文摘
背景。高档浆液性卵巢癌(HGSOC)携带在妇科癌症死亡率最高;然而,近几十年来治疗的结果并没有显著提高。巨噬细胞发挥重要作用在卵巢癌的发生和发展,所以巨噬细胞浸润的机制应该阐明。方法。我们下载的卵巢癌基因表达转录组数据综合和癌症基因组图谱。经过严格的筛选,1566 HGSOC被用于数据分析。CIBERSORT常被用来估计水平的巨噬细胞浸润和WGCNA是用来识别macrophage-related模块。我们构建了一个使用机器学习套索macrophage-related预后模型算法和使用多个HGSOC群组验证它。结果。GPL570-OV队列,高渗透水平M1的巨噬细胞与一个好结果,虽然高渗透水平M2巨噬细胞与贫穷有关的结果。我们使用WGCNA选择基因与巨噬细胞浸润。这些基因被用来构建蛋白质相互作用巨噬细胞浸润的地图。mx₁, IFL44L、RSAD2 IFIT3 IFIH1, IFI44, ISG15在网络中心的基因。然后,我们构建了一个macrophage-related预后模型由CD38、ACE2, BATF2, HLA-DOB和战争。模型的预测能力在GPL570-OV HGSOC患者的总体生存率,GPL6480-OV, TCGA-OV GSE50088, GSE26712。探索免疫微环境,我们发现CD4记忆T细胞和肥大细胞激活显示的渗透程度更高的高危人群,而巨噬细胞M1是相反的,在高危人群中HLA分子。结论。我们建造了一个巨噬细胞infiltration-related蛋白质交互网络,研究巨噬细胞在HGSOC提供了依据。我们macrophage-related预后模型健壮且广泛适用的。它预测HGSOC患者的总生存期,并可能改善HGSOC治疗。
1。介绍
卵巢癌是一种高度恶性妇科肿瘤通常发现在高级阶段。全球癌症数据统计显示,2020年有313959新的卵巢癌病例和207252个新的卵巢癌死亡(1]。高档浆液性卵巢癌(HGSOC)卵巢癌是最常见的子类型,占75%的卵巢癌和70%的死亡(2]。HGSOC都有一个特定的遗传易感性,大约15 - 20%的HGSOC患者显示BRCA1或BRCA2[种系突变3]。HGSOC经常获得和失去DNA,在这些癌症进行染色体不稳定和增加的风险获得性耐化疗(4]。铂化疗药物是HGSOC的一线治疗,和免疫细胞疗法是一种新的治疗模式(5]。然而,长期生存于卵巢癌并没有显著增加在过去的30年。目前,HGSOC的预后因素包括菲戈阶段,残留病,BRCA1/2遗传突变,肿瘤浸润淋巴细胞分数。然而,这些预后因素有很大的局限性,预测效果不理想。因此,建设一个分子卵巢癌预后模型是未来研究的重点5]。
巨噬细胞在肿瘤微环境复杂和重要的作用。巨噬细胞极化成促炎和抗炎形式(休息6]。M1巨噬细胞具有属性的细胞毒性、肿瘤抑制和immunostimulation功能,而M2巨噬细胞促进肿瘤生长和入侵7]。肿瘤相关巨噬细胞(TAM)巨噬细胞浸润在肿瘤细胞,这是密切相关的卵巢癌的恶性进展和临床预后。近年来,TAM的定位战略研究取得了巨大的成功。TAM定位策略包括抑制巨噬细胞招聘、M1增加巨噬细胞,抑制肿瘤促进活动的M2巨噬细胞(8]。研究也说明了一个卵巢癌和巨噬细胞的结果之间的关系。M1 / M2 M2 / TAM的比例呈正相关总体存活率和无病生存期(9,10]。M2巨噬细胞在肿瘤样本的密度与[recurrence-free存活率降低11]。这些研究表明巨噬细胞或相关标记潜在的卵巢癌的预后因素。
在这项研究中,我们计算的巨噬细胞浸润和巨噬细胞的潜力评估预后标记。我们建造了一个基因coexpression网络和macrophage-related基因识别模块。我们使用模块的基因构建监管网络与巨噬细胞浸润有关。然后,巨噬细胞浸润有关预后模型构造使用机器学习和验证几个数据集。最后,我们探讨之间的关系模型和免疫因素和浓缩进行分析来确定不同的信号通路在不同组。
2。材料和方法
2.1。数据下载和排序
我们下载GSE9891 (12],GSE30161 [13],GSE63885 [14从基因表达综合(地理,https://www.ncbi.nlm.nih.gov/geo/)。这些数据是基于GPL570平台。我们下载GSE17260 (15],GSE32062 [16],GSE32063 [16],GSE53963 [17从地理)。这些数据是基于GPL570。我们也下载GSE51088 [18)、基于GPL7264 GSE26712 [19),这是基于GPL96。最后,TCGA-OV队列从癌症基因组图谱数据库下载(TCGA,https://portal.gdc.cancer.gov/)。我们整理这些数据,筛选HGSOC样本与转录组数据和跟踪信息。减少手术后预后变化引起的不同的治疗方法,我们只选择样本,包括platinum-containing药物治疗。然后我们使用R包“上海广电”合并芯片数据和删除批处理效果相同的平台。最后,有1566剩余样品GPL570 (n= 351),GPL6480 (n= 558),GSE51088 (n= 109),TCGA-OV (n= 363),GSE26712 (185)。研究流程如图1。
2.2。CIBERSORT
CIBERSORT算法是一种基于线性支持向量回归的原理,使用免疫细胞亚型表达矩阵反褶积(20.]。LM22 CIBERSORT是一个标志性基因表达矩阵用于估计白细胞散装RNA的比例。R的操作包下“cibersort”和LM22矩阵,我们可以计算组成比例的22种白细胞的新样品。
2.3。生存分析
kaplan meier分析是一个单变量的生存分析。通过使用R包“生存”和“survminer”,我们发现最好的“res.cut截止值的函数。“接受者操作特征曲线(ROC)是根据一系列二进制分类。曲线下的面积是AUC值。AUC值大于0.5时,效果显著。单变量Cox回归是用来识别特征与生存相关,和多变量Cox回归用于识别多个特性与生存有关。列线图是多元回归分析,整合几个预测指标和使用毕业线段进行预测分析。校准曲线是散点图的实际发病率和发病率预测评估逻辑回归模型。这些分析是由R包“生存”。
2.4。加权网络分析基因相关性(WGCNA)
WGCNA方法分析基因表达模式在多个样本(21]。WGCNA的计算是基于R WGCNA包”。“WGCNA是用来识别高度相关的基因集,构造coexpression基因集的网络。首先,计算每两个之间的皮尔逊相关基因。第二,最合适的β值计算,使网络满足无标度分布;则由加权邻接矩阵的相关性β价值。第三,拓扑矩阵计算添加一些间接的交互重叠。最后,动态砍树方法用于集群基因形成基因模块。基因集中到同一个模块表明他们可能有类似的功能。皮尔森相关分析进行了基因模块之间数据和临床特征。然后我们可以探索最相关的基因模块为特定的临床特征。
2.5。蛋白质相互作用网络的建设
字符串数据是一个数据库搜索蛋白质交互网络(https://string-db.org/)。Cytoscape是网络地图可视化软件,我们将字符串结果导入到Cytoscape画蛋白质交互网络(22]。
2.6。富集分析
Metascape基因注释是一个功能强大的软件包(https://metascape.org/)[23用于识别蛋白质或基因功能认知)。数据库每月更新一次。基因集富集分析(GSEA)是一种浓缩的方法用于研究是否有统计上的显著差异在给定群基因的表达水平之间的两个生物状态。基因变异分析(GSVA)是一种非参数分析方法用于计算途径浓缩。
2.7。至少绝对收缩和选择操作符(套索)
拉索是一个线性回归方法使用L1正规化。通过操作压缩的罚函数的偏回归系数,得到一个更精致的模型。使用套索的过程建立一个模型是基于R语言,主要使用R包“glmnet”和“生存。”第一,“glmnet”功能是随机模拟模型构建的1000倍。然后惩罚系数λ和基因系数之间的关系。和λ的增加,一些基因系数成为零,表明模型的基因是一个无效的。然后10倍交叉验证重复使用随机模拟函数”cv.glmnet 1000倍。“当偏差最小,所构造的模型是最好的,然后相应的系数λ值用于计算基因。最后,我们得到了下面的预后模型:风险评分=∑n我(实验我·系数我)(n是基因的数目,经验值我的表达吗我th基因,系数我是第i个基因的回归系数)。我们使用R包“survminer”获得最佳截止值的风险评分和单独的队列进入高风险和低风险组(22]。
2.8。基因表达分析
GEPIA是一个在线网站基于TCGA的基因表达数据库(http://gepia.cancer-pku.cn/)[24]。我们使用了定时器pan-cancer网站查询基因的表达(https://cistrome.shinyapps.io/timer/)[23]。人类的蛋白质图谱是一个数据库(https://www.proteinatlas.org/),提供了人体组织的蛋白表达。癌症细胞系百科全书(CCLEhttps://portals.broadinstitute.org/ccle/)是用于查询基因表达,突变,拷贝数,从组织起源成千上万的细胞系的甲基化25]。我们使用这些工具来查询基因表达特征。
2.9。单细胞的数据分析
TISCH (http://tisch.comp-genomics.org/)是一个scRNA-seq数据库集中在肿瘤微环境(26]。TISCH提供了详细的细胞类型注释在单细胞水平。CancerSEA (http://biocc.hrbmu.edu.cn/CancerSEA/14)画了一个地图scRNA-seq功能状态的数据。它允许用户查询特定基因在肿瘤的潜在途径27]。
2.10。统计分析
在这项研究中使用的统计分析是基于R语言的环境软件(Rx64 3.5.1)。维恩图被画使用在线工具(http://bioinformatics.psb.ugent.be/webtools/Venn/)。产生的风险评分的分布图pheatmap R包”。“框和相关散点图是由R包”limma”和“ggplot2。”
3所示。结果
3.1。计算渗透GPL570-OV的22种白细胞水平
GPL570-OV 351 HGSOC样本,基因的数量是20486。我们使用CIBERSORT计算每个样本(图22白细胞渗透比率2(一个))。然后我们提取的渗透水平M0、M1、M2巨噬细胞和使用kaplan meier分析确定三种巨噬细胞的浸润影响的结果。我们发现结果与高渗透水平HGSOC M1的巨噬细胞是更好的(图2 (c)),而HGSOC的高渗透水平的M2巨噬细胞很穷(图2 (d))。尽管M0巨噬细胞没有统计上显著的结果,结果是更好的在高渗透的情况下(图2 (b))。
(一)
(b)
(c)
(d)
3.2。Coexpression网络建设与巨噬细胞浸润有关
网络,基因表达与基因表达变异小代表噪音;因此,我们计算了每个基因的变异系数GPL570-OV队列,前8000个基因的变异系数根据其规模进入后续分析。首先,我们集中样本,消除样品高离散度(图3(一个)),然后计算了软阈值β。我们发现,当β= 3,R2大于0.8,意思是连接尽可能大(图3 (b))。我们使用软阈值来构建无标度网络,然后使用动态树切割方法将基因分成不同的模块。我们以这种方式获得14个基因模块(图3 (c))。我们计算模块和之间的皮尔逊相关巨噬细胞(图3 (d)),发现黑色模块与M1最高相关巨噬细胞(R= 0.67)。相比之下,green-yellow模块与M0负相关巨噬细胞(R= -0.26)和M2巨噬细胞呈正相关(R= 0.26)。数据3 (e)- - - - - -3 (g)散点图的模块成员和基因的意义。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
3.3。巨噬细胞Infiltration-Associated蛋白质相互作用网络的建设
我们的基因green-yellow和黑色模块macrophage-related基因输入以下分析。有89个基因green-yellow模块和234个基因在黑色的模块。我们这些323个基因输入字符串的数据库,建立了一个基因相互作用网络。我们发现IFL44L, RSAD2 IFIT3, mx₁, IFIH1, IFI44, ISG15显示高连通性和中心的网络(图4(一))。在323个基因被输入进Metascape富集分析(数据4 (b)- - - - - -4 (c)),我们发现这些基因显著富集的几种途径,如“防御应对病毒”和“生物反应调节刺激。”
(一)
(b)
(c)
3.4。建设Macrophage-Related预后模型
考克斯我们进行单变量分析323年GPL570-OV巨噬细胞infiltration-related基因,GPL6480-OV, TCGA-OV人群和选定的统计上显著的结果(数据5(一个)- - - - - -5 (b))。结果显示15保护基因(人力资源< 1和 )和没有风险的基因(人力资源> 1和 )被获得。我们选择这15个基因套索分析GPL570-OV组作为训练集,λ值的增加,一些基因的系数下降到0,表明这些基因对模型的贡献很小,应该放弃(图5 (c))。然后10倍交叉验证进行了;当基因的数量是5,模型达到最优解(图5 (d)和表1)。模型的公式如下:风险评分= CD38(−0.063)+ ACE2(−0.121)+ BATF2(−0.100)+ HLA-DOB(−0.017)+战争(−0.019)。kaplan meier分析表明,该模型可以进行风险分层GPL570-OV(图5 (e), )。ROC曲线表明,3/5/7年的AUC值都大于0.5,7年的预测能力是最好的(图5 (f))。我们画了五个基因的表达热图(图5 (g))和风险分布图(图5 (h))。单变量和多变量分析表明,该模型预测和独立的临床分期和病理分级(图5(我))。最后,我们测量的能力风险评分预测GPL570-OV无进展生存(PFS)。模型维护一个良好的风险分层(图的能力5 (j), )。三年,五年的AUC值大于0.5(图5 (k))。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
(k)
3.5。五个基因的表达特性的分析
我们使用了定时器数据库分析CD38的微分表达式,ACE2, BATF2, HLA-DOB,各种肿瘤组织和正常组织之间的战争。结果表明,5个基因有不同的表达特点在不同的肿瘤。例如,CD38 BATF2 HLA-DOB,战争在头颈部鳞状细胞癌中,当他们降低在肾脏Chromophobe(补充图1)。我们检查了微分表达式值五个基因在426卵巢癌组织和88年GEPIA正常组织。只有战争有统计学显著性的微分表达式,并在卵巢癌。尽管BATF2 CD38 HLA-DOB没有统计学意义,他们表现出增加的趋势在卵巢癌的表达(补充数据2- - - - - -2 e)。CD38的mRNA水平、ACE2 BATF2, HLA-DOB相对较低,平均0 - 3,而战争的mRNA水平相对较高,平均超过6。结果与免疫组织化学结果一致(补充数据2 f- - - - - -2 j),战争的蛋白质含量相对高于其他四个基因。战争主要是表达的核,而其他四个基因表达在细胞质膜。我们也调查了表达式的值五个基因在卵巢癌细胞株(补充图2 k)。发现卵巢癌细胞株mRNA的表达显示相同的结果,和战争的信使rna表达水平显著高于其他四种基因。
3.6。在单个细胞水平基因表达的分析模型
在CancerSEA数据库中,我们查询相关车站ACE2, BATF2,战争(补充图3)。我们发现ACE2之间的正相关和血管生成/缺氧/转移/静止/炎症通路(软木> 0.3, )和ACE2之间负相关和dna损伤/ dna修复/入侵(软木<−0.3, )。之间存在着负相关BATF2具备干细胞和入侵途径(软木<−0.3, )BATF2之间有正相关和静止通路(软木> 0.3, )。我们从TISCH数据库提取GSE115007数据集和测量表达CD38、BATF2, HLA-DOB和战争的免疫细胞。我们发现表达CD38和BATF2低免疫细胞(补充数据3 b- - - - - -3 c),而战争M2巨噬细胞,单核细胞、血浆,cDC1, cDC2(补充图3 d)。HLA-DOB明显在cDC1和略表示cDC2(补充图3 e)。
3.7。验证在GPL6480-OV Macrophage-Related预后模型的预测能力,TCGA-OV, GSE50088
我们把GPL6480-OV (n= 558),TCGA-OV (n= 363),GSE50088 (n= 109)作为验证集,发现macrophage-associated预后模型预测系统的三个验证集(图6(一), )。3/5/7年的AUC值大于0.5(图6 (b))。图6 (c)显示风险得分的分布在三个军团。验证模型的广泛适用性和鲁棒性,我们验证了模型的预测能力在另一个独立GSE26712群HGSOC。模型将185名患者分为两组( ,补充图4),3/5/7年的AUC值是0.624 / 0.595/0.564,(补充图4 b)。补充图4摄氏度显示GSE26712患者的风险分布图。
(一)
(b)
(c)
3.8。建设一个临床应用的诺模图
我们建立了一个计算图表图在GPL570-OV队列(图7(一))。在这个图表中,有三个变量:临床阶段,病理等级,风险评分用来计算3 - / 5 - 7年存活率。中华民国和校准曲线是用来评价折线图的预测能力。AUC值都大于0.5,表明该诺模图(图有很强的预测能力7 (b))。校准曲线表明,没有明显的预测值和测量值之间的差别(图7 (c))。
(一)
(b)
(c)
3.9。Macrophage-Related模型和免疫之间的关系
我们测量的差异渗透在22个白细胞高,低风险组之间。我们发现“CD4 + T细胞记忆休息,”“CD4 +记忆激活的T细胞,”和“激活肥大细胞”显示高危人群的高渗透水平。相比之下,“巨噬细胞M1”显示高渗透水平低风险组(图8(一个))。我们还计算了不同的表达19 HLA(人类淋巴细胞抗原)分子在高和低风险组,发现这些分子在高危人群中(图8 (b))。然后我们计算CD274 / PDCD1和风险分数之间的关系,和CD274显示高表达在低风险组(图8 (c))。没有统计PDCD1与风险评分之间的相关性(图8 (d))。CD14和CD163是巨噬细胞的标记。我们探索风险评分的关系,发现这两个基因的表达更高的高危人群和负相关风险评分(数字8 (e)- - - - - -8 (f))。
(一)
(b)
(c)
(d)
(e)
(f)
3.10。富集分析
我们把GPL570-OV GSEA分成两组,和基因集“c2.cp.kegg.v7.0.symbols。“通路富集在高危人群”基底细胞癌”和“核糖体。“低风险组富含“抗原处理和表示,”“自身免疫性甲状腺疾病,”“胞质DNA传感通道,”“自然杀手细胞介导的细胞毒性,”“原发性免疫缺陷,”“蛋白酶体,“”钻井平台我喜欢受体信号通路,”“系统性红斑狼疮,”“TOLL样受体信号通路,”和“病毒性心肌炎”(图9(一个))。最后,我们执行GSVA高风险和低风险组的分析,发现“切口SIGNALINGNOTCH信号”和“WNTβ连环蛋白信号”丰富的高危人群,而“干扰素γ反应”和“干扰素α反应”丰富的低风险组(图9 (b))。
(一)
(b)
4所示。讨论
HGSOC所有妇科癌症中死亡率最高的,大多数情况下显示platinum-resistant复发(28]。肿瘤微环境中不容忽视的卵巢癌的发病机理和治疗5]。在这项研究中,我们使用了GPL570-OV群组探讨巨噬细胞的预测能力,发现M1和M2巨噬细胞预测HGSOC的操作系统。我们使用了WGCNA识别macrophage-related渗透模块和常用基因模块构建预测模型。1566年的模型可以进行危险分层HGSOC样本(n= 1566)。
我们建造了一个macrophage-associated渗透网络。我们计算的渗透程度M0、M1、M2巨噬细胞使用CIBERSORT GPL570-OV队列并测量了这些细胞的预测能力。我们发现高水平的M1巨噬细胞浸润患者预后好,而M2巨噬细胞浸润程度的高血压患者更糟。这是符合事实,M1在肿瘤抑制巨噬细胞发挥作用,而M2巨噬细胞帮助肿瘤的免疫逃逸。然后我们使用WGCNA coexpression构建基因网络,发现黑(M1)和green-yellow (M0/2)与巨噬细胞浸润有关。我们选择的基因构建巨噬细胞渗透网络,在这七个基因高连接在这个网络中扮演主要角色。RSAD2是M1的抗病毒蛋白显著调节巨噬细胞(29日]。IFIT3是M1巨噬细胞极化的标记和高度调节动脉粥样硬化和其他炎症性疾病(30.]。在肺炎、微网控制通过LGALS8人类巨噬细胞的复制和mx₁31日]。IFIH1有助于M1巨噬细胞极化的急性呼吸窘迫综合征(32]。IFI44相关巨噬细胞的迁移和活化33]。ISG15由肿瘤细胞分泌增加肿瘤细胞迁移和免疫逃避诱导M2巨噬细胞极化(34]。ISG15的损耗,M1巨噬细胞显示一个健壮的促炎细胞因子的表达模式。这些研究表明,卵巢癌细胞可能通过抑制RSAD2抑制M1巨噬细胞的极化,IFIT3, mx₁, IFIH1, IFI44和诱导M2巨噬细胞通过分泌ISG15的极化,从而促进肿瘤的进展。这些基因对卵巢癌潜在的治疗靶点。
我们建造了一个macrophage-related卵巢癌的预后模型。模型由CD38、ACE2 BATF2, HLA-DOB和战争。在这些基因中,战争是高度mRNA和蛋白表达水平的患者,以及细胞系的mRNA水平,基因战争是最大的系数,表明战争模型中扮演着核心的角色,而其他基因发挥辅助作用。研究表明,CD38表达式与有利的结果通过增强免疫微环境的渗透卵巢癌上皮(35]。ACE2,也称为亚齐和血管紧张素转换酶2,是一种新型冠状病毒细胞表面受体。研究表明,ACE2表达呈正相关免疫治疗反应和卵巢癌(是一个潜在的保护因素36]。ACE2 / MAS1轴是参与卵巢癌的复杂调节功能(37]。BATF2抗肿瘤效应在许多肿瘤:BATF2结合在胃癌p53提高蛋白质的稳定性,从而抑制ERK的磷酸化(38]。Upregulation BATF2抑制人结肠癌细胞的增长和epithelial-mesenchymal变换(39]。BATF2诱导的抗肿瘤效应TAM上调表达il - 12 (40]。HLA-DOB在多发性骨髓瘤的表达明显高于正常的浆细胞,这表明它是一个潜在的目标免疫疗法(41]。研究表明,战争的损耗补偿干扰素-γ,从而抑制肿瘤的生长42]。单细胞分析卵巢癌的数据显示,战争是表达各种免疫细胞,可促进免疫细胞的渗透和抑制肿瘤。战争在OV可能是一个重要的肿瘤抑制,和未来的机制需要进一步的研究。
我们macrophage-related GPL570模型可以进行危险分层,GPL6480-OV, TCGA-OV, GSE50088, GSE26712,样本量为1566,表明模型是健壮和广泛适用的。在大多数以前的研究中,卵巢癌研究的规模小于1000 (43,44),这表明这些模型不够准确。我们的研究的数据来自十个独立的卵巢癌军团在世界范围内,说明我们的模型是可概括的。这些军团严格筛选,只留下HGSOC样品接受铂治疗。最后,我们构建了一个列线图在GPL570-OV图直观地计算HGSOC病人的操作系统。3/5/7年的AUC值大于0.65,表明诺模图图有很好的预测能力。
这个模型可以帮助探索免疫HGSOC渗透机理。CD4记忆T细胞和肥大细胞激活显示高渗透水平的高危人群。相比之下,M1巨噬细胞浸润的程度显著增加在低风险组,表明CD4 + T细胞记忆和激活肥大细胞可能标记对较差的预后结果,可能会帮助肿瘤免疫逃逸免疫微环境。相比之下,M1巨噬细胞可以抑制在高危病人。然后,我们发现,HLA分子在高危人群中,符合其他研究HLA分子在卵巢癌;HLA-G是一个潜在的生物标志物的先进和复杂的卵巢癌(45,46]。HLA-G和HLA-E卵巢癌可能与疾病进展的机制(47]。免疫抑制剂检查站卵巢癌治疗的新方法。我们发现CD247增加低风险组的表达。CD247主要表达的肿瘤浸润的巨噬细胞,而不是恶性肿瘤细胞(48),这也解释了为什么CD247明显在低风险的患者。
低风险病人富含immune-signaling通路,这表明immune-signaling通路是活跃的时,病人是在一个低风险的国家。GSEA分析的结果表明,高危人群被浓缩在“BASAL_CELL_CARCINOMA”和“核糖体,”表明卵巢癌和基底细胞癌也有类似的机制。最近的研究表明,核糖体ADP-ribosylation抑制翻译和维持蛋白在卵巢癌体内平衡;建议核糖体可能恶化的帮凶卵巢癌(49]。GSEA低风险组中,许多immune-signaling途径丰富,包括NK细胞杀死,toll样受体信号,抗原处理和显示。指出低风险患者的免疫系统是高度激活。目前,许多研究表明卵巢癌的癌症疫苗引发的免疫反应(5]。根据我们的研究,我们可以尝试使用癌症疫苗在高危病人激活免疫途径。GSVA分析、切口和WNT信号丰富的高危人群,而低风险组中干扰素信号激活。PARP抑制剂对卵巢癌有特定疗效,显示抗肿瘤免疫力,它出现的方式依赖于干扰素基因的刺激和增强免疫检查点封锁[50]。因此,PARP抑制剂结合免疫检查点阻塞可能是一个有效的治疗卵巢癌。
虽然我们的模型展示了良好的预测能力1566年HGSOC患者,限制依然存在。这些卵巢癌组来自一个在线数据库,不包括我们的队列,和样本应当扩大临床应用前验证。一些基因的表达群体相对较低;因此,在未来需要高灵敏度的检测技术。我们筛选的基因没有进一步探讨他们在卵巢癌的机制,并进一步在体内和体外实验需要在未来。
5。结论
我们建造了一个关系网络相关巨噬细胞浸润,有助于在HGSOC探索巨噬细胞的机制。我们创建了一个基于macrophage-related预后套索模型的基因。模型成功预测1566年HGSOC样品的操作系统,这可能是有用的评估卵巢癌的条件和适当的治疗。
缩写
| HGSOC: | 高档浆液性卵巢癌 |
| TCGA: | 癌症基因组图谱 |
| 地理: | 基因表达综合 |
| WGCNA: | 加权网络分析基因相关性 |
| AUC: | 曲线下的面积 |
| 中华民国: | 接受者操作特性 |
| 套索: | 至少绝对收缩和选择算子 |
| 系数: | 回归系数 |
| PFS: | 无进展生存 |
| 操作系统: | 总体生存率。 |
数据可用性
本研究中使用的数据集可从癌症基因组图谱数据库(http://cancergenome.nih.gov/)和地理数据库(https://www.ncbi.nlm.nih.gov/geo/)。
的利益冲突
作者宣称没有利益冲突。
确认
作者感谢TCGA GEO的无限制的使用和数据。
补充材料
补充图1:微分pan-cancer 5基因的表达。(一)CD38。(B) ACE2。(C) BATF2。(D) HLA-DOB。(E)的战争。补充图2:基因的mRNA和蛋白表达水平。426年(A)的微分表达CD38卵巢癌组织和正常组织88人。(B) ACE2。(C) BATF2。 (D) HLA-DOB. (E) WARS. (F) CD38 pathological section of ovarian cancer tissue. (G) ACE2. (H) BATF2. (I) HLA-DOB. (J) WARS. (K) The expression level of 5 genes in ovarian cancer cell lines. Supplementary Figure 3: the study of genes at the single-cell level. (A) The enrichment correlation of ACE2, BATF2, and WARS with 14 pathways. (B) The distribution of CD38 in immune cells. (C) BATF2. (D) WARS. (E) HLA-DOB. Supplementary Figure 4: verify the robustness of the model in GSE26712. (A) Kaplan-Meier analysis of the model in GSE26712. (B) The ROC curve of the model in GSE26712. (C) The risk distribution map of the model in GSE26712.(补充材料)