掃碼聯(lián)系客服
哈嘍，大家好，小編今天給大家分享一篇發(fā)表在Aging(Albany NY)上的一篇文章，題為’ Development and validation of a novel anoikis-related gene signature for predicting prognosis in ovarian cancer’，作者通過多種生物信息學(xué)方法篩選了失巢凋亡（ANRGs）相關(guān)的基因，并在卵巢癌(OC)患者中成功構(gòu)建和驗(yàn)證了預(yù)后模型，本篇文章說明了失巢凋亡與OC預(yù)后之間的密切關(guān)系，并為OC患者提供潛在的治療靶點(diǎn)。
一 背景
卵巢癌(ovarian cancer,OC)是女性生殖系統(tǒng)惡性程度最高的腫瘤之一。因?yàn)榇蠖鄶?shù)患者被診斷時(shí)已是晚期。雖然隨著醫(yī)療水平的提高，以鉑類藥物為基礎(chǔ)的化療為主，但由于其發(fā)病機(jī)制復(fù)雜，仍存在化療耐藥和復(fù)發(fā)率高等問題。 因此，迫切需要可靠的 OC 預(yù)后生物標(biāo)志物來幫助改善預(yù)后 。失巢凋亡是一種新型的程序性細(xì)胞死亡形式，這對(duì)于沒有細(xì)胞外基質(zhì) (ECM) 的腫瘤細(xì)胞的存活很重要。 它可以通過消除細(xì)胞從細(xì)胞外基質(zhì) (ECM) 脫離后的脫位細(xì)胞來調(diào)節(jié)微環(huán)境的動(dòng)態(tài)平衡。 缺氧凋亡抗性的啟動(dòng)可以幫助分離的細(xì)胞逃避死亡信號(hào)通路，使細(xì)胞能夠在不利條件下存活。最近研究表明失巢凋亡在腫瘤侵襲和轉(zhuǎn)移中起著至關(guān)重要的作用。然而，有關(guān)ANRGs在OC中的預(yù)后研究很少。在本文研究中，作者通過篩選失巢凋亡（ANRGs）相關(guān)的基因，并在卵巢癌(OC)患者中成功構(gòu)建和驗(yàn)證了預(yù)后模型。圖1是本文的工作流程。
圖1
二 結(jié)果
1. TCGA-OV數(shù)據(jù)庫(kù)失巢凋亡相關(guān)預(yù)后模型構(gòu)建
作者首先對(duì)TCGA-OV數(shù)據(jù)庫(kù)RNA-seq數(shù)據(jù)進(jìn)行整理，并進(jìn)行單變量 Cox 回歸分析，發(fā)現(xiàn) 31 個(gè)與失巢凋亡相關(guān)的基因?qū)?OC的預(yù)后是有影響的（圖 2A、2B）。作者選擇了排名前 10 位的關(guān)鍵基因進(jìn)行組合的 KM 分析（圖 2C）。 在每個(gè)條件下生成了p值的箱線圖，顯示出由5個(gè)基因（RB1、STAT1、SNAI1、SFRP1和AKT2）構(gòu)成的標(biāo)記具有最小的p值（圖2D）。
圖2
隨后，作者通過風(fēng)險(xiǎn)評(píng)分將TCGA-OV樣本分為高表達(dá)組和低表達(dá)組，并進(jìn)行KM 分析，可以看出低表達(dá)組患者的 OS 明顯更好（圖 3A）。 此外，PCA 可以更好的將這兩個(gè)亞組的患者分離開來（圖 3B）。 作者進(jìn)行單變量和多變量 Cox 分析, 可以看出年齡和風(fēng)險(xiǎn)評(píng)分被驗(yàn)證為獨(dú)立的預(yù)后指標(biāo)（圖 3C）。圖 3D可以看出在低表達(dá)組有更多的患者存活。
圖3
2.預(yù)后模型的驗(yàn)證
作者使用相同的公式和最佳臨界值，在四個(gè) GEO 隊(duì)列中驗(yàn)證了預(yù)后模型的預(yù)測(cè)能力。對(duì)其進(jìn)行了KM分析, 結(jié)果和TCGA組結(jié)果一致(圖4 A-D)。此外, 對(duì)GEO多變量 Cox 分析(圖 4E)結(jié)果顯示風(fēng)險(xiǎn)評(píng)分也是一個(gè)獨(dú)立因素。
圖4
此外，作者使用 TCGA-OV 數(shù)據(jù)建立了基于年齡和風(fēng)險(xiǎn)評(píng)分的預(yù)測(cè)列線圖（圖 5A）。 該模型的準(zhǔn)確性是通過預(yù)測(cè)和觀察到的 1 年、3 年和 5 年結(jié)果之間的校準(zhǔn)曲線來判斷的（圖 5B）。 DCA 分析還進(jìn)一步突出了其卓越的預(yù)測(cè)性能（圖 5C–5E）。
圖5
3.TCGA 隊(duì)列中 ANRGs 相關(guān)基因的功能富集分析
圖 6A可以看出在高表達(dá)組中有 322 個(gè) 差異基因上調(diào)，低表達(dá)組中有 101 個(gè)差異基因上調(diào)。 差異基因的 GO-BP 富集分析、所有基因的 KEGG 分析和 HALLMARK 通路差異分析表明，高風(fēng)險(xiǎn)組與細(xì)胞外基質(zhì)（ECM）、血管生成、轉(zhuǎn)化生長(zhǎng)因子-β（TGF-β）和 Wnt/β 相關(guān) -連環(huán)蛋白通路（圖 6B、6D、6F），而 低風(fēng)險(xiǎn)組顯示與免疫活性信號(hào)通路相關(guān)，包括干擾素-γ、T 細(xì)胞激活和免疫反應(yīng)（圖 6C、6E、6F）。
圖6
4.TCGA隊(duì)列中與免疫腫瘤微環(huán)境(TIME)相關(guān)基因分析
與低表達(dá)組相比，高表達(dá)組的基質(zhì)評(píng)分明顯更高（圖 7A）。 盡管 p 值沒有意義，但 低表達(dá)組獲得了更高的免疫評(píng)分。 此外，發(fā)現(xiàn)低表達(dá)組中的 TCR 豐富度顯著更高（圖 7B），并且與高表達(dá)組相比, 該組 B 細(xì)胞記憶、漿細(xì)胞、活化的CD4 記憶T細(xì)胞、濾泡輔助T 細(xì)胞、激活的NK 細(xì)胞和 M1巨噬細(xì)胞的豐度更高（圖 7C）。 相反，高表達(dá)組表現(xiàn)出幼稚 B 細(xì)胞和 靜息CD4 記憶T 細(xì)胞的豐度較高（圖 7C）。
圖7
5.OC TME 相關(guān)細(xì)胞中ANRGs的表達(dá)
作者使用單細(xì)測(cè)序數(shù)據(jù)集 (GES154600) 研究五個(gè)標(biāo)記基因在不同OC TME的特異性表達(dá)。 在下游分析中，OC TME 中注釋了 7 種細(xì)胞類型（圖 8A）。 值得注意的是，STAT1 在不同細(xì)胞類型中高水平表達(dá)，在成纖維細(xì)胞和骨髓細(xì)胞的表達(dá)特別高。 AKT2主要在惡性上皮細(xì)胞和成纖維細(xì)胞中表達(dá)。 SNAI1 和 RB1 的表達(dá)普遍較低。最后，SFRP1 幾乎只在成纖維細(xì)胞中表達(dá)（圖 8B、8C）。
圖8
這篇文章小編介紹完了，本文結(jié)構(gòu)清晰，值得我們學(xué)習(xí)。在本研究中，作者首先從公共數(shù)據(jù)庫(kù)中收集并整合了具有 OV 樣本的轉(zhuǎn)錄組數(shù)據(jù)和相應(yīng)臨床病理學(xué)數(shù)據(jù)。隨后使用多種生物信息學(xué)方法(Cox 回歸分析、隨機(jī)生存森林分析和最佳組合的 Kaplan-Meier 分析)從 446 個(gè)失巢凋亡相關(guān)基因中篩選關(guān)鍵基因。 在TCGA數(shù)據(jù)庫(kù)中構(gòu)建了一個(gè)五基因預(yù)后模型，并在四個(gè)GEO數(shù)據(jù)庫(kù)中進(jìn)行了驗(yàn)證。 根據(jù)風(fēng)險(xiǎn)評(píng)分將樣本分為高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)兩組。分別進(jìn)行了KM生存分析。 通過多變量 Cox 回歸分析證實(shí)，風(fēng)險(xiǎn)評(píng)分可以作為獨(dú)立的預(yù)后因素。 列線圖分析進(jìn)一步證明了模型的預(yù)測(cè)能力。 通路富集分析顯示，免疫抑制和惡性進(jìn)展相關(guān)通路在高表達(dá)組中富集，包括 TGF-β、WNT 和 ECM 通路。 低表達(dá)組的特點(diǎn)是免疫活性信號(hào)通路（干擾素-γ、T 細(xì)胞活化等）和較高比例的抗腫瘤免疫細(xì)胞（NK、M1 等），而高表達(dá)組與較高的基質(zhì)評(píng)分和較低的 TCR 豐富度相關(guān)。可以為 OC 患者提供潛在的治療靶點(diǎn)。
