Ⅱ daļa Metaboliskā izpratne par ģenētisko disregulāciju nieru tīro šūnu karcinomas audzēja mikrovidē

Rezultāts

1. Diferenciāli ekspresētu metabolisko gēnu identifikācija KIRC.

Lai izpētītu vielmaiņas disregulāciju KIRC, mēs izpētījām pieejamos TCGA datus, lai iegūtu dziļu ieskatu par metabolismu mērķtiecīgu terapiju klīnikā. Šim nolūkam mēs izvēlējāmies 1916 vielmaiņas gēnu kopu, kas tika krustoti no divām dažādām datu kopām [16, 17], un tika atlasīti 1100 atšķirīgi ekspresēti gēni audzēja un normālos audos (2. papildu tabula). Šie atšķirīgi izteiktie vielmaiņas gēni tika attēloti vulkānos un siltuma kartēs (attēls 1 (a) un 1 (b)). No 1100 atšķirīgi izteiktiem vielmaiņas gēniem 78 gēni tika regulēti un 163 gēni tika samazināti. Turklāt 859 gēni bija nemainīgi. Siltuma karte attēlo šo diferenciālo vielmaiņas gēnu individuālās ekspresijas indeksu audzēja un normālos paraugos (1. attēls (b)). Tālāk mēs identificējām 10 labākos atšķirīgi izteiktos vielmaiņas gēnus; starp tiem ENPP3, NNMT, CYP2J2, SCD un HK2 tika regulēti augstāk un HSD11B2, HMGCS2, HPD, HS6ST2 un ALDOB tika samazināti. Šo DEmG lodziņu diagrammas ir parādītas 1. (c) attēlā. No pārregulētajiem gēniem ENPP3 ir ~7-kārtīgi izteikts audzējos. Alternatīvi, analizētajos audzēju paraugos gēns ALDOB ir ~5-reižu samazināts.

Turklāt mēs novērtējām DEmG KEGG ceļu un GO analīzes. KEGG ceļa analīze atklāja, ka augšregulētie gēni bija ievērojami bagātināti ar oglekļa metabolismu, HIF1 signalizāciju un glikolīzi / glikoneoģenēzi ar augstāku gēnu attiecību (8–9 gēnu skaits katrā ceļā) (1. attēls (d)). Tāpat starp pazeminātajiem DEmG mēs atklājām, ka oglekļa metabolisms un valīna, leicīna un izoleicīna noārdīšanās bija galvenie ceļi, ko ietekmēja metaboliski aktīvie gēni (1. attēls (e)). Ar peroksisomu organellu saistītie ceļi tika ievērojami bagātināti arī samazinātā gēnu audzēju paraugu grupā. Ievērības cienīgs ir tas, ka, salīdzinot ar augšupregulēto gēnu ceļiem, ceļiem, kas saistīti ar samazinātiem gēniem, ir augstākas nozīmīgas p vērtības. Ir vērts pieminēt, ka lielākā daļa KEGG ceļu, kas bagātināti ar pazeminātām gēnu kategorijām, bija saistīti ar aminoskābju metabolismu. Lai vēl vairāk izdalītu DEmG iesaistīšanos audzēja veidošanās procesā, tika veiktas augšupregulētu un pazeminātu gēnu GO funkcionālās analīzes. Mēs sadalījām GO ontoloģiju trīs funkcionālās subontoloģijas grupās: BP (bioloģiskais process), CC (šūnu komponents) un MF (molekulārā funkcija) (attēls 1 (f) un 1 (g)). Turklāt GSEA analīze atklāja būtisku to gēnu bagātināšanas pieaugumu, kas saistīti ar BENPORATH_MYC_TARGETS_WITH_EBOX audzējiem, savukārt BRUN{11} } MIELOĪDĀS_ŠŪNAS_ATTĪSTĪBA_AUGŠU, KEGG_ALFA_ LINOLĒNS_SKĀBES_METABOLISMS un KEGG{ Tika konstatēts, ka {19}}ĒTERIS_ LIPĪDS_METABOLISMS ir negatīvi bagātināts. Nākamajā posmā mēs izveidojām proteīnu un olbaltumvielu mijiedarbības PPI tīklu ar augšup un lejup regulētiem DEmG. Vairāki gēni parādīja mijiedarbību savā starpā. Izmantojot šo gēnu mijiedarbību, mēs izolējām centrmezglu gēnus. Katrs mezgls ir diskrēts no otra, pamatojoties uz pakāpes vērtību; turklāt mēs izolējām 7 labākos PPI centrmezgla gēnus. Mēs arī pētījām korelāciju starp šo centrmezgla gēna ekspresiju un KIRC klīniski patoloģiskajām iezīmēm TCGA datu kopās.

Noklikšķiniet šeit, lai uzzinātukādas ir Cistanche priekšrocības.

2. Tīkla analīze atklāj pamata vielmaiņas izmaiņas dažādās audzēju ontoloģijās.

Pēc tam tika atlasīti DEmG ekspresijas dati un izmantoti kā WGCNA ievades dati, kas identificēja 6 atšķirīgus koekspresijas moduļus, kas satur atšķirīgu gēnu skaitu katram modulim (attēls 2 (a)). Mēs korelējām diferenciālos gēnus ar ārējām pazīmēm un identificējām moduļus, kas bija būtiski saistīti ar klīniskajām iezīmēm (attēls 2 (b)). Pamatojoties uz korelācijas koeficientu, mēs noskaidrojām, ka MEturquoise moduļi bija negatīvi korelēti ar izdzīvošanas statusu. GO un KEGG ceļu bagātināšanas analīzes tika veiktas, izmantojot gēnus no šiem moduļiem (attēls 2 (c) un 2 (d)). Visbagātinātākie KEGG ceļi bija valīna, leicīna un izoleicīna noārdīšanās; oglekļa metabolisms; propanoāta metabolisms; taukskābju metabolisms; taukskābju sadalīšanās; peroksisomu un butanoāta metabolisms; glioksilāta un dikarboksilāta metabolisms; un triptofāna metabolisms (2. attēls (c)). Gēni, kas saistīti ar BP terminiem, pārsvarā tika bagātināti mazo molekulu, karbonskābes un organiskās skābes kataboliskajos procesos. Gēni, kas saistīti ar CC terminiem, galvenokārt tika bagātināti mitohondriju matricā. Atšķirīgi ekspresētie gēni, kas saistīti ar MF, galvenokārt tika bagātināti ar koenzīma saistīšanos (2. attēls (d)). Turklāt izdzīvošanas modulī mēs veicām 8 gēnu izdzīvošanas analīzi. Pacientiem ar augstāku ACADSB, PANK1, SLC25A4, PCCA, HADH, AUH, ACAT1 un ALDH6A1 ekspresiju bija ilgāks izdzīvošanas rādītājs nekā pacientiem ar zemāku šo gēnu ekspresiju (p=0) (2. e)–2( attēls). l)).

3. KIRC pacientu grupēšana.

Mēs atlasījām labākos DEmG klasteru analīzei; KIRC pacienti tika sagrupēti trīs klasteros, pamatojoties uz vielmaiņas gēnu diferenciālo ekspresiju. Attēlā 3 (a) parādītas DEmG siltuma kartes KIRC pacientiem. Krāsu skala norāda ekspresijas vērtību (gaiši zils norāda uz zemāku izteiksmes vērtību; tumšāks zils norāda uz augstākām gēnu ekspresijas vērtībām).

KM līknes tika uzzīmētas, lai salīdzinātu kopējo trīs klasteru dzīvildzi KIRC pacientiem. Kopējie dzīvildzes rādītāji būtiski atšķīrās trīs klasteros (p < {{0}}:01 3. attēls (b)). 1. klasterī bija sliktāks izdzīvošanas rādītājs, salīdzinot ar 2. un 3. klasteru. PFS izdzīvošanas rādītājs arī būtiski atšķīrās starp 3 klasteriem (p < 0:001, 3. attēls (c)), un 1. klastera PFS izdzīvošanas rādītājs bija sliktāks, salīdzinot ar 2. un 3. kopu.

Dažādas krāsas mūsu modelī atspoguļo klīniskos parametrus un pamatā esošās patoloģiskās stadijas (3. attēls (d)). 3. klasterī ir zemāka Mo attiecība un augstāka M1 vērtība, salīdzinot ar 1. un 2. kopu, kas liecina par augstāku vēža metastāzēm un progresīvāku audzēju stadiju 3. klasterī nekā 1. un 2. klasterī. Līdzīgi 3. klasterī vēzis ir vairāk izplatījies limfmezglos. (augstāks N1), salīdzinot ar 1. un 2. klasteriem. Lielākajai daļai KIRC pacientu tika diagnosticēts III un IV posms (3. attēls e) un 3 f) attēls, kas liecina par lielākiem vai paplašinātiem audzējiem, kā arī audzējiem. asins vai limfātisko sistēmu uz attālu ķermeņa reģionu.

4. Trīs klasteru imūnsistēmas statuss.

Mēs izmantojām ESTIMATE algoritmu, lai novērtētu virknes KIRC audu stromas un imūnsistēmas rādītājus, pamatojoties uz to metabolisma transkripcijas profiliem (4. attēls (a)). Vēlāk šie rādītāji tika ņemti vērā, lai izstrādātu uz stromas imūnsistēmu balstītu metabolisko gēnu parakstu prognozes stratifikācijai KIRC. Kā parādīts 4. attēlā (a), trīs klasteru grupas (C1, C2 un C3) tika stratificētas lodziņos, pamatojoties uz to stromas imūnsistēmu. Starp trim kopām C1 uzrādīja augstāku nozīmīgu punktu skaitu gan stromas, gan imūnsistēmas klasifikācijā.

Turklāt CIBERSORT analizēja trīs kopas ar p-vērtību < 0.1 (4. attēls (b)). Audzēja tīrība, imūnsistēmas rādītājs un stromas rādītājs, kā arī 3 klasteru patoloģiskie posmi ir parādīti siltuma kartes augšdaļā. Šajā analīzē mēs galvenokārt atklājām, ka regulējošās T šūnas (Tregs) bija bagātinātas klasterī C1 un pacienti C1 galvenokārt bija III un IV patoloģiskā stadijā. Turklāt C1 klastera aktivētās NK šūnas, CD8 plus T šūnas, T folikulu palīgšūnas un M0 makrofāgi; CD8 plus T šūnas un T folikulu palīgšūnas C2 klasterī; un C3 klasterī tika konstatētas arī miera stāvoklī esošās tuklo šūnas, M2 makrofāgi, miera atmiņas CD4 T šūnas, monocīti, naivas B šūnas un M1 makrofāgi (4. attēls (b)).

Papildus CIBERSORT mēs izmantojām citas algoritmiskās pakotnes, lai pārbaudītu imūnās infiltrācijas statusu. MCP analīzes hierarhiskā siltuma karte ir parādīta 4. (c) attēlā. Galvenie MCP analīzes atklājumi bija neitrofilu infiltrācija un endotēlija šūnu infiltrācija klasterī C3, kas trūka klasterī C1. Šī analīze atklāja arī NK šūnu, monocītu līniju un mieloīdo dendrītu šūnu infiltrāciju klasterī C3. Citas imūno šūnu populācijas tika sajauktas trīs analizētās kopās (4. attēls (c)).

Lai papildinātu CIBERSORT un MCP analīzes, mēs izmantojām ssGSEA, lai kvantitatīvi noteiktu infiltrācijas līmeņus imūno šūnu tipiem, kas ieviesti R paketē GSVA. Trīs klasteru dati tika ievadīti ssGSEA pakotnē un ieguva 28 ar imūnsistēmu saistītu šūnu un tipu bagātību KIRC paraugos. Rezultāti atklāja, ka C1 un C2 bija vairāk imūnās infiltrācijas; dažas iedzimtas imūnās šūnas, tostarp NK, neitrofīli un eozinofīli, tika sajaukti 3 klasteros (4. attēls (d)).

5. Uz DEmG balstīta prognozēšanas modeļa uzbūve un apstiprināšana.

Visbeidzot, mēs izveidojām un apstiprinājām prognozēšanas modeli, pamatojoties uz vielmaiņas gēnu diferenciālo ekspresiju. Mēs aprēķinājām ar imūnsistēmu saistīto DEmG riska rādītāju, pamatojoties uz kopējo dzīvildzi. Šim nolūkam mēs izveidojām divas grupas riska punktu korelācijas novērtēšanai; viens ir paredzēts apmācības grupai, bet otrs - testēšanas grupai. Mēs atklājām, ka kopējā dzīvildze bija zema un izkliedēta visā riska rādītājā (5. att. a) un 5. b. attēls. Pēc tam, pamatojoties uz vidējo riska rādītāju, mēs KIRC pacientus piešķīrām augsta un zema riska grupām turpmākai novērtēšanai. Pēc tam mēs veicām šo divu riska grupu izdzīvošanas analīzi apmācību un testēšanas grupās. Kā gaidīts, tika konstatēts, ka augsta riska grupām ir zema dzīvildze, salīdzinot ar zema riska grupām (5. (c) un 5 (d) attēls). Turklāt ROC līknes analīze tika veikta kohortu apmācībai un testēšanai. Mēs novērojām ROC rādītāju 0,68 pēc 5 gadiem testēšanas grupās, kas norāda uz labu sniegumu KIRC prognozes prognozēšanā (5. attēls (e) un 5 (f)). Papildus ROC līknes analīzei mēs arī izpildījām LASSO COX regresijas modeli, lai apstiprinātu mūsu prognostisko modeli, kā to norāda daļēja iespējamības novirze (5. papildu attēls (a)) un DEmG regresijas koeficients (5. papildu attēls (b)). Visbeidzot, tika prognozēts, ka pieci gēni (ABCG1, CRYL1, FDX1, PANK1 un SLC44A) ir potenciālie prognostiskie faktori ar HR <1 (papildu attēls 5 (c)).

6. KIRC progresēšanas pamatā esošie mehānismi.

Lai tālāk izpētītu KIRC progresēšanas pamatā esošo mehānismu, mēs veicām diferenciālās izteiksmes analīzi starp visām kopām un izmantojām siltuma kartes diagrammu, lai vizualizētu rezultātus (6. attēls (a)). Lai identificētu DEmG signalizācijas ceļus, mēs veicām DEG KEGG un GO bagātināšanas analīzes trīs klasteros. Īsāk sakot, šie rezultāti atklāja, ka trīs klasteru DEG galvenokārt bija bagātināti ar fokusa adhēziju, Foxo signalizācijas ceļu un Apelin signalizācijas ceļu klastera C3 un minerālvielu absorbcijai, neitrofilu ekstracelulāro slazdu veidošanos un staphylococcus aureus infekciju klasterim C2 (attēls 6). (b)). Turklāt DEG GO funkcionālā analīze atklāja ar MF, CC un BP saistītas ontoloģijas, kas parādītas 6. attēlā (c). Interesanti, ka diferenciālās ekspresijas analīze atklāja gēnu regulēšanas patoloģisku uzvedību trīs klasteros. Lielākoties NUDT1 bija ļoti izteikts C1, kam bija vissliktākā izdzīvošana. Turpmākā izpēte atklāja, ka NUDT1 ekspresija tika ievērojami samazināta, progresējot no C1 uz C3 (6. attēls (d)). Turklāt tika konstatēts, ka KIRC audzēju paraugos NUDT1 ir pārregulēts (6. attēls (e)). Pēc tam mēs izcēlām NUDT1 ekspresiju katrā audzēja stadijā (6. attēls (f)). Kopējās dzīvildzes analīze tika veikta arī ar Kaplan-Meier ploteri, un mēs atklājām, ka pacientiem ar augstāku NUDT1 ekspresiju bija sliktāka kopējā dzīvildze (HR=1:82 (1,34–2,48), log-rank p {{27} }:00012) (6. attēls (g)).

Visbeidzot, mēs veicām KEGG un GO funkcionālās bagātināšanas analīzes gēniem, kas mijiedarbojas ar NUDT1. Gēni tika sadalīti divās grupās - pozitīvi korelēja ar NUDT1 un negatīvi korelēja ar NUDT1. KEGG ceļa analīze parādīja, ka pozitīvi korelētie gēni galvenokārt tika bagātināti ribosomu ceļā, Hantingtona slimībā, amiotrofiskajā laterālajā sklerozē un Alcheimera slimībā. No otras puses, negatīvi korelētie gēni tika bagātināti galvenokārt ar B hepatīta un Foxo signalizāciju (6. attēls (h)). Turklāt trīs dažādu grupu MF, CC un BP GO ontoloģija gan pozitīvi, gan negatīvi korelētiem gēniem tika parādīta 6. attēlā (i). Turklāt mēs noskaidrojām, ka NUDT1 ekspresija bija ļoti korelēta ar imūno šūnu infiltrāciju (6. papildu attēls) un dažādām KIRC pacientu klīniskajām iezīmēm (1.

Cistanche piedevas

7. NUDT1 zudums kavē nieru vēža šūnu proliferāciju un migrāciju.

Pēc tam mēs salīdzinājām NUDTI ekspresijas līmeni KIRC audos un ar tiem saistītajos normālajos audos, kas atklāja, ka NUDT1 ir ļoti izteikts KIRC audos (7. attēls (a)). Turklāt mēs noteicām NUDT1 zuduma ietekmi uz nieru vēža šūnu līnijām, izmantojot siRNS mediētu inhibīciju. NUDT1 tika mērķēts uz siRNS notriekšanu divās šūnu līnijās 786-O un ACHN, un NUDT1 mRNS līmenis tika veiksmīgi inhibēts, par ko liecina qPCR analīze (7. attēls (b)). Pēc siRNS izraisītas NUDT1 notriekšanas šūnu dzīvotspējas tests uzrādīja samazinātu šūnu dzīvotspēju abās šūnu līnijās (attēls 7 (c) un 7 (d)). Pēc tam šūnu migrācijas tests pēc NUDT1 iznīcināšanas uzrādīja ievērojami samazinātu šūnu migrāciju NUDT1-noplicinātajās 786-O un ACHN šūnās (7. attēls (e) un 7 (f)). 786-O šūnu migrācijas spēja tika samazināta līdz aptuveni 50 procentiem, un pēc NUDT1 notriekšanas tika novērots ACHN šūnu samazinājums par 70 procentiem (7. attēls (f)). Šūnu invāzija tika kavēta arī abās šūnu līnijās, kad NUDT1 gēns tika nojaukts (7. attēls (g) un 7 (h)). Lai papildinātu migrāciju, mēs veicām arī brūču dzīšanas testu, kad NUDT1 bija izsmelts no 786-O un ACHN šūnu līnijām, un mēs novērojām līdzīgus rezultātus par samazinātu brūču dzīšanas spēju abās šūnu līnijās, kurām trūka NUDT1 (attēls 7 (l)– 7(n)). Pamatojoties uz šiem rezultātiem, mēs izvirzījām hipotēzi, ka NUDT1 zudums var izraisīt apoptozi nieru vēža šūnās. Tāpēc mēs izmērījām apoptotisko šūnu procentuālo daudzumu pēc NUDT1 klusēšanas. Interesanti, ka mēs atklājām, ka apoptotisko šūnu procentuālais daudzums NUDT 1-noplicinātajās šūnās ir ievērojami palielināts (7. (i)–7(k) attēls).

Diskusija

Nieru nieru tīro šūnu karcinoma (KIRC) ir viens no visbiežāk sastopamajiem vēža veidiem visā pasaulē, kam parasti nav agrīnu simptomu, līdz audzējs kļūst pietiekami liels; tāpēc mirstības līmenis ir salīdzinoši augsts [18–20]. Tādējādi ir nepieciešams izpētīt KIRC kanceroģenēzi un identificēt noderīgus biomarķierus tās agrīnai diagnostikai. Tomēr līdz šim ir ierobežotas zināšanas par KIRC patoģenēzi un kanceroģenēzi. Turklāt nav apstiprināti daudzi klīniskās prakses molekulārie marķieri. Uzlabota augstas caurlaidspējas sekvencēšanas un bioinformātikas tehnoloģija ļauj atlasīt efektīvus biomarķierus [21]. Vairāk nekā piecsimt KIRC gadījumu RNS sekvencēšanas dati un klīniskās anotācijas ir brīvi pieejami TCGA datu bāzē. Izmantojot šos brīvi pieejamos datus no TCGA, mēs analizējām RNS sekvences datus par atšķirīgi ekspresētiem metabolisma gēniem audzēja un normālu audu paraugos. Starp augšregulētajiem un pazeminātajiem gēniem mēs identificējām 10 labākos atšķirīgi ekspresētos vielmaiņas gēnus (DEmG). Mēs uzskatām, ka vielmaiņas gēniem KIRC ir dažādas funkcijas; Tomēr piemērotu diagnostikas un terapeitisko marķieru atrašana varētu būt izaicinājums gēnu kopumam ar daudzveidīgām funkcijām.

Iepriekš pētījumos tika novērtēta imūno šūnu infiltrācija vairāku vēža veidu audzēja mikrovidē. Tika pētīta saistība starp audzēja imūnšūnām un angiogēzi KIRC paraugu datos, kas iegūti no TCGA, un RFX2, SOX13 un THRA tika identificēti kā trīs galvenie MTF angiogēzes paraksta regulēšanā KIRC pacientiem [4]. Turklāt divi neatkarīgi m6A modifikācijas modeļi kontrolē KIRC bioloģiskās funkcijas, imunoloģiskās īpašības un prognozes [22]. Ar autofagiju saistītais proteīns 5 (ATG5) ir saistīts ar vairāku vēža, tostarp KIRC, progresēšanu [23]. Pašreizējā analīzē daži no atšķirīgi ekspresētajiem gēniem, tostarp PBRM1, SET2, VHL un BAP1, uzrādīja būtisku korelāciju ar vielmaiņas ceļiem KIRC datos. Turpmākai padziļinātai izmeklēšanai mēs sagrupējām pacientus, pamatojoties uz DEmG; 1. klasterī bija sliktāks kopējais izdzīvošanas rādītājs, salīdzinot ar citām kopām; jebkurā gadījumā KIRC pacientiem 3. klasterī ir progresējošas audzēju stadijas un augsti limfmezgli (augstāks N1), salīdzinot ar 1. un 2. klastera pacientiem, kas liecina par vēža metastāzes un audzēju paplašināšanos 3. klasterī. Tas parāda mazāku metabolisko gēnu skaitu. klasteros, kas saistīti ar vēža metastāzēm.

Turklāt imūnās infiltrācijas rādītāji dažādās kopās parāda C1 ar augstiem rādītājiem stromas un imūnās klasifikācijās. Jāatzīmē, ka C1 pacientiem III un IV patoloģiskajā stadijā ir augsta T šūnu infiltrācija kopā ar CD8 plus T šūnām, T folikulu palīgšūnām un makrofāgiem. Tajā pašā laikā ir arī bagātīgs Tregs. Tregiem ir būtiska loma imūno tolerancē un homeostāzē [24]. Daudzu vēža veidu, piemēram, resnās zarnas vēža, krūts vēža un aizkuņģa dziedzera vēža gadījumā, palielināts Treg procentuālais daudzums ir saistīts ar sliktu vēža prognozi [25, 26]. M0 makrofāgs inducē šūnu invāziju un proliferāciju [27], un paaugstināts makrofāgu līmenis ir saistīts ar sliktu RCC prognozi [28]. Tāpat CD8 plus T šūnas ir pazīstamas kā galvenās pretvēža šūnas un labākā izvēle vēža mērķtiecīgai imūnšūnu terapijai [29]. Lai gan C1 ir visaugstākā CD8 plus T šūnu infiltrācija nekā citās kopās, tai bija vissliktākā kopējā dzīvildze.

Herba Cistanche

Mēs izmantojām trīs metodes CIBERSORT, MCP un ssGSEA, lai pētītu imūno šūnu infiltrāciju KIRC audzēja mikrovidē. Tradicionālā metode audzēja imūnās infiltrācijas mērīšanai ir histoloģija audu sekcijās un imūnās apakšgrupās, kas izriet no atsevišķu marķieru imūnhistoķīmijas. Tomēr pastāv vairāki ierobežojumi, kuru gadījumā imūnhistoķīmija nevar identificēt daudzas imūnās populācijas un slikti spēj uztvert funkcionālos fenotipus (piemēram, aktivētos vai miera stāvoklī esošos limfocītus). Tāpēc mēs izmantojām CIBERSORT — skaitļošanas pieeju, ko izstrādājis [30] un kas risina problēmas, ar kurām saskaras imūnhistoķīmija. Papildus CIBERSORT mēs izmantojām citas algoritmiskās pakotnes, lai pārbaudītu imūnās infiltrācijas statusu. Tas ir tāpēc, ka CIBERSORT mēra tikai imūno šūnu populāciju iekšējās parauga proporcijas, kuras var atrisināt ar citu pakotni, piemēram, MCP skaitītāju, kas var novērtēt šūnu populācijas pārpilnību, kas ļauj salīdzināt infiltrējošās šūnas audzēja mikrovidē [31]. Lai papildinātu CIBERSORT un MCP analīzes, mēs izmantojām ssGSEA, lai kvantitatīvi noteiktu infiltrācijas līmeņus imūno šūnu tipiem, kas ieviesti R paketē GSVA [32, 33]. GSA ir uz rangu balstīta metode, kas aprēķina interesējošā gēna saraksta pārmērīgu ekspresiju attiecībā pret visiem citiem gēniem genomā. CIBERSORT uzrādīja labākus rezultātus, salīdzinot ar pārējām divām metodēm; tādējādi tika veiktas turpmākas analīzes no datiem, kas iegūti no CIBERSORT.

Turklāt mēs koncentrējāmies uz KIRC progresēšanas pamatā esošo mehānismu, izmantojot diferenciālās ekspresijas analīzi, pamatojoties uz RNS-seq datiem. Kopumā mēs mērķējām uz kopējo gēnu patoloģisku diferenciālo ekspresiju trīs klasteros. Lielākā daļa gēnu tika samazināti, izņemot NUDT1 C1; tomēr tā ekspresija tika ievērojami samazināta, progresējot no C1 uz C3. Tādējādi NUDT1 tika tālāk apstiprināts tā lomai KIRC progresēšanā. Ar siRNS izraisītā NUDTI gēna ekspresijas inhibīcija divās KIRC šūnu līnijās (786-O un ACHN) samazināja šūnu dzīvotspēju un šūnu migrāciju un palielināja apoptozi, kas apstiprina tās lomu audzēja progresēšanā. Iepriekš tika ziņots, ka NUDT1 ekspresijas līmenis korelē ar audzēja pakāpi, stadiju, lielumu, diferenciāciju, asinsvadu invāzijas pakāpi, kopējo dzīvildzi (OS) un dzīvildzi bez slimībām (DFS) HCC pacientiem, kas arī tika prognozēts kā prognostisks marķieris ar terapeitisku potenciālu HCC pacientiem [34]. Pārmērīga NUDT1 ekspresija plaušu arteriālās hipertensijas gadījumā samazina oksidatīvo stresu un DNS bojājumus, tādējādi veicinot šūnu proliferāciju un samazinot apoptozi [35]. Ir pierādīts, ka pacientiem ar perorālo plakanšūnu karcinomu (OSCC) ar augstu NUDT1 ekspresiju ir zems izdzīvošanas rādītājs [36]. Pamatojoties uz to, ka nav pieejama pietiekami daudz literatūras par NUDTI lomu vēža ārstēšanā, un līdz šim neviens pētījums nekad nav ziņojis par tās lomu KIRC, tāpēc mēs pirmo reizi ziņojam par NUDTI lomu KIRC progresēšanā. Pašreizējam pētījumam bija daži ierobežojumi; lai gan mūsu pētījumi atklāja, ka paraksts varētu būt saistīts ar KIRC imūnterapiju, paraksta efektivitāti nevarēja apstiprināt datu trūkuma dēļ, ir jāturpina pētīt iespējamie pamatā esošie mehānismi un NUDT1 funkcionālās lomas KIRC un klīniskajā praksē.

Cistanche tubulosa

Secinājumi

Mēs pārbaudījām disregulētus vielmaiņas gēnus starp normāliem un audzēja audiem un izpētījām to funkciju. WGCNA analīze identificēja gēnu grupu, kas korelē ar KIRC izdzīvošanas statusu. Vienprātīga klasterizācija, kuras pamatā ir ar izdzīvošanu saistītie gēni, parādīja trīs kopas ar dažādiem izdzīvošanas rādītājiem un imūnās infiltrācijas modeļiem. NUDT1 negatīvi korelēja ar izdzīvošanu, un turpmākās analīzes atklāja, ka NUDT1 notriekšana kavē audzēja šūnu proliferāciju un migrāciju. Jāatzīmē, ka prognozēšanas modelis tika izveidots, pamatojoties uz ar izdzīvošanu saistītiem gēniem, kas parādīja augstu efektivitāti KIRC izdzīvošanas prognozēšanā. Noslēgumā mēs veicām izsmeļošu metabolisko gēnu analīzi KIRC un identificējām NUDT1 kā onkogēnu, ko varētu izmantot kā terapeitisku un prognostisku mērķi.

Cistanche ekstrakta ietekme uz nieru caurspīdīgumu

Ir ierobežoti zinātniski pierādījumi par Cistanche ietekmi uz nieru caurspīdīgumu. Tomēr daži pētījumi liecina, ka Cistanche ekstrakts var pozitīvi ietekmēt nieru veselību.

Nieres ir atbildīgas par atkritumu un toksīnu filtrēšanu no ķermeņa, un to veselība ir būtiska vispārējai labklājībai. Pētījumi liecina, ka Cistanche ekstraktam piemīt spēcīgas antioksidanta un pretiekaisuma īpašības, kas var palīdzēt aizsargāt pret oksidatīvo stresu un iekaisumu nierēs.

Tradicionālajā ķīniešu medicīnā Cistanche izmanto arī, lai tonizētu nieres un uzlabotu to darbību. Daži praktizētāji uzskata, ka regulāra Cistanche ekstrakta lietošana var palīdzēt uzlabot nieru caurspīdīgumu, lai gan šis apgalvojums nav pamatots ar spēcīgiem klīniskiem pētījumiem.

Tāpēc ir nepieciešami stingrāki pētījumi, lai pilnībā izprastu Cistanche ekstrakta iespējamos ieguvumus nieru caurspīdīgumam. Tomēr, tāpat kā ar jebkuru uztura bagātinātāju vai alternatīvu terapiju, ir svarīgi konsultēties ar veselības aprūpes speciālistu pirms jaunu papildinājumu iekļaušanas uzturā, īpaši, ja jums ir jau esoši veselības traucējumi.

Atsauces

[18] RL Zīgels, KD Millers un A. Džemals, "Cancer statistika, 2019", CA: A Cancer Journal for Clinicians, sēj. 69, Nr. 1, 2019. gada 7.–34. lpp.

[19] RL Siegel, KD Miller, HE Fuchs un A. Jemal, "Cancer statistika, 2021", CA: A Cancer Journal for Clinicians, sēj. 71, Nr. 1, 2021. gada 7.–33. lpp.

[20] JC Angulo un O. Šapiro, "Metastātiska nieru vēža mainīgā terapeitiskā ainava", Cancers, sēj. 11, Nr. 9. lpp. 1227, 2019.

[21] AK Sharma, "Jaunākās tendences biomarķieru atklāšanā: vēža prognozes un prognozēšanas vieglums", Seminars in Cancer Biology, vol. 52, 1. daļa, iii–iv lpp., 2018. gads.

[22] H. Li, J. Hu, A. Yu et al., "N6- metiladenozīna RNS modifikācija paredz imūnfenotipus un terapeitiskās iespējas nieru nieru tīro šūnu karcinomas gadījumā", Frontiers in Oncology, sēj. 11, pants 642159, 2021. g.

[23] C. Xu, Y. Zang, Y. Zhao u.c., "Visaptverošā pan-vēža analīze apstiprināja, ka ATG5 veicināja audzēja metabolisma saglabāšanos un audzēja imūnsistēmas aizbēgšanu", Frontiers in Oncology, sēj. 11, pants 652211, 2021. g.

[24] Y. Takeuchi un H. Nishikawa, "Regulējošo T šūnu loma vēža imunitātē", International Immunology, sēj. 28, Nr. 8, 401.–409. lpp., 2016. gads.

[25] C. Zhuo, Y. Xu, M. Ying et al., "FOXP3 plus Tregs: heterogēni fenotipi un pretrunīga ietekme uz izdzīvošanas rezultātiem pacientiem ar kolorektālo vēzi", Immunologic Research, sēj. 61, Nr. 3, 338.–347. lpp., 2015. gads.

[26] H. Vangs, F. Franko un PC Ho, "Tregu metabolisma regulēšana vēža gadījumā: imūnterapijas iespējas", Trends Cancer, sēj. 3, nē. 8, 583.–592. lpp., 2017. gads.

[27] BZ Qian un JW Pollard, "Makrofāgu daudzveidība uzlabo audzēja progresēšanu un metastāzes", Cell, sēj. 141, Nr. 1, 2010. gada 39.–51. lpp.

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "Reconnaissance of tumor immune microenvironment telpiskās heterogenitātes metastātiskā nieru šūnu karcinoma un korelācija ar imūnterapijas reakciju", Clinical and Experimental Immunology, sēj. 204, Nr. 1, 96.–106. lpp., 2021. gads.

[29] B. Farhood, M. Najafi un K. Mortezaee, "CD8( plus ) citotoksiskie T limfocīti vēža imūnterapijā: pārskats", Journal of Cellular Physiology, vol. 234, Nr. 6, 8509.–8521. lpp., 2019. gads.

[30] AM Ņūmens, CL Liu, MR Grīns u.c., "Stingrs šūnu apakškopu uzskaitījums no audu ekspresijas profiliem", Nature Methods, sēj. 12, Nr. 5, 453.–457. lpp., 2015. gads.

[31] E. Becht, NA Giraldo, L. Lacroix, et al., "Audos infiltrējošo imūno un stromas šūnu populāciju populācijas pārpilnības novērtēšana, izmantojot gēnu ekspresiju", Genome Biology, sēj. 17, Nr. 1. lpp. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, et al., "Sistēmiska RNS iejaukšanās atklāj, ka onkogēniem KRAS izraisītiem vēzim ir nepieciešams TBK1", Nature, sēj. 462, Nr. 7269, 108.–112.lpp., 2009. gads.

[33] S. Hanzelmann, R. Castelo un J. Guinney, "GSVA: gēnu kopu variāciju analīze mikroarray un RNA-seq datiem", BMC Bioinformatics, sēj. 14, Nr. 2013. gada 1. gads.

[34] Q. Ou, N. Ma, Z. Yu et al., "Nudix hidrolāze 1 ir prognostisks biomarķieris hepatocelulārā karcinomas gadījumā", Aging, vol. 12, Nr. 8, 7363.–7379. lpp., 2020. gads.

[35] G. Vitry, R. Paulin, Y. Grobs, et al., "Oksidēto DNS prekursoru tīrīšana ar NUDT1 veicina asinsvadu remodelāciju plaušu arteriālās hipertensijas gadījumā", American Journal of Respiratory and Critical Care Medicine, sēj. 203, Nr. 5, 614.–627. lpp., 2021. gads.

[36] Y. Shen, L. Zhang, S. Piao u.c., "NUDT1: potenciāls neatkarīgs prognozētājs pacientu ar mutes plakanšūnu karcinomu prognozei", Journal of Oral Pathology & Medicine, sēj. 49, Nr. 3, 210.–218. lpp., 2020. gads.

Junwei Xie,1,2,3,4,5 Lingang Cui,6 Shaokang Pan,1,2,3,4,5 Dongwei Liu,1,2,3,4,5 Fengxun Liu,1,2,3,4 ,5 un Džansuo Liu 1,2,3,4,5

1 Nefroloģijas nodaļa, Džendžou Universitātes pirmā saistītā slimnīca, Dženžou 450052, Ķīna

2 Nefroloģijas pētniecības institūts, Džendžou universitāte, Džendžou 450052, Ķīna

3 Nieru slimību pētniecības centrs, Dženžou, 450052 Henana, Ķīna

4 Galvenā hroniskas nieru slimības precīzas diagnostikas un ārstēšanas laboratorija Henaņas provincē, Džendžou 450052, Ķīna

5 Nacionālā nieru slimību klīniskās medicīniskās pētniecības centra galvenā vienība, Dženžou 450052, Ķīna

6 Uroloģijas nodaļa, Džendžou Universitātes pirmā saistītā slimnīca, Dženžou 450052, Ķīna