文摘
胃癌(GC)是肿瘤相关死亡的第二大原因,全世界第四最常见肿瘤。异常ncRNAs已经证实参与潜在转移通过调制epithelial-to-mesenchymal转型发展和癌症的进展至关重要。肿瘤浸润免疫细胞(抽搐)的一个关键指标是否癌症患者将受益于免疫疗法。尽管如此,电抗器和免疫细胞之间的联系仍然很大程度上不清楚。我们使用了龙头、网络结合抽搐GC患者的临床结果的预测基于TCGA数据集。免疫细胞的百分比在GC被使用CIBERSORT猜测。通过套索和多元分析,预测模型建立了应用survival-related基因和免疫细胞。列线图是发达,列线图的准确性是决定使用校准曲线。之间的关联,电抗器和抽搐被使用的集成验证分析。在这项研究中,有2219个mrna(1308年和911年下降)增加,171年lncRNAs(51和120年增加减少),和123年microrna(55和68年下降)增加肿瘤组织和nontumor组之间差异表达。 Five lncRNAs, six miRNAs, and 64 mRNAs were used for ceRNA network construction. Eight genes including LOX, SPARC, MASTL, PI15, BMPR1B, ANKRD13B, PVT1, and miR-7-5p were applied for the development of the prognostic model. Survival assays suggested that tumor cases with high risk exhibited a shorter overall survival. In addition, we included T-cell CD4 memory activated, monocytes, and neutrophils for the development of a prognosis model. Eventually, our team demonstrated the possible associations between the ceRNA prognosis model and prognostic model based on immune cells. To sum up, the ceRNA network could be used for gene regulation and predict clinical outcomes of GC patients.
1。介绍
胃癌(GC)是最常见的恶性肿瘤之一,它每年大约有一百万新发病例诊断(1]。GC有特别高患病率在亚洲(2]。即使最近改善手术和化疗,GC仍有很高的发病率和死亡率,因为大多数病人诊断处于高级阶段,伴随着恶性增殖和广泛的淋巴转移(3,4]。因此,必须进一步了解下面的生物机械论GC和识别新诊断或预后标记在这方面。
长非编码rna (lncRNAs),不编码蛋白质的功能,近年来引起了越来越多的学术兴趣(5]。这些rna为英国石油(BP)的多样化是至关重要的,尤其是各种癌症(6]。电抗器,假设推测,除了传统的功能,microrna针对rna,反逻辑的存在(7,8]。越来越多的证据表明,lncRNAs, microrna mrna表现出重要的监管职能的开发和发展各种肿瘤(9,10]。重要的是,许多ncRNAs已经演示了通过EMT通路调控肿瘤转移。基于龙头、理论,lncRNA和信使rna可能相同的microrna的反应元素。因此,当microrna在lncRNAs microrna的响应元素,mrna的表达可能不是抑制,这可能促进肿瘤进展(11,12]。越来越多的研究人员表明,RNA相互作用的探索是非常重要的改善治疗各种肿瘤(13,14]。基于上述发现,特定lncRNA-miRNA-mRNA电抗器,网络已经发展为多种癌症(15,16]。然而,在全基因组范围内,所涉及的研究综合分析microrna和lncRNAs之间很少报道。因此,本研究旨在建立一个风险评估模型的预测GC病人的临床结果。
2。材料和方法
2.1。数据收集和处理
胃HTseq-count腺癌(STAD)转录组数据,7月4日,2021年,TCGA从数据库,涉及mRNA, lncRNA, microrna的表达模式375 STAD组织和32个非癌变组织。相应的临床信息,包括性别、年龄、存活时间,和生存状态是从TCGA当天下载的。肿瘤免疫渗透的大量数据从CIBERSORT获得数据库,包含22类型的免疫细胞。基因表达信息的STAD患者和肿瘤免疫渗透丰富数据结合获取STAD患者的免疫细胞渗透丰富。
2.2。差异表达rna的筛查和龙头、网络建设
后池无与伦比的探测和计算平均值相同的RNA检测用的时候,35668 RNA包括19064 mrna, 14086 lncRNAs和2518 microrna被用于进一步分析。然后,35668 rna,其中包括19064 mrna, 14086 lncRNAs,和2518个microrna,用于进一步分析。“Deseq2”包被用来屏幕差异表达rna (17]。| Log2 FCs | > 1和修改 对统计意义。这些RNA微分表达式的可视化实现由“pheatmap”包和用于构建龙头、网络。龙头、网络展示lncRNA-miRNA和miRNA-mRNA之间的相互作用,建立了通过环球数码创意RNA由Cytoscape软件工具和可视化3.8.0 [18]。
2.3。预后模型Survival-Associated基因的龙头、网络
单变量分析是应用于屏幕survival-associated基因在龙头、网络,旨在防止模型过度拟合。此后,套索回归分析完成。一个预测模型,通过多变量Cox回归分析,建立了预测STAD病人的存活率。根据RS预后模型计算的,患者分为风险高集团和风险低集团探索生存的区别。模型的准确性测试由中华民国和校正曲线的“生存”R包。
2.4。估计免疫细胞的渗透
22种免疫细胞类STAD被CIBERSORT评估算法。CIBERSORT结果的标本 被用于分析。在STAD患者免疫细胞的相对丰度计算。免疫细胞是估计的相关性。比较不同的ICI在肿瘤和正常样本,该Wilcoxon rank-sum测试使用。
2.5。生存分析和预测模型Prognosis-Associated肿瘤的免疫细胞
为分析每种找到survival-associated免疫细胞的免疫细胞。免疫细胞与 被用于进一步的分析。Prognosis-associated渗透免疫细胞类受到选择通过单变量Cox回归分析。套索回归分析是用来确保最适当的免疫细胞类型的模型建设。建立了一个模型通过多变量Cox回归分析的回归系数。风险评分分离患者风险高集团和风险低集团探索生存的区别。中华民国和校正曲线是用来识别计算图表的正确度。
3所示。统计分析
所有的分析都由Perl 5.30.1(荷兰、MI、美国)和R操作(R核心团队,波士顿,美国)。
4所示。结果
4.1。识别差异表达基因和龙头、建设网络
有2219 mrna(1308表达下调和911调节)(数据1(一)和1 (b)),171 lncRNAs(51个表达下调和120年调节)(数据1 (c)和1 (d)),和123年microrna(55表达下调和68年调节)实验和对照组之间差异表达(数字1 (e)和1 (f))。然后,miRNA-mRNA之间的关系和计算lncRNA-miRNA, rna没有监管关系被排除在外。最后,5 lncRNAs 6 microrna, 64 mrna用于龙头、网络建设。最终,我们确定74和75节点点在网络边缘(图2)。
(一)
(b)
(c)
(d)
(e)
(f)
4.2。识别Prognosis-Associated基因在龙头、网络和建立预测模型
结合后的生存数据(状态和时间)和基因表达数据,我们进行了单变量Cox回归分析,发现19个基因与生存有关。为了避免过度拟合,我们执行套索回归分析(数据3(一个)和3 (b))。八个基因(LOX SPARC, MASTL、PI15 BMPR1B, ANKRD13B, PVT1,和hsa-miR-7-5p)参与Cox比例风险模型用于评估预后结果(图3 (c))。患者被分为风险高集团和风险低在该模型的基础上。生存分析显示,风险高患者显示贫穷的操作系统( )(图3 (d))。ROC曲线显示,1年期的AUC生存0.669注册,AUC生存三年注册的0.665,0.691和5年生存的AUC注册,表明这个模型(图的可接受的精度3 (e))。计算图表绘制预测1年期,2年,3年操作系统的潜力STAD患者在此模型的基础上(图4(一))。校准曲线也显示一个可接受的这一列线图(图的准确性4 (b))。
(一)
(b)
(c)
(d)
(e)
(一)
(b)
4.3。肿瘤免疫渗滤
cancer-infiltrating免疫细胞的相对百分比STAD患者评估通过CIBERSORT算术(图5(一个))。免疫细胞的相关性(图计算5 (b))。与正常组织相比,b细胞天真,CD4记忆t细胞刺激,Tfh,巨噬细胞M0,巨噬细胞M1和M2巨噬细胞显著STAD组织中高度表达。同时,记忆b细胞原生质的细胞,t细胞CD8,单核细胞和肥大细胞休息低STAD组织中表达明显(图5 (c))。
(一)
(b)
(c)
4.4。Prognosis-Associated免疫测定渗透细胞,构建预测模型
通过km化验,我们组观察到更高比例的患者CD4记忆t细胞刺激,Tfh和亚最好的生存(数字6(一)- - - - - -6 (c))。套索回归和单变量Cox回归分析来确定完成prognosis-associated浸润免疫细胞。结果表明,CD4记忆t细胞刺激单核细胞和中性粒细胞最好能力(数据在预测预后6 (d)- - - - - -6 (f))。后来,预后模型是由多元分析的使用。在该模型的基础上,患者被分为风险高和风险低组。与低风险组相比,风险高患者显示短生存( )(图7(一))。该模型正确度被ROC曲线(图7 (b))。在该模型的基础上,我们构建了一个计算图表预测1年期生存,生存2年和3年存活率的STAD患者(图7 (c))。我们的团队发现满意的正确度的计算图表是通过校准曲线(图实现7 (d))。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
4.5。预后的基因和免疫细胞之间的联系
进行了相关测试调查8基因和3之间的关系渗透的研究用于构建预测模型(图8(一个))。我们发现中性粒细胞与PI15呈正相关,表明患者更高PI15表达会更中性粒细胞浸润在肿瘤(图8 (b))。STAD患者,PI15表达式和中性粒细胞浸润可能是有效的预后标志物。
(一)
(b)
5。讨论
GC仍然是一个主要公共健康问题4th最常见肿瘤和2nd导致肿瘤的死亡率在全球范围内(19]。的最新发展基因组,蛋白质组,代谢组技术发现了关键的分子事件过程中GC致癌作用[20.]。这些发现引起新GC的识别标记,如基因和渐进的变化,信使rna, ncRNA, posttranslation蛋白质改性和代谢产物(21,22]。龙头、调节网络已成为肿瘤研究的热点。以前,几项研究已经报道了基于龙头、网络潜在的预后模型在几种类型的肿瘤23,24]。在这项研究中,我们分析了TGCA数据集和筛选lncRNA特异表达,microrna,信使rna。然后,我们开发的龙头、网络差异表达rna。基于上述结果,我们得到一个预测模型的基础上8个基因(LOX SPARC, MASTL、PI15 BMPR1B, ANKRD13B, PVT1,和miR-7-5p)。生存分析证实了这一风险高患者表现出不良的预测。ROC分析进一步证实了我们的模型在GC患者的预后意义,突出我们的模型作为小说的潜力预测系统。
此前,八个基因的功能已经在GC。例如,据报道,miR-7-5p的表达很低在GC干细胞,及其超表达明显抑制增长和入侵GC干细胞通过增加Smo和Hes1 [25]。SPARC属于分泌蛋白的matricellular家庭。先前的一些研究报道,SPARC在胃癌表达明显增加,和它的可拆卸的抑制GC细胞的转移和EMT进展(26]。此外,PVT1, GC的过表达lncRNA,证明促进增殖和多药耐药性的发展27]。他们的研究结果表明上述基因作为催化剂或抑制肿瘤GC进展,这解释了原因,显示高风险患者总生存期较短。然后,进一步预测,预测的GC患者在不同年后诊断,我们的团队建立了一个新颖的计算图表的基础上的基因表达。患者的总体得分越大,预后越差的结果。
大量研究已经记录了一些人类肿瘤的免疫渗透之间的关联类型和预测和对治疗的反应28,29日]。渗透利用免疫细胞作为免疫治疗反应在多种肿瘤标记(30.]。然而,每个渗透免疫细胞类型的作用在肿瘤进展和潜在的因果关系仍然是难以捉摸的。在此,我们的团队建立了一个预测模型CD4记忆t细胞刺激的基础上,单核细胞和中性粒细胞。相关的三个研究操作系统的GC患者。此外,生存分析证实了这一风险高GC患者表现出较短的操作系统与风险低患者,进一步证实了ROC分析。最后,我们的团队发现龙头、预后之间的关系模型和免疫细胞渗透预后模型。中性粒细胞与PI15有关以一种积极的方式,这可能表明,这种基因的表达越大,越大ICI的水平。此前,PI15被发现在几种类型的肿瘤特异表达,及其诊断和预后价值经常被报道(31日- - - - - -33]。然而,PI15之间可能的监管功能和免疫仍未知,这需要进一步的研究。此外,潜在的PI15作为生物标志物用于中性粒细胞浸润的深度需要进一步证明在其他实验。
6。结论
总的来说,这两个模型可以用作GC和可靠的预后标志物可以为个性化治疗提供指导。更多的研究需要展示我们的研究使用临床实验和体外和体内试验。
缩写
| GC: | 胃癌 |
| 这里: | 免疫细胞浸润 |
| lncRNAs: | 长非编码rna |
| STAD: | 胃腺癌 |
| 亚群: | T细胞 |
| 舰队指挥官: | 褶皱的变化 |
| 中华民国: | 接受者操作特性曲线 |
| 龙头: | 竞争内源性RNA |
| 英国石油公司: | 生物过程 |
| 拉尔夫-舒马赫: | 风险评分 |
| 为: | kaplan meier |
| Tfh: | T卵泡帮手。 |
数据可用性
在这项研究中使用的数据集是可从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
Meng-Yang史和严非μ的贡献同样这个手稿。