开发一种预测骨肉瘤患者生存并影响免疫微环境的新特征:失巢凋亡相关基因

Develop a Novel Signature to Predict the Survival and Affect the Immune Microenvironment of Osteosarcoma Patients: Anoikis-Related Genes.

作者信息Mingyi Yang, Yani Su, Ke Xu, Haishi Zheng, Yongsong Cai, Pengfei Wen, Zhi Yang, Lin Liu, Peng Xu
PMID39431237
发布时间2024-03-27
DOI10.1155/2024/6595252

实验完整度

中

研究结合TCGA和GEO数据构建预后模型,并进行免疫微环境、药物敏感性分析及RT-qPCR验证,但缺乏体内功能实验。

主要模型

TCGA骨肉瘤队列(86例) GEO骨肉瘤队列(GSE21257,53例) 人骨肉瘤细胞系143B和U2OS 人正常成骨细胞系hFOB1.19

重点核对

训练队列:TCGA数据库86例骨肉瘤患者;验证队列:GEO GSE21257数据库53例;差异分析数据集:GSE33382(3正常,84肿瘤) 分组:按风险评分中位数划分,训练队列高风险43例,低风险43例;验证队列高风险27例,低风险26例 LASSO回归使用最优惩罚参数确定11个ARGs用于模型构建 RT-qPCR验证:使用143B和U2OS细胞系,对照为hFOB1.19,实验独立重复至少三次 统计显著性阈值P < 0.05,药物敏感性分析阈值P < 0.001

摘要

目的:骨肉瘤是一种主要影响儿童和青少年的常见原发性骨肿瘤,对人类健康构成重大挑战。本研究旨在开发一个以失巢凋亡相关基因为中心的预后模型,以准确预测骨肉瘤患者的生存结果,并为调节免疫微环境提供见解。方法:研究的训练队列包括来自癌症基因组图谱数据库的86例骨肉瘤患者,验证队列包括来自基因表达综合数据库的53例骨肉瘤患者。差异分析利用GSE33382数据集,包含3个正常样本和84个骨肉瘤样本。随后,研究进行了基因本体论和京都基因与基因组百科全书富集分析。通过单变量COX回归分析鉴定与骨肉瘤预后相关的差异表达ARGs,然后进行LASSO回归分析以降低过拟合风险并构建稳健的预后模型。通过风险曲线、生存曲线、受试者工作特征曲线、独立预后分析、主成分分析和t分布随机邻域嵌入分析评估模型准确性。此外,设计了一个列线图模型,在预测骨肉瘤患者预后方面显示出有前景的潜力。进一步的研究包括基因集富集分析以描绘高风险和低风险组中的活跃通路。此外,通过肿瘤微环境分析、单样本基因集富集分析和免疫浸润细胞相关性分析评估风险预后模型对骨肉瘤免疫微环境的影响。进行药物敏感性分析以确定对骨肉瘤治疗可能有效的药物。最终,通过实时定量聚合酶链反应(RT-qPCR)验证模型构建中涉及的ARGs。结果:开发了ARGs风险预后模型,包括七个高风险ARGs(CBS、MYC、MMP3、CD36、SCD、COL13A1和HSP90B1)和四个低风险ARGs(VASH1、TNFRSF1A、PIP5K1C和CTNNBIP1)。该预后模型在预测患者总生存期方面表现出强大的能力。免疫相关性分析显示,在我们的预后模型中,高风险组的免疫评分低于低风险组。具体来说,CD8+ T细胞、中性粒细胞和肿瘤浸润淋巴细胞在高风险组中显著下调,同时检查点和T细胞共抑制机制显著下调。此外,三个免疫检查点相关基因(CD200R1、HAVCR2和LAIR1)在高风险组和低风险组之间显示出显著差异。列线图模型的使用在预测骨肉瘤患者预后方面显示出显著效果。此外,肿瘤转移成为独立预后因素,提示ARGs与骨肉瘤转移之间可能存在关联。值得注意的是,我们的研究确定了八种药物——硼替佐米、米哚妥林、CHIR.99021、JNK.Inhibitor.VIII、来那度胺、舒尼替尼、GDC0941和GW.441756——对骨肉瘤表现出敏感性。RT-qPCR结果显示,在骨肉瘤中CBS、MYC、MMP3和PIP5K1C的表达水平降低。相反,在骨肉瘤中CD36、SCD、COL13A1、HSP90B1、VASH1和CTNNBIP1的表达水平升高。结论:本研究的成果为预测骨肉瘤患者的生存结果提供了机会。此外,这些发现有望推进针对该疾病的预后评估和治疗干预的研究工作。

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
骨肉瘤患者中失巢凋亡相关基因(ARGs)的表达模式能否用于预测生存和反映免疫微环境状态?
核心机制
高风险组表现出CD8+ T细胞、中性粒细胞和肿瘤浸润淋巴细胞下调,以及检查点和T细胞共抑制机制下调,提示风险模型与免疫抑制微环境相关。
主要证据
基于TCGA和GEO队列构建并验证11基因风险模型;免疫浸润分析显示免疫细胞和功能差异;RT-qPCR验证了10个基因在细胞系中的表达。
研究意义
该预后模型可用于预测骨肉瘤患者的生存,并为预后评估和治疗干预研究提供参考。

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

识别骨肉瘤组织中差异表达的失巢凋亡相关基因(ARGs)

从TCGA获取86例骨肉瘤样本,从GEO获取GSE21257(53例)和GSE33382(3正常,84肿瘤)。将794个ARGs与GSE33382差异基因取交集。

2

富集分析和预后模型构建

探索差异ARGs的功能通路并构建风险预后模型

对145个差异ARGs进行GO和KEGG富集分析。使用单变量Cox回归和LASSO回归确定11个与预后相关的ARGs并计算风险评分。

3

模型验证和评估

验证风险模型的预测能力和独立性

绘制风险曲线、生存曲线、ROC曲线,进行独立预后分析、PCA和t-SNE分析。

4

列线图构建和GSEA分析

建立临床预测工具并探索不同风险组的通路活性

基于风险评分和临床特征构建列线图,并绘制校准曲线。使用GSEA分析高、低风险组中的活跃通路。

5

免疫微环境分析

评估风险模型与免疫细胞浸润及免疫功能的关系

使用ESTIMATE计算基质评分和免疫评分,通过ssGSEA比较免疫细胞和功能差异,利用CIBERSORT分析22种免疫细胞相关性,并评估免疫检查点基因差异。

6

药物敏感性分析

识别对骨肉瘤潜在有效的药物

使用pRRophetic等R包评估药物敏感性,筛选在高、低风险组间敏感性有显著差异的药物。

7

RT-qPCR验证

验证11个ARGs在骨肉瘤细胞系中的mRNA表达水平

提取143B、U2OS和hFOB1.19细胞总RNA,进行RT-qPCR检测ARGs表达,以GAPDH为内参,使用2−ΔΔCt方法计算相对表达。

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 Master MixTOPSCIENCEC0006
引物对Accurate Biology--
TCGA数据库----
GEO数据库----

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
数据获取和差异分析
训练队列:TCGA数据库86例;验证队列:GSE21257 53例;差异分析数据集:GSE33382(3正常,84肿瘤);筛选阈值P<0.05和|logFC|≥0.5
阅读提示:参见2.1节和3.1节
预后模型构建
单变量Cox回归P<0.01筛选12个基因;LASSO回归选取最优lambda确定11个基因;风险评分公式
阅读提示:参见2.4节和3.3节
模型验证
训练和验证队列的生存曲线、ROC曲线(1、3、5年)、独立预后分析(单因素和多因素Cox)、PCA和t-SNE
阅读提示:参见2.5、2.6节和3.4、3.5节
列线图
基于风险评分和临床特征(性别、转移状态、原发部位等)构建,评估1、3、5年生存概率,校准曲线
阅读提示:参见2.7节和3.6节
免疫微环境分析
ESTIMATE算法计算基质、免疫和综合评分;ssGSEA比较免疫细胞和功能;CIBERSORT分析22种免疫细胞,排除P>0.05样本;免疫检查点差异分析
阅读提示:参见2.9-2.13节和3.8-3.12节
药物敏感性分析
使用pRRophetic等包,筛选阈值P<0.001,识别8种敏感药物
阅读提示:参见2.14节和3.13节
RT-qPCR验证
细胞系(143B、U2OS、hFOB1.19);RNA提取和RT-qPCR条件;内参GAPDH;2−ΔΔCt方法;实验重复至少三次
阅读提示:参见2.15、2.16节和3.14节