基于单样本基因富集分析分型构建肺腺癌的风险预测模型

目的 研究基于单样本基因富集分析(ssGSEA)分型构建肺腺癌的风险预测模型的价值。方法 从癌症基因组图谱(TCGA)数据库及基因表达数据库(GEO)中分别获取515例及116例肺腺癌患者的数据。基于TCGA数据库进行ssGSEA分析及聚类分析,将样本分为高免疫评分组和低免疫评分组,并进行免疫相关分析、富集分析及差异分析,进一步获得免疫相关的差异表达基因。将TCGA数据集患者以7∶3随机分为训练集和内部验证集。基于TCGA训练集的免疫相关差异表达基因数据,通过单因素Cox风险回归、套索算法(Lasso)回归以及多元逐步Cox风险回归分析降维,构建肺腺癌患者预后的预测模型,获得相应的风险分数(Riskscore),并用TCGA内部验证集及GEO外部验证集进行验证。将Riskscore与临床特征进行独立预后因素分析,建立列线图。ROC曲线与校正曲线分析分别用来评估模型的效能及拟合度。结果 根据患者样本的ssGSEA免疫评分、聚类分析及差异分析的结果,患者被分为高免疫评分组和低免疫评分组以及获得1 447个差异表达基因。再通过单因素Cox风险回归、Lasso回归以及多元逐步Cox风险回归分析降维,获得剩余8个预后相关免疫差异表达基因的最优集合和每例患者的Riskscore。该风险预测模型在训练集、内部验证集及外部验证集的AUC分别为0.703、0.713、0.750。根据独立预后分析结果,肺腺癌的分期及预测模型的Riskscore是肺腺癌患者的两个独立预后因子并联合绘制列线图。列线图1、3、5年总生存期的AUC分别为0.789、0.763、0.746。校正曲线分析也显示该模型的拟合度较好。结论 基于ssGSEA分型构建并验证的肺腺癌患者预后风险预测模型,具有较高的预后风险预测效能,可为临床医师判断肺腺癌患者总生存期提供辅助工具。

纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析

背景:纤维肌痛综合征作为常见风湿病,其发病与中枢敏化及免疫异常有关,但具体过程尚未阐明,缺乏特异性诊断标志物,不断探索该病的发病机制具有重要的临床意义。目的:基于加权基因共表达网络分析(WGCNA)等生物信息学方法和机器学习算法筛选纤维肌痛综合征潜在的诊断相关标志基因,并分析其免疫细胞浸润特征。方法:对来自基因表达综合数据库(GEO)的纤维肌痛综合征数据集转录谱进行差异分析和WGCNA分析,整合筛选出差异共表达基因,进一步采用机器学习套索回归(LASSO)算法、支持向量机递归特征消除(SVM-RFE)机器学习算法来识别核心生物标志物,并绘制受试者工作特征(ROC)曲线以评估诊断价值。最后,采用单样本基因集富集分析(ssGSEA)和基因集富集分析(GSEA)评估纤维肌痛综合征的免疫细胞浸润情况及通路富集。结果与结论:①对GSE67311数据集按照log2|(FC)|>0,P<0.05的条件进行差异分析后获得8个下调的差异表达基因;进行WGCNA分析后获得正相关性最高(r=0.22,P=0.04)的模块(MEdarkviolet)内含基因497个,负相关性最高(r=-0.41,P=6×10-5)的模块(MEsalmon2)内含基因19个;将差异表达基因与WGCNA的2个高相关性模块基因取交集,获得7个基因。②对上述7个基因进行LASSO回归算法筛选出4个基因,进行SVM-RFE机器学习算法筛选出5个基因,两者取交集后确定了3个核心基因,分别为重组1号染色体开放阅读框150蛋白(germinal center associated signaling and motility like,GCSAML)、整合素β8(Integrin beta-8,ITGB8)和羧肽酶A3(carboxypeptidase A3,CPA3);绘制3个核心基因的ROC曲线下面积分别为0.744,0.739,0.734,提示均具有很好的诊断价值,可作为纤维肌痛综合征的生物标志物。③免疫浸润分析结果显示,与对照组相比纤维肌痛综合征患者记忆B细胞、CD56 bright NK细胞和肥大细胞显著下调(P<0.05),且与上述3个生物标志物显著正相关(P<0.05)。④富集分析结果提示,纤维肌痛综合征的富集途径包括9条,主要与嗅觉传导、神经活性配体-受体相互作用及感染等通路密切相关。⑤上述结果显示,纤维肌痛综合征的发生发展与多基因参与、免疫调节异常及多个通路失调有关,但这些基因与免疫细胞之间的相互作用,以及它们与各通路之间的关系尚需进一步研究。

骨质疏松症铜死亡基因的免疫浸润分析及潜在中药预测

目的通过分析铜死亡基因在骨质疏松症(osteoporosis,OP)免疫浸润中的作用,探索与OP相关的免疫细胞、免疫功能、生物标志物和潜在治疗中药。方法从GEO数据库检索下载OP数据集,对其进行标准化处理和消除批次效应后合并。提取数据集中铜死亡的相关基因后,进行免疫浸润分析并构建风险模型,对铜死亡基因进行富集分析和中药预测。结果(1)对GSE13850、GSE56116、GSE56815、GSE230665数据集合并后筛选出18个铜死亡基因;(2)树突状细胞、B细胞、CD8+T细胞等在细胞浸润中占比较高,免疫细胞功能主要表现为抗原呈递共抑制、Ⅰ型干扰素反应、Ⅱ型干扰素反应等;(3)与健康对照组相比,巨噬细胞与未成熟树突状细胞在OP患者组中呈现高表达,而滤泡辅助性T细胞在健康对照组中显著表达;(4)SLC31A1等13个铜死亡基因与OP免疫浸润相关,其中,SLC31A1最有可能是导致OP的风险因子;(5)OP的进展涉及乙酰辅酶A生物合成与代谢等生物过程,与脂肪酸代谢、三羧酸循环等通路相关;(6)共筛选出鱼鳔胶等10味重要中药,四气多属温、平,五味多属甘,归肾、脾经,功效多为补气、健脾、补肾、活血、行气和止痛。结论铜死亡基因可能通过干预免疫细胞和功能参与OP的进展。SLC31A1等铜死亡基因可能有助于阐释OP的发病机制,并成为潜在的生物学标志物及治疗靶点,鱼鳔胶等中药可能是防治OP潜在分子药物的来源。

铜死亡基因在骨关节炎免疫浸润中的生物信息学分析

背景:免疫浸润在骨关节炎的病程发展过程中发挥着重要作用,而铜死亡是近期最新发现的一种新型细胞程序性死亡,目前尚未有铜死亡基因调控免疫浸润在骨关节炎中的相关机制研究。目的:整合铜死亡基因和GEO数据库相关芯片,分析铜死亡基因与免疫浸润之间的关联性,构建风险模型,并进行基因本体、京都基因与基因组百科全书富集分析以及miRNA、中药预测,为今后骨关节炎免疫浸润方面的铜死亡机制挖掘提供理论支持。方法:通过GEO数据库检索符合条件的骨关节炎相关芯片,对其进行标准化处理;基于处理后的基因表达矩阵进行免疫浸润提取和量化,分析免疫浸润细胞及功能之间的相关性,以及它们在骨关节炎组和对照组中的差异性;整合处理后的铜死亡基因表达矩阵和标准化处理后的芯片基因表达矩阵,筛选出与骨关节炎相关的铜死亡基因,并构建风险模型,分析骨关节炎铜死亡相关基因的风险概率,另外通过FunRich软件预测其上游miRNA;最后通过Enrichr网站和Coremine Medical数据库对骨关节炎铜死亡相关基因进行基因本体、京都基因与基因组百科全书富集分析及中药预测。结果与结论:①免疫浸润相关性结果显示,树状突细胞和肥大细胞呈最强的正相关性(r=0.87),肥大细胞和肿瘤浸润淋巴细胞呈最强的负相关性(r=-0.81);②免疫浸润差异性分析显示,骨关节炎组中的树状突细胞、未成熟树状突细胞、巨噬细胞、肥大细胞、中性粒细胞、抗原呈递共抑制和趋化因子C-C-基序受体显著增加(P<0.05),而B细胞、Th2细胞和T细胞共刺激则显著减少(P<0.05);③共筛选出10个骨关节炎铜死亡基因,分别为SLC31A1、PDHB、PDHA1、LIPT1、LIAS、DLD、FDX1、DLST、DLAT、DBT,其中风险模型结果显示,PDHB可能是骨关节炎的风险因子;④富集分析结果,骨关节炎铜死亡基因主要富集在柠檬酸循环、丙酮酸代谢、糖酵解/糖异生等相关信号通路上;⑤通过Coremine Medical数据库共预测到包括温莪术(0.00475)、黄芩(0.049)、红景天苷(0.000237)等在内的27味中药和1种中药活性成分,其中红景天苷是此次研究中骨关节炎独立风险因子PDHB潜在的治疗中药活性成分;⑥FunRich软件共预测到包括has-miR-7a-5p、has-miR-7e-5p、has-miR-96-5p在内的29个骨关节炎铜死亡相关基因上游miRNA;⑦结果显示,骨关节炎铜死亡基因主要通过调节柠檬酸循环、丙酮酸代谢、糖酵解/糖异生等相关信号通路,影响树状突细胞、巨噬细胞、B细胞、抗原呈递共抑制等相关免疫细胞和功能在骨关节炎患者中的变化;在此过程中,包括has-miR-7a-5p、has-miR-7e-5p、has-miR-96-5p在内的29个miRNA可能也发挥着重要作用;另外,羊肝、温莪术和红景天苷等中药和中药活性成分可能是其潜在的分子药物来源。

基于WGCNA和ssGSEA的胰腺癌预后模型构建

目的通过加权基因共表达网络分析(WGCNA)和单样本基因富集分析(ssGSEA)构建胰腺癌预后模型。方法获取胰腺癌组织转录组测序数据和患者预后信息,ssGSEA对各肿瘤组织17810条通路进行评分,利用WGCNA、单因素分析和Lasso回归筛选各通路参数,构建多因素Cox比例风险回归模型对胰腺癌患者的预后情况进行预测,并对模型进行评价。结果经ssGSEA发现,不同胰腺癌组织各通路评分不同,如GO RECEPTOR REGULATOR ACTIVITY、GO MONOSACCHARIDE BINDING等通路,提示不同患者各通路活性有差异,这可能是引起肿瘤向不同结局发展的重要原因。经WGCNA分析采用动态剪切树法合并表达相似的通路模块,最终得到7个通路模块。其中,Blue模块中包含的通路最多,含3098条通路。Red模块与胰腺癌患者生存状态有较高的正相关性(r=0.33,P<0.001),Black模块也与其生存有显著的相关性(r=0.11,P=0.03)。同时,Red模块(r=0.30,P<0.001)和Blue模块(r=0.24,P=0.002)与胰腺癌组织学分期有显著的正相关性;Blue模块(r=0.27,P<0.001)、Yellow模块(r=-0.17,P=0.03)、Black模块(r=0.30,P<0.001)和Magenta模块(r=0.15,P=0.03)与胰腺癌肿瘤分期有明显的相关性。使用单因素分析、Lasso回归筛选Red模块中与生存预后相关的通路,共得到11条与胰腺癌患者生存预后相关的通路。进一步利用多因素Cox回归建立多通路预后预测模型,最终得到由5条通路构成的胰腺癌预后预测模型,C指数为0.7,赤池信息准则(AIC)为776.49,且该模型具有良好的预测效能(AUC=0.742)。结论WGCNA和ssGSEA技术在胰腺癌预后模型的构建中有重要作用。

ACCN3和PXDNL对乳腺癌细胞增殖、侵袭、迁移和患者生存预后的影响

目的鉴定影响乳腺癌患者生存预后的肿瘤特征,探究酸敏感离子通道3(ACCN3)和过氧化物酶样蛋白(PXDNL)对乳腺癌细胞增殖、侵袭、迁移和患者生存预后的影响。方法利用单样本基因富集分析(ssGSEA)和Cox回归分析评估不同肿瘤特征与乳腺癌预后的相关性,加权基因共表达网络分析(WGCNA)鉴定与肿瘤特征相关性最高的基因模块,寻找与缺氧有关的关键基因(Hub基因),利用细胞功能实验对所得到的基因进行验证。结果14种肿瘤特征中,缺氧(P=0.002,coef=25.31)、血管生成(P<0.001,coef=19.71)、肿瘤干性(P=0.039,coef=11.78)、细胞周期(P=0.027,coef=0.43)、DNA损伤(P=0.014,coef=0.02)、DNA修复(P=0.016,coef=0.044)与乳腺癌患者生存明显相关。其中缺氧通路评分对乳腺癌患者生存有明显影响。针对缺氧有关的Hub基因进行分析,共得到4个Hub基因:酪氨酸酶相关蛋白1(TYRP1)、蛋白酪氨酸磷酸酶H型受体(PTPRH)、ACCN3、PXDNL,其中ACCN3表达与乳腺癌患者生存明显相关(P=0.005),低表达患者生存预后较差;PXDNL表达与乳腺癌患者生存明显相关(P<0.001),高表达患者生存预后较差。细胞功能实验结果显示,当乳腺癌细胞PXDNL表达下调,乳腺癌细胞的增殖、迁移和侵袭能力均被抑制;而ACCN3则呈现相反的效应。结论ACCN3和PXDNL对乳腺癌增殖、侵袭和转移有明显影响,与患者生存预后相关,参与乳腺癌的进展。