巨噬细胞极化和蛋白乳酸化相关基因揭示的胃癌预后及肿瘤微环境特征

Prognostic and tumor microenvironmental features of gastric cancer revealed by macrophage polarization and protein lactylation-related genes.

作者信息Zifan Xu, Zi Lei, Shilan Peng, Sha Li, Dehui Kong, Hongqiong Duan, Man Zhang, Guomiao Su, Guoqing Pan
PMID40672391
发布时间2025-07-16
DOI10.3389/fgene.2025.1541489

实验完整度

包含生物信息学分析、细胞系RT-qPCR和临床组织IHC验证,但缺乏体内功能实验和机制验证。

主要模型

人胃癌细胞系HGC-27 人胃癌细胞系AGS 人正常胃上皮细胞系GES-1 胃癌及癌旁组织样本(n=48)

重点核对

TCGA-GC训练集包含350个肿瘤和31个正常样本 GSE66229验证集包含300个GC样本和100个正常样本 ERCC6L最佳表达截断值为1.256032,MYB为2.973839 风险评分中位数为-0.7115388,将样本分为高低风险组 IHC分析使用48对胃癌及癌旁组织样本

摘要

背景:胃癌的进展与巨噬细胞极化和蛋白乳酸化密切相关;然而,其潜在机制仍知之甚少。本研究旨在通过转录组分析阐明胃癌的分子机制。方法:通过将差异表达基因与与蛋白乳酸化和巨噬细胞极化相关的关键模块基因相交,鉴定候选基因。进行蛋白质-蛋白质相互作用分析以发现相互作用的基因。使用单变量Cox回归和机器学习技术确定预后基因,并通过训练和验证数据集评估模型准确性。此外,对高风险和低风险组进行了富集分析、免疫浸润分析、基因突变分析和药物敏感性评估。还进行了预后基因的染色体定位、基因-基因相互作用网络分析和表达验证。结果:通过综合分析,两个预后基因ERCC6L和MYB被确定为重要的预后标志物。基于这些基因的风险模型准确预测了胃癌患者的生存。富集分析揭示了肌肉肌球蛋白复合物和脂肪生成等通路显著参与胃癌。免疫浸润分析确定了13种免疫细胞类型,包括单核细胞,与预后基因密切相关。TTN、TP53和MUC16在两个风险组中均表现出最高的突变率。药物敏感性分析强调AZD.0530、CCT007093、DMOG、JNJ.26854165和LFM.A13是有前景的治疗候选药物。ERCC6L位于X染色体上,而MYB位于6号染色体上。基因-基因相互作用网络分析揭示了预后基因与其他关键基因之间的相互作用。在两个数据集中,预后基因在胃癌队列中的表达显著更高。结论:本研究确定了ERCC6L和MYB作为关键预后基因,促进了风险模型的开发,为胃癌的潜在治疗策略提供了新见解。

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
探索与巨噬细胞极化和蛋白乳酸化相关的基因在胃癌中的预后价值及其对肿瘤微环境的影响。
核心机制
ERCC6L和MYB可能通过影响乳酸化修饰和M2巨噬细胞极化,参与胃癌进展,具体机制仍需功能验证。
主要证据
通过TCGA和GEO数据集的生物信息学分析鉴定出两个预后基因,风险模型在训练和验证集中表现出中等预测效能(AUC>0.6),并在细胞系和组织中验证了表达升高。
研究意义
该研究为胃癌的预后评估提供了新的风险模型,可能有助于个性化治疗策略的开发,但机制假设需要进一步验证。

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

数据挖掘与差异表达分析

筛选与巨噬细胞极化和蛋白乳酸化相关的候选基因。

从TCGA和GEO获取胃癌转录组数据,使用DESeq2识别肿瘤和正常样本间的差异表达基因。

2

WGCNA与候选基因鉴定

识别与蛋白乳酸化和巨噬细胞极化密切相关的基因模块。

使用GSVA计算MPRGs和PLRGs评分,通过WGCNA构建基因共表达网络,选择与表型相关性最强的模块。

3

功能富集与PPI网络分析

探索候选基因的生物学功能和相互作用。

对428个候选基因进行GO和KEGG富集分析,并利用STRING构建高置信度PPI网络。

4

预后风险模型构建与验证

建立基于预后基因的风险模型并评估其预测性能。

通过单变量Cox回归和LASSO回归筛选预后基因,构建风险评分模型,并在验证集中评估。

5

免疫浸润与突变分析

分析高低风险组之间的免疫细胞浸润和基因突变差异。

使用ESTIMATE和CIBERSORT评估免疫评分和22种免疫细胞比例,并用maftools分析突变。

6

药物敏感性分析

评估不同风险组对化疗药物的敏感性差异。

使用pRRophetic预测138种药物的IC50值,比较高低风险组间的差异。

7

单细胞RNA测序分析

在单细胞水平探索预后基因的表达和细胞间通讯。

整合GSE163558数据,进行聚类注释,分析ERCC6L和MYB在不同细胞类型中的表达,并构建细胞通讯和伪时间分析。

8

实验验证

验证预后基因在组织样本和细胞系中的表达。

通过qRT-PCR检测胃癌组织和细胞系中ERCC6L和MYB的mRNA表达,通过IHC检测蛋白表达。

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
RPMI 1640培养基Gibco--
高糖DMEM培养基Gibco--
胎牛血清Procell--
青霉素-链霉素Solarbio--
Trizol试剂Takara--
RevertAid逆转录试剂盒Thermo Scientific--
BIO-RAD CFX96系统BIO-RAD--
抗ERCC6L抗体Proteintech15688-1-AP
抗L-乳酸化赖氨酸抗体PTM BiolabsPTM-1401RM
抗MYB抗体Biossbs-5978R

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-GC和GSE66229数据集的具体版本和样本信息
阅读提示:见Methods 2.1 Data mining
差异表达分析
阈值:adjusted p<0.05,|log2FC|>1
阅读提示:见Methods 2.2 Differential expression analysis
WGCNA
软阈值=6,模块最小大小=100,合并剪切高度=0.3
阅读提示:见Methods 2.3 WGCNA
风险模型构建
最佳截断值:ERCC6L=1.256032,MYB=2.973839;风险评分公式
阅读提示:见Methods 2.5 Construction of a risk model 和 Results 3.3
预后模型验证
训练集和验证集的划分标准,AUC计算时间点
阅读提示:见Methods 2.6 Evaluation and validation of prognostic risk model
免疫浸润分析
CIBERSORT算法参数,免疫细胞类型
阅读提示:见Methods 2.8 Immune infiltration analysis
突变分析
主要突变基因列表,突变类型
阅读提示:见Methods 2.8 mutation analysis 和 Results 3.5
药物敏感性
药物列表和IC50计算方法
阅读提示:见Methods 2.10 Drug sensitivity analysis
单细胞分析
过滤标准:基因数<200或线粒体基因>10%去除,基因数200-3000,总计数>=10000
阅读提示:见Methods 2.13 Single-cell RNA sequencing analysis
qRT-PCR
细胞系和培养条件,RNA提取和cDNA合成步骤,PCR循环参数
阅读提示:见Methods 2.14 Cell culture and quantitative real-time PCR
IHC
抗体稀释度,染色评分标准
阅读提示:见Methods 2.16 Immunohistochemistry