilmetilsülfonil florür (PMSF), proteaz inhibitör kokteyli ve fosfataz inhibitörleri içeren RIPA liziz tamponu kullanılarak insan doku örneklerinden ekstrakte edildi. Protein konsantrasyonları, bikarboninik asit (BCA) protein analizi ile ölçüldü. Eşit miktardaki proteinler, poliviniliden florür (PVDF) membranlara aktarılmadan önce SDS-poliakrilamid jel elektroforezi (SDS-PAGE) ile ayrıştırıldı. Aktarımın ardından membranlar, TBS-T ile hazırlanan %5 yağsız süt ile oda sıcaklığında 90 dakika boyunca bloke edildi. Membranlar daha sonra, Cytokeratin 81'e (tavşan poliklonal, 1:2.000) veya GAPDH'ye (fare monoklonal, 1:10.000) karşı olan primer antikorlar ile 4 °C'de gece boyunca inkübe edildi. Yıkamanın ardından, uygun sekonder antikorlar oda sıcaklığında 90 dakika boyunca uygulandı. Protein bantları, geliştirilmiş kemilüminesans (ECL) deteksiyon reaktifi kullanılarak görselleştirildi ve ticari bir görüntüleme sistemi ile kaydedildi. Densitometrik analiz ImageJ programında gerçekleştirildi ve KRT81 ekspresyonu, GAPDH yükleme kontrolüne göre normalize edildi. Eşleştirilmiş örnekler arasındaki protein ekspresyonu farkları, P < 0,05 değeri istatistiksel olarak anlamlı kabul edilerek, eşleştirilmiş t-testi kullanılarak değerlendirildi.

Pan-kanser analizi

Bu çalışmada, KRT81 ekspresyon seviyeleri arasındaki ilişkileri belirlemek için TCGAplot26 (versiyon 5.0.0) kullanılmıştır. İstatistiksel korelasyonları hesaplamak için Pearson korelasyon analizi uygulanmıştır. Çeşitli kanserlerdeki KRT81 mutasyon profili, cBioPortal platformu (http://www.cbioportal.org/) (versiyon 7.0.6) kullanılarak incelenmiştir.

İstatistiksel analizler

Tüm veri analizleri R yazılımı (versiyon 4.3.1) kullanılarak gerçekleştirilmiştir. İki grup arasındaki karşılaştırmalar Wilcoxon sıra toplamı testi ile yapılırken, üç veya daha fazla grup arasındaki farklar Kruskal–Wallis testi kullanılarak değerlendirilmiştir. Genel sağkalım Kaplan–Meier yöntemiyle analiz edilmiş ve sağkalım eğrileri arasındaki istatistiksel anlamlılık log-rank testi ile belirlenmiştir. Aksi belirtilmedikçe, iki yönlü P değeri < 0.05 istatistiksel olarak anlamlı kabul edilmiştir. Anlamlılık düzeyleri şu şekilde belirtilmiştir: P < 0.05 *, P < 0.01 **, P < 0.001 *** ve P < 0.0001 ****.

Sonuçlar

Uzamsal ve tek hücreli transkriptomik analizlerde perioperatif anestezi ile ilişkili ilaç hedef genlerinin immün özellikleri

Sekanslama derinliğini düzeltmek için SCTransform kullanılmış ve uygulanan prosedürler sonucunda nihayetinde 11 farklı hücre tipi tanımlanmıştır. Her bir hücre alt popülasyonunda perioperatif anesteziyle ilişkili ilaç hedef genlerinin (PARDTGs) önemini değerlendirmek için, her bir hücre alt popülasyonundaki PARDTG ile ilişkili aktiviteleri belirlemek amacıyla AUCell R paketi kullanılmıştır (Şekil 1A,B). Ardından, tüm lokuslar genelinde hücre bolluğu ile PARDTG ilişkili aktiviteler arasındaki korelasyon, Spearman sıra korelasyonu kullanılarak hesaplanmıştır. Özellikle, PARDTG ile ilişkili aktivitelerin tümör hücreleri ile negatif korelasyon gösterdiği belirlenmiştir (Şekil 1C). Toplam 41.367 hücre içeren, 5 OV hastasından tek hücreli RNA sekanslama verileri elde edilmiştir. Marker gen ekspresyonuna dayanarak hücreler 11 ana kümeye ayrılmıştır (Şekil 1D). Hücre tipi için etkileşim ağları ve güçleri Şekil 1E'de gösterilmektedir. Tüm tek hücrelerdeki PARDTG aktivitesi, Seurat'taki ssGSEA kullanılarak 120 PARDTG'nin ekspresyonu skorlanarak değerlendirilmiştir (Şekil 1F). Dikkat çekici bir şekilde, tümör hücreleri diğer tüm hücre tiplerinden belirgin şekilde daha düşük aktivite sergilemiştir (Şekil 1G).

Over yumurtalık kanserinde perioperatif anestezi ilişkili ilaç hedef genlerinin tanımlanması ve moleküler karakterizasyonu

TCGA veri tabanından, Şekil 2A'da gösterilen 68 adet diferansiyel eksprese PARDTG belirledik (ayrıca bkz. Ek Tablo S3). Şekil 2B, bu 68 perioperatif anestezi ile ilişkili DEG'nin TCGA-OV kohortundaki ekspresyonunu tanımlamaktadır. Ardından, DEG'lerle ilişkili proteinler arasındaki karmaşık ilişkileri aydınlatmak için bir PPI ağı oluşturduk. Over kanserinin patogenezinde önemli etkilere sahip olabilecek beş potansiyel merkez gen —SLC6A4, CHRNA4, DRD2, SLC6A3 ve GRIN2A— belirledik (Şekil 2C). Ayrıca, over kanserindeki 120 PARDTG'nin moleküler değişim profilini inceledik ve nonsense mutasyonların en yaygın varyant tipi olduğunu saptadık (Şekil 2D). En sık mutasyona uğrayan genler SCN10A, DNMT1, GRIN2A, LTF ve SCN11A idi. Kopya sayısı varyasyonu (CNV) mutasyonlarının yaygınlığını araştırdık ve sonuçlar, mutasyon gösteren ilk 20 PARDTG'nin anlamlı CNV değişimleri sergilediğini ortaya koydu (Şekil 2E). GO ve KEGG zenginleştirme analizleri, PARDTG'lerin nöroaktif ligand sinyalleşmesi, kalsiyum sinyal yolları, hormon sinyalleşmesi, amfetamin bağımlılığı, kokain bağımlılığı ve nöroaktif ligand-reseptör etkileşimleri ile ilişkili olduğunu göstermiştir (Şekil 2F,G).

Perioperatif anestezi ile ilgili ilaç hedef genlerine dayalı bir prognostik modelin oluşturulması ve doğrulanması

Model karmaşıklığını en aza indirmek için gen setini azaltmak amacıyla StepAIC kullanılmış ve prognostik modeli oluşturmak için nihayetinde 17 PARDTG tutulmuştur (Ek Tablo S4). Küresel Schoenfeld kalıntı testi, orantılı riskler varsayımından anlamlı bir sapma olmadığını göstermiş (p = 0.265) ve 17 genli prognostik modelin güvenilirliğini desteklemiştir. Risk skoru aşağıdaki denklem kullanılarak hesaplanmıştır: risk skoru = ADRA1D*(0.4452) + ADRB1*(-0.5347) + CHRNA4*(0.3495) + DBH*(-0.5765) + EPHA4*(0.2827) + EPHA7*(-0.5707) + EPHA8*(0.8765) + GABRB2*(0.5979) + GRIN2A*(-0.1750) + GRIN2D*(0.2746) + KCNA1*(2.2753) + KRT81*(0.1101) + OPRD1*(-3.2372) + SLC6A2*(1.4901) + SLC18A1*(4.2170) + SLC18A2*(-1.4600) + CHRNA1*(-0.1723). Hastalar daha sonra risk skorlarına göre düşük ve yüksek riskli kategorilere ayrılmış olup, düşük riskli grup; TCGA-OV (Şekil 3A, p < 0.0001), GSE26193 kohortu (Şekil 3B, p = 0.00021), GSE30161 kohortu (Şekil 3C, p = 0.0017) ve GSE63885 kohortunda (Şekil 3D, p = 0.0041) yüksek riskli gruba kıyasla anlamlı derecede iyileşmiş bir OS göstermiştir. Ayrıca, Şekil 3E–H ; TCGA-OV, GSE26193, GSE30161 ve GSE63885 kohortlarında sağkalım durumu ve risk skorlarının dağılımlarını örnekleyerek OV'de prognostik modelin stabilitesinin ve öngörü güvenilirliğinin bağımsız kanıtlarını sunmaktadır.

Nomogram tabanlı bir sağkalım modelinin oluşturulması ve değerlendirilmesi

Hem tek değişkenli hem de çok değişkenli Cox regresyon analizleri, risk skorunun over kanserli hastalarda prognozun bağımsız bir öngördürücüsü olduğunu göstermiştir (Şekil 4A,B). TCGA-OV kohortundaki model gen ekspresyon dağılımı, karşılık gelen risk skorları ve klinikopatolojik özellikler Şekil 4C'de gösterilmiştir. Klinik uygulanabilirliği artırmak amacıyla, genel sağkalımı (OS) tahmin etmek için risk skorunu yaş, tümör evresi ve derecesi ile birlikte içeren prognostik bir nomogram oluşturulmuştur (Şekil 4D). Yalnızca gen imzasıyla karşılaştırıldığında, entegre nomogram daha üstün bir öngörü performansı sergilemiştir. Sağkalım analizi, düşük risk grubunda yüksek risk grubuna göre anlamlı derecede daha uzun bir OS olduğunu göstermiştir (Şekil 4E; P < 0.0001). Kombine model, OS tahmini için sırasıyla 0,769, 0,690 ve 0,728 değerlerinde zamana bağımlı AUC değerleri vermiştir (Şekil 4F). Karar eğrisi analizi, bir dizi eşik olasılığı boyunca daha yüksek net fayda göstererek nomogramın potansiyel klinik faydasını desteklemiştir (Şekil 4G). Ayrıca, kalibrasyon grafikleri, tahmin edilen ve gözlenen sağkalım olasılıkları arasında yakın bir uyum olduğunu göstermiş ve bu da iyi bir model kalibrasyonuna işaret etmiştir (Şekil 4H). Topluca, bu sonuçlar önerilen nomogramın OV hastalarının prognozunu değerlendirmede güçlü bir öngörü kapasitesine sahip olduğunu göstermektedir.

PARDTG tabanlı prognostik modelin immün infiltrasyon ve tümör immün mikroçevresi ile ilişkisi

İmmün infiltrasyonu karakterize etmek için, örnekler genelinde immün hücre bolluğu nicelendirilmiştir. On yedi genin tümöre infiltre olan immün hücrelerle anlamlı düzeyde ilişkili olduğu belirlenmiş; bunlar arasında ADRA1D, KCNA1 ve SLC18A2 genleri M2 makrofajları ile pozitif korelasyon göstermiştir (Şekil 5A). Ardından, bu genlerin hücresel lokalizasyon paternleri araştırılmıştır. Nokta grafiği (dot plot) analizi, KRT81 geninin ağırlıklı olarak CD8Tex ve Tprolif hücrelerinde eksprese olduğunu, EPHA4 ekspresyonunun ise temel olarak endotel hücrelerinde ve fibroblastlarda zenginleştiğini ortaya koyarak, bu genlerin tümör mikroçevresindeki farklı hücresel bölmelerde potansiyel etkileri olduğunu düşündürmüştür (Şekil 5B). Ek olarak, hastaların TIDE skorları değerlendirilmiş ve yüksek riskli alt kümenin daha yüksek TIDE skorlarına sahip olduğu ve pozitif bir korelasyon gösterdiği gözlemlenmiştir (Şekil 5C). Ayrıca, kök hücre benzerliği (stemness) zenginleştirme skorları yüksek riskli grupta, düşük riskli gruba göre anlamlı derecede daha yüksek bulunmuştur (Şekil 5D). Somatik mutasyon analizi, her iki risk grubunda da genel mutasyon frekansının yüksek olduğunu ortaya koymuştur (Şekil 5E,F). Bunlar arasında CSMD3 ve MUC16 mutasyon frekansları yüksek riskli örneklerde daha yüksek çıkmıştır.

GSEA, antijen işleme ve sunumu ile allogreft reddi dahil olmak üzere bağışıklıkla ilgili yolakların düşük riskli grupta anlamlı şekilde zenginleştiğini; aktin hücre iskeletinin düzenlenmesi, kanserde proteoglikanlar ve motor proteinler gibi tümör invazyonu ve motilitesi ile ilişkili yolakların ise ağırlıklı olarak yüksek riskli grupta zenginleştiğini ortaya koymuştur (Şekil 5G,H). Bu bulgular, yüksek riskli gruptaki hastaların immünoterapiye sınırlı yanıt verebileceğini düşündürmektedir.

Over kanserinde prognostik PARDT'lerin tanımlanması ve ağ analizi

Mekanizmayı aydınlatmak için 490 miRNA ve biyobelirteçlere ait 17 potansiyel düzenleyici ağ belirledik (Şekil 6A). Bunlar arasında hsa-miR-27a-3p, hsa-miR-34a-5p, hsa-miR-106b-5p ve hsa-miR-20b-5p çoğu geni düzenleme potansiyeline sahiptir. Nihayetinde, araştırma sonuçlarımız aday tanı genlerini düzenleyen 37 transkripsiyon faktörü belirlemiştir (Şekil 6B). Ayrıca, FOXC1'in de birden fazla düzenleyici işleve sahip olduğu bulunmuştur.

KRT81 ekspresyonunun pan-kanser analizi

KRT81 ekspresyonunu değerlendirmek amacıyla TCGA'dan RNA-seq verileri elde edilmiştir. Sonuçlar, bu genin çoğu kanserde yüksek düzeyde eksprese olduğunu, ancak GBM, LGG, SKCM, TGCT ve THCA'da düşük seviyelerde eksprese olduğunu göstermiştir (Şekil 7A). Biyoinformatik analizle belirlenen, KRT81'in yumurtalık kanserinde yüksek düzeyde eksprese olduğu sonucunu doğrulamak için bir western blot deneyi gerçekleştirdik. Sonuçlar, KRT81 ekspresyonunun normal dokulara kıyasla tümör dokularında önemli ölçüde arttığını ve TCGA transkriptomik verileriyle büyük ölçüde uyumlu olduğunu göstermiştir (Şekil 7B, Ek Şekil S1 ve Ek Tablo S5). KRT81 ile kanser arasındaki ilişkileri göstermek için gen ekspresyonunu ve immün hücre infiltrasyonlarını inceledik (Şekil 7C). Analiz, KRT81 ekspresyonunun çoğu kanserde T hücreleri, Treg'ler ve M2 makrofajların infiltrasyonu ile pozitif korelasyon gösterdiğini ortaya koymuştur. Ek olarak, KRT81 ekspresyonu çoğu kanserde stromal ve immün skorlarla pozitif ilişkili bulunmuştur (Şekil 7D). Ayrıca, KRT81 ekspresyonu ile Aneuploidy Score arasındaki korelasyonu analiz ettik ve radar grafiği KRT81'in UCEC, SARC, LUAD, LIHC ve KIRP'de Aneuploidy Score ile korele olduğunu göstermiştir (Şekil 7E). Ardından, KRT81 ile Tumor Ploidy arasındaki korelasyonu analiz ettik ve radar grafiği KRT81'in THCA, TGCT, SARC, MESO, LIHC ve CESC'de Tumor Ploidy ile korele olduğunu göstermiştir (Şekil 7F). Daha sonra, radar grafiği KRT81'in UCEC, THYM, LUAD, LIHC, GBM ve BRCA'da SNV Neoantigenleri ile korele olduğunu göstermiştir (Şekil 7G). Dahası, cBioPortal çevrimiçi analizi, KRT81 gen mutasyonunun en yüksek frekansının UCEC'de olduğunu ve bunların çoğunun “mutasyon” ve “Amplifikasyon” tipinde olduğunu ortaya koymuştur (Şekil 7H,I). Tek değişkenli Cox orantılı risk regresyon analizi ile KRT81'in KIRC, LUAD ve STAD'da OS için bir öngördürücü olduğunu belirledik (Şekil 7J).

Veri kullanılabilirliği:

Bu çalışmada analiz edilen halka açık veri setlerine TCGA, UCSC Xena ve GEO üzerinden erişilebilir. Bu çalışma sırasında oluşturulan orijinal western blot görüntüleri ve bunlara karşılık gelen kantitatif veriler Ek Materyallerde (Ek Şekil S1 ve Ek Tablo S5) sunulmuştur.

Uzamsal transkriptomik analizi: gen ekspresyon ısı haritaları, korelasyon grafikleri, hücre etkileşim ağları.
Şekil 1. Uzamsal ve scRNA-seq analizlerinde PARDTG ile ilişkili özellikler. (A,B) PARDTG ekspresyon yoğunluğunun uzamsal haritalaması (C), PARDTG ile ilişkili aktivitenin Spearman korelasyonu. (D) Hücre tipi analizi. (E) Hücre tipleri arasındaki etkileşim sayısının ve gücünün analizi. (F) Hücrelerdeki PARDTG zenginleştirme değeri. (G) PARDTG dağılımı. Kısaltmalar: PARDTG = perioperatif anestezi ile ilişkili ilaç hedef genleri; scRNA-seq = tek hücre RNA dizileme. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Genetik ekspresyon analizi için yanardağ grafiği, ısı haritası, ağ diyagramı; mutasyon, CNV, yolak verileri.
Şekil 2. OV Hastalarında PARDTG'lerin genetik değişim manzarası. (A) OV'deki DEG'lerin yanardağ görselleştirmesi (mavi: aşağı regüle DEG'ler; kırmızı: yukarı regüle DEG'ler; gri: stabil genler), FDR< 0.05 ve |log2FC| > 1. (B) OV ve normal gruplar arasında farklı şekilde eksprese edilen özelliklerin ısı haritası. Mavi normal grubu, kırmızı OV grubunu temsil eder; mavi kare düşük ekspresyonu, sarı kare ise yüksek ekspresyonu temsil eder. (C) String web sitesinden elde edilen, perioperatif anesteziyle ilişkili DEG'lerin PPI ağı. (D) TCGA kohortundaki ilk 20 PARDTG. (E) İlk 20 PARDTG arasında CNV kazancı, kaybı ve non-CNV frekansları. (F) Zenginleşmiş GO terimlerinin GO nokta grafiği. (G) Zenginleşmiş KEGG yolaklarının sütun grafiği. OV = over kanseri; GO = Gen Ontolojisi; KEGG = Kyoto Gen ve Genom Ansiklopedisi; PPI = protein-protein etkileşimi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Hasta risk sınıflandırması için olaya kadar geçen süre verilerini karşılaştıran Kaplan-Meier sağkalım analizi grafikleri.
Şekil 3. Over kanseri için PARDTG tabanlı bir prognostik imzanın oluşturulması ve doğrulanması. (A-D). (A) TCGA-OV, (B) GSE26193, (C) GSE30161, (D) GSE63885 kohortlarındaki düşük ve yüksek riskli hastalarda OS. (E-H>) (E) TCGA-OV, (F) GSE26193, (G) GSE30161, (H) GSE63885 kohortlarında sağkalım durumu ve süresi kullanılarak PARDTG ile ilişkili risk skorunun dağılımı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Nomogram kullanılarak kanser prognoz analizi; hazard oranları, ısı haritası, sağkalım eğrisi, ROC, kalibrasyon.
Şekil 4. PARDTG kaynaklı risk imzasına dayalı prognostik bir nomogramın oluşturulması ve doğrulanması. (A,B) TCGA-OV kohortundaki klinikopatolojik özellikler ve risk skorları. (C) Klinik özelliklerin dağılımı ve model genlerinin risk skoruna göre ekspresyonu. (D) OV hastalarında prognozu tahmin etmek için bir nomogram. (E) İki OV grubu için Kaplan-Meier analizleri. (F) TCGA-OV'de ROC eğrisi analizi. (G) DCA, nomogramın ve diğer klinik özelliklerin net faydalarını göstermektedir. (H) Kalibrasyon grafikleri TCGA-OV'deki OS'yi göstermektedir. Kısaltmalar: ROC = alıcı işletim karakteristiği; DCA = karar eğrisi analizi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Isı haritası, nokta grafiği ve keman grafiğinde gen ekspresyon korelasyonu; risk analizini ve mutasyon frekanslarını göstermektedir.
Şekil 5. Düşük ve yüksek riskli hastalarda tümör mikroçevre analizi. (A) Tümöre infiltre olan immün hücreler ile PA ile ilişkili prognostik modeldeki genler arasındaki korelasyon. (B) Farklı hücre alt tiplerinde prognostik biyobelirteçlerin ortalama ekspresyonunu ve oranını gösteren balon grafiği. (C) TIDE skorlarının keman grafiği. (D) Tümör kök hücre benzerliği zenginleşme skorlarının keman grafiği. (E,F) (E) düşük riskli ve (F) yüksek riskli skor kategorilerindeki somatik mutasyon özelliklerini betimleyen şelale grafiği. (G,H) (G) düşük riskli alt grup ve (H) yüksek riskli alt gruptaki KEGG yolaklarının GSEA sonuçları. Kısaltmalar: TIDE = Tümör İmmün Disfonksiyonu ve Eksklüzyonu; GSEA = Gen Seti Zenginleşme Analizi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Karmaşık gen ilişkilerini ve bağlantısallığını gösteren gen etkileşim ağı diyagramı.
Şekil 6. Prognostik belirteçlerin etkileşim ağı analizi. (A) miRNA-prognostik belirteç eş düzenleyici ağı. (B) Transkripsiyon faktörü-prognostik belirteç eş düzenleyici ağı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Kanser biyobelirteç çalışması; grafikler ve ısı haritaları; tümör belirteçleri, gen ekspresyonu, istatistiksel analiz.
Şekil 7. İnsan tümörlerinde KRT81 ekspresyon seviyesi, immün özellikler ve genetik değişiklikler. (A) TCGA tümörlerinde ve komşu dokularda KRT81 ekspresyonu. (B) Altı over kanseri hastasından (n = 6) alınan eşleşmiş komşu normal ve tümör dokularında KRT81 protein ekspresyonunun Western blot analizi. Göreceli bant yoğunlukları GAPDH'ye göre normalize edilmiş ve veriler eşleşmiş t-testi kullanılarak analiz edilmiştir. Veriler ortalama ± SD olarak sunulmuştur.   (C) KRT81 ile immün hücre oranı arasındaki korelasyon bir ısı haritası ile gösterilmiştir. (D) KRT81 ile immün, stromal ve ESTIMATE skorları arasındaki korelasyon bir ısı haritasında gösterilmiştir. (E-G) TCGA veri tabanlarında KRT81 ekspresyonu ile (E) Aneuploidy Score, (F) Tumor Ploidy ve (G) SNV Neoantigens arasındaki korelasyon. (H) cBioPortal veri tabanından farklı kanser türlerindeki KRT81 mutasyonları. (I) Pan-kanserde KRT81 mutasyon bölgelerinin dağılımı. (J) TCGA kanserleri genelinde KRT81 için Pan-kanser Cox regresyon analizi. *p < 0.05; ***p < 0.001; ****p < 0.0001. Kısaltmalar: SNV = Single Nucleotide Variant; N = normal; T = tümör. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Tablo S1: Perioperatif anestezi ile ilgili ilaç hedef genleri. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo S2: Örnek akış açıklaması.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo S3: Diferansiyel olarak eksprese edilen perioperatif anesteziyle ilişkili ilaç hedef genleri. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo S4: Prognostik perioperatif anesteziyle ilişkili ilaç hedef genleri.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo S5: Western blot kaynak verileri.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil S1: Western blotting orijinal verileri.Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Kanser tedavi iş akışlarının kaçınılmaz bir bileşeni olan perioperatif anestezi; potansiyel immünomodülatör etkileri, mikroçevresel yeniden şekillendirme kapasitesi ve tümör yayılımını potansiyel olarak teşvik etmesi nedeniyle giderek daha fazla dikkat çekmektedir. Kanserin, kesin olarak gene dayalı fokal bir lezyondan ziyade, sistemik ve ekolojik bir hastalık olarak giderek daha fazla kabul edilmesiyle27, perioperatif fizyolojik düzensizlik, enflamatuar yanıtlar ve metabolik stres, mikroçevresel nişleri yeniden şekillendirebilir ve tümör evrimsel yörüngelerini etkileyebilir. Bu çalışma, çok katmanlı transkriptom entegrasyonu yoluyla, OV'deki PARDTGs'lerin ekspresyon modellerini, biyolojik ilişkilerini ve prognostik değerini sistematik olarak betimleyerek perioperatif hassas anestezi için potansiyel ipuçları sağlamıştır.

Konumsal ve tek hücreli transkriptomik profilleme, PARDTG aktivitesinde belirgin konumsal varyasyonlar olduğunu ortaya koyarak, tümör epitel hücrelerinde azalmış aktivite, immün, endotel ve fibroblast hücrelerde ise artmış aktivite olduğunu göstermiştir. Bu "tümör dışı hücre zenginleşmesi" paterni, anestetik hedef ağının etkilerini, doğrudan tümör hücresi içi mekanizmalardan ziyade, öncelikle stromal ve immün hücre durumlarını modüle ederek gerçekleştirebileceğini düşündürmektedir. Bu gözlem, tümör progresyonunun tümör hücreleri ve bunların konak mikroçevresi tarafından ortaklaşa şekillendirildiği kavramıyla örtüşmektedir28. Özellikle, cerrahi sonrası gelişen akut inflamasyon, geçici immünosupresyon ve doku yeniden şekillenmesi, tümörlerin yayılım ve nüks riskini artırmak için faydalanabileceği, kısa süreli bir yara iyileşmesi mikroçevresi oluşturabilir29.

TCGA kohortunun daha ileri analizi, nöroaktif ligand-reseptör etkileşimleri, kalsiyum sinyalleri ve bağımlılıkla ilişkili yolaklarda anlamlı şekilde zenginleşmiş, diferansiyel eksprese olan 68 PARDTG belirlemiştir. Oluşturulan PPI ağı, nörotransmisyon taşıyıcıları ve reseptörleri ile ilgili şu gibi birkaç merkez (hub) geni öne çıkarmıştır: DRD2, SLC6A3ve SLC6A430, bu durum OV ilerlemesinde perioperatif nörotransmitter sinyalleşmeden gelen ek düzenleyici girdilere işaret etmektedir. Yakın tarihli çalışmalar, ... olduğunu göstermiştir. DRD2 antagonist ONC206 OV hücrelerinde ve transgenik fare modellerinde proliferasyonu ve invazyonu baskılayarak hücre döngüsü duraklaması ve apoptozu indükler; bu durum söz konusu eksenin terapötik potansiyelini vurgulamaktadır. CHRNA4 ve GRIN2A sırasıyla kolinerjik reseptörü ve NMDA reseptörü ile ilişkili proteinleri kodlar; bu reseptörlerin aktivasyonu hücre içi Ca'yı kolaylaştırır2⁺ akışı31,32kalsiyum pertürbasyonu ise hücre iskeletini yeniden şekillendirebilir ve tümör destekleyici transkripsiyonel programları aktive edebilir33Ayrıca, bağımlılıkla ilişkili reseptörlerin (örn. µ-opioid reseptörleri) mTORC1 aktivasyonu ve immün kaçışla bağlantılı olduğu belirlenmiştir.34Toplamda bu bulgular, anestezik hedef yolaklar ile perioperatif stres-nöro-immün ağ arasındaki potansiyel çapraz etkileşime işaret etmekte ve böylece kısa bir perioperatif pencerede tümör plastisitesini ve nüksetme riskini etkilemektedir.

17 genli risk modeli, birden fazla bağımsız kohortta stabil prognostik performans sergilemiştir. Yüksek riskli hastalarda, artanle cytoskeletal yeniden düzenleme ve metastatik potansiyeli işaret eden “Aktin hücre iskeletinin düzenlenmesi” ve “Kanserde proteoglikanlar” gibi yolaklarda zenginleşme görülmüştür. İmmün profilleme, yüksek riskli grupta daha yüksek M2 makrofaj oranları, immün kontrol noktasıyla ilişkili genlerin yukarı regülasyonu ve yükselmiş TIDE skorlarını ortaya çıkarmıştır. M2 makrofajlar immün kaçışı teşvik eder ve postoperatif inflamatuar aktivasyon, myeloid kaynaklı baskılayıcı hücrelerin (MDSC'lerin) hücreye çağrılmasını tetikleyebilir35. Özellikle EPHA4, ağırlıklı olarak endotelyal ve fibroblast alt kümelerinde eksprese edilmiş olup, bunun vasküler düzenleme, stromal yeniden düzenleme ve tümör mikroçevresel etkileşimlerine potansiyel katılımına işaret etmektedir. EPHA4, Eph reseptör tirozin kinaz ailesinin bir üyesidir ve Eph/ephrin sinyalleri aracılığıyla hücre-hücre iletişimin önemli bir araştırıcısı olarak görev yapar. EPHA4 aktivasyonu, hücre iskeleti yeniden düzenlenmesi, hücre yapışması, migrasyon ve hücre dışı matris organizasyonu ile ilgili aşağı akış yolaklarını düzenleyebilir36. Tümör mikroçevresinde, disregüle EPHA4 sinyallerinin tümör hücresi invazyonunu, anjiyojenik yanıtları, stromal aktivasyonu ve malign hücreler ile çevreleyen stromal bileşenler arasındaki etkileşimleri teşvik ettiği belirtilmiştir37. Bu bulgular, EPHA4'ün vasküler-stromal iletişimi ve tümör ekolojik yeniden düzenlemesini modüle ederek yüksek riskli hastaların agresif biyolojik özelliklerine katkıda bulunabileceğini göstermektedir. Eş zamanlı olarak, yüksek riskli hastalar stromal etkileşimler ve immün kaçışla ilişkili olan MUC16 ve CSMD3 gibi genlerde daha yüksek mutasyon frekansları sergilemiştir38,39. Topluca değerlendirildiğinde, yüksek riskli hastaların disregüle hücre iskeleti dinamikleri, immünosupresif mikroçevreler ve matris yeniden düzenlemesi ile karakterize malign ekolojik özellikler sergilediği görülmektedir; bu durum PARDTGs'lerin tümör ekolojisindeki değişiklikler ve hastalık ilerlemesi ile ilişkili olabileceğini düşündürmektedir.

Anestezik ajanlar, kodlamayan RNA ağlarının modülasyonu aracılığıyla çoklu gen ekspresyonunu yeniden programlayarak tümör hücresi adezyonu, migrasyonu, apoptoz direnci ve kök hücre özelliklerinin korunmasını etkileyebilir ve böylece potansiyel olarak postoperatif nüks riskini değiştirebilir40,41. miRNA–transkripsiyon faktörü çekirdek düzenleyici ağımızda, miR-27a-3p, miR-34a-5p ve miR-106b-5p potansiyel düzenleyici merkezler olarak tanımlanmıştır ve kapsamlı kanıtlar bunların OV progresyonu ve anestezik kaynaklı farmakolojik yanıtlar üzerindeki etkilerini desteklemektedir42,43,44. Temel bir transkripsiyon faktörü olan FOXC1, OV'de migrasyon, invazyon ve EMT fenotiplerini teşvik etmede kritik bir rol oynar ve üst düzeyde birden fazla kodlamayan RNA tarafından düzenlenir45.

KRT81'in farklı malignitelerdeki biyolojik özelliklerini daha detaylı incelemek amacıyla, over kanseri prognostik modelini doğrulamaktan ziyade pan-kanser analizi gerçekleştirilmiştir. Analizimizde, KRT81 çoğu kanser türünde anlamlı düzeyde yukarı regüle edilmiş olup anöploidi, immün infiltrasyon ve stromal skorlar ile korelasyon göstermiştir; bu durum ekolojik niş yeniden şekillenmesine ve immün kaçışa dahil olduğunu düşündürmektedir. Tip II keratin ailesinin bir üyesi olan KRT81; epitelyalle sitoskeletal bütünlüğün, hücresel mekanik stabilitenin ve stres adaptasyonunun sürdürülmesinde rol oynar. Disregüle KRT81 ekspresyonu, sitoskeletal organizasyonu, epitelyal diferansiyasyonu ve tümör hücreleri ile çevreleyen mikroortam arasındaki etkileşimleri etkileyerek tümör hücresi plastisitesini etkileyebilir. Dahası, keratinlerin anormal yeniden şekillenmesinin; hücre proliferasyonu, migrasyonu, invazyonu ve immün-stromal iletişimin modülasyonu aracılığıyla kanser progresyonunda yer aldığı belirtilmiştir. Önceki çalışmalar, KRT81'in OV'de immün alt tiplendirme ve prognostik stratifikasyon için bir biyobelirteç görevi gördüğünü46 ve triple negatif meme kanserinde immünsüpresif mikroortam oluşumuna ve immünoterapi yanıt öngörüsüne katkıda bulunduğunu bildirmiştir47. Bu nedenle, KRT81 perioperatif tümör plastisite ağlarında mekanistik ve translasyonel öneme sahip kilit bir düğümü temsil edebilir.

Kolektif olarak bu çalışma, OV'de PARDTG ekspresyon ekolojisinin ilk uzamsal ve tek hücre düzeyindeki karakterizasyonunu sunmakta ve bunların immün mikroçevreler, kök hücre benzeri özellikler ve genomik instabilite ile ilişkilerini örneklendirerek, perioperatif anesteziyle ilişkili ilaç hedef genlerinin tümör evrimsel seyirleri ile ilişkili olabileceğini önermektedir. Bununla birlikte, bazı sınırlamalar kabul edilmelidir. Birincisi, bu çalışma öncelikle kamuya açık transkriptomik veri setlerine dayalıdır ve örnek kaynaklarındaki, sekanslama platformlarındaki ve kohort özelliklerindeki farklılıklar potansiyel grup etkileri (batch effects) oluşturabilir ve bulguların sağlamlığını etkileyebilir. İkincisi, doğrulama için harici kohortlar kullanılmış olsa da, prognostik model retrospektif veri setlerinden geliştirilmiştir ve özellik seçim yaklaşımları nedeniyle potansiyel aşırı uyum (overfitting) tamamen göz ardı edilemez. Üçüncüsü, tek hücreli ve uzamsal transkriptomik analizler PARDTG'lerin biyolojik rolleri hakkında içgörüler sağlamış olsa da, bu bulgular temel olarak hesaplamalı çıkarımlara dayanmaktadır ve daha fazla deneysel doğrulama gerektirmektedir. Ek olarak, pan-kanser ve immün korelasyon analizleri dahil olmak üzere bazı keşifsel analizler çoklu karşılaştırmalar içerdiğinden, potansiyel yalancı pozitif ilişkiler dikkatle yorumlanmalıdır. Son olarak, sınırlı uzamsal transkriptomik çözünürlük ve öngörülen düzenleyici ağların fonksiyonel doğrulamasının eksikliği ek sınırlamaları temsil etmektedir. Belirlenen mekanizmaları daha fazla doğrulamak için deneysel modelleri ve klinik örnekleri içeren gelecek çalışmalar gereklidir.

Bu çalışma, PARDTG'lerin OV'de önemli transkripsiyonel ekolojik fonksiyonlar sergilediğini ve postoperatif mikroçevre kaynaklı invazyon ile immün kaçışta rol oynayabileceğini ortaya koyarak; perioperatif hassas anestezi, risk stratifikasyonu ve nüks önleme için yeni moleküler kanıtlar sağlamıştır.

Açıklamalar

Yazarlar, herhangi bir çıkar çatışması olmadığını beyan ederler

Teşekkürler

TCGA-OV, GSE26193, GSE30161, GSE63885, GSE154600 ve GSE211956 dahil olmak üzere, değerli veri setlerini TCGA ve GEO veri tabanlarında paylaşan araştırmacılara içtenlikle teşekkür ederiz.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Anti-Cytokeratin 81 antikoru (tavşan poliklonal)Proteintech, USA11342-1-AP
Anti-GAPDH antikoru (fare monoklonal)Proteintech, USA60004-1-Ig
BCA protein analiz kitiThermo Fisher, USA23225
CIBERSORTStanford Universityhttps://cibersort.stanford.eduİmmün infiltrasyon | LM22 imza matrisi | İmmün hücre infiltrasyon analizi
OV hastalarının klinik özellikleriUCSC Xenahttp://xena.ucsc.edu/Klinik veriler | 341 hasta | Klinik korelasyon analizi
clusterProfiler paketiBioconductorhttps://bioconductor.org/packages/clusterProfilerFonksiyonel zenginleştirme analizi | Versiyon 4.8.3 | GO, KEGG ve GSEA analizleri
ggplot2 paketiCRANhttps://cran.r-project.org/package=ggplot2Veri görselleştirme | Versiyon 4.0.2 | Veri görselleştirme
GSE26193GEO veri tabanıhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26193Doğrulama veri seti | 107 örnek | Harici doğrulama
GSE30161GEO veri tabanıhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30161Doğrulama veri seti | 58 örnek | Harici doğrulama
GSE63885GEO veri tabanıhttps://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63885Doğrulama veri seti | 70 örnek | Harici doğrulama
GSVA paketiBioconductorhttps://bioconductor.org/packages/GSVAGen seti zenginleştirme analizi | Versiyon 2.4.9 | ssGSEA analizi
limma paketiBioconductorhttps://bioconductor.org/packages/limma/Diferansiyel ekspresyon analizi | Versiyon 3.56.2 | DEG analizi
OV hastalarının genel sağkalım bilgileriUCSC Xenahttp://xena.ucsc.edu/Sağkalım verileri | 353 hasta | Prognostik model oluşturma
PVDF membranMillipore, USAIPVH00010
RR Foundation for Statistical Computinghttps://www.r-project.org/Biyoenformatik yazılımı | Versiyon 4.3.1 | İstatistiksel analizler
RIPA tamponuBeyotime, ChinaP0013B
Seurat paketiCRANhttps://satijalab.org/seurat/Tek hücre analizi | Versiyon 5.4.0 | Tek hücre RNA-seq analizi
STRING veri tabanıSTRING Consortiumhttps://string-db.orgProtein etkileşim veri tabanı | Versiyon 12.0 | PPI ağı oluşturma
survival paketiCRANhttps://cran.r-project.org/package=survivalSağkalım analizi | Versiyon 3.5.5 | Sağkalım analizi
TCGA TARGET GTEx (Toil) over gen ekspresyon verileriUCSC Xenahttp://xena.ucsc.edu/Eğitim veri seti | 420 TCGA tümör örneği | Eğitim kohortu
TCGA TARGET GTEx (Toil) over normal doku verileriUCSC Xenahttp://xena.ucsc.edu/Referans normal veri seti | 88 GTEx normal örnek | Diferansiyel ekspresyon analizi

Kaynaklar

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

Yeniden basım ve izinler

Etiketler

Anestezi la HedefleriMulti Omik VerilerTek H creli RNAUzamsal TranskriptomikCox Orant l Tehlikeler ModeliT m r mm n Mikro evresiKlinik Nomogram
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.