开发新型PANoptosis相关基因签名以预测胃腺癌患者预后

Development of Novel PANoptosis-Related Gene Signatures to Predict the Prognosis of Patients With Stomach Adenocarcinoma.

作者信息Xin Wu, Linde Sun, Peifa Liu, Qiong Wang, Yu Wang, Sujit Nair
PMID41438490
期刊Hum Mutat
发布时间2025-12-21
DOI10.1155/humu/5319444

实验完整度

包含生物信息学分析(TCGA/GEO数据)、体外细胞实验(qRT-PCR、Western blot、CCK-8、划痕、Transwell、流式)验证,但缺乏体内模型和临床样本验证。

主要模型

TCGA-STAD队列(366例肿瘤样本) GSE62254验证队列(300例肿瘤样本) STAD细胞系AGS和HGC-27 人胃上皮细胞系GES-1

重点核对

TCGA-STAD队列样本筛选标准:排除无随访或生存时间≤30天的样本 GSE62254数据集探针映射及样本排除标准:生存时间≤30天 APOD敲低使用si-APOD#1和si-APOD#2,转染用Lipofectamine 3000 细胞培养条件:GES-1用RPMI-1640+10%FBS;AGS用F-12K+10%FBS;HGC-27用RPMI-1640+10%FBS+1%青霉素-链霉素 RiskScore模型公式:RiskScore = 0.102*APOD + 0.063*GPC3 + 0.174*SERPINE1

摘要

背景:PANoptosis作为一种炎症性程序性细胞死亡,参与肿瘤发展。本研究旨在发现胃腺癌(STAD)中新的PANoptosis相关预后签名,STAD是一种常见的消化系统恶性肿瘤。方法:STAD样本来源于公共数据库,PANoptosis相关基因(PRGs)从已有报告中获取。通过单因素Cox回归分析筛选预后相关PRGs。使用“ConsensusClusterPlus”包识别STAD的分子亚型。使用“Limma”包筛选不同亚型间的差异表达基因(DEGs)。鉴定STAD中PANoptosis相关的预后签名以建立RiskScore模型。整合RiskScore和部分临床特征建立列线图。比较不同风险组中的免疫细胞浸润和TIDE评分。采用Spearman方法分析免疫检查点基因、药物敏感性与RiskScore之间的相关性。通过体外细胞实验初步探索PANoptosis相关签名基因在STAD中的生物学功能。结果:基于18个预后相关PRGs,识别出STAD的两个分子亚型,C1亚型的总生存期(OS)低于C2亚型。进一步确定了三个PANoptosis相关签名基因(APOD、GPC3和SERPINE1)以建立RiskScore模型,该模型能准确评估STAD患者的预后结局。然后,通过整合RiskScore与临床特征,建立了一个列线图。高风险组具有更高的免疫细胞浸润和TIDE评分,以及更低的OS率。RiskScore与九个免疫检查点基因正相关。此外,我们筛选了23种与RiskScore显著相关的药物。体外细胞实验显示,APOD、GPC3和SERPINE1在STAD细胞系中的mRNA和蛋白水平上调,且敲除APOD显著降低癌细胞增殖、迁移和侵袭水平,并增加STAD细胞系的凋亡能力。结论:本研究建立了一个基于PANoptosis的RiskScore模型来评估STAD患者的预后,这可能有助于STAD的个体化治疗。

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
本研究旨在发现STAD中新的PANoptosis相关预后签名,并探索其与预后、免疫治疗反应及肿瘤细胞功能的关系。
核心机制
APOD、GPC3和SERPINE1作为PANoptosis相关基因,其表达上调与STAD不良预后相关,敲低APOD可抑制癌细胞增殖、迁移和侵袭并促进凋亡。
主要证据
基于TCGA和GEO数据的生物信息学分析确定了两个分子亚型和三个基因签名,并通过体外实验验证了APOD、GPC3和SERPINE1在STAD细胞中表达上调,且敲低APOD显著降低细胞活力、迁移和侵袭,增加凋亡。
研究意义
该研究建立的RiskScore模型可为STAD患者的预后评估和个体化治疗提供参考。

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

数据获取与预处理

获取STAD患者的转录组和临床数据,并进行标准化处理以用于后续分析。

从UCSC Xena下载TCGA-STAD FPKM数据,删除无随访或生存时间≤30天的样本,将基因符号从Ensembl转换,取多基因符号的最大表达值,转换为TPM格式并进行log2转换。从GEO获取GSE62254数据集,映射探针到基因,删除生存时间≤30天的样本。从先前研究中获取277个PRGs。

2

筛选预后相关PRGs及分子亚型识别

基于预后相关PRGs识别STAD的分子亚型,并评估不同亚型的预后差异。

通过单因素Cox回归筛选18个预后相关PRGs(p<0.05)。使用ssGSEA计算PRGs富集分数,并通过ConsensusClusterPlus进行一致性聚类,确定k=2时最优。比较C1和C2亚型的OS、临床病理特征,并筛选DEGs。

3

功能富集分析

探索两个亚型间DEGs涉及的生物学功能和通路。

利用limma包识别DEGs,并通过clusterProfiler包进行KEGG和GO富集分析。

4

构建和验证RiskScore模型

基于DEGs构建PANoptosis相关预后签名模型,并验证其预测性能。

对DEGs进行单因素Cox回归筛选382个预后基因,LASSO回归压缩基因数,逐步多因素回归确定三个签名基因(APOD、GPC3、SERPINE1),建立RiskScore模型。根据RiskScore=0将患者分为高低风险组,通过K-M曲线和ROC评估预后,并在GSE62254中验证。

5

构建和验证Nomogram

整合RiskScore和临床特征构建预后预测模型,并评估其临床效用。

通过单因素和多因素Cox回归分析RiskScore的独立性,整合临床特征建立Nomogram,使用校准曲线和DCA评估预测准确性。

6

免疫细胞浸润和免疫治疗反应分析

比较高风险组和低风险组的免疫细胞浸润和免疫治疗反应。

使用TIMER和MCP-counter算法评估免疫细胞浸润,使用TIDE算法预测免疫治疗反应,并分析RiskScore与免疫检查点基因的相关性。

7

药物敏感性分析

筛选与RiskScore显著相关的药物,为个体化治疗提供参考。

使用oncoPredict包预测每位患者的药物IC50,分析RiskScore与药物敏感性的相关性,筛选FDR<0.05且|cor|>0.3的药物。

8

体外细胞实验验证

验证PANoptosis相关签名基因在STAD细胞中的表达及其功能影响。

通过qRT-PCR和Western blot检测APOD、GPC3和SERPINE1在STAD细胞系(AGS、HGC-27)和人胃上皮细胞(GES-1)中的表达。使用siRNA敲低APOD,并通过CCK-8、划痕实验、Transwell实验和流式细胞术评估细胞活力、迁移、侵袭和凋亡的变化。

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
TCGA-STAD队列----
GSE62254数据集----
RPMI-1640培养基BDBioC5068-500
F-12K培养基BDBioC5025-500
胎牛血清----
青霉素-链霉素----
GES-1细胞系BDBioC5068
AGS细胞系BDBioC5025
HGC-27细胞系Wuhan Pricella BiotechnologyCL-0107
si-APOD#1Shanghai GenePharma--
si-APOD#2Shanghai GenePharma--
si-NCShanghai GenePharma--
Lipofectamine 3000转染试剂InvitrogenL3000008
TRIzol试剂AladdinT751379-100ml
SuperRT cDNA合成试剂盒AladdinS665657-100T
UltraBio SYBR Green qPCR混合液AladdinS751587-25ml
CG-05 PCR系统HealForce--
RIPA裂解缓冲液Servicebio--
BCA蛋白定量试剂盒Servicebio--
SDS-PAGE凝胶----
聚偏二氟乙烯膜----
APOD抗体Abcamab108191
GPC3抗体Abcamab174851
SERPINE1抗体Abcamab222754
GAPDH抗体Abcamab128915
HRP标记二抗Abcamab205718
CCK-8溶液SolarbioCA1210
BioTek Synergy H1酶标仪Agilent--
CKX53倒置显微镜Olympus--
Transwell小室Corning--
MatrigelCorning--
Annexin V-FITC工作液BD Biosciences--
碘化丙啶BD Biosciences--
ImageJ软件----
R软件----
GraphPad Prism----

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
数据获取与预处理
TCGA-STAD和GSE62254数据集的筛选标准(删除无随访或生存时间≤30天的样本),数据标准化方法(TPM、log2转换)。
阅读提示:见2.1节
分子亚型识别
一致性聚类参数(k=2,km算法,1-Spearman相关性,500次bootstrap,80%训练集和20%验证集)。
阅读提示:见2.3节
RiskScore模型构建
模型公式(RiskScore=0.102*APOD+0.063*GPC3+0.174*SERPINE1),高风险组定义(RiskScore>0)。
阅读提示:见2.5节和3.4节
细胞培养与处理
细胞系来源、培养基种类(GES-1用RPMI-1640,AGS用F-12K,HGC-27用RPMI-1640)及FBS浓度(10%),培养条件(37°C,5% CO2)。
阅读提示:见2.9节
siRNA转染
siRNA序列(si-APOD#1: AGGAGAATTTTGACGTGAATAAG; si-APOD#2: GGCCAACTACTCACTAATGGAAA),转染试剂(Lipofectamine 3000)及用量。
阅读提示:见2.9节
体外功能验证
CCK-8实验细胞密度(5×10^3/孔)和检测时间点(24、48、72小时);划痕实验细胞密度(5×10^5/孔)和观察时间(0、48小时);Transwell实验细胞密度(3×10^4/孔)、小室孔径(8μm)和观察时间(48小时)。
阅读提示:见2.12、2.13、2.14节