文摘
背景。Pyroptosis已被证实是一种近年来炎性细胞程序性死亡。然而,pyroptosis在结肠癌的预后作用(CC)仍不清楚。方法。数据集TCGA-COAD来自TCGA门户是为训练队列。GSE17538从GEO数据库被视为验证军团。差异表达基因(度)之间的正常和肿瘤组织被证实。患者分为两组根据表达式的特点pyroptosis-related度。套索回归分析用于构建最好的预后签名,使用kaplan meier及其可靠性验证,中华民国,PCA, t-SNE分析。基于多变量Cox分析和计算图表。去KEGG中的富集分析调查的潜在机制。此外,我们探讨了不同浸润免疫细胞和免疫微环境的丰度高,低风险组之间。我们协会还预测常见免疫检查点与风险评分。 Finally, we verified the expression of the pyroptosis-related hub gene at the protein level by immunohistochemistry.结果。总共23 pyroptosis-related度TCGA队列被确定。患者分为两分子簇(MC)基于度。kaplan meier生存分析显示,患者MC1代表显著比患者MC2贫穷OS。13总生存期(OS)在MCs度用来构造预后相关的签名。高危组患者表现出贫困低风险组的操作系统相比。结合临床特征、风险评分被发现是CC患者的独立预后因素。上述结果证实在GSE17538外部数据集。建立了计算图表,显示性能优良。基因本体论(去)和《京都议定书》百科全书的基因和基因组(KEGG)分析表明,不同预后性能高和低风险组之间可能与免疫反应介导的炎症。 Further analysis showed that the high-risk group has stronger immune cell infiltration and lower tumor purity than the low-risk group. Through the correlation between risk score and immune checkpoint expression, T-cell immunoglobulin and mucin domain-containing protein 3 (TIM-3) was predicted as a potential therapeutic target for the high-risk group.结论。13-gene签名与操作系统有关,免疫细胞,肿瘤纯度,CC患者和免疫检查点,它可以提供免疫治疗和预测预后的基础,帮助临床医生做出决定个性化治疗。
1。介绍
结肠癌(CC),一种常见的恶性肿瘤起源于人类的消化系统,表现出在发病率和死亡率明显上升趋势(1]。饮食习惯、年龄、肥胖、吸烟和缺乏体育锻炼是众所周知的结肠癌的危险因素。最常见的结肠癌的亚型是结肠腺癌(COAD)占98%的新诊断结肠癌病例(40 - 60%的5年生存率2]。治疗效果,患者仍存在显著的个体差异在CC.原因是不仅与社会经济因素有关,还与个体的遗传异质性(3]。因此,它显然是一个巨大的挑战调查和制定新的战略CC早期诊断,更精确治疗,预后和预测。目前,tumor-node-metastasis (TNM)阶段,根据解剖信息,是一种常见的工具来评估患者的预后。然而,TNM阶段的局限性是它可能没有充分考虑个体的遗传异质性肿瘤。随着测序技术的发展,有一个深入了解转录组的肿瘤。喀斯特和BRAF突变状态的评估或MSI状态是广泛应用于临床治疗。这使CC病人诊断在中间阶段末有比以前更多的治疗机会4]。然而,由于影响预后的分子机制的复杂性CC,单基因/因子预测模型往往伴随着低精度。相比之下,polygene-based模型倾向于显示更好的结果在预测各种癌症的预后(5- - - - - -7]。因此,我们需要一个可靠的预后基因签名,促进个性化治疗和预测CC可帮助患者存活率。
Pyroptosis,也被称为细胞炎性坏死,是一种程序性细胞死亡,它的特点是细胞的连续扩张到细胞膜的破裂,导致释放细胞内容和激活一个强烈的炎症反应8]。Pyroptosis时激活caspase-1劈开蛋白质gasdermin D,释放gasdermin N亚基,从而形成一个孔在等离子体膜9]。Pyroptosis与多种疾病密切相关;对于肿瘤,它是一把双刃剑。一方面,作为一个先天免疫机制,pyroptosis可以抑制肿瘤的发展,另一方面,作为一种促炎细胞死亡模式,pyroptosis,反过来,为肿瘤的生长提供了一个合适的微环境(10]。长期的慢性炎症反应会导致局部组织发育不良,因此致癌作用。尤其是考虑到存在大量的肠道里的细菌可能会增加感染的机会pyroptosis的发生。因此,我们假设pyroptosis可能发挥重要作用在结肠癌的发展。虽然,到目前为止,几项研究已经与结肠癌pyroptosis [11- - - - - -13),还有一些科学和临床研究CC和pyroptosis之间的相关性;pyroptosis是否与CC预后并识别关键pyroptosis-related基因的表达特征(pdg) CC进展在很大程度上仍是个未知数。尽管重大进展在CC基因签名,很少有考虑使用pyroptosis-related基因特征构造一个预后签名在CC。因此,我们pyroptosis-related基因进行了系统的研究探索那些在正常和肿瘤组织的表达特点和预测患者的预后和免疫反应,试图构建一个预后签名。
2。材料和方法
2.1。采集的数据
三级RNA-seq数据(工作流类型:HTSeq-FPKM) 385年COAD病人和相应的临床信息从癌症基因组图谱(TCGA)获得的数据集(https://portal.gdc.cancer.gov/),收购的方法和应用程序遵守方针、政策。FPKM值被log2然后规范化(FPKM + 1)进行后续分析。GSE17538基因表达谱获得的基因表达综合(GEO:https://www.ncbi.nlm.nih.gov/gds/)数据库,包括详尽的转录组238例结肠癌患者的信息(平台:GPL570)。原始数据集提取GSE17538与RMA规范化方法。TCGA和GEO数据库都是公开的;因此,本研究伦理不需要批准。
2.2。识别差异表达PRGs
总共33 pyroptosis-related基因获得从先前的报道14]。其中,GSDMA被删除,因为没有注释GPL570平台中的信息。“limma”包是用来识别度肿瘤与邻近正常组织之间在TCGA队列值< 0.05。热图的度是由“pheatmap”策划方案。使用字符串v11.5 PPI网络的度了(http://string-db.org/)使用默认参数(信心= 0.4)。皮尔森度之间的相关性计算使用“reshape2”包(截止= 0.2),和相关网络使用“igraph”生成的包装问题。在Cytoscape MCODE插件软件被用来识别基因PPI网络的中心。
2.3。PRGs-Based TCGA的CC病人分类和GSE17538同志们
非监督聚类共识,基于k - means机器学习的算法,是利用探索TCGA的分子分类和GSE17538 CC组表达模式的基础上PRGs使用“ConsensusClusterPlus”包[15在r .确定最优数量的集群根据分数的共识和CDF实验组的曲线下的面积的相对变化的热图的共识。然后,kaplan meier生存分析在不同的MCs评估患者的预后。我们也进行比较的临床病理的变量和肿瘤免疫微环境的差异在不同的集群之间的患者进一步探索之间的关联PRGs-based MCs和CC的临床特征或局部免疫状态的病人。
2.4。PRGs-Based预后风险的发展和验证签名
我们分析患者之间的差异不同的集群,TCGA队列和GSE17538队列获得交叉基因(< 0.05)。然后,TCGA基于队列中,我们使用单变量Cox回归分析筛选与预后相关的基因通过设置一个阈值(严格意义< 0.0001)。之后,套索Cox回归分析构建一个预后签名与过度拟合的风险最小化。计算风险评分的患者根据归一化每一个基因的表达水平和相应的回归系数如下公式:风险评分=∑Coefi∗Expri。然后,患者分为高危组和低风险组中值显示风险评分。之间的生存曲线是高危组和低风险组通过“生存”和“survminer”包R软件,和签名的准确性评估使用ROC曲线。PCA和t-SNE用于降维分析评估能力区分不同的风险患者的风险特征。稳定的风险由GSE17538群签名验证。
2.5。建设和验证预测的诺模图
Cox回归分析确定风险评分及相关临床参数可以预测对CC病人与操作系统有关。考虑到临床变量之间的共线性,我们排除了T / N / M阶段和留存与阶段。随后,基于多变量Cox回归分析的结果,一个预后诺模图生成预测1年,2年,3年OS TCGA的CC患者队列。列线图的预测系统对观察到的存活率是使用校准曲线绘制。
2.6。功能性浓缩和免疫特性分析
“limma”R包是用来识别度之间的高风险和低风险组(< 0.05)。基因本体论(去),包括生物过程(BP),细胞组件(CC)和分子功能(MF),以及《京都议定书》全书的基因和基因组(KEGG)通路富集分析度进行了使用“clusterProfiler”R包。为了比较不同组之间的免疫状态。“gsva”包是用来进行ssGSEA计算大量的免疫细胞浸润和评价的活动相关的几种途径。估计、免疫和基质的分数估计算法的计算每个病人的“估计”包16评估免疫微环境的差异。常见的表达之间的相关性免疫检查点和分析了风险评分相关矩阵图。
2.7。统计分析
所有统计分析R软件(v4.0.3)来完成。提出了连续变量平均值±标准偏差(SD)。通常使用未配对的学生和非正态的分布的变量进行了分析t以及和Wilcoxon测试,分别。风险比(人力资源)和95%可信区间(CI)单变量和多变量Cox回归模型进行评估。统计值< 0.05表明,差异具有统计学意义(∗值< 0.05,∗∗值< 0.01,∗∗∗值< 0.001)。
3所示。结果
3.1。正常和肿瘤组织之间的识别度
图1概述了研究流程图。总共39 398正常和肿瘤组织样本和基因表达被包括在分析中。我们发现,大多数pyroptosis-related基因(23/32,72%)两组之间的明显差异表达(< 0.001)。10基因调节(CASP8、NOD1 GPX4, CASP4, PJVK,白细胞介素6、IL1B, PLCG1, NOD2,和GSDMC)和13个表达下调(ELANE、CASP5 NLRP7, IL18, NLRP3, NLRC4, PRKACA, NLRP1, GSDMB, CASP9, CASP3, TIRAP,和NLRP2)在肿瘤组织。图2(一个)显示了一个热图的这些基因的表达水平。进一步探索之间的交互pyroptosis-related 23度,PPI网络构造(图2 (b))。结果表明,CASP4、CASP5 IL18网络的核心。相关网络包含pyroptosis-related度呈现在图2 (c)。共有11个中心包括NOD2基因,CASP4, NOD1, IL18, IL1B, NLRP1, CASP8, NLRC4,白细胞介素6,CASP5, NLRP3 Cytoscape MCODE插件的软件(图2 (d)),其蛋白质含量验证使用人类的蛋白质图谱(HPA)数据库(图3)。
(一)
(b)
(c)
(d)
3.2。肿瘤分类基于度
建立一个分类CC pdg的表达模式的基础上,基于机器学习无监督聚类进行共识CC TCGA的病人队列和GSE17538群组,分别为(数字4(一)和4(e))。根据相对变化的累积分布函数(CDF)曲线下的面积和共识的热图,确定最优数量的集群是两个(k值= 2),没有观察到明显的增加提供曲线下的面积(数字4(b) -4(c)和数字4(f) -4(g))。因此,所有CC患者分为两组:分子集群1 (GSE17538 TCGA MC1, 58%和63%)和分子簇2 (GSE17538 TCGA MC2 42%和37%)。kaplan meier生存分析显示,患者MC1代表显著比患者MC2贫穷OS(数字4(d)和4(h))。基因表达水平和临床特征提出了两个集群之间的热图。我们可以看到,病理N阶段显著不同TCGA的两个集群队列(图5(一)),病理评分明显不同的两个集群之间的GSE17538队列(图5(f))。我们进一步分析了区别MC1 MC2肿瘤免疫微环境。结果显示,患者MC1 TCGA的群体免疫分数和纯度较低的肿瘤明显高于那些MC2(数字5(b) -5(e))。也观察到类似的结果GSE17538队列(数据5(g) -5(j))。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
3.3。开发和验证预后风险的签名
在获得微分MC1 MC2之间的基因(< 0.05),包括我们共有363名患者完成单变量Cox的预后信息分析屏幕prognosis-related基因从度严格的条件(< 0.0001)。图6(一)介绍了从单变量Cox的初步分析结果。总共有17个基因与预后密切相关。随后,套索算法用于识别是最健壮的CC患者预后基因(数字6 (b)- - - - - -6 (c))。多变量Cox预测签名估计使用选择的预后基因套索。我们最终确定了13-gene风险签名。风险评分计算如下:风险得分= (0.295∗KIF7exp。) + (0.110∗SYNGR3exp。) + (0.067∗NCKAP5Lexp。) + (0.297∗ZKSCAN2exp。) + (0.011∗SIX2exp。) + (0.096∗OLFM2exp。) + (0.028∗GPSM1exp。) + (0.340∗ZEB1-AS1exp。) + (0.127∗CD72exp。) + (0.114∗TGFB2exp。) + (0.023∗CSRP2exp。) + (0.081∗TRPV4exp。) + (0.043∗LHX6经验值)。基于风险评分的得分中值计算公式,363名患者同样分为低收入和高危人群。主成分分析(PCA)和t-distributed随机邻居嵌入(t-SNE)分析表明,不同风险患者分为两个集群(数字7(d) -7(e))。高危组患者有更多的死亡和存活时间短于那些低风险组(图7(c))。显著不同操作系统之间的时间发现低收入和高危人群(< 0.001,图7(a))。接受者操作特征时间(ROC)分析应用于评估预后签名的敏感性和特异性,我们发现ROC曲线下的面积(AUC)为1年期为0.689,0.710为3年,5年存活率(图0.8217(b))。同时,类似的结果验证GSE17538队列(数字7(f) -7(j))。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
3.4。临床价值风险的签名
验证风险特征的准确性,我们调查是否风险评分可以作为一个独立的CC的生存患者的预后因素。风险评分和临床特征如年龄、性别、和病理阶段包括单变量和多变量回归分析。单变量Cox回归分析显示,年龄、病理阶段,风险评分系统(有显著相关性< 0.05,图8(a))。基于多变量分析结果显示,年龄、病理阶段,风险评分仍对OS(确认的独立的预后因子< 0.05,图8(b))。独立的预后价值风险评分也GSE15738队列(数据验证8(c) -8(d))。的独立预测因素,建立了计算图表(图8(e))。校准曲线表明,该诺模图可能是一个理想的预测模型(图8(f))。热图显示13-gene表达不同的风险人群的特点及其与临床的关系变量。我们可以看到,TCGA队列(图8(g))患者临床特点的不同风险有显著差异(T)阶段(< 0.05),N阶段(< 0.01),M阶段(< 0.05),与阶段(< 0.05),但相同的结果没有GSE17538队列(图中观察到8(h))。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
3.5。去和KEGG途径分析
探索潜在的分子机制的风险特征,我们发现差异表达基因高风险和低风险之间的组(< 0.05)。去KEGG通路富集度进行了分析。浓缩表明这些基因主要富集在细胞结大会,组织细胞外基质,细胞外结构组织,collagen-containing细胞外基质,膜区域,细胞外基质结构组成,细胞因子绑定,和免疫受体的活动,等等(图9(一个))。KEGG途径表明微分基因途径主要涉及PI3K-Akt信号通路,钙信号通路,Ras信号通路,等等(图9 (b))。
(一)
(b)
3.6。免疫分析和免疫检查点预测性格特征
通过估计算法,我们探索的免疫微环境的不同特点两个风险组,和我们进一步比较了浓缩的16的活动类型的免疫细胞和免疫细胞通路之间的低收入和高危人群,TCGA和GSE17538军团采用single-sample基因集富集分析(ssGSEA)。结果表明,基质得分和免疫高危人群的得分高于低风险组。相反,肿瘤纯度高的意外风险组低于低量风险集团(数字10(一)和10(d))。具体来说,高危人群通常更高水平的免疫细胞的渗透,尤其活跃DC细胞,B细胞、巨噬细胞、中性粒细胞、NK细胞,直到细胞(数字10(b)和10(e))。和4免疫途径包括人类白细胞抗原(HLA) parainflammation, I型和II型干扰素反应显示更高的高风险活动组比低风险组(数字10(c)和10(f))。鉴于免疫疗法检查点的重要性,尽管检查点通路高危组和低风险组之间无显著差异,相关分析是仍执行风险评分和检查点之间的表达式。我们发现常见的检查点CD274等CEACAM1, HAVCR2, CTLA4治疗结肠癌风险评分有显著相关性(数字11(一)和11(g))。其中CD274、PDCD1 HAVCR2与风险评分呈正相关(数字11(b),11(d),11(e),11(h),11(g)11(k)), CEACAM1与风险评分(负相关数据11(c)和11(我))。这些预测可以帮助指导靶向药物的治疗策略。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
(k)
4所示。讨论
虽然已经取得了很大的进步在CC的治疗和诊断与过去相比,CC的死亡率和发病率仍然很高。特别是,CC病人越来越年轻,让我们重视CC患者的早期诊断和预后[17]。在过去的几十年里,许多临床参数,比如年龄、性别、病理阶段,成像数据,和一些血清标记已广泛用于预测患者的预后CC。然而,由于个体差异,提高治疗的效果和通过这些单一预测患者的预后因素往往是有限的。由于基因测序技术的快速发展,许多基因的mRNA水平和变异成为恶性肿瘤的预后预测指标。然而,由于单个基因的表达水平可以由多种信号通路,其预测效果通常是低的。主要监管因素的应用表达特性,在相同的信号通路发挥作用构造一个多基因模型提高预测精度具有重要意义和探索新的靶向治疗。近年来一些研究表明,pyroptosis参与CC的发展;针对pyroptosis被认为是克服药物抗性的有效途径,主要是一个新颖的方法治疗CC (12]。
在这项研究中,我们收集了32 pyroptosis-related基因公开报道和系统地分析其表达特点在正常和结肠癌的肿瘤组织。正如所料,23 (72%)pyroptosis-related度,这表明pyroptosis可能发挥重要作用在CC的发展。PPI网络由度表明,NOD2 CASP4, NOD1, IL18, IL1B, NLRP1, CASP8, NLRC4,白细胞介素6、CASP5, NLRP3的核心网络。这并不奇怪。caspase-4和caspase-5被认为是半胱天冬酶家族的成员与炎症有关。接受pyroptosis癌细胞时,大量的地震释放出细胞,改变微环境和诱导免疫反应(18),这也可能解释为什么地震mRNA表达高于正常组织中肿瘤组织。基于这些度的表达特点,我们将病人分成两个子组(MC1 MC2)。结合生存数据,我们发现MC1患者预后差的趋势。热图显示病理N阶段和肿瘤组织学分级明显不同的两个子组之间TCGA队列和GSE17538队列,分别。在分析两组的肿瘤微环境时,我们惊奇地发现,他们的特点是一致的;也就是说,哪组的肿瘤纯度较低,预后不良。这一发现是一致的Zhang et al。19和龚et al。20.]。传统认为,低水平的肿瘤纯度通常意味着更强的免疫反应,导致病人更好的预测,与本研究的结果相反。我们推测,可能有两个原因这一现象。在我们先前的研究[21),我们发现,预处理系统性炎症标记物发挥重要作用在局部晚期直肠癌患者的预后;其中,neutrophil-to-lymphocyte的预后价值(NLR)具有高价值在评估病人的存活率。因此,它可能是假设pyroptosis哪组引起的炎症反应导致全身系统性炎症标记物的变化,从而影响患者的预后。另一个可能的原因是癌症转移。上面的热图显示病理N阶段,肿瘤组织学分级MC1 MC2之间在统计学上不同。这一发现的基础上,可以提出另一个结论;即转移率高,哪组的肿瘤分化较低。符合我们的发现,毛等。22)也报道,肿瘤低纯度与结肠癌的预后不良。
为了进一步探索两个MCs的价值,我们构建了一个13-gene签名基于MCs的度(KIF7,SYNGR3,NCKAP5L,ZKSCAN2,SIX2,OLFM2,GPSM1,ZEB1-AS1,CD72,TGFB2,CSRP2,TRPV4,LHX6)。驱动蛋白总科(麻醉品)一直启动重大影响,癌症的发展和进步。除了参与刺猬信号通路(23),KIF7还发现乳腺癌与较差的预后相关(24]。侯et al。25)和奥列芬特et al。26)公布六个同源框2的至关重要的作用(SIX2)在促进肿瘤细胞具备干细胞,其中,迈克尔发现SIX2可以调节SRY-Box转录因子2 (SOX2)和诱发癌症干细胞项目调解先进三阴性乳腺癌的转移,这是符合我们发现SIX2是一个独立的预后结肠癌的基因。此外,转化生长因子-的成员β家人(TGFB)被视为epithelial-mesenchymal过渡的主要介质(EMT),这可能会导致缺乏免疫反应检查点封锁(ICB)。杨等人的研究成果。27)透露,TGFB2不仅可以在链接EMT发挥至关重要的作用和肿瘤突变负担(三甲)在胃癌也与不良预后相关。微RNA是一种简短的非编码RNA,通过具体绑定来实现转录后的调控目标基因。各种各样的microrna已经证明防止蛋白表达和影响的信号通路与肿瘤相关的转录后的水平,发挥着重要作用在结直肠癌发展的多个阶段28,29日]。LncRNA是另一类ncRNA长度超过200个核苷酸,各种类型的异常表达的肿瘤细胞,并参与了多种恶性肿瘤的生物学行为。最近的研究表明,lncRNAs可以作为竞争内源性rna(龙头)绑定到响应元素(绝笔)的小分子核糖核酸,从而间接地调节基因沉默产生的microrna [30.]。ZEB1-AS1是一个关键的肿瘤相关lncRNA,被认为是一种致癌监管机构和各种恶性肿瘤的预后标记(31日,32]。在结肠癌,另一方面,一些学者已经证实ZEB1-AS1可以绑定多个microrna通过电抗器,机制,从而促进结肠癌的增殖和迁移33- - - - - -35]。这帮助我们演示模型的准确性和有效性在实验水平。
验证的签名显示良好的能力区分不同患者的风险。我们发现风险的风险评分计算签名可以作为操作系统的独立预测指标。在此基础上,建立了计算图表预测CC的结果病人,和校准曲线显示列线图的功效。探索潜在的分子机制的风险特征,我们执行和KEGG富集分析。结果表明,高危组和低风险组之间的度都参与细胞外成分和免疫受体的活动。此外,途径包括PI3K-Akt信号通路、钙信号通路和Ras信号通路是丰富。同样,吴et al。36)在他们的研究报告中指出,磷酸肌醇3-kinase (PI3K)信号通路影响钙粘着蛋白信息附着力也有助于胃癌进展和转移。虽然在KEGG几种途径不太丰富的结果,免疫疗法在癌症治疗的越来越重要的作用必须被考虑。因此,我们研究的下一步是分析免疫状态不同的高危人群。通过分析肿瘤微环境的总体特征,我们注意到高和低风险组的微环境特征在一个高水平的上述不同的MCs病人之间的一致性。即贫穷患者免疫得分较高的预测和较低的肿瘤微环境的纯净。
我们知道,炎症是肿瘤微环境的重要组成部分,与肿瘤的发展密切相关。慢性inflammation-induced基因突变是一个常见的前提驾驶结肠直肠癌的进化发展,同时促进免疫反应的细胞突变与特异表达基因损伤修复的基本动力是结直肠癌细胞进化(37,38]。突变细胞的慢性炎性微环境,生存选择和生存竞争往往导致传导模式的变化关键信号通路在细胞中;例如,有持久的Wnt信号通路的激活链接,促进肠道腺瘤生产,可以打破正常的监管平衡肠道上皮细胞增殖,分化和细胞凋亡39]。此外,原始的突变细胞经常得到干细胞活性和免疫耐受的能力。因此,不同的微环境可能影响患者罹患癌症的风险不同的肠道疾病,如炎症性肠病,microcolitis,肠易激综合症(40,41]。我们的结果证明上述理论,高危组患者免疫渗透微环境与肿瘤预后差。
此外,我们的研究还发现,肿瘤纯度的特点在不同的风险组高度符合上述MC分类。这也侧面,我们的预测模型是健壮的。然而,肿瘤是否纯洁代表肿瘤的生物相关性和内在特征,或者只是系统性偏差由外部特征,如手术切除和组织准备,仍然是有争议的(42]。因此,肿瘤纯度有重要临床、基因组和生物意义和是一个重要的混杂因子在癌症基因组或转录组分析。我们需要一个特定的分析不同的特定的肿瘤。在我们的研究中,我们发现活跃DC细胞的表达,B细胞,巨噬细胞,中性粒细胞,NK细胞,直到细胞在高风险高组比低风险组,TCGA和GSE17538人群,高危组显示更强的免疫功能。免疫细胞参与肿瘤发生和发展的各个阶段,表现出抗肿瘤和肿瘤促进作用。在前面提到的热图,我们发现,患者的不良预后MC1类型与肿瘤的低品位有关,这表明癌症干细胞(二者)可能pyrosis-related免疫反应中发挥重要作用。一些新兴实验证据最近证实了二者对肿瘤微环境中免疫细胞的影响,包括肿瘤相关巨噬细胞和T细胞,这些免疫细胞在维持的重要性CSC具备干细胞(43]。二者有能力逃避细胞死亡和转移,尽管他们可能在长时间休眠(44]。考虑到一小部分肿瘤细胞经历pyroptosis足以有效地调节肿瘤免疫微环境,进而激活T-cell-mediated抗肿瘤免疫反应(45),和T细胞对癌症干细胞激活效应(46),一个可能的解释我们的研究结果是,pyroptosis重塑免疫微环境,即激活癌症干细胞的能力转移到遥远的网站,导致病人预后。因此,免疫检查站在高危患者的影响值得进一步探索。我们选择在结肠癌治疗免疫检查站常见分析,发现CD274, PDCD1, HAVCR2与风险评分呈正相关。其中,HAVCR2编码TIM-3,显示与风险评分最高的协会(R分别为= 0.31或0.63,TCGA和GSE17538)。到目前为止,大量的研究(47)已经证实Tim-3在抗肿瘤先天免疫起着抑制作用,并根据Tim-3靶向药物在临床试验中也(48),建议我们可以改善患者的预后的高危人群针对TIM-3。
当前研究的目的是确定表达功能和预后价值pyroptosis-related CC基因。这项研究的结果表明,大多数的火成的肿瘤和正常的组织基因表达有显著差异。基于度的表达特点,我们聚集病人和构造一个预后签名,TCGA和签名验证的准确性及GSE17538的同伴。进一步分析表明,TIM-3可能是一个潜在的目标,改善患者的预后的高危人群。目前,很少有研究在pyroptosis结肠癌。据我们所知,我们首先系统地报道pyroptosis-related基因在结肠癌的预后价值;这些发现有重大影响的理解pyroptosis-induced免疫微环境的变化在结肠癌的发展,为未来的研究提供了理论基础。然而,目前的研究也有一些局限性,需要承认。首先,这个签名只雇佣了回顾两个数据库的数据,而且还需要进一步的前瞻性研究来证明其临床价值。其次,pyroptosis在肿瘤免疫微环境的作用,针对性的治疗效果TIM-3病人需要更多的验证通过体外实验和临床试验。第三,结肠镜检查是迄今为止被认为是黄金标准诊断结肠直肠癌病理(49]。积极的结肠镜检查能提高结直肠癌的早期检出率。然而,作为一个侵入性检查,结肠镜检查引起的并发症,如穿孔和息肉切除术后出血,是不可避免的。此外,据报道,损伤大息肉错过率介于6%和12%和5%的癌症被描述50]。因此,这是一个更好的选择,选择一个有经验的endoscopist考试。然而,没有报告,有针对性的结肠镜检查筛查和监测政策将抑制结直肠癌发病率的增加,和结肠镜检查结合生物样品分析的范围也仅限于粪便,血液和尿液51]。因此,这项研究可能更适合患者确诊结肠癌,和更有针对性的治疗可以通过患者的筛查不同预后的风险。
5。结论
总之,我们的研究提供了一个良好的结肠癌患者预后签名,和这个签名的有效性和可靠性验证在两个数据集。重要的是,我们提供一个预后列线图参与临床治疗决策和为患者的靶向治疗提供潜在的目标,为我们提供新的见解结肠癌的发展和发现新的治疗方法。
数据可用性
本研究的原始转录组数据可用,TCGA数据库(TCGA-COAD组)(https://portal.gdc.cancer.gov/)和地理数据库(GSE17538),这是公开的数据库。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
志诚壮族、尹华军Cai和己菌素林的构思和设计实验。壮族至诚尹华军Cai,冰结关进行实验;己菌素林,张依依,刘,统计分析;壮族至诚勇吴,金富壮族和Guoxian关,图的准备。志诚壮族和Guoxian关写道。所有作者阅读和批准最终的手稿。
确认
作者要感谢,TCGA和地理(GSE17538)网络提供数据。作者感谢所有工作人员的结直肠手术,第一附属医院福建医科大学、福州,福建,中华人民共和国。这项研究得到了国家自然科学基金(82172800)和特殊金融福建省(2020 b019)的基础。