基于网络调控分析筛选非小细胞肺癌PD-L1阴性患者的免疫治疗标志物及辅助药物

目的:基于加权基因共表达网络筛选PD-L1阴性非小细胞肺癌(non-small cell lung cancer, NSCLC)患者的潜在免疫治疗靶点并筛选相应小分子药物提高免疫应答效率。方法:分别从TGCA数据库筛选出1 037例NSCLC数据和108例正常数据,以及GEO数据库中的60例NSCLC数据和9例正常数据。在数据标准化后,将PD-L1表达水平后五分位的患者定义为PD-L1阴性患者,两个数据集中的差异基因作为加权基因共表达网络分析的输入。同时,构建风险比例回归模型预测高风险基因对于预后的影响。最后在DrugBank数据库中筛选以风险基因为靶点的小分子药物并进行模拟对接。结果:风险比例回归模型通过六个风险基因(CXCL12、GBP1、TGM2、HMOX1、GBP3、C1QB)的表达将数据分为高风险组和低风险组,两组间患者的生存时间、生存状态、免疫细胞比例、基质细胞比例和基因表达均存在极大的差异(P<0.05),模型在测试集和验证集中的AUC分别达到了0.860和0.752。此外,高表达GBP1和TGM2患者预后更差,因此被确定为最终的生物标志物。以GBP1和TGM2为靶点,药物数据库共筛选到4个靶向基因的小分子药物,并达到有效结合。结论:GBP1和TGM2可能是NSCLC免疫治疗的潜在标志物,且与小分子药物的联药治疗有可能提高免疫应答效率。

肝细胞癌不良预后潜在基因的生物信息学分析

肝细胞癌(hepatocellular carcinoma,HCC)是我国致死率第二的癌症,其发病机制复杂。为了寻找影响肝细胞癌不良预后的核心基因,从GEO数据库中找到了3个基因芯片(GSE13471、GSE29721和GSE6222),这3个基因芯片数据集中包括了24例肝细胞癌组织样本和17例正常癌旁组织样本。利用GEO2R工具找到癌症组织与正常癌旁组织间的差异表达基因(differentially expressed genes,DEGs),发现共有65个差异基因在这3个基因芯片中共同表达,其中4个基因为下调基因,61个基因为上调基因。通过R语言编程实现差异表达基因的京都基因与基因组百科全书(KEGG)通路分析和基因本体(GO)功能注释。然后通过互作基因检索数据库检索工具分析这些差异表达基因的蛋白质-蛋白质相互关系(protein-protein interaction,PPI),并通过Cytoscape软件进行可视化。利用Cytoscape软件中的Cytohubba包筛选65个差异表达基因中连通度最高的8个基因并定义为枢纽基因(hub基因),接着通过Kaplan-Meier生存分析工具对筛选出的8个枢纽基因进行生存分析。最后,找出3个与肝细胞癌不良预后高度相关的关键基因(CCNB1、CDK1和TOP2A)。在基因表达谱交互分析数据库中验证发现,与正常样本相比,3个关键基因在肝细胞癌患者中均为高表达。对KEGG通路的重分析发现,其中两个关键核心基因(CCNB1、CDK1)显著富集在p53信号通路、孕酮介导的卵母细胞成熟、细胞周期、卵母细胞减数分裂、细胞衰老和人类免疫缺陷病毒这些与癌症相关的通路上。这个发现有助于更深入地了解肝细胞癌的病理生理机制,为后续研究肝细胞癌药物治疗的基因靶点提供依据。