差异表达基因筛选
鉴定DLBCL肿瘤与正常组织之间的差异表达基因。
从GEO数据库获取GSE56315数据集，使用limma包筛选DEGs（Fold Change>2, FDR<0.05）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
一种基于泛素化的分子标签预测弥漫性大B细胞淋巴瘤的预后
A novel ubiquitination-based molecular signature predicts prognosis in diffuse large B-cell lymphoma
实验完整度
中基于多个公共数据集的生物信息学分析，包括差异表达、生存分析、风险模型构建、免疫微环境、药物敏感性和单细胞分析，但缺乏体外或体内实验验证。
主要模型
GSE10846数据集 GSE181063数据集 GSE56315数据集 DLBCL患者样本
重点核对
三个数据集（GSE181063、GSE56315、GSE10846）的基因表达谱 DLBCL样本与正常样本的差异表达基因筛选（Fold Change>2, FDR<0.05） LASSO Cox回归分析识别3个预后相关基因（CDC34、FZR1、OTULIN） 基于风险评分的中位数将患者分为高风险和低风险组 单细胞数据中过滤基因数<200或>6000的细胞
摘要
弥漫性大B细胞淋巴瘤（DLBCL）表现出显著的生物学异质性，导致不同的临床结局。泛素化是一种翻译后修饰过程，在肿瘤的发生和发展中起着关键的调节作用。泛素化基因在DLBCL中的预后谱需要被探索。我们分析了三个数据集（GSE181063、GSE56315和GSE10846），以鉴定DLBCL中与生存相关的差异表达基因（DEGs）。我们构建了基于泛素化的预后标签并计算了风险评分。使用R软件，我们研究了所鉴定的DEGs、高风险和低风险组、免疫微环境、药物敏感性和单细胞组成之间的关系。鉴定了三个关键的泛素化相关生存相关DEGs：细胞分裂周期34（CDC34）、fizzy相关蛋白同源物1（FZR1）和具有线性连接特异性的OTU去泛素化酶（OTULIN）。CDC34和FZR1的高表达以及OTULIN的低表达与DLBCL的不良预后相关。这些基因与内吞相关机制、T细胞和药物敏感性相关。在高风险组和低风险组之间观察到免疫评分以及勃林格殷格翰化合物2536和奥希替尼的浓度存在显著差异。本研究为DLBCL建立了一种新的基于泛素化的预后标签，为潜在的治疗靶点和个性化治疗方法提供了见解。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 泛素化相关基因是否可作为DLBCL的预后标志物，并揭示其与免疫微环境和药物敏感性的关联？
- 核心机制
- CDC34、FZR1和OTULIN与泛素化过程相关，可能通过调节内吞途径影响DLBCL的发病和治疗反应。
- 主要证据
- 基于GSE10846和GSE181063数据集的生存分析显示，CDC34和FZR1高表达及OTULIN低表达与不良预后相关；风险评分模型在验证集中具有预测价值。
- 研究意义
- 该研究为DLBCL建立了一种新的基于泛素化的预后标签，为潜在的治疗靶点和个性化治疗策略提供了见解。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
生存相关泛素化基因筛选
鉴定与DLBCL生存相关的泛素化基因。
使用survminer包确定每个DEG的最佳截断值，通过单变量Cox回归筛选与生存相关的泛素化基因。
LASSO Cox生存分析
筛选最具价值的预后基因并构建预后标签。
使用glmnet包进行LASSO分析，10倍交叉验证确定最佳惩罚参数，最终识别CDC34、FZR1和OTULIN。
共识聚类分析
基于三个泛素化基因探索DLBCL患者的分子亚型及其预后差异。
使用ConsensusClusterPlus包进行共识聚类，k=2为最佳聚类数，并进行Kaplan-Meier生存分析。
预后标签构建和验证
构建基于泛素化基因的风险评分模型并验证其预测能力。
基于多变量Cox回归系数计算风险评分，根据中位数分为高风险和低风险组，在GSE10846和GSE181063中验证并绘制生存曲线、列线图和ROC曲线。
功能富集分析
阐明泛素化相关基因的潜在生物学功能和通路。
使用clusterProfiler进行GO和KEGG富集分析，关注与风险评分相关的基因（|R|>0.45）。
免疫微环境分析
比较高低风险组间免疫细胞浸润差异及基因与免疫细胞的相关性。
使用CIBERSORT分析免疫细胞浸润，Wilcoxon检验比较差异，Spearman相关性分析基因与免疫细胞、肿瘤纯度、ESTIMATE评分的相关性。
药物敏感性分析
比较高低风险组对药物的敏感性差异。
使用oncoPredict计算198种药物的IC50，筛选组间差异显著的药物，并进行相关性分析。
单细胞分析
在单细胞水平探索三个基因在不同细胞类型中的表达分布。
使用Seurat包进行单细胞聚类分析，t-SNE降维，SingleR注释，确定细胞类型并分析基因表达。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
差异表达分析
药物敏感性分析
统计分析
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 药物敏感性分析 | BI-2536 | -- | -- |
| 奥希替尼 | -- | -- | |
| BMS-536924 | -- | -- | |
| BMS-754807 | -- | -- | |
| 达泊西汀 | -- | -- | |
| 达沙替尼 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取 | GSE181063、GSE56315、GSE10846数据集的具体平台和样本处理方式 阅读提示：Materials and methods, Data collection |
| 差异表达基因筛选 | GSE56315中肿瘤和正常组织的分组、筛选阈值（Fold Change>2, FDR<0.05） 阅读提示：Materials and methods, Validation of ubiquitination-related genes and differential gene screening |
| 生存分析 | 最佳截断值的确定方法、单变量Cox回归的调整变量 阅读提示：Materials and methods, Validation of ubiquitination-related genes and differential gene screening |
| 预后模型构建 | LASSO Cox回归的惩罚参数λ、多变量Cox回归的变量选择、风险评分公式 阅读提示：Materials and methods, LASSO Cox survival analysis, Construction and validation of prognostic signature |
| 共识聚类 | 聚类参数（重复次数、k值）、最佳聚类数的判定标准 阅读提示：Materials and methods, Cluster analysis |
| 免疫微环境分析 | CIBERSORT运行参数、Wilcoxon检验的样本量 阅读提示：Materials and methods, Assessment of immune microenvironment composition |
| 药物敏感性分析 | oncoPredict包的参数、IC50计算方法 阅读提示：Materials and methods, Drug sensitivity analysis |
| 单细胞分析 | 细胞过滤标准、主成分数、分辨率 阅读提示：Materials and methods, Single-cell analysis |
| 统计检验 | Wilcoxon秩和检验和Kruskal-Wallis检验的具体应用 阅读提示：Materials and methods, Statistical analysis |