利用WGCNA和机器学习鉴定AKTIP作为纤维板层型肝细胞癌的生物标志物

Identification of AKTIP as a biomarker for fibrolamellar carcinoma using WGCNA and machine learning.

作者信息Rui Wang, Bo Ren, Xijie Zhang, Bo Liu, Wence Zhou

PMID40417661

期刊3 Biotech

发布时间2025-06

DOI10.1007/s13205-025-04323-4

来源查看原文

实验完整度

中

研究包含生物信息学分析（WGCNA、机器学习、分子对接和分子动力学模拟）和qRT-PCR验证，但缺乏体内模型和功能验证实验。

主要模型

GSE57727队列（57例FLC，5例非FLC） E-MTAB-1503队列（22例FLC，10例非FLC） TCGA-LIHC队列 THLE-2、Huh7和Hep3B细胞系

重点核对

AKTIP在FLC和non-FLC中的差异表达（训练集和验证集） AKTIP在HCC和non-HCC中的表达水平（32个HCC队列及细胞系）四种化合物（PI-103、BVT-948、Digitoxigenin、SB-218078）与AKTIP的结合亲和力

摘要

纤维板层型肝细胞癌（FLC）是一种罕见的肝癌，诊断和治疗选择有限。在本研究中，我们利用了从GEO和ArrayExpress下载的GSE57727和E-MTAB-1503数据集，来探索用于FLC诊断和潜在治疗药物的枢纽基因。通过整合多种机器学习方法和药物敏感性数据库，我们将AKTIP确定为FLC的潜在诊断生物标志物。与non-FLC相比，AKTIP在FLC中表达显著升高，表现出优于其他FLC特异性生物标志物的诊断和预后性能。四种化合物（PI-103、BVT-948、Digitoxigenin和SB-218078）被确定为靶向AKTIP的潜在治疗药物。分子对接分析揭示了这些化合物与AKTIP的强结合亲和力，分子动力学模拟进一步验证了分子对接结果的可靠性和合理性。泛癌分析表明，AKTIP表达在不同组织中有所变化，并与患者预后显著相关。qRT-PCR分析证实，与人类肝细胞癌细胞系相比，正常肝上皮细胞中AKTIP mRNA水平显著过表达。总之，AKTIP被成功鉴定为FLC的诊断和预后生物标志物，并提出了四种化合物作为潜在治疗药物。这项研究揭示了这种罕见肝癌诊断和治疗的新视角，为未来的研究和临床应用提供了有希望的途径。

数据获取与差异表达分析

识别FLC与non-FLC之间的差异表达基因。

从GEO下载GSE57727数据集（训练集），从ArrayExpress下载E-MTAB-1503数据集（测试集）。使用R包limma进行差异表达分析。

功能富集分析

探讨差异表达基因的生物学功能和通路。

使用clusterProfile和org.hs.eg.db包进行GO分析。

免疫浸润分析

比较FLC与non-FLC的免疫细胞浸润差异。

使用CIBERSORT和ssGSEA评估免疫细胞比例和免疫相关功能。

机器学习筛选特征基因

筛选具有诊断潜力的特征基因。

使用Enet、RF、SVM-RFE方法对差异表达基因进行筛选。

WGCNA分析

识别与FLC表型相关的共表达模块。

使用WGCNA包构建加权基因共表达网络，识别关键模块和枢纽基因。

候选生物标志物的验证

验证AKTIP作为FLC诊断和预后标志物的可靠性。

在训练集和测试集中分析AKTIP表达，ROC曲线评估诊断性能，KM曲线和Cox回归评估预后。

药物筛选与分子对接

筛选靶向AKTIP的潜在治疗化合物。

利用CTRP和PRISM数据库预测药物敏感性，通过CMap验证，使用Autodock Vina进行分子对接。

分子动力学模拟

验证分子对接结果的稳定性和可靠性。

使用Gromacs2022对蛋白-配体复合物进行100ns的MD模拟，分析RMSD、Rg、氢键等指标。

细胞系qRT-PCR验证

验证AKTIP在正常肝细胞和肝癌细胞系中的表达差异。

使用qRT-PCR检测THLE-2、Huh7和Hep3B细胞株中AKTIP mRNA表达。

实验环节	名称	品牌	货号
细胞培养	THLE-2	Pricella	CL-0833
Huh7	ZQXZ-bio	ZQ0025
Hep3B	ZQXZ-bio	ZQ0024
RNA提取	TRIzol试剂	Servicebio	G3013
cDNA合成	SweScript全能型逆转录预混液	Servicebio	G3329
qRT-PCR	HotStart™通用2X快速SYBR Green qPCR预混液	APExBIO	K1172
分子对接	AutoDock Vina	--	--
分子动力学模拟	GROMACS 2022	--	--

实验环节

名称

品牌

货号

细胞培养

THLE-2

Pricella

CL-0833

Huh7

ZQXZ-bio

ZQ0025

Hep3B

ZQXZ-bio

ZQ0024

RNA提取

TRIzol试剂

Servicebio

G3013

cDNA合成

SweScript全能型逆转录预混液

Servicebio

G3329

qRT-PCR

HotStart™通用2X快速SYBR Green qPCR预混液

APExBIO

K1172

分子对接

AutoDock Vina

分子动力学模拟

GROMACS 2022

环节	核对要点
数据获取与处理	数据集版本和样本数量：GSE57727包含57例FLC和5例非FLC，E-MTAB-1503包含22例FLC和10例非FLC；批次效应校正方法（sva算法）。阅读提示：Methods，'Datasets downloading and processing'部分。
差异表达分析	阈值：FDR < 0.05；使用的R包：limma。阅读提示：Methods，'Identification of differentially expressed genes'部分。
WGCNA分析	软阈值β=5，R²=0.9；模块合并阈值0.4；特征基因标准GS > 0.5且MM > 0.5。阅读提示：Methods，'Weighted Gene Co-expression Network Analysis'部分。
机器学习筛选	Enet的α=0.5；RF中重要性>0.1；SVM-RFE的具体参数。阅读提示：Methods，'Machine learning to identify potential diagnostic markers'部分。
分子对接与MD模拟	对接软件Autodock Vina，结合能阈值< -7.0 kcal/mol；MD模拟力场、水模型、温度、压力、时间等参数。阅读提示：Methods，'Molecular docking'和'Molecular dynamics simulation'部分。
细胞系qRT-PCR	细胞系：THLE-2、Huh7、Hep3B；RNA提取和cDNA合成试剂；PCR条件（文中未明确说明具体循环参数）。阅读提示：Methods，'Cell line culture and quantitative real-time polymerase chain reaction'部分。

环节

核对要点

数据获取与处理

数据集版本和样本数量：GSE57727包含57例FLC和5例非FLC，E-MTAB-1503包含22例FLC和10例非FLC；批次效应校正方法（sva算法）。

阅读提示：Methods，'Datasets downloading and processing'部分。

差异表达分析

阈值：FDR < 0.05；使用的R包：limma。

阅读提示：Methods，'Identification of differentially expressed genes'部分。

WGCNA分析

软阈值β=5，R²=0.9；模块合并阈值0.4；特征基因标准GS > 0.5且MM > 0.5。

阅读提示：Methods，'Weighted Gene Co-expression Network Analysis'部分。

机器学习筛选

Enet的α=0.5；RF中重要性>0.1；SVM-RFE的具体参数。

阅读提示：Methods，'Machine learning to identify potential diagnostic markers'部分。

分子对接与MD模拟

对接软件Autodock Vina，结合能阈值< -7.0 kcal/mol；MD模拟力场、水模型、温度、压力、时间等参数。

阅读提示：Methods，'Molecular docking'和'Molecular dynamics simulation'部分。

细胞系qRT-PCR

细胞系：THLE-2、Huh7、Hep3B；RNA提取和cDNA合成试剂；PCR条件（文中未明确说明具体循环参数）。

阅读提示：Methods，'Cell line culture and quantitative real-time polymerase chain reaction'部分。

大家都在搜

大家都在搜