佳學(xué)基因遺傳病基因檢測(cè)機(jī)構(gòu)排名,三甲醫(yī)院的選擇

基因檢測(cè)就找佳學(xué)基因!

熱門(mén)搜索
  • 癲癇
  • 精神分裂癥
  • 魚(yú)鱗病
  • 白癜風(fēng)
  • 唇腭裂
  • 多指并指
  • 特發(fā)性震顫
  • 白化病
  • 色素失禁癥
  • 狐臭
  • 斜視
  • 視網(wǎng)膜色素變性
  • 脊髓小腦萎縮
  • 軟骨發(fā)育不全
  • 血友病

客服電話

4001601189

在線咨詢

CONSULTATION

一鍵分享

CLICK SHARING

返回頂部

BACK TO TOP

分享基因科技,實(shí)現(xiàn)人人健康!
×
查病因,阻遺傳,哪里干?佳學(xué)基因正確有效服務(wù)好! 靶向用藥怎么搞,佳學(xué)基因測(cè)基因,優(yōu)化療效 風(fēng)險(xiǎn)基因哪里測(cè),佳學(xué)基因
當(dāng)前位置:????致電4001601189! > 檢測(cè)產(chǎn)品 > 腫瘤用藥 > 肺癌 >

【佳學(xué)基因檢測(cè)】非小細(xì)胞肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)模型的建立與驗(yàn)證

【佳學(xué)基因】非小細(xì)胞肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)模型的建立與驗(yàn)證 本文介紹了用于建立非小細(xì)胞肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)模型的方法及其臨床驗(yàn)證實(shí)驗(yàn)結(jié)果。數(shù)據(jù)源:從 TCGA 數(shù)據(jù)庫(kù) ( https://portal.

佳學(xué)基因檢測(cè)】非小細(xì)胞肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)模型的建立與驗(yàn)證


本文介紹了用于建立非小細(xì)胞肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)模型的方法及其臨床驗(yàn)證實(shí)驗(yàn)結(jié)果。

數(shù)據(jù)源

從 TCGA 數(shù)據(jù)庫(kù) ( https://portal.gdc.cancer.gov/ ) 下載轉(zhuǎn)錄組和臨床數(shù)據(jù),包括轉(zhuǎn)移樣本 (n = 31) 和非轉(zhuǎn)移樣本 (n = 733),并用作訓(xùn)練放。來(lái)自 GEO 數(shù)據(jù)集的 117 個(gè) LUAD 樣本,GEO 數(shù)據(jù)集的登錄號(hào)為GSE13213,并用作外部驗(yàn)證集。

DEG的識(shí)別

R統(tǒng)計(jì)軟件中的'Limma'包用于識(shí)別轉(zhuǎn)移組和非轉(zhuǎn)移組之間的DEG,將adj p值<0.05設(shè)置為篩選閾值。DEG 的熱圖集群和火山圖是通過(guò) R 軟件使用“pheatmap”和“ggplots”包創(chuàng)建的。

基因本體論 (GO) 和京都基因和基因組百科全書(shū) (KEGG) 分析

為了探索轉(zhuǎn)移相關(guān)基因特征的潛在功能,通過(guò)“clusterProfiler”包進(jìn)行了GO分析和KEGG富集分析。發(fā)現(xiàn) P.adjust < 0.05 具有統(tǒng)計(jì)學(xué)意義。

單變量 cox 回歸和 lasso 回歸分析

我們首先使用 R 包生存 coxph 函數(shù)對(duì) DEG 進(jìn)行單變量 Cox 回歸分析,以篩選與生存顯著相關(guān)的轉(zhuǎn)移相關(guān)基因。選擇p  < 0.05 作為過(guò)濾的閾值。此外,將篩選出的與預(yù)后相關(guān)的轉(zhuǎn)移相關(guān)基因納入Lasso回歸模型,對(duì)上述基因進(jìn)行懲罰,以防止模型的過(guò)擬合效應(yīng)。我們進(jìn)行了 LASSO Cox 回歸分析并確定了 12 個(gè)特征基因 。最后通過(guò)多元COX回歸分析成功構(gòu)建了預(yù)后模型。訓(xùn)練組和驗(yàn)證組的患者分別根據(jù)訓(xùn)練組風(fēng)險(xiǎn)評(píng)分的中值分為低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組。Kaplan-Meier 評(píng)估了兩組之間的生存差異。 同時(shí),對(duì)訓(xùn)練組進(jìn)行單變量和多變量預(yù)后分析(p < 0.05),以確定從模型中獲得的riskScore是否可以作為獨(dú)立的預(yù)后因素。

列線圖的繪制和驗(yàn)證

建立具有獨(dú)立危險(xiǎn)因素如臨床信息和風(fēng)險(xiǎn)評(píng)分的列線圖來(lái)預(yù)測(cè)非小細(xì)胞肺癌患者1年、3年和5年總生存率的可能性。通過(guò)校準(zhǔn)曲線評(píng)估列線圖的功效。

評(píng)估免疫評(píng)分、基質(zhì)評(píng)分和腫瘤純度免疫浸潤(rùn)

ESTIMATE 包用于計(jì)算每個(gè) PAAD 樣本的免疫評(píng)分(代表免疫細(xì)胞浸潤(rùn)水平)和基質(zhì)評(píng)分(代表基質(zhì)數(shù)量)。ESTIMATE 評(píng)分定義為免疫評(píng)分和基質(zhì)評(píng)分的總和。然后通過(guò)Wilcoxon檢驗(yàn)比較高危組和低危組間質(zhì)評(píng)分、免疫評(píng)分、ESTIMATE評(píng)分、腫瘤純度評(píng)分的差異。p值 < 0.05 被認(rèn)為是顯著的 。為了預(yù)測(cè)免疫檢查點(diǎn)阻斷治療的效果,我們還探索了各組免疫檢查點(diǎn)基因的表達(dá)。

估計(jì)此預(yù)后風(fēng)險(xiǎn)模型與臨床特征和腫瘤突變負(fù)荷 (腫瘤突變負(fù)荷(TMB)) 之間的關(guān)系

我們?cè)u(píng)估了從 TCGA 獲得的風(fēng)險(xiǎn)評(píng)分和臨床特征之間的關(guān)系,如下:M(M0 和 M1)、N(N0 和 N1-3)、T(T1-2 和 T3-4)和分期(I- II 和 III-IV)。非小細(xì)胞肺癌患者的腫瘤突變數(shù)據(jù)來(lái)自TCGA數(shù)據(jù)庫(kù),并計(jì)算每個(gè)非小細(xì)胞肺癌患者的腫瘤突變負(fù)荷(腫瘤突變負(fù)荷(TMB))。

GSEA的分析

R包“limma”用于分析高危組和低危組之間的差異表達(dá),所有基因按倍數(shù)變化值排序。h.all.v7.4.symbols.gmt 數(shù)據(jù)集是從 MSigDB 下載的,通過(guò) R 包“clusterProfiler”進(jìn)行基因集富集分析以闡明重要的注釋途徑。
 

結(jié)果

DEG的識(shí)別

TCGA 數(shù)據(jù)集中的 764 個(gè) 非小細(xì)胞肺癌樣本分為兩組:非轉(zhuǎn)移性(31 個(gè)樣本)和轉(zhuǎn)移性(733 個(gè)樣本)。TCGA 數(shù)據(jù)集產(chǎn)生了2058 個(gè) DEG(圖 1A-B),其中 1499 個(gè)被下調(diào),559 個(gè)被上調(diào)。
圖1:非小細(xì)胞肺癌非轉(zhuǎn)移組和轉(zhuǎn)移組差異表達(dá)基因的鑒定。A顯示差異表達(dá)基因的火山圖。B 非小細(xì)胞肺癌中差異表達(dá)基因的熱圖

功能富集分析

DEGs的生物學(xué)功能和途徑可以通過(guò)基因富集分析來(lái)研究。表皮發(fā)育、皮膚發(fā)育、表皮細(xì)胞分化、角質(zhì)形成細(xì)胞分化和角質(zhì)化是GO 中豐富的生物過(guò)程(前 5 位)。前突觸、突觸膜、谷氨酸能突觸和角質(zhì)化細(xì)胞分化及角質(zhì)化是通過(guò) GO分析得到的主要成分(前 5 位)。肽酶調(diào)節(jié)劑活性、內(nèi)肽酶調(diào)節(jié)劑活性、內(nèi)肽酶抑制劑活性、肽酶抑制劑活性和絲氨酸型內(nèi)肽酶抑制劑活性是GO的前五種分子功能(圖 2A)。類似地,神經(jīng)活性配體-受體相互作用、化學(xué)致癌-受體激活、雌激素信號(hào)通路、金黃色葡萄球菌感染和藥物代謝-細(xì)胞色素P450是前5個(gè)顯著富集的通路(圖2B)。
圖 2:GO 和 KEGG 分析的代表性結(jié)果。A 6個(gè)篩選基因的分子功能。B篩選基因的潛在生物學(xué)途徑。數(shù)據(jù)來(lái)自 KEGG 網(wǎng)站(KEGG:京都基因和基因組百科全書(shū))

基于6個(gè)預(yù)后轉(zhuǎn)移相關(guān)基因的風(fēng)險(xiǎn)評(píng)分模型的構(gòu)建與驗(yàn)證

對(duì) TCGA 訓(xùn)練組的 DEG 進(jìn)行單變量 Cox 回歸分析。單因素回歸分析結(jié)果顯示,轉(zhuǎn)移相關(guān)基因與非小細(xì)胞肺癌患者預(yù)后顯著相關(guān)(p < 0.05)(圖 3A)。對(duì)于這些具有預(yù)后價(jià)值的基因,采用LASSO回歸分析來(lái)避免過(guò)度擬合預(yù)后模型。LASSO 回歸分析顯示 12 個(gè)基因與 總生存率 有顯著關(guān)系(圖  3B 和 C)。最后,肺癌轉(zhuǎn)移風(fēng)險(xiǎn)評(píng)估基因檢測(cè)包構(gòu)建團(tuán)隊(duì)對(duì)選擇的 12 個(gè)基因進(jìn)行了多元回歸分析。通過(guò)多元回歸分析,C1QL2、FLNC、LUZP2、PRSS3、SPIC 和 GRAMD1B 被確定為 TCGA 訓(xùn)練組中總生存率的風(fēng)險(xiǎn)變量(圖 3D)。風(fēng)險(xiǎn)評(píng)分計(jì)算為 (− 0.265 × C1QL2) + (0.227 × FLNC) + (− 0.625 × LUZP2) + (0.095 × PRSS3) + (0.193 × SPIC) + (0.447 × GRAMD1B)。之后,根據(jù)中位風(fēng)險(xiǎn)評(píng)分將 TCGA 患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組。根據(jù) Kaplan-Meier 曲線,具有高風(fēng)險(xiǎn)評(píng)分的患者在訓(xùn)練集中的存活率較低 ( p = 0.0001)(圖 3E)。同樣,從GSE13213中選擇 117 名個(gè)體作為驗(yàn)證隊(duì)列,并根據(jù)中位風(fēng)險(xiǎn)評(píng)分分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組,風(fēng)險(xiǎn)評(píng)分計(jì)算公式與 TCGA 隊(duì)列相同。生存曲線顯示兩組之間 存在顯著差異(p <0.05)(圖 3F)。分析RiskScore與臨床特征的關(guān)系,發(fā)現(xiàn)基于六基因特征構(gòu)建的風(fēng)險(xiǎn)評(píng)分根據(jù)年齡、M0分期、N分期、I-II期、T1-2分級(jí)區(qū)分為高低風(fēng)險(xiǎn)組。因此,這一發(fā)現(xiàn)表明肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因評(píng)估模型對(duì)臨床特征具有很強(qiáng)的預(yù)測(cè)能力。
圖 3:在 TCGA 隊(duì)列中構(gòu)建風(fēng)險(xiǎn)特征。差異表達(dá)基因的單變量 Cox 分析。(B) 在 LASSO 回歸中調(diào)整參數(shù)選擇的交叉驗(yàn)證。C差異表達(dá)基因的 LASSO 回歸。D差異表達(dá)基因的多變量 Cox 分析。TCGA中非小細(xì)胞肺癌患者風(fēng)險(xiǎn)預(yù)后模型的E - F K-M生存分析

RiskScore對(duì)不同臨床特征的表達(dá)及列線圖的構(gòu)建

采用多變量 Cox 方法在 TCGA 數(shù)據(jù)集中尋找 非小細(xì)胞肺癌 患者的三個(gè)獨(dú)立預(yù)后指標(biāo)(年齡、分期和風(fēng)險(xiǎn)評(píng)分)(圖  4A)。之后,根據(jù)年齡、分期和風(fēng)險(xiǎn)評(píng)分生成 1 年、3 年和 5 年生存率的列線圖,以客觀估計(jì)每位非小細(xì)胞肺癌患者的生存可能性(圖 4B)。此外,繪制了 1 年、3 年和 5 年生存率的校準(zhǔn)曲線以測(cè)試列線圖的正確性,結(jié)果表明列線圖預(yù)測(cè)的和實(shí)際的生存概率大體上是一致的(圖 4C-E)。根據(jù)從列線圖計(jì)算的中位風(fēng)險(xiǎn)評(píng)分,將 TCGA 隊(duì)列中的患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組。圖 4F 表示高危組患者的 總生存率 顯著短于低危組(p  < 0.001)。
圖 4:基于風(fēng)險(xiǎn)評(píng)分和臨床特征的預(yù)后模型的構(gòu)建和評(píng)估?;陲L(fēng)險(xiǎn)評(píng)分和臨床特征的多變量 COX 回歸分析的森林圖。B列線圖通過(guò)四種臨床病理學(xué)特征預(yù)測(cè) 非小細(xì)胞肺癌 患者的進(jìn)展風(fēng)險(xiǎn)。CE校準(zhǔn)曲線用于評(píng)估列線圖的一年、三年和五年進(jìn)度預(yù)測(cè)的正確性?;陲L(fēng)險(xiǎn)評(píng)分和臨床特征的預(yù)后模型的F K-M 曲線

肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)預(yù)后評(píng)估模型與患者臨床病理特征的相關(guān)性

肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)評(píng)估模型首先查看風(fēng)險(xiǎn)評(píng)分和臨床變量之間的關(guān)聯(lián)。結(jié)果表明,N階段之間的風(fēng)險(xiǎn)評(píng)級(jí)沒(méi)有顯著差異(圖 5A)。肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)評(píng)估模型 研究了不同非小細(xì)胞肺癌組之間風(fēng)險(xiǎn)評(píng)分的差異。按分期分層的亞組分析顯示,IV 期非小細(xì)胞肺癌患者的風(fēng)險(xiǎn)評(píng)分顯著高于 I 期非小細(xì)胞肺癌患者(p  = 0.0031)。(圖 5B)。此外,與 M0 非小細(xì)胞肺癌 患者相比,M1 非小細(xì)胞肺癌 患者的風(fēng)險(xiǎn)評(píng)分顯著更高(p  = 0.043)。此外,T3 非小細(xì)胞肺癌 患者的風(fēng)險(xiǎn)評(píng)分顯著高于 T1 非小細(xì)胞肺癌 患者 ( p  = 0.0052)(圖 5C-D)。
圖 5:預(yù)后風(fēng)險(xiǎn)模型與臨床病理特征(分期,TNM)之間的相關(guān)性AD

非小細(xì)胞肺癌患者免疫微環(huán)境與轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)評(píng)分模型的關(guān)系分析

使用 ESTIMATE 算法,肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)評(píng)估專項(xiàng)小組采用 TCGA 數(shù)據(jù)集估計(jì)了 非小細(xì)胞肺癌的基質(zhì)細(xì)胞得分、免疫評(píng)分和腫瘤純度。肺癌轉(zhuǎn)移風(fēng)險(xiǎn)基因檢測(cè)評(píng)估專項(xiàng)小組的數(shù)據(jù)顯示,高危組的免疫評(píng)分和基質(zhì)評(píng)分顯著高于低危組(圖  6A),高危組的腫瘤純度評(píng)分顯著低于低危組。為進(jìn)一步探索個(gè)體免疫微環(huán)境,開(kāi)展個(gè)體化治療,對(duì)高危組和低危組的免疫浸潤(rùn)和免疫檢查點(diǎn)基因進(jìn)行了進(jìn)一步研究(圖 6B-C)。與高風(fēng)險(xiǎn)組相比,低風(fēng)險(xiǎn)組的巨噬細(xì)胞、巨噬細(xì)胞 M1、MEP、單核細(xì)胞、pDC 和 Th2 細(xì)胞的標(biāo)志物顯著降低。另一方面,低風(fēng)險(xiǎn)組的 Th1 細(xì)胞、MEP 和 HSC 標(biāo)志物表達(dá)增加。此外,在高危組和低危組中發(fā)現(xiàn)了免疫檢查點(diǎn)基因變異的基因檢測(cè)結(jié)果。TNFSF15 在低風(fēng)險(xiǎn)組中的表達(dá)水平高于高風(fēng)險(xiǎn)組。與低危組相比,高危組表現(xiàn)出更高的 ADORA2A、TNFSF14、CD28、ICOS、TIGIF、TNFRSF9、CD276、TNFSF9、TNFRSF8、PDCD1、CTLA4、TNFSF4、CD86、NRP1、TNFRSF4、CD70、 LAIR1、C10orf54、HAVCR2 和 CD200。
圖 6:非小細(xì)胞肺癌患者免疫微環(huán)境與風(fēng)險(xiǎn)評(píng)分模型關(guān)系分析。對(duì)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)群體的估計(jì)分析。B免疫浸潤(rùn)細(xì)胞的分析。C高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)人群免疫檢查點(diǎn)的分子分析。D高危組和低危組的 腫瘤突變負(fù)荷(TMB) 評(píng)分
肺癌腫瘤轉(zhuǎn)移風(fēng)險(xiǎn)評(píng)估小組還估計(jì)了每個(gè)樣本的 腫瘤突變負(fù)荷(TMB),發(fā)現(xiàn)在 TCGA 數(shù)據(jù)集中,高風(fēng)險(xiǎn)組的 腫瘤突變負(fù)荷(TMB) 顯著更高(p  = 0.0056)。(圖 6D)。

GSEA分析

進(jìn)行GSEA分析以進(jìn)一步探索低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)人群之間的差異生物學(xué)機(jī)制。我們發(fā)現(xiàn)了信號(hào)通路(圖 7),包括同種異體移植排斥、凝血、補(bǔ)體、上皮間質(zhì)轉(zhuǎn)化、G2M 檢查點(diǎn)、IL6-JAK-STAT3 信號(hào)傳導(dǎo)、炎癥反應(yīng)、干擾素 γ 反應(yīng)、KRAS 信號(hào)傳導(dǎo)、通過(guò) NFkB 的 TNFA 信號(hào)傳導(dǎo)在高危組中顯著富集。
圖 7:基因集富集分析。高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組之間基因組的差異

本文將非小細(xì)胞肺癌樣本按照M分期分為轉(zhuǎn)移組和非轉(zhuǎn)移組。TCGA被用作訓(xùn)練隊(duì)列并構(gòu)建預(yù)后模型,而GEO數(shù)據(jù)庫(kù)被用作驗(yàn)證隊(duì)列以驗(yàn)證預(yù)后模型評(píng)估的有效性。首先,我們分析了 TCGA 入組的 非小細(xì)胞肺癌 患者的基因表達(dá)數(shù)據(jù)和臨床數(shù)據(jù),識(shí)別了 2058 個(gè)與轉(zhuǎn)移相關(guān)的 DEG。使用單變量、LASSO 和多變量 Cox 回歸分析,6 種 mRNA(C1QL2 、FLNC 、LUZP2PRSS3、SPICGRAMD1B) 已被發(fā)現(xiàn)是 非小細(xì)胞肺癌 的獨(dú)立預(yù)后預(yù)測(cè)因子。其次,生存分析被用來(lái)檢查預(yù)后模型的可用性。所有 6 種 mRNA 的表達(dá)模式都與 總生存率 相關(guān),這意味著隨著這些 mRNA 表達(dá)的產(chǎn)生,患者將有不同的生存時(shí)間。第三,對(duì)訓(xùn)練組構(gòu)建的模型進(jìn)行了外部驗(yàn)證,增加了結(jié)果的高效性。
通過(guò)對(duì)轉(zhuǎn)移相關(guān)基因的通路富集分析,我們發(fā)現(xiàn)許多GO通路被富集,如表皮發(fā)育、皮膚發(fā)育、表皮細(xì)胞分化、角質(zhì)形成細(xì)胞分化等。其中許多已被證實(shí)與腫瘤轉(zhuǎn)移有關(guān)。密切相關(guān),如Sabounsji的研究指出,非小細(xì)胞肺癌的轉(zhuǎn)移與表皮細(xì)胞分化密切相關(guān)。Li 的研究中還指出了角質(zhì)形成細(xì)胞分化與轉(zhuǎn)移性黑色素瘤之間的相關(guān)性。模型中的 mRNA 已在其他文章中報(bào)道,它們也與不同類型的癌癥有關(guān)。Sigin 等人的一項(xiàng)研究。發(fā)現(xiàn)在 Luminal B 型乳腺癌中的甲基化水平C1QL2與 Luminal B 乳腺癌患者的新輔助化療密切相關(guān) 。細(xì)絲蛋白C ( FLNC ) 是一種大型肌動(dòng)蛋白交聯(lián)蛋白,存在于多種細(xì)胞中。根據(jù)以往的文獻(xiàn),FLNC的暫時(shí)表達(dá)或沉默可以改變癌細(xì)胞的增殖和集落形成,而內(nèi)源性FLNC沉默可以加速癌細(xì)胞的運(yùn)動(dòng)和侵襲。LUZP2(亮氨酸拉鏈蛋白 2 基因),位于 Chr 11p13-11p14 并編碼亮氨酸拉鏈蛋白,已被證明在 Wilms 的腫瘤患者中被刪除。Wilms 瘤、生殖器異常、無(wú)虹膜和智力低下是一種罕見(jiàn)的先天性異常綜合征,其特征是 Wilms 瘤、生殖器畸形、無(wú)虹膜和智力低下此外,Zhao 等人發(fā)現(xiàn),相對(duì)于正常前列腺組織, LUZP2 mRNA 表達(dá)在未使用激素的前列腺癌 (PC) 中升高,但在從未使用激素的 PC 到去勢(shì)抵抗性 PC (CRPC) 的整個(gè)進(jìn)展過(guò)程中下調(diào) 。PRSS3(絲氨酸蛋白酶 3) 是絲氨酸蛋白酶家族的成員,在胰腺腺泡細(xì)胞中產(chǎn)生并釋放到小腸中以幫助消化。根據(jù) Wang 的研究結(jié)果,PRSS3表達(dá)增加可能會(huì)增強(qiáng)胃癌轉(zhuǎn)移,并作為患者預(yù)后不良的獨(dú)立分子指標(biāo) 。SpiC是Spi亞型中的一員,SpiC在骨髓分化中具有重要作用,但目前尚無(wú)關(guān)于SpiC在腫瘤中作用的報(bào)道。GRAMD1B(含 GRAM 結(jié)構(gòu)域的蛋白 1B)被確定為信號(hào)級(jí)聯(lián)的推定成分 17,與人類惡性腫瘤有關(guān) 。具體而言,據(jù)報(bào)道它在卵巢癌患者的化學(xué)抗性中發(fā)揮作用,例如GRAMD1B抑制導(dǎo)致抗腫瘤作用 。Khanna 的研究證明GRAMD1B通過(guò) JAK/STAT 和 Akt 信號(hào)傳導(dǎo)調(diào)節(jié)乳腺癌細(xì)胞中的細(xì)胞遷移 。這些結(jié)果代表了與本研究相似的結(jié)論。
腫瘤轉(zhuǎn)移是由癌細(xì)胞與腫瘤微環(huán)境的眾多基質(zhì)細(xì)胞成分之間的相互作用以及惡性細(xì)胞內(nèi)在變化的積累引發(fā)的 。來(lái)自宿主的免疫細(xì)胞(如腫瘤相關(guān)巨噬細(xì)胞、髓源性抑制細(xì)胞和調(diào)節(jié)性 T 細(xì)胞)對(duì)腫瘤組織的炎癥和浸潤(rùn)已被證明可促進(jìn)腫瘤發(fā)展以及侵襲和轉(zhuǎn)移 。我們的數(shù)據(jù)顯示,高危組的免疫評(píng)分和基質(zhì)評(píng)分顯著高于低危組。如巨噬細(xì)胞、巨噬細(xì)胞M1、單核細(xì)胞、pDC和Th2細(xì)胞的免疫浸潤(rùn)明顯高于低危組。這表明腫瘤轉(zhuǎn)移相關(guān)基因也在調(diào)節(jié)腫瘤免疫中發(fā)揮作用。為了更詳細(xì)地解釋 非小細(xì)胞肺癌 中的免疫細(xì)胞浸潤(rùn),使用 ssGSEA 發(fā)現(xiàn)低風(fēng)險(xiǎn)組的 iDC、MSC、Th2 細(xì)胞、內(nèi)皮細(xì)胞、單核細(xì)胞的標(biāo)志物表達(dá)較高。這些結(jié)果與以往研究的結(jié)論一致,表明我們的預(yù)后模型不僅可以對(duì)非小細(xì)胞肺癌患者的預(yù)后有很好的預(yù)測(cè)作用。并且可以在一定程度上對(duì)患者的免疫變化做出反應(yīng)。這對(duì)于 非小細(xì)胞肺癌 患者的免疫治療將非常重要。例如,在未來(lái),可以通過(guò)我們研究中建立的預(yù)后模型來(lái)預(yù)測(cè)患者對(duì)免疫治療的反應(yīng)。
我們希望從遺傳學(xué)上了解我們的模型起作用的可能機(jī)制,進(jìn)行 GSEA 以分別對(duì)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)組進(jìn)行富集分析,可以發(fā)現(xiàn)包括同種異體移植排斥、凝血、補(bǔ)體、上皮間質(zhì)轉(zhuǎn)化、G2M 檢查點(diǎn)、IL6 JAK STAT3 信號(hào)傳導(dǎo)、炎癥反應(yīng)、干擾素 γ 反應(yīng)、KRAS 信號(hào)傳導(dǎo)、通過(guò) NFkB 的 TNFA 信號(hào)傳導(dǎo)在高危組中顯著富集。這些途徑都在之前的研究中顯示與腫瘤轉(zhuǎn)移直接或間接相關(guān)。例如,EMT 是一種進(jìn)化上保守的發(fā)育程序,它與致癌作用有關(guān),并通過(guò)增加移動(dòng)性、侵襲性和對(duì)凋亡刺激的抗性賦予癌細(xì)胞轉(zhuǎn)移特性。此外。細(xì)胞因子白細(xì)胞介素 6 (IL6) 及其下游效應(yīng)器 STAT3 形成了乳腺癌中的主要致癌途徑,據(jù)推測(cè)該途徑在功能上與雌激素受體 (ER) 相關(guān)。Siersbak 等人。發(fā)現(xiàn)IL6 / STAT3信號(hào)促進(jìn)ER +乳腺癌的轉(zhuǎn)移,而不是ER陽(yáng)性。一部分 ER 增強(qiáng)子被 STAT3 劫持以產(chǎn)生獨(dú)特的轉(zhuǎn)錄途徑 。據(jù)報(bào)道,我們已經(jīng)確定的一些潛在途徑與腫瘤轉(zhuǎn)移有關(guān),這驗(yàn)證了我們的結(jié)果,并且我們的結(jié)果發(fā)現(xiàn)了尚未探索到轉(zhuǎn)移的潛在途徑。這為未來(lái)研究腫瘤轉(zhuǎn)移基因提供了新的視角。
最后,我們通過(guò)一系列生物信息分析開(kāi)發(fā)了用于預(yù)測(cè) 非小細(xì)胞肺癌 轉(zhuǎn)移預(yù)后的模型和生物標(biāo)志物。根據(jù)我們?cè)谟?xùn)練組和測(cè)試組中都證實(shí)的研究結(jié)果,低風(fēng)險(xiǎn)組患者的總生存率高于高風(fēng)險(xiǎn)組患者。我們的研究為非小細(xì)胞肺癌的診斷和治療開(kāi)辟了一條新途徑。然而,這項(xiàng)研究仍然存在一些局限性。首先,TCGA中的數(shù)據(jù)可能包含不同程度的錯(cuò)誤,并且包含的??數(shù)據(jù)量是有限的,這可能會(huì)導(dǎo)致不正確。其次,缺乏體內(nèi)和體外研究會(huì)導(dǎo)致證據(jù)不足。最后,我們的研究還存在一個(gè)缺陷,即 TCGA 數(shù)據(jù)庫(kù)無(wú)法提供配對(duì)樣本。所以,我們無(wú)法縱向比較同一患者不同轉(zhuǎn)移時(shí)間的情況,我們還將在未來(lái)的研究中納入更多的隊(duì)列以彌補(bǔ)這一不足。還值得一提的是,我們的研究并非基于所有臨床特征,包括年齡、性別等,而是僅由一些可訪問(wèn)的臨床特征構(gòu)建的預(yù)后模型。比如T和N分期等等。未來(lái)的研究需要結(jié)合更多的臨床特征以實(shí)現(xiàn)更好的模型性能。因此,需要進(jìn)一步的研究和試驗(yàn)來(lái)驗(yàn)證模型和生物標(biāo)志物,以確保其穩(wěn)健性。但是一個(gè)僅由一些可訪問(wèn)的臨床特征構(gòu)建的預(yù)后模型。比如T和N分期等等。未來(lái)的研究需要結(jié)合更多的臨床特征以實(shí)現(xiàn)更好的模型性能。因此,需要進(jìn)一步的研究和試驗(yàn)來(lái)驗(yàn)證模型和生物標(biāo)志物,以確保其穩(wěn)健性。但是一個(gè)僅由一些可訪問(wèn)的臨床特征構(gòu)建的預(yù)后模型。比如T和N分期等等。未來(lái)的研究需要結(jié)合更多的臨床特征以實(shí)現(xiàn)更好的模型性能。因此,需要進(jìn)一步的研究和試驗(yàn)來(lái)驗(yàn)證模型和生物標(biāo)志物,以確保其穩(wěn)健性。


(責(zé)任編輯:佳學(xué)基因)
頂一下
(0)
0%
踩一下
(0)
0%
推薦內(nèi)容:
來(lái)了,就說(shuō)兩句!
請(qǐng)自覺(jué)遵守互聯(lián)網(wǎng)相關(guān)的政策法規(guī),嚴(yán)禁發(fā)布色情、暴力、反動(dòng)的言論。
評(píng)價(jià):
表情:
用戶名: 驗(yàn)證碼: 點(diǎn)擊我更換圖片

Copyright © 2013-2033 網(wǎng)站由佳學(xué)基因醫(yī)學(xué)技術(shù)(北京)有限公司,湖北佳學(xué)基因醫(yī)學(xué)檢驗(yàn)實(shí)驗(yàn)室有限公司所有 京ICP備16057506號(hào)-1;鄂ICP備2021017120號(hào)-1

設(shè)計(jì)制作 基因解碼基因檢測(cè)信息技術(shù)部