7+衰老+分型+预后模型生信思路,没思路的同学们可参考

今天给同学们分享一篇生信文章“Identification and validation of a novel senescence-related biomarker for thyroid cancer to predict the prognosis and immunotherapy”,这篇文章发表在Front Immunol期刊上,影响因子为7.3。

dcdaac078aa38c0cda4849f36b2e296e.jpeg

结果解读:

三个衰老亚型的鉴定

PPI网络显示,与衰老相关的基因之间存在复杂的相关性,并涉及多种细胞功能,如有机酸代谢过程、细胞代谢过程和代谢过程。共识聚类结果显示,在k = 3时存在显著差异,呈缓坡曲线(图1A-C)。因此,TCGA-THCA患者被分为1、2和3个亚型。热图显示这三个亚型有明显的边界(图1D)。为了确定衰老相关基因不同表达模式是否影响THCA的预后,对三个亚型之间进行了K-M生存分析,结果显示亚型2的预后最好,亚型3的预后最差(图1E)。通过分析三个亚型中免疫检查点的表达,探索了衰老与免疫活性之间的关系。显著表达的免疫检查点包括IL10RB、PDCD1LG2、PDCD1、BTLA、CSF1R、TIGIT、LGALS9、CTLA4、IL10、HAVCR2、VTCN1、IDO1、KDR、CD244、CD274、TGFBR1、TGFB1和LAG3(p < 0.05)(图1F)。

9b96b0d816e927129d8465052d842b5f.jpeg


评估衰老亚型中的免疫细胞浸润

MCPCOUNTER算法被用来探索三个亚型中的免疫细胞浸润(图2)。亚型1含有最多的成纤维细胞。亚型2显示出最多的CD8 T细胞、细胞毒性淋巴细胞、髓样树突状细胞、中性粒细胞和T细胞。亚型3含有最多的内皮细胞和单核细胞系。亚型2中免疫细胞的高比例,可以部分解释有利的预后。

f36371bac331bbc01ca5a209bbfa720a.jpeg


衰老相关标志的鉴定

使用单变量Cox回归分析来确定三个衰老亚型中的差异表达基因(DEGs)。其中包括15个保护性基因,包括XKRX、DOCK6、TCIM、NELL2、FAM111B、DTX4、TRIM21、RMI2、LCMT1、APOE、TUSC3、AC005479.2、PGPEP1、MCM3和PSMB7(风险比为0.428、0.187、0.622、0.711、0.290、0.688、0.166、0.334、0.189、0.711、0.646、0.439、0.294、0.248和0.107),以及8个风险基因,包括ADAMTSL4、ANTXR1、TMX4、SEMA6B、CNST、MRPS10、LPGAT1和TMEM167A(风险比为2.476、2.976、8.495、2.911、3.752、7.674、2.951和8,595)(图3A)。随后,LASSO分析进一步缩小了候选基因范围,筛选出了10个具有最佳λ值的衰老相关基因(图3B、C)。确定了6个衰老相关基因,并用于构建风险公式:(-1.7274663260496 * DOCK6表达)+(1.27110457900683 * ADAMTSL4表达)+(-0.885359668808328 * FAM111B表达)+(1.4076646152426 * SEMA6B表达)+(2.43200689265228 * MRPS10表达)+(-4.57826818302534 * PSMB7表达)。根据中位数风险评分,将患者分为低风险和高风险亚组。对训练子集和两个测试子集进行了K-M生存分析,结果显示低风险的甲状腺乳头状癌(THCA)的预后明显优于高风险的甲状腺乳头状癌(p < 0.001,p < 0.001和p = 0.023)(图3D-F)。ROC分析显示,在TCGA-all子集中,1年、3年和5年的生存AUC分别为0.959、0.920和0.893;在TCGA-train子集中,1年、3年和5年的生存AUC分别为0.968、0.922和0.960;在TCGA-test子集中,1年、3年和5年的生存AUC分别为0.945、0.944和0.776,表明该标志的预测能力非常稳定(图3G-I)。将中位风险评分设为阈值并绘制生存状态图,结果显示几乎所有高风险的甲状腺乳头状癌患者都死亡,进一步证明了作者的衰老相关标志的稳定性(图4A-F)。热图显示了低风险和高风险甲状腺乳头状癌中六个标志基因的表达情况,并且在训练和测试子集中趋势一致(图4G-I)。三个子集的PCA确认了低风险和高风险甲状腺乳头状癌之间的完全分离(图4J-L)。模型比较结果显示,罗等人、李等人和王等人的签名的C指数低于作者的签名(0.589、0.786和0.875至0.927)。

9c2b291a9127e162c7b6e5efcaa989a3.jpeg

7c8ea07ad652862af918b2a2bbd9d708.jpeg


建立一个等高线图

为了为个体构建一个更有用的工具,基于性别、M分期、T分期、N分期、年龄、临床分期和风险评分(图4M)构建了一个等高线图。通过结合所有项目获得的每个患者的最终等高线图得分可以用来预测1年、3年和5年的生存率。此外,校准曲线显示等高线图在预测生存方面具有完美的准确性(图4N)。此外,ROC分析显示等高线图的AUC(0.986)比其他因素(风险0.945、年龄0.970、性别0.613、临床分期0.782、T分期0.780、M分期0.487和N分期0.515)更高,表明等高线图是最稳定的预测因素(图4O)。


衰老相关标志的临床相关分析

为了进一步探索该标志的临床相关性,计算了年龄、性别、T分期、N分期、M分期和临床分期与该标志之间的关系。结果显示,年龄>65岁的风险高于年龄≤65岁,T3期的风险高于T1期,N1期的风险高于N0期,临床分期II期的风险高于临床分期I期,临床分期III期的风险高于临床分期II期(分别为p = 0.0012,p = 0.025,p = 0.027,p = 0.0015和p = 0.021)(图5)。

dea2853f2935d04a278119949ff4f2bc.jpeg

尽管在训练和测试子集中已经证明了低风险和高风险甲状腺乳头状癌(THCA)的生存差异,但还进行了亚组分析以进一步确认该标志的预测能力。结果显示,在年龄大于65岁、女性、男性、N0、N1、T1-2、T3-4、I-II期和III-IV期的亚组中,低风险THCA的预后明显优于高风险THCA(分别为p = 0.008、p = 0.001、p = 0.010、p = 0.039、p = 0.002、p = 0.025、p = 0.001、p = 0.034和p < 0.001)(图6)。

0a87314902a1e80ce36988c9f91b2634.jpeg


免疫细胞浸润和活性

七种免疫算法显示,衰老相关的特征与NK细胞、Th1细胞和细胞毒性细胞呈负相关,与内皮细胞、基质评分、巨噬细胞、非调节性CD4 T细胞、单核细胞系和髓样树突状细胞呈正相关(图7A)。关于免疫检查点,TIGIT、LGALS9、CTLA4、VTCN1、NECTIN2、ADORA2A、KDR、CD274、CD160、TGFBR1和LAG3在低风险和高风险甲状腺癌之间存在显著差异(p < 0.01)(图7B)。高风险甲状腺癌中存在更高比例的内皮细胞、单核细胞系、髓样树突状细胞和NK细胞浸润(p < 2.22e-16,p = 0.00061,p = 0.00075和p = 0.0003,分别)。此外,低风险甲状腺癌患者观察到更高比例的CD8 + T细胞和细胞毒性淋巴细胞(p = 0.0079和p = 7.8e-06,分别)(图7C)。

ca12101d1f168f8d5246ad57ba3cde32.jpeg


免疫疗法反应

TIDE评分在低风险亚型中较低,表明低风险的甲状腺乳头状癌患者可能对免疫治疗有更好的反应(p < 0.05)(图8A)。此外,CD274、IFNG和MDSC水平在低风险亚型中均较高,这也支持低风险甲状腺乳头状癌患者有更好的反应(p < 0.05)(图8A)。随后,探索了四个亚组中的IPS。结果显示,在CTLA4–PD1–、CTLA4–PD1+、CTLA4+ PD1–和CTLA4+ PD1+亚组中,低风险甲状腺乳头状癌表现出较高的IPS(p = 7e-09、p = 9e-05、p = 2.5e-08和p = 7.9e-07),预示着更好的免疫治疗反应(图8B)。

753461961fb984ce20cb9bc2a949638c.jpeg


低风险和高风险的甲状腺滤泡状癌的功能富集分析

为了进一步研究低风险和高风险甲状腺乳头状癌的细胞功能和通路,根据FDR < 0.05和p < 0.05的标准,确定了两个亚型之间的差异表达基因(DEGs)。BP分析显示,前三个富集功能为甲状腺激素代谢过程、激素代谢过程和有机酸转运(图9A)。CC分析显示,前三个富集功能为顶端质膜、细胞顶部和含胶原的细胞外基质(图9A)。MF分析确认了d-己糖醛酸脱氢酶、醛酮还原酶(NADP)和醇醛NADP+ 1-氧化还原酶活性是最富集的功能(图9A)。KEGG分析显示,前五个富集通路为细胞因子-细胞因子受体相互作用、甲状腺激素合成、血管平滑肌收缩、Wnt信号通路和磷脂酶D信号通路(图9B)。GSEA揭示了两个甲状腺乳头状癌亚型的差异分子功能。结果显示,丁酸代谢、甘氨酸、丝氨酸和苏氨酸代谢、类固醇激素生物合成、缬氨酸、亮氨酸和异亮氨酸降解以及血管平滑肌收缩在高风险的甲状腺乳头状癌(图9C)中起着重要作用。此外,移植排斥、DNA复制、蛋白酶体、核糖体和I型糖尿病是低风险甲状腺乳头状癌中富集的前五个通路(图9C)。

7bd61c17159339e6621e5653bbb2740d.jpeg


低风险和高风险的甲状腺乳头状癌的药物敏感性

为了预测几种常见药物的敏感性,对低风险和高风险的甲状腺乳头状癌(THCA)进行了药物分析。AKT抑制剂VIII、GSK1070916和雷帕霉素在低风险的THCA中显示出更高的敏感性(p = 2.6e-05,p = 0.0024和p = 7.4e-09)。此外,在高风险的THCA中,5-氟尿嘧啶、博来霉素、克里索替尼、多柔西汀、厄洛替尼和吉西他滨的敏感性较低(p = 3.2e-08,p = 0.018,p = 0.033,p < 2.22e-16,p = 9.8e-11,p = 0.0099)(图10)。

ce76816fe018bee6ea5761b72baf8b4b.jpeg


THCA中的基因表达

为了进一步展示甲状腺乳头状癌(THCA)中六个标志基因的异常表达,作者使用两个独立的数据集TCGA-THCA和GSE33630进行了表达分析。结果显示,ADAMTSL4、DOCK6、FAM111B和SEMA6B在THCA中的表达水平高于正常样本(p < 0.05),而MRPS10和PSMB7的表达水平低于正常样本(p < 0.05)(图11A、B)。

ed9daaacca25122d409a9327fe846170.jpeg


总结

总之,本研究确定了一种新的衰老相关预后标志,包含六个基因。与其他临床基因预测模型,如乳腺癌症的基因复发评分和基因签名测试(MammaPrint)相比,基因签名具有更好的经济可行性。使用该特征计算的风险评分可以独立预测THCA患者的生存率和免疫治疗益处。作者新的衰老相关模型可能在未来用于THCA靶向治疗。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/202491.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vue3 print ts打印组件

依赖安装 npm install vue3-print-ts 全局注入 import { createApp } from vue import App from ./App.vue import Print from vue3-print-tsconst app createApp(App) app.directive("print", Print) 页面使用&#xff08;element plus ui 例子&#xff09; &…

STM32CubeIDE的stm32f4xx_hal_conf.h配置文件的一点功能解释

STM32CubeIDE的程序功能写多了&#xff0c;一般不愿意再次使用.ioc这个配置工程的底层了&#xff0c;因为有部分程序是直接改配置的&#xff0c;一旦再次生成就会冲掉自己改的部分&#xff0c;因为不能自己定义 /* USER CODE BEGIN 1 *//* USER CODE END 1 */这样的不被重新生成…

Django大回顾 - 8 中间件、csrf认证相关

【1】中间件 中间件是什么&#xff1f; 中间件顾名思义&#xff0c;是介于request与response处理之间的一道处理过程&#xff0c;相对比较轻量级&#xff0c;并且在全局上改变django的输入与输出。因为改变的是全局&#xff0c;所以需要谨慎实用&#xff0c;用不好会影响到性能…

docker镜像管理,仓库管理基本命令

镜像管理 搜索镜像 语法&#xff1a; docker search 镜像名 [-f stars100] [rootlocalhost ~]# docker search nginx NAME DESCRIPTION STARS OFFICIAL AUTOMATED nginx …

React Node.js 和 Prisma 构建全栈框架

特点 快速入门&#xff1a;由于其表现力强&#xff0c;您可以使用很少的简洁、一致的声明性代码从头开始创建和部署生产就绪的 Web 应用程序。无样板代码&#xff1a;通过抽象出复杂的全栈功能&#xff0c;可以减少样板代码。这意味着需要维护和理解的代码更少&#xff01;这也…

用100ask 6ull配合 飞凌 elf1的教程进行学习的记录 - ap3216

100ask板子 不用改 ap3216.c "ap3216creg.h" 添加到drivers/misc 从这抄的: https://gitee.com/flameboyence/linux_driver_example/tree/master/22_i2c #include <linux/types.h> #include <linux/kernel.h> #include <linux/delay.h> #includ…

2023亚太地区五岳杯量子计算挑战赛

计算电源网 (CPN&#xff09;布局优化 1. 介绍 计算能力网络 &#xff08;CPN&#xff09;是一种基于业务需求分配和调度计算资源的新型信息基础设施&#xff0c;计算资源通常由终端用户、边缘服务器和云服务器组成。该网络旨在满足各种计算任务的需求。根据计算需求的空间分…

Qt/C++音视频开发57-切换音视频轨道/切换节目流/分别切换音频视频轨道

一、前言 对各种音视频文件格式的支持&#xff0c;是一个播放器的基础功能。一般的音视频文件只有1路流&#xff0c;比如音频文件只有1路音频流&#xff0c;视频文件只有1路音频1路视频流&#xff0c;实践过程中发现&#xff0c;还有一种ts格式的文件&#xff0c;可能有多路流…

Unity 关于transform.parent与transform.root

在Unity中我们要访问上层对象&#xff0c;他有两个属性&#xff1a;transform.parent和transform.root。 不过它们是有区别的。 transform.parent属性返回的是对象的父级Transform组件&#xff0c;父级就是它的上一级。假如游戏对象没有父对象&#xff0c;那么返回null。 而…

批量免费AI写作工具,批量免费AI写作软件

人工智能&#xff08;AI&#xff09;的应用在各个领域不断创新。面对繁重的写作任务,我们应该怎么完成&#xff1f;本文将专心分享批量免费AI写作的方法、工具以及选择时需要注意的事项。 批量免费AI写作的方法 利用开源AI模型 一种常见的批量免费AI写作方法是利用开源的AI模…

2024年十大最好猫罐头有哪些?2024年10款最好的猫罐头盘点

我发现不少人有这样的困扰&#xff01;买到各种数值都很好的猫罐头后&#xff0c;猫咪一点都不吃。或者是猫咪吃了猫罐头之后&#xff0c;吃了一段时间后就软便身体不舒服。 通过本文&#xff0c;我将与大家盘点2024年10款最好的猫罐头&#xff0c;并提供一些选购猫罐头的小妙招…

第三方组件自定义扫描规则

第三方例如dubbo自定义扫描组件规则方式注入进容器。例如DubboService注解的类注入进容器中&#xff0c;实现ImportBeanDefinitionRegistrar接口&#xff0c;并通过Import注解注入。 Import除了注入ImportBeanDefinitionRegistrar类&#xff0c;还可以注入配置类Configuration和…

Spacemesh、Kaspa和Chia的全面对比!

当今区块链领域&#xff0c;PoST&#xff08;Proof of Space and Time&#xff09;共识算法引领着一股新的技术浪潮。在这个热潮下&#xff0c;Chia项目作为PoST共识机制的经典项目&#xff0c;和目前算力赛道备受瞩目的Kaspa项目&#xff0c;都是不可忽视的存在。虽然这两个项…

虚拟数字人直播软件,是如何提升直播带货效率的?

近年来&#xff0c;随着直播带货的兴起&#xff0c;虚拟数字人直播软件成为了一个备受瞩目的新兴领域。无人直播带货通过虚拟数字人主持直播和推销产品&#xff0c;为商家带来了全新的营销方式。那么&#xff0c;虚拟数字人直播软件是如何进行无人直播带货的&#xff0c;有哪些…

Linux入门指南:Linux环境变量解析

Linux环境变量解析 前言基本概念和作用常见的环境变量设置环境变量Shell脚本和环境变量环境变量的一些小规则 前言 你是不是经常听说Linux环境变量&#xff0c;但又对它一头雾水&#xff1f;别着急&#xff0c;让我们一起来揭开这个神秘的面纱&#xff0c;探索一番吧&#xff…

【网络安全技术】IPsec——AH和ESP

一、IPsec通信 主要是两个协议&#xff0c;认证头AH&#xff08;Authentication Header&#xff09;和封装安全载荷ESP&#xff08;Encapsulate Security Payload&#xff09;。AH提供了认证&#xff08;integrity&#xff0c;抗否认&#xff0c;抗重放&#xff09;&#xff0c…

为什么发布实验报告

各位为什么能够看到这篇博文&#xff0c;90%的缘故是因为搜索到了完全雷同的实验报告&#xff0c;如果不是这个原因来的&#xff0c;后面部分可以不看了。 博主本人最近终于有被所谓查水表&#xff0c;并且试图开盒&#xff0c;当然博主不在意&#xff0c;毕竟当年缘分已尽&…

Python中字符串列表的相互转换详解

更多资料获取 &#x1f4da; 个人网站&#xff1a;ipengtao.com 在Python编程中&#xff0c;经常会遇到需要将字符串列表相互转换的情况。这涉及到将逗号分隔的字符串转换为列表&#xff0c;或者将列表中的元素连接成一个字符串。本文将深入讨论这些情景&#xff0c;并提供丰富…

大模型应用设计的10个思考

技术不是万能的&#xff0c;但没有技术却可能是万万不能的&#xff0c;对于大模型可能也是如此。基于大模型的应用设计需要聚焦于所解决的问题&#xff0c;在自然语言处理领域&#xff0c;大模型本身在一定程度上只是将各种NLP任务统一成了sequence 到 sequence 的模型。利用大…

SAP MM 中的业务伙伴确定配置

这篇博客文章将概述 SAP MM 供应商帐户组中的合作伙伴确定是什么以及如何在 S/4 系统中配置它。 本文将指导您完成分步过程&#xff0c;并为您提供有关在供应商主数据中使用合作伙伴确定的完整想法。 合作伙伴角色 供应商在 SAP 中扮演着不同类型的角色&#xff0c;让我们通…