文摘
背景。卵巢癌(OC)是一种恶性肿瘤表现出女性肿瘤的高死亡率。糖基化是蛋白质的转译后的修改但研究未能证明系统glycosylation-related签名和肿瘤OC的环境之间的联系。目的。本研究的目的是开发一个小说模型glycosylation-related信使rna (GRmRNAs)预测预后和OC患者的免疫功能。方法。OC转录概况和临床表型的患者收集到的基因表达综合和癌症基因组图谱数据库。加权基因coexpression网络分析和机器学习进行寻找最优survival-related GRmRNAs。至少绝对收缩和选择算子进行了回归(套索)和Cox回归计算每个GRmRNA的系数,计算每个病人的风险评分以及开发预测模型。诺模图模型构造,和几个算法被用来调查风险亚型和immune-infiltrating水平之间的关系。结果。总共四个签名(ALG8, DCTN4、DCTN6 UBB)测定计算风险评分,患者到高位低风险组分类。高危患者表现出明显较贫穷的生存结果,建立了计算图表模型有一个有前途的预测OC病人的预后。肿瘤纯洁和肿瘤突变的负担和风险分数负相关。此外,风险得分统计协会与Wnt等途径签名,河马,活性氧,产生突变。结论。当前建立的风险分数基于GRmRNAs可以准确预测预后,免疫微环境,和OC患者的免疫治疗疗效。
1。介绍
卵巢癌(OC)是最常见的一种妇科肿瘤发病率最高第四和第三世界上死亡率最高(1]。连续排卵、免疫力低下、荷尔蒙的波动和异常的活性氧产量可以导致发病机理(2]。此外,据报道,OC的肿瘤发生高度与BRCA1相关功能障碍(3,4]。由于卵巢位于盆腔深处蛀牙,很难检测OC的早期阶段(5]。因此,几乎70%的OC已经发展到晚期病人诊断的远处转移出席的时间(6,7]。尽管OC疗法的进步,OC的5年生存率仍不到50%,远低于85%的乳腺癌[8]。大约70%的OC个人将开发手术后复发,和大约75%的高档浆液性卵巢癌(HGSOC)患者将经历对顺铂药物抗性,铂、卡铂等。9,10]。识别小说调节肿瘤发生的危险因素,移民和扩散将有助于早期诊断和个性化的干预治疗OC。因此,当务之急是探索生物病理机制和建立一个可靠的OC患者预后预测模型。
糖基化是蛋白质的转译后的修改;的主要类型N-linked和O-linked发生在内质网(ER)和高尔基氏复合体,分别;它展示了复杂机制由于其变化基于glycosylating酶的表达(11]。转让的n -乙酰氨基葡萄糖磷酸磷酸多萜醇会导致N-linked糖基化,这是由各种各样的糖基转移酶在ER (12]。O-linked糖基化是更复杂的比N-linked未知启动的新兴共识序列(12]。O-linked修改模式发生在细胞内的核和细胞质隔间和伸长来创建复杂的结构不像其他类型的糖基化(13]。据报道,糖基化在细胞分化发挥监管作用,肿瘤进展和免疫控制恶性肿瘤的14,15]。异常糖基化被认为是肿瘤引起的免疫调制的一个重要指标和转移,因为它可以生成肿瘤特异性T细胞抗原作为目标(16,17]。几行证据OC的临床实践表明,糖基化蛋白质如免疫球蛋白G的变化,α1酸性糖蛋白,血浆铜蓝蛋白。所有这些有助于促进或阻碍肿瘤发生和入侵18,19]。
也有新兴预后模型OC与翻译后调节机制,如可变剪接相关生物标志物和N6-methyladenosine修改(20.,21]。然而,作为一种重要的标志在超过300个蛋白质转录后的修改(22在OC),只有少数研究对糖基化的报告。平移的一项研究显示,210个糖基转移酶基因的表达水平可能区分六癌症类型,包括乳腺癌,卵巢癌,胶质母细胞瘤,肾、结肠、肺23]。锅等人发现小说亚型的HGSOC glycoproteomics-based签名为临床预测使用共识集群和证实,多糖的变化类型将配合肿瘤异质性基于蛋白质组学(24]。最近,预后模型基于glycosylation-related精通错配修复基因在结直肠癌,从中可以推断出,糖基化的服务作为预后预测的标志(25]。尽管如此,提到研究未能证明系统glycosylation-related签名和肿瘤OC的环境之间的联系。
与这些OC研究的不足和挑战,本研究旨在调查glycosylation-related信使rna的临床病理的特点(GRmRNAs)预后和肿瘤微环境(时差)预测患者的OC。基于建立风险预测模型,对风险评分,肿瘤immune-infiltration,签名标志进行了分析。此外,我们还将探索风险之间的相关性亚型和突变特征。这些发现是基于转录组提供一个新颖的见解糖基化在卵巢癌的作用,有助于精确治疗。
2。材料和方法
2.1。数据采集和处理
所有的数据集包含在本研究网上给公众。转录RNA序列(RNA-seq)卵巢癌患者的数据,包括427个样本,与临床病理特征的数据,和简单的核苷酸变异(SNV)信息从癌症基因组图谱检索(TCGA,https://portal.gdc.cancer.gov/)。RNA-seq概要文件碎片每千碱基百万(FPKM)加工成log2-transformed记录每百万(TPM)。101年另一个群基因表达数据聚合得到了样品和相应的临床特点从GSE6388526)的基因表达综合(地理,https://www.ncbi.nlm.nih.gov/geo/)数据库。总共有636 glycosylation-related (GR)基因(补充表1)从分子特征数据库(MSigDB,下载http://www.gsea-msigdb.org/gsea/msigdb/),一个基于网络的带注释的基因集生物功能分析的装配。肿瘤immune-infiltration估计的水平不同的方法包含CIBERSORT, CIBERSORT-ASB, QUANTISEQ, MCPCOUNTER,伊势亚,史诗提取从计时器(http://timer.cistrome.org)[27web服务器的时间调查。
2.2。确定预后GRmRNAs
加权基因coexpression网络分析(WGCNA) [28)进行GSE63885基于其表达水平和表型随访时间,至关重要的地位,肿瘤分级,菲戈阶段,肿瘤大小,和临床状态(补充表2)为中心屏幕上的基因。我们量化使用无标度拓扑模型的拟合优度和整合意味着连接来确定最优软阈值。多个模块被自动检测到,然后,拓扑重叠测量计算估计邻接和不同模块之间的相似性进行层次聚类平均欧氏距离的测量。即拓扑模块组合成一个neocluster相似。进行相关勘探评估模块的基因和表型之间的相关性。模块与相对强劲的正相关性生存时间和选择至关重要的地位。然后,重叠基因WGCNA和糖基化对kaplan meier(公里)分析确定。的最优截止GRmRNA是由“survminer”包,和患者分为高和低表达组。只有生存率较重要的签名被认为具有预后意义,参加这项研究。然后,我们使用了5个机器学习方法来估计与GRmRNAs相关生存的重要性,包括两个线性模型涉及至少绝对收缩和选择算子(套索)回归29日和岭回归30.),除了一个非线性模型(XGBoost) (31日),一个学习方法(随机森林)32,提高算法(演)33]。GRmRNAs与相对较高的体重被认为有助于OC患者的预后。
进一步确定GRmRNAs负责预后和建立预后风险模型,我们随机患者分为训练集和测试集的比例11:使用“脱字符号”包(934),随机性验证了卡方检验。训练集提交套索Cox回归筛选最佳GRmRNAs (OGRmRNAs)至少部分可能异常。基于回归系数和OGRmRNAs的表达水平,风险分数的公式可以形成 在哪里代表的回归系数th基因,代表的表达th基因的样本。病人然后分层分为高和低风险组中位数截止的风险分数。两个风险亚型之间的差异估计的生存率较在训练集和测试集。
2.3。评估模型的有效性和建立综合诊断
年龄的差异、阶段和年级之间风险亚型估计卡方检验。主成分分析(PCA)和 - - - - - -分布随机邻居嵌入(tSNE)算法是用来评估开发模型中的歧视的能力。确定模型的独立的预后价值,我们进行了单变量和多变量Cox比例风险回归随着年龄的增长,阶段,等级和风险评分。此外,创建一个诺模图预测的概率1 -,3 -和OC患者的5年生存。决策曲线分析(DCA)进行确定的净收益预后风险模型在临床实践中。
我们也估计的表达差异OGRmRNAs正常组织和肿瘤组织之间从UCSC的齐娜OC与数据检索(http://xena.ucsc.edu/)TPM的形成。揭示具备干细胞特性,具备干细胞mRNA表达式的指数(mRNAsi)是计算使用看到下面成了逻辑回归和机器学习算法(35),高和低表达组之间相比OGRmRNAs中间截止。Coexpressed基因OGRmRNAs确定一个阈值为0.7,他们参与基因本体论(去)包含生物过程,细胞组件,和分子功能,京都基因和基因组的百科全书(KEGG)功能富集分析。Single-sample基因集富集分析(ssGSEA) (36)是用来量化OGRmRNA表达水平之间的相关性和肿瘤免疫渗透。此外,GSEA c2.cp.kegg.v7.4.symbols表现的基因矩阵”。格林尼治时间”来识别大大丰富了通路的高收入和低风险组,分别在应用程序中从MSigDB GSEA(4.0.3版)下载,我们反复核对结果与“clusterProfiler“包(37]。
2.4。调查时间和风险评分的相关性
时间有重要影响免疫细胞的调节机制。我们主要研究了预后之间的关系风险和immune-infiltration的深度。计时器数据库被用来探索风险之间的相关性分数和免疫反应量化由六个方法。白细胞的免疫功能和渗透的差异之间的高收入和低风险组估计通过执行ssGSEA [36)算法。此外,风险之间的皮尔逊相关系数分数和不同的肿瘤免疫入渗以及入渗的比例计算每个样本的统计学意义的CIBERSORT算法(1000排列)。此外,Wilcoxon rank-sum测试应用于比较典型的表达差异免疫检查点之间的分子亚型的两个风险。OC的免疫亚型的信息是来自Thorsson的研究(38),重叠免疫亚型包括C1(伤口愈合),C2 (IFN-gamma主导),C4(淋巴细胞耗尽)。在风险评分的差异三个亚型测定。此外,量化肿瘤纯度和风险分数之间的关系,我们采用“估计基质和免疫细胞的恶性肿瘤使用表达数据”(估计)算法(39包括三种类型的分数:免疫得分,基质得分,这代表了nontumor比例,及其组成的评估分数。
2.5。勘探风险的亚型和分子特征
肿瘤突变负担的差异(三甲)之间的高和低风险的组织进行了分析。此外,我们收集到的几个重要途径签名可能与OC交互,包括Wnt,河马,刺猬,一级,TGF -βPI3K / Akt、EMT JAK_STAT interleukin-8, NF -κB、干扰素和活性氧(补充表3)。基因变异分析(GSVA)计算采用浓缩得分,当时用来量化风险分数和通路之间的联系。景观的突变基因的突变所示的两个高危人群中由maftools类型和频率。之后,多个突变类型分层小说分为两个状态,包括产生的突变和同义突变(40]。低收入和高风险之间的变化分数检查相关系数和不同的测试。
2.6。统计分析
所有统计测试和生物信息学分析进行了R(3.6.3版本和以下4.4.1),包括两个示例Wilcoxon rank-sum测试和克鲁斯卡尔-沃利斯连续数据,皮尔逊卡方检验和分类数据的确切概率法,生存率较公里分析,(套索)Cox比例风险回归估计风险比率(小时)和95%可信区间(CI)。对于相关探索,皮尔森相关系数。机器学习预测模型是由Python(版本3.8.0)库”XGBoost(1.2.1)版”和“sklearn(0.22.1版),“已前面描述的技术细节。小动物——一张长有 对于所有未经调整的比较和调整 进行功能富集分析被认为是具有统计学意义。
3所示。结果
3.1。确定预后GRmRNAs
本研究的工作流程如图1。在WGCNA,我们决定6的软阈值计算无标度模型和平均连接(图2(一个))。不同模块动态树中的基因减少reclustered通过拓扑相似性策略,在基因组装成更少的模块如图2 (b)。模块之间的关系和临床表型暗示钢蓝色的模块( , ),brown4 ( , ),和轻钢蓝天航空公司( , )与后续时间有较强相关性。红色的模块与生存状态(图略正相关2 (c)),基因被用来在以下步骤进行分析。如图2(一个),共有19个重叠基因从glycosylation-related基因列表和WGCNA。通过执行公里分析、9预后GRmRNAs包括ALG8 ( ),CSNK1D ( ),DCTN4 ( ),DCTN6 ( ),F8 ( ),FUCA1 ( ),NAPG ( ),UBA1 ( ),和UBB ( )表现在生存差异统计学意义最优截止(图2 (e))。
(一)
(b)
(c)
(d)
(e)
3.2。OGRmRNAs测定和验证
的随机性检测划分为训练集和测试集如表所示1。套索回归,岭回归、XGBoost随机森林,AdBoost被利用在预后的重要性权重基于9 survival-related GRmRNAs。如表所示2,DCTN4 ALG8 DCTN6 F8, NAPG, UBB持有更大的重量和他们包括发展预后风险模型。执行一个套索Cox回归和四个OGRmRNAs选择取决于λ(人物的最优值3(一个)和3 (b))。因此,风险分数可以根据公式计算: 在哪里代表OGRmRNAs的表达。病人被分为高风险和低风险组中值的风险分数(补充表4)。公里分析显示,OC患者明显不同的生存结果训练集( ,图3 (c))和测试集( ,图3 (d))。风险曲线还表示,低风险的患者有更好的生存结果(数据3 (e)和3 (f))。卡方检验说明,老病人有显著风险更高的得分比65岁以下( ,图4(一))。桑基图显示风险亚型之间的连接度,生存状态和年龄老病人更有可能有更糟糕的结果(图4 (b))。PCA和tSNE证明患者有区别在二维空间中基于风险评分(数字4 (c)和4 (d)),这表明模型分层风险的能力亚型,具有广阔的发展前景。通过执行Cox回归,我们发现年龄( , - - - - - -1.036, )和风险评分( , - - - - - -2.154, )可以作为独立的预后因素(表吗3)。诺模图模型建立了预测1 - 3 - 5年生存,年龄( ),阶段( ),和风险( )证明意义(图4 (e))。DCA曲线分析列线图进行,这意味着1年和3年存活率的组合模型最优净效益相比,单个指标(数据4 (f)和4 (g))。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
3.3。验证OGRmRNAs
的Wilcoxon rank-sum测试表明ALG8 ( )有较高的表达水平在肿瘤组织与正常组织相比,虽然DCTN4 ( ),DCTN6 ( ),和UBB ( )在肿瘤组织中表达水平较低(图5(一个))。根据immune-infiltrating结果,OGRmRNAs呈现显著正相关性与辅助T细胞等免疫细胞(Th, , ),中央记忆T细胞(中医, , ),和γδT细胞(Tgd , )但是显示消极与血浆树突细胞(pDC), , ),细胞毒性细胞( , ),有效的记忆T细胞(Tem, , ),和中医( , )如图5 (b)- - - - - -5 (e)。根据千瓦测试,过表达mRNAsi ALG8表现出显著提高,而调节DCTN4提出降低mRNAsi ( ,补充图1 a - b)。和所有OGRmRNAs表现出明显不同mRNAsi分数低表达组,高表达组和正常组织( ,补充图1模拟)。总共225 coexpressed蛋白质编码基因功能富集分析测定(补充表5)。条款关于代谢过程,分解过程中,核运动(补充图2),和KEGG通路的剪接体和RNA降解(补充图2 b)展示的意义。
(一)
(b)
(c)
(d)
(e)
3.4。生物学特性和时间的调查
探索生物功能,执行GSEA高和低风险组,分别。这表明,高风险特工被浓缩在“磷脂酰肌醇信号系统”,而低风险的基因明显丰富“氧化磷酸化”和“蛋白酶体”(图6(一))。获得的结果“clusterProfiler”R基金会提供了补充表6,这表明等高危人群似乎抑制通路”核糖体,”“系统性红斑狼疮,”和“糖尿病I型”,但没有明显的激活条件。抗肿瘤免疫的景观是研究使用OC病人的表达数据。如图6 (b)、肿瘤免疫渗透水平高和低风险组之间略有不同。值得注意的是,巨噬细胞、血浆树突细胞和CD4细胞+Th2等显示低渗透丰富高危亚型,而肥大细胞在高危亚型水平较高。两种不同模式的免疫入渗的可以观察到的高和低风险组的Wilcoxon rank-sum测试。降低水平的肿瘤浸润的主要免疫细胞(图6 (c))如CD8 + T细胞( ),巨噬细胞( ),Th1细胞( ),和肿瘤浸润淋巴细胞(尖, ),也减少了水平的免疫途径(图6 (d))如溶细胞的活动( ),有助改善炎症(物损伤你的心脏 ),和coinhibitions T细胞( )高危人群的报道。通过执行CIBERSORT算法和扣除样品没有统计学意义,我们发现风险得分施加负相关性与几乎所有肿瘤(图的渗透6 (e))。的比例从22细胞免疫有两个风险亚型酒吧图(图所示6 (f))。
(一)
(b)
(c)
(d)
(e)
(f)
3.5。分子特性和风险之间的关系
我们比较几种免疫检查点之间的表达水平高和低风险组的Wilcoxon rank-sum测试(补充表7)。它表明目标如TIGIT ( ),TNFRSF25 ( ),CD27 ( ),和CD70 ( )表现出显著差异(图7(一))。千瓦的测试表明,患者在C4风险更高分数比C1和C2 ( ,图7 (b))。肿瘤纯度估计估计分数,这是由免疫分数和基质的分数。分数负相关的风险估计分数( , )和免疫的评分( , ),而没有统计显著性间质分数(图7 (c))。三甲,生物标记的免疫抑制剂疗法检查站,不同层次之间的高收入和低风险组( ,图7 (d))。此外,高危人群呈现显著激活通路签名包括Wnt ( ),河马( ),刺猬( ),TGF -β( ),和PI3K / Akt ( )而抑制签名包括NF -κB ( )和活性氧( ,图7 (e))。
(一)
(b)
(c)
(d)
(e)
3.6。突变景观分析
此外,我们研究了突变的风险。如数据所示8(一个)和8 (b),TP53、TTN CSMD3最高与最错义突变,突变频率MUC16紧随其后。高危组患者较低的频率TP53突变。分类不同的突变类型后产生的变异和同义突变,我们估计他们对风险评分。这是说明风险分数稍微消极与非同义突变数( , ;图8 (c)),而风险得分无显著线性相关性与同义突变数量和展出所有的突变数量(数字8 (d)和8 (e))。
(一)
(b)
(c)
(d)
(e)
4所示。讨论
在这项研究中,共有四个GRmRNAs,包括ALG8 DCTN4, DCTN6,和UBB选择预后风险模型的发展。研究了糖基化和ALG8之间的关系,特别是在先天性疾病的糖基化(CDG)。ALG8的点突变或小缺失将导致不利预后[41]。据报道,ALG8可以执行作为胃癌预后模型的变量(42]。放大热点q14.1 11日(NDUFC2、ALG8 USP35)导致雌激素受体阴性乳腺癌预后不良(43]。我们的研究发现,过表达ALG8位于OC组织和与有利生存的结果。CXCL11类似的结果也说明在结肠直肠癌44]。根据之前的证据和这项研究,我们推测ALG8与更高比例的抗肿瘤免疫细胞,免疫细胞和较低比例的protumor OC。尽管如此,应该进行进一步的研究。
先前的研究已经发现,DCTN4调节结肠腺癌和高表达与延长总生存期(45]。DCTN6高表达在低级的神经胶质瘤但与不利的生存结果(46]。相反,DCTN4和DCTN6都观察到肿瘤组织中表达下调OC与邻近组织的研究。过表达DCTN4与贫穷的生存,当DCTN6与总体存活率的一个满意的结果。DCTN6 UBB的相关结果相似。然而,确定癌症的抑制或促进的作用,分析了表达水平是不够的,因为更多的调查证实了生物功能应该承担。随后,套索Cox回归分析用于计算每个基因的系数上面提到的和发展预后风险系统,这可能被视为一个独立的预后因子。高危患者的预后明显不如那些低风险组,和更多的人超过65岁的高危人群,这是与前面的结果一致47]。功能性浓缩勘探表明,高风险的特工被浓缩在“磷脂酰肌醇信号系统。“Phosphatidylinositol-associated信号通路在肿瘤细胞凋亡中发挥重要作用,增殖,入侵和新陈代谢48,49]。低风险组的基因主要富集在氧化磷酸化和蛋白酶体。“氧化磷酸化途径在肿瘤和肿瘤微环境被认为是小说抗癌治疗的目标。氧化磷酸化途径的multimeric复合物为目标的小分子抑制剂,可抑制代谢,诱导氧化损伤,导致癌细胞死亡。指出策略应考虑干扰氧化磷酸化治疗卵巢肿瘤(50]。与此同时,蛋白酶体活性与肿瘤转移,和治疗基于抑制蛋白酶体和HDAC6 OC治疗已被建议作为一个潜在的战略(51,52]。同时,风险与Wnt得分呈正相关,河马,刺猬,TGF -β和PI3K / Akt通路。相比之下,与NF -成绩表现出负相关风险κB和活性氧。这些结果可能有助于研究信号通路之间的相互作用和不同亚型的OC患者风险。
最近,它已经被证实肿瘤细胞避免被免疫细胞的糖基化的时间(53]。抗原与抗体的显式交互的基础免疫反应。在癌症治疗中糖化抗原抗体是有益的,扩大免疫(54,55]。为了揭开OC的糖基化和时间之间的联系,我们使用了多种方法来量化immune-infiltration白细胞和免疫途径的一部分。OC患者的高危人群增加中性粒细胞和肥大细胞,但大多数情况下显示减少细胞类型,如激活自然杀伤(NK)细胞、CD8+Th1/2细胞,T细胞和巨噬细胞。激活NK细胞和巨噬细胞的结果与先前的研究一致(56,57CD8),但显示相反的后果+T细胞和OC Th1/2细胞时间58]。一个可能的解释导致不同的预测可能是转录TPM参加本研究的数据形式,而早些时候发现FPKM表达矩阵用于ssGSEA探索。此外,减少肿瘤浸润淋巴细胞(尖)的高危人群。这也是兼容早期的观察,显示OC患者与更尖有经验更好的预后(59]。因此,OC与自体尖的治疗是目前应用在一些中心作为免疫治疗方法。
进一步研究免疫治疗的效率,我们进行了一次分析,免疫检查点和三甲。低风险患者水平的提高免疫检查点,如TIGIT CTLA-4, LAG-3。TIGIT通常表达的T细胞和NK细胞。来自多个数据源的数据确定,CD155 / TIGIT和DNAM-1 / TIGIT CD96轴OC TIGIT-based免疫治疗中扮演很重要的角色,过表达TIGIT承诺OC治疗将会是一个引人注目的指标(60,61年]。与其他研究结果显示高表达CTLA-4 LAG-3系统性治疗后更好的生存结果,广泛支持工作(62年]。此外,三甲与风险负相关的分数。因此,它可能被认为低风险OC患者可能受益于免疫疗法检查点封锁。
然而,我们认识到一些局限性。首先,数据没有前瞻性和足够的,因为它是来自现有的公共网络军团。我们没有进行验证实验,揭示了免疫分数分数和风险之间的联系。支持信息转录表达和临床病理的特点从真实的世界仍然是必需的。其次,仅仅考虑单一特征的内在弱点构造一个模型是不可避免的因为各种预后OC的签名被排除在外。然而,根据不同的验证确认预后预测OC的有效性,该模型是可以接受的,尽管弱点。
5。结论
总之,本研究首先建立了一个预后风险模型有四个GRmRNAs OC通过集成机器学习方法和统计方法。基于GRmRNAs预后风险系统可以准确地预测预后,免疫微环境,和OC患者的免疫治疗疗效,高风险的分数显示预后不良和低immune-infiltration水平。Glycosylation-related基因可能有助于预测预后和创建个性化的免疫疗法,而糖基化之间的相互作用的调控机制和肿瘤生物学功能值得进一步研究。我们的模型可能是一个有价值的工具,用于OC风险分类,协助临床医生采取最佳治疗策略更个性化的治疗在临床实践中。
缩写
| DCA: | 决策曲线分析 |
| 呃: | 内质网 |
| 估计: | 估计基质和免疫细胞的恶性肿瘤使用表达数据 |
| 食品药品监督管理局: | 食品和药物管理局 |
| 罗斯福: | 错误发现率 |
| FPKM: | 每千碱基片段几百万 |
| 地理: | 基因表达综合 |
| 走: | 基因本体论 |
| GSEA: | 基因集富集分析 |
| GSVA: | 组基因变异分析 |
| 银行独立委员会: | 免疫检查点封锁 |
| KEGG: | 京都基因和基因组的百科全书 |
| HGSOC: | 高档浆液性卵巢癌 |
| 公里: | kaplan meier |
| 千瓦: | 克鲁斯卡尔-沃利斯 |
| 套索: | 至少绝对收缩和选择算子 |
| mRNAsi: | 具备干细胞mRNA表达式的指数 |
| MSigDB: | 分子特征数据库 |
| 度: | 卵巢癌 |
| OGRmRNA: | 最优glycosylation-related信使核糖核酸 |
| 主成分分析: | 主成分分析 |
| RNA-seq: | RNA序列 |
| ROS: | 活性氧 |
| SNV: | 简单的核苷酸变异 |
| ssGSEA: | Single-sample基因集富集分析 |
| TCGA: | 癌症基因组图谱 |
| 三甲: | 肿瘤突变负担 |
| 时差: | 肿瘤微环境 |
| TPM: | 记录每百万 |
| tSNE: | - - - - - -分布随机邻居嵌入 |
| WGCNA: | 加权基因coexpression网络分析。 |
数据可用性
在这项研究中使用的数据可以下载从TCGA (https://tcga-data.nci.nih.gov/tcga/)、地理(https://www.ncbi.nlm.nih.gov/geo/),MSigDB (http://www.gsea-msigdb.org/gsea/msigdb/),UCSC的齐娜(https://xenabrowser.net/datapages/),计时器(http://timer.cistrome.org)。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
赵陈和李Xiangpan设计研究。Kewei Xiong收集研究数据,并进行统计分析和可视化。Fangrui赵陈赵Kewei Xiong,阿布达拉亚当手稿草案写道。所有作者阅读和批准了手稿。陈赵Kewei Xiong, Fangrui赵贡献同样这项工作和分享第一作者。
确认
我们要感谢聪明(https://smart.servier.com/)和Iconfont (https://www.iconfont.cn/)在准备图形化工作流的支持。本研究支持的基础研究基金为中央大学(2042020 kf0084),从湖北省自然科学基金资助(2014 cfb394 2019 cfb721)、湖北省卫生和计划生育委员会(WJ2017M027CN)和思科大白鲟癌症研究基金会(y - hs202101 - 0079)在中国。
补充材料
补充表1:636 glycosylation-related基因。补充表2:WGCNA 70 OC患者的表型。补充表3:通路和基因签名。补充表4:OGRmRNAs和概要文件的表达训练集和测试集的风险评分。补充表5:coexpressed OGRmRNAs在卵巢癌的基因。补充表6:GSEA由“clusterProfiler”包的结果。补充表7:免疫检查点的OC病人的表达亚型及其相应的风险。补充图1:mRNAsi差异OGRmRNAs的低表达和高表达和正常组织。(一)ALG8。(B) DCTN4。(C) DCTN6。 (D) UBB. Supplementary Figure 2: functional enrichment analysis with co-expressed genes of OGRmRNAs. (A) Gene Ontology terms. (B) Pathways of KEGG (Kyoto Encyclopedia of Genes and Genomes).(补充材料)