根据肿瘤微环境预测胰腺癌治疗药物纯生信文章思路

今天小编解读的这篇文献是2020年发表在Cancer Cell International(影响因子4.175)上,题目是Identifcation of prognosis-related genes and construction of multi-regulatory networks in pancreatic cancer microenvironment by bioinformatics analysis。作者通过识别与胰腺癌肿瘤微环境及预后相关的基因列表,进一步研究DEGs,ncRNA和TFs在内的新靶标,全面了解肿瘤微环境与胰腺癌预后的潜在关联,并进一步预测治疗胰腺癌相关药物。

摘要

背景:胰腺癌作为最致命的癌症之一,它的特征是具有丰富的支持性肿瘤基质细胞微环境。尽管免疫检查点阻滞剂的出现为其他癌症患者带来了光明,但由于保护性基质,其在胰腺癌中的临床疗效受到极大限制。因此,迫切需要找到潜在的新靶标并建立多调节网络以预测患者的预后并改善治疗。

方法:作者基于TCGA数据库和ESTIMATE算法的策略,以获取免疫评分和基质评分。从TCGA队列中筛选了与胰腺癌总体生存相关的差异表达基因(DEG)。通过比较高和低免疫评分的整体基因表达以及随后的Kaplan-Meier分析,提取了TCGA队列中胰腺癌总体生存显著相关的DEG。在使用STRING构建了蛋白质-蛋白质相互作用网络并限制了上述DEG中的基因之后,作者利用RAID 2.0,TRRUST v2数据库以及度和介数分析来获得非编码RNA(ncRNA)-关键节点和TF关键节点。最后,建立了多种调节网络,并通过在DrugBank中进行筛选获得了对胰腺癌患者具有潜在益处的关键药物。

结果:在这项研究中,本文获得了246个TCGA中胰腺癌总体生存率显著相关的DEG。随着38个ncRNA关键节点和7个TF关键节点的出现,基于上述关键节点构建了多因素调控网络。筛选出与预后相关的基因和因子,例如HCAR3,PPY,RFWD2,WSPAR和氨苄二胺。

结论:本研究中构建的多调节网络不仅有益于改善胰腺癌的治疗和评估患者的预后,而且有利于实施早期诊断和个性化治疗。推测这些因素可能在胰腺癌的发展中起重要作用。

流程图

结果简述

1. 免疫和基质评分与胰腺癌患者的病理分期和总体生存率相关

在TCGA队列中下载177名胰腺癌患者的基因表达谱和临床信息。根据TCGA数据库中记录的临床信息,将所有胰腺癌病例分为I期,II期,III和IV期。从ESTIMATE获得免疫和基质评分。两个分数的数值分布如下图所示。根据ESTIMATE算法,免疫评分分别在-1559.87和3037.78之间分布,基质评分分别在-1843.32和2179.19之间。第二阶段亚组的胰腺癌病例的平均免疫评分最高,其次是第三阶段和第四阶段,而第一阶段样品的免疫评分最低。同样,胰腺癌各亚组间质评分的排列顺序从最高到最低依次为III期和IV期> II期>I期,尽管差异在统计学上不显著,表明免疫评分与分期相关性方面有意义。如下图所示:

为了发现免疫和/或基质评分与总体生存率之间的潜在相关性,作者将177例胰腺癌病例分为高评分组和低评分组(以零为临界点),并进行了生存分析。Kaplan–Meier生存曲线表明,免疫评分低的病例的5年生存率更长。一致地,尽管在统计学上不显著,但与较高的基质评分相比,较低的基质评分患者可观察到更长的5年总生存期。如下图所示:

2. 胰腺癌基因表达谱与免疫和基质评分的比较
为了探索基因表达谱与免疫和基质评分的相关性,作者分析了177个TCGA胰腺癌的RNAseq-HTSeq-FPKM数据。如下图所示,在高低免疫组和高低基质组之间存在明显的基因表达差异。

根据免疫评分,在高评分组和低评分组中,共筛选了2224个DEGs,其中1922个上调基因和302个下调基因(FC> 2,p <0.05)。关于基质评分,在高评分组和低评分组中筛选了1982个上调基因和160个下调基因(FC> 2,p <0.05)。另外,下图中的维恩图显示了高分组中的1611个通常上调的基因和104个通常下调的基因。

在差异上调的基因中,免疫和基质评分组共有1611个基因,占基因的70.3%。而104个常见的下调基因占29.1%。只有免疫评分与患者的5年总生存率显著相关。通过使用KOBAS 3.0,对高免疫评分组中所有上调的2224个基因进行了功能富集分析。如下图所示,许多基因与肿瘤微环境或免疫功能有关。

3. 个体DEG的表达与总生存期的相关性
为了确定2224个DEGs对5年总生存的影响,生成了Kaplan–Meier生存曲线,其中总共246个基因被确定与总生存预测有关。

4. 预后价值基因之间的蛋白质相互作用

为了研究DEG之间的相互作用,作者利用STRING工具和蛋白-蛋白相互作用(PPI)网络。通过限制具有相互作用的基因仅包含在这246个DEG中,使用Cytoscape软件建立了与5年总体存活率显著相关的PPI网络。如下图所示,该网络由93个节点和158个边组成。
5.有预后价值的DEGs的功能富集分析
为了进一步阐明筛选的93个DEG的主要生物学功能,作者使用基因集富集分析(GSEA)方法对93个基因进行了功能富集分析(p <0.05,FDR <0.25)。如下图所示,这些基因与免疫反应,细胞和亚细胞组成以及细胞或亚细胞成分的移动等生物学上重要的过程密切相关,这与PPI网络分析的结果一致。
5. PPI网络的模块挖掘

作者使用Cytoscape中的MCODE工具进行模块挖掘,共获得了7个模块。值得一提的是,其中一个模块包含十多个节点,如下图所示:

据报道,CXCL5可以激活白细胞并在癌症进展中发挥作用,它也被认为是PPI网络中最关键的基因之一。模块中的其它基因,包括CXCL9,CXCL10,CXCL11,PPY,LPAR3,HCAR3等,主要与胰腺癌或其他肿瘤的预后相关。

6. 在ICGC数据库中进行验证

为了验证从TCGA队列中识别的93个与预后相关的基因的预后意义,作者从ICGC下载并分析了95个胰腺癌病例组的基因表达数据及其相应的临床信息。结果表明,这组数据包含79个预后重要基因,并且通过Kaplan–Meier生存曲线显示了它们在胰腺癌中的预后价值。发现总共有26个基因与不良预后显著相关。

7. 与预后相关的DEG和多重调控网络的度和介数分析

分别使用RAID 2.0和TRRUST v2数据库,作者研究了人类ncRNA与TF和93种预后相关基因之间的相互作用。将这对相互作用对导入Cytoscape软件,以构建具有2228个节点和8616个边的多重调控网络,包括2021个miRNA节点,3个lncRNA节点,89个TF节点和91个mRNA节点。为了获得更准确和有意义的结果,作者使用度和介数分析方法来进一步筛选与预后相关DEG具有重要调节作用的ncRNA,TF和药物。在这里,关键节点包括39个miRNA节点和3个lncRNA节点。10个pivot ncRNA,包括WSPAR,hsa-miR-4425,hsa-miR-4536-5p,hsa-miR-410-5p,hsa-miR-8064,hsa-miR 6871-5p,miR-4767 ,hsa-miR-608,hsa-miR-4481和hsa-miR-3605-3p。

8. 转录因子(TFs)调控与预后相关基因

为了探索可以显著调控预后基因的TF,作者筛选了TRRUST v2数据库中的关键TF节点。将与至少两个与预后相关基因相互作用的节点放入候选TF节点集中。最终获得了7个TF-关键节点。随后,利用TIMER 2.0数据库分析了RFWD2表达水平与免疫细胞浸润的关系。

9. 基于枢纽(pivot)节点的多因素调控网络的构建

接下来,我们根据获得的ncRNA节点和TF节点构建的多调控网络,并删除其余的非枢纽节点。存在四种miRNA,包括hsa-miR-3978,hsa-miR-4276,hsa-miR-4481和hsa-miR-4535,因此最终的网络包括119个节点和241个边,包括7个TF,3个lncRNA和35个miRNA。

10. 探索对胰腺癌有治疗作用的药物

为了探索更多可以显著调节预后相关基因的有效药物,作者筛选了DrugBank数据库中的关键相互作用节点。总共获得了17个药物节点(超几何p <0.05)。下表列出了包括Amcinonide和Octreotide在内的10种最显著的药物。

作者通过基于ETIMATE算法的免疫评分和TCGA胰腺癌训练队列的功能富集分析,提取了与肿瘤微环境相关的基因列表。随后验证了这些基因。进一步研究包括DEGs,ncRNA和TFs在内的新靶标,可以全面了解肿瘤微环境与胰腺癌预后的潜在关联。并进一步预测治疗胰腺癌相关药物。

文献解读

运用结构生物学方法解析了蛋白结构并通过分子生物学验证

2020-8-10 21:13:35

文献解读

研究热点:RNA结合蛋白(RBP)

2020-8-10 21:17:41

加入Q群
0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索