一种指导骨肉瘤预后和免疫微环境的新型特征:铜死亡相关的长链非编码RNA

A novel signature to guide osteosarcoma prognosis and immune microenvironment: Cuproptosis-related lncRNA.

作者信息Mingyi Yang, Haishi Zheng, Ke Xu, Qiling Yuan, Yirixaiti Aihaiti, Yongsong Cai, Peng Xu
PMID35967366
发布时间2022-07-29
DOI10.3389/fimmu.2022.919231

实验完整度

包含生物信息学分析(差异表达、预后模型、免疫浸润)和实验验证(RT-qPCR、Western blot、IHC),但缺乏功能实验和机制验证。

主要模型

骨肉瘤细胞系(HOS、143B、U2OS) 正常成骨细胞hFOB1.19 骨肉瘤组织样本(3例)和正常骨组织样本(1例)

重点核对

TCGA骨肉瘤样本数:86例 GSE16088数据集包含6个正常组织样本和14个OS组织样本 构建预后模型的风险lncRNA:6个 细胞系:HOS、143B、U2OS和hFOB1.19 RT-qPCR和Western blot实验重复次数:至少三次

摘要

目的:骨肉瘤(OS)是一种常见骨恶性肿瘤,预后差。我们旨在研究铜死亡相关lncRNA(CRLncs)与OS患者生存结局之间的关系。方法:从癌症基因组图谱(TCGA)下载86例OS患者的转录组和临床数据。从基因表达综合(GEO)数据库下载GSE16088数据集。10个铜死亡相关基因(CRGs)来自最近在《科学》杂志上发表的一篇关于铜死亡的文章。结合OS转录组数据和GSE16088数据集的联合分析,鉴定了与OS相关的差异表达CRGs。接下来,进行通路富集分析。共表达分析获得与OS相关的CRLncs。使用单变量COX回归分析和最小绝对收缩和选择算子(LASSO)回归分析构建CRLncs的风险预后模型。样本被平均分为训练组和测试组以验证模型的准确性。进行了风险曲线、生存、受试者工作特征(ROC)曲线和独立预后分析。接下来,进行主成分分析(PCA)和t分布随机邻域嵌入(t-SNE)分析。使用单样本基因集富集分析(ssGSEA)探讨风险预后模型与OS免疫微环境之间的相关性。药物敏感性分析确定了在OS中具有潜在疗效的药物。实时定量PCR、Western blotting和免疫组织化学分析验证了CRGs在OS中的表达。实时定量PCR用于验证CRLncs在OS中的表达。结果:获得了六个可指导OS预后和免疫微环境的CRLncs,包括三个高风险CRLncs(AL645608.6、AL591767.1和UNC5B-AS1)和三个低风险CRLncs(CARD8-AS1、AC098487.1和AC005041.3)。在高风险组中,免疫细胞如B细胞、巨噬细胞、T辅助2型(Th2)细胞、调节性T细胞(Treg)以及免疫功能如APC共抑制、检查点和T细胞共抑制显著下调。此外,我们获得了四种对OS具有潜在疗效的药物:AUY922、硼替佐米、来那度胺和Z.LLNle.CHO。与正常成骨细胞hFOB1.19相比,OS细胞系中LIPT1、DLAT和FDX1在mRNA和蛋白水平的表达均显著升高。AL591767.1的mRNA表达水平在OS中降低,而AL645608.6、CARD8-AS1、AC005041.3、AC098487.1和UNC5B-AS1在OS中上调。结论:本研究中获得的能指导OS预后和免疫微环境的CRLncs以及对OS可能具有潜在疗效的药物,为OS生存研究和临床决策提供了理论基础。

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
探讨铜死亡相关lncRNA能否作为骨肉瘤预后和免疫微环境的指导标志物,并识别潜在的治疗药物。
核心机制
铜死亡相关lncRNA通过影响免疫细胞(如B细胞、巨噬细胞、Th2细胞、Treg)和免疫功能(如APC共抑制、检查点、T细胞共抑制)的浸润和活性,从而影响骨肉瘤患者的预后。
主要证据
基于TCGA和GEO数据构建的预后模型显示,风险评分和肿瘤转移是独立预后因素;实验验证表明,与正常成骨细胞相比,OS细胞系中LIPT1、DLAT和FDX1的mRNA和蛋白水平显著升高,且部分CRLncs表达水平在OS中发生变化。
研究意义
为骨肉瘤的生存研究和临床决策提供理论基础,有助于改善骨肉瘤的临床疗效和总生存期。

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。

1

数据获取与差异表达分析

识别与骨肉瘤相关的差异表达铜死亡相关基因。

从TCGA下载86例OS的转录组和临床数据,从GEO下载GSE16088数据集(6个正常样本和14个OS样本),使用limma包进行差异分析,筛选标准为p<0.05和|logFC|>0.65,将差异基因与10个CRGs取交集得到6个OS相关差异表达CRGs。

2

通路富集分析

探索差异表达CRGs参与的生物学通路。

使用R的clusterProfiler包进行KEGG富集分析,筛选标准为p<0.05。

3

共表达分析识别CRLncs

识别与OS相关差异表达CRGs共表达的lncRNAs。

使用limma包进行共表达分析,筛选标准为|Pearson相关系数|>0.4且p<0.001,共获得118个OS相关CRLncs。

4

构建并验证风险预后模型

构建基于CRLncs的风险评分模型并验证其预测能力。

通过单变量COX回归和LASSO回归筛选6个CRLncs构建风险评分模型,将样本分为训练组和测试组,进行风险曲线、生存分析、ROC曲线和独立预后分析。

5

肿瘤微环境与药物敏感性分析

评估风险模型与免疫微环境的相关性并筛选潜在治疗药物。

使用ssGSEA分析免疫细胞和免疫功能差异,使用pRRophetic包进行药物敏感性分析,筛选出AUY922、硼替佐米、来那度胺和Z.LLNle.CHO。

6

实验验证CRGs和CRLncs表达

验证铜死亡相关基因和lncRNA在骨肉瘤中的表达。

通过RT-qPCR、Western blot和IHC检测骨肉瘤细胞系和组织样本中CRGs和CRLncs的表达。

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。

产品清单

实验环节名称品牌货号
TRIzol试剂GenStarP118-05
SYBR Green预混液TOPScienceC0006
RIPA裂解液Zhonghuihecai--
SDS-PAGE上样缓冲液(5×)Beyotime--
PVDF膜Millipore--
DLAT抗体Proteintech13426-1-AP
DLD抗体Proteintech16431-1-AP
CDKN2A抗体Proteintech10883-1-AP
FDX1抗体Proteintech12592-1-AP
PDHA1抗体Biossbs-4034R
LIPT1抗体Biossbs-18298R
β-actin抗体ABclonalAC026
化学发光试剂盒Vazyme--
DLAT抗体Proteintech13426-1-AP
DLD抗体Proteintech16431-1-AP
FDX1抗体Proteintech12592-1-AP
PDHA1抗体Biossbs-4034R
LIPT1抗体Biossbs-18298R
CDKN2A抗体ServicebioGB111143
DAB显色试剂Boster--

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
TCGA中86例OS样本的转录组和临床数据,包括生存时间、生存状态、性别、年龄、转移状态等
阅读提示:Materials and methods - Data download and arrangement
差异表达分析
GSE16088数据集包含6个正常样本和14个OS样本;差异表达筛选阈值p<0.05且|logFC|>0.65
阅读提示:Materials and methods - OS-related differentially CRGs
预后模型构建
共表达分析阈值|Pearson|>0.4且p<0.001;单变量COX回归p<0.05;LASSO回归确定最佳λ
阅读提示:Materials and methods - OS-related CRLncs 和 Construction of risk prognostic model
实验验证
人类OS细胞系(HOS、143B、U2OS)和正常成骨细胞hFOB1.19;培养条件:OS细胞系37°C,5% CO2;hFOB1.19 34°C,5% CO2
阅读提示:Materials and methods - Cell culture 和 Real-time quantitative PCR
免疫组化
组织样本:3例OS组织,1例正常骨组织;切片厚度5μm;抗体稀释度:DLAT 1:500, DLD 1:500, FDX1 1:200, PDHA1 1:100, LIPT1 1:100, CDKN2A 1:500
阅读提示:Materials and methods - Immunohistochemistry and hematoxylin–eosin staining