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。
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。因為大多數(shù)患者被診斷時已是晚期。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)后生物標志物來幫助改善預(yù)后 。失巢凋亡是一種新型的程序性細胞死亡形式,這對于沒有細胞外基質(zhì) (ECM) 的腫瘤細胞的存活很重要。 它可以通過消除細胞從細胞外基質(zhì) (ECM) 脫離后的脫位細胞來調(diào)節(jié)微環(huán)境的動態(tài)平衡。 缺氧凋亡抗性的啟動可以幫助分離的細胞逃避死亡信號通路,使細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)庫失巢凋亡相關(guān)預(yù)后模型構(gòu)建
作者首先對TCGA-OV數(shù)據(jù)庫RNA-seq數(shù)據(jù)進行整理,并進行單變量 Cox 回歸分析,發(fā)現(xiàn) 31 個與失巢凋亡相關(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)鍵基因進行組合的 KM 分析(圖 2C)。 在每個條件下生成了p值的箱線圖,顯示出由5個基因(RB1、STAT1、SNAI1、SFRP1和AKT2)構(gòu)成的標記具有最小的p值(圖2D)。
圖2
隨后,作者通過風(fēng)險評分將TCGA-OV樣本分為高表達組和低表達組,并進行KM 分析,可以看出低表達組患者的 OS 明顯更好(圖 3A)。 此外,PCA 可以更好的將這兩個亞組的患者分離開來(圖 3B)。 作者進行單變量和多變量 Cox 分析, 可以看出年齡和風(fēng)險評分被驗證為獨立的預(yù)后指標(圖 3C)。圖 3D可以看出在低表達組有更多的患者存活。
圖3
2.預(yù)后模型的驗證
作者使用相同的公式和最佳臨界值,在四個 GEO 隊列中驗證了預(yù)后模型的預(yù)測能力。對其進行了KM分析, 結(jié)果和TCGA組結(jié)果一致(圖4 A-D)。此外, 對GEO多變量 Cox 分析(圖 4E)結(jié)果顯示風(fēng)險評分也是一個獨立因素。
圖4
此外,作者使用 TCGA-OV 數(shù)據(jù)建立了基于年齡和風(fēng)險評分的預(yù)測列線圖(圖 5A)。 該模型的準確性是通過預(yù)測和觀察到的 1 年、3 年和 5 年結(jié)果之間的校準曲線來判斷的(圖 5B)。 DCA 分析還進一步突出了其卓越的預(yù)測性能(圖 5C–5E)。
圖5
3.TCGA 隊列中 ANRGs 相關(guān)基因的功能富集分析
圖 6A可以看出在高表達組中有 322 個 差異基因上調(diào),低表達組中有 101 個差異基因上調(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)險組與細胞外基質(zhì)(ECM)、血管生成、轉(zhuǎn)化生長因子-β(TGF-β)和 Wnt/β 相關(guān) -連環(huán)蛋白通路(圖 6B、6D、6F),而 低風(fēng)險組顯示與免疫活性信號通路相關(guān),包括干擾素-γ、T 細胞激活和免疫反應(yīng)(圖 6C、6E、6F)。
圖6
4.TCGA隊列中與免疫腫瘤微環(huán)境(TIME)相關(guān)基因分析
與低表達組相比,高表達組的基質(zhì)評分明顯更高(圖 7A)。 盡管 p 值沒有意義,但 低表達組獲得了更高的免疫評分。 此外,發(fā)現(xiàn)低表達組中的 TCR 豐富度顯著更高(圖 7B),并且與高表達組相比, 該組 B 細胞記憶、漿細胞、活化的CD4 記憶T細胞、濾泡輔助T 細胞、激活的NK 細胞和 M1巨噬細胞的豐度更高(圖 7C)。 相反,高表達組表現(xiàn)出幼稚 B 細胞和 靜息CD4 記憶T 細胞的豐度較高(圖 7C)。
圖7
5.OC TME 相關(guān)細胞中ANRGs的表達
作者使用單細測序數(shù)據(jù)集 (GES154600) 研究五個標記基因在不同OC TME的特異性表達。 在下游分析中,OC TME 中注釋了 7 種細胞類型(圖 8A)。 值得注意的是,STAT1 在不同細胞類型中高水平表達,在成纖維細胞和骨髓細胞的表達特別高。 AKT2主要在惡性上皮細胞和成纖維細胞中表達。 SNAI1 和 RB1 的表達普遍較低。最后,SFRP1 幾乎只在成纖維細胞中表達(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、隨機生存森林分析和最佳組合的 Kaplan-Meier 分析)從 446 個失巢凋亡相關(guān)基因中篩選關(guān)鍵基因。 在TCGA數(shù)據(jù)庫中構(gòu)建了一個五基因預(yù)后模型,并在四個GEO數(shù)據(jù)庫中進行了驗證。 根據(jù)風(fēng)險評分將樣本分為高風(fēng)險和低風(fēng)險兩組。分別進行了KM生存分析。 通過多變量 Cox 回歸分析證實,風(fēng)險評分可以作為獨立的預(yù)后因素。 列線圖分析進一步證明了模型的預(yù)測能力。 通路富集分析顯示,免疫抑制和惡性進展相關(guān)通路在高表達組中富集,包括 TGF-β、WNT 和 ECM 通路。 低表達組的特點是免疫活性信號通路(干擾素-γ、T 細胞活化等)和較高比例的抗腫瘤免疫細胞(NK、M1 等),而高表達組與較高的基質(zhì)評分和較低的 TCR 豐富度相關(guān)??梢詾?OC 患者提供潛在的治療靶點。