抢发！纯生信发文新热点：染色质调节因子!

今天小编给大家带来一篇2022年2月发表在Hereditas上的一篇文章。这篇文章的主角：染色质调节因子，目前其相关的纯生信文章在PubMed上只有这一篇！所以小伙伴们，赶紧行动起来吧~

2022 Feb 7;159(1):13. doi: 10.1186/s41065-021-00212-x. 

期刊简介

在【科研猫公众号】后台--回复期刊名称-即可获期刊详情~（英文不限制大小写，支持缩写模式搜索）。

研究背景

被认为是肿瘤最重要标志之一的表观遗传改变是由染色质调节因子（chromatin regulator，CR）驱动的。CR可以动态调节染色质结构，以表观遗传方式调节基因表达，从而对内源性和外源性信号提示作出反应。CR的体细胞改变或错误表达可能会对染色质的表观基因图谱进行重新编程，从而导致广泛的常见疾病，尤其是癌症。

CR 是表观遗传学不可或缺的调控元件。根据在表观遗传学中的作用，CR 主要分为三类：DNA 甲基化剂、组蛋白修饰剂和染色质重塑因子。但这三个类别在涉及生物过程时彼此密切相关。进一步的研究表明，CRs 的异常表达与多种生物学过程有关，包括炎症、细胞凋亡 、自噬和增殖，这表明 CRs 失调可能导致包括癌症在内的许多疾病的发展。越来越多的证据证实， CR 异常表达并与癌症类型的结果相关。因此，本文探讨 CRs 在膀胱癌（BLCA）患者中的功能和预后价值。

研究结果

1.

• 首先在 TCGA 数据库中筛选了 91 个在 BLCA 组织和正常膀胱组织之间差异表达的 CR。如图1所示。

  

  图1.热图显示差异表达的 CR。

• 单变量 Cox 回归分析探索这些CRs 的预后价值，结果表明，其中只有 12 个具有预后价值（图 2）；

图2.通过单变量 Cox 回归分析识别预后CR

• LASSO Cox 回归分析用于构建 BLCA 患者预后预测能力的特征，成功构建了11个基因的风险模型。并根据中位风险评分将患者分为高风险组和低风险组，且风险评分与预后呈负相关（图3A、C）。

图3.在 TCGA 集中构建基于 CR 的预后特征。

A.TCGA集合中高危组和低危组BLCA患者的Kaplan-Meier生存分析；B.TCGA 组中预测总生存期的风险评分的ROC 分析；

C.基于 TCGA 集合中风险评分中值的生存状态分布；

D.热图显示了 TCGA 集合中高风险和低风险患者之间 11 种染色质调节剂的差异.

• GEO数据集对风险模型进行验证，结果与 TCGA 数据集一致。

图4.验证GSE13507集中基于 CR 的预后signature。

A.GSE13507组中高危组和低危组BLCA患者的Kaplan-Meier生存分析；B.预测GSE13507组中总生存率的风险评分的时间独立接受者操作特征 (ROC) 分析；

C. 基于GSE13507集中风险评分中位数的生存状态分布；

D.热图显示GSE13507集中高危和低危患者之间 11 种染色质调节剂的差异。

2.单因素/多因素COX回归分析表明CR特征

• 单因素分析显示：风险评分、TNM分期、N分期、T分期、年龄与BLCA患者的生存率显着相关（p < 0.001）（图 5A）

• 多因素分析显示：风险评分、N分期、年龄与预后仍有显着相关（p < 0.05）（图 5B）。

• CR特征是 BLCA 独立的预后指标

图 5.CR特征是 TCGA 集中 BLCA 的独立预后因素。( A )单因素/( B ) 多因素Cox回归分析OS风险评分与临床病理因素的相关性；

3.临床相关性分析

• 卡方检验用于探索预后特征是否参与了 BLCA 的发展和进展。结果（图 6A-B）显示高危组和低危组在肿瘤分级、TNM分期、N分期和T分期方面存在显着差异， 但年龄和性别无显着差异。

• 此后，进一步进行分层分析以研究亚组中特征的预后意义。将高危组和低危组之间按临床因素（性别、年龄、分级、N分期、T分期或TNM分期）分层绘制KM生存曲线（图7）。

图 6.CR特征与临床特征之间的相关性。

图 7.Kaplan-Meier：高危组和低危组之间按性别、年龄、分级、N分期、T分期或TNM分期分层的OS差异。

4.构建列线图

• 为了进一步预测 BLCA 患者的生存率，构建了一个由 N 和风险评分以及年龄组成的列线图。校准曲线表明患者的实际生存与预测值一致，列线图具有良好的预测能力。

图 8.列线图的构建。( A ) 用于预测 3 年或 5 年 OS 的列线图；( B ) 预测 3 年 OS 的校准图；( C ) 预测 5 年 OS 的校准图。

5.系统探索差异表达CR的生物学功能并构建PPI网络。

• 系统探索了91 个 CR 的生物学功能并构建了 PPI 网络。

• GO 分析：CR 主要与共价染色质修饰、组蛋白修饰、DNA 复制和染色质结合有关。KEGG分析：91个CRs主要参与细胞周期、细胞凋亡、p53信号通路、MAPK信号通路和FoxO信号通路。这些通路与各种恶性肿瘤的恶性表型密切相关，这意味着 CR 可能在癌症的发生和进展中起关键作用。

图 9.差异表达 CR 的富集分析。(A)GO分析；(B)KEGG分析；

图10.差异表达CR的蛋白质-蛋白质相互作用网络

• 为了进一步阐明基于 CR 的特征的分子机制，进行了 GSEA 分析；

• GSEA分析结果表明，基于CR的特征主要涉及癌症和代谢相关通路，如癌症通路、TGF-β信号通路、氧化磷酸化、脂肪酸代谢和MAPK信号通路。因此，基于 CR 特征具有预测 BLCA 患者预后的能力，并可能在 BLCA 生物学中发挥关键作用。

图11.GSEA分析

6.免疫浸润水平分析

• CR特征与免疫浸润之间的关系显示图 12；

图12.高危人群与低危人群之间的免疫细胞浸润。

• 鉴于检查点抑制剂免疫疗法的重要性，作者还研究了风险评分与关键免疫检查点（PDCD1、PD-L1、LAG3、HAVCR2、TIGIT 和 CTLA4）之间的相关性（图13）。

• 高危组存在免疫抑制和衰竭表型。BLCA高危组患者PDCD1、PD-L1、Tim-3、CTLA4、TIGIT、LAG3表达高于低危组，提示BLCA高危组患者预后不良。此外，高危人群中的 BLCA 患者可能会受益于检查点抑制剂免疫疗法。

图13.预后特征与免疫检查点之间的关系

7.小分子药物鉴定

• 通过CMAP数据库获得了基于CR的8种最具潜力的小分子药物。

8.TIMER分析

• TIMER 用于探索免疫细胞与 11 个预后 CR 之间的关系；

• 结果显示，该模型的 11 个预后 CR 与免疫细胞浸润有关，表明 CR 可能通过影响免疫浸润来调节癌症进展。

9.药物敏感性分析

• 为了提高BLCA患者的治疗效果，进一步调查了两组常用化疗药物的敏感性差异（图14）。

• GDSC数据库分析结果表明：高危组对喜树碱、丝裂霉素C、毒胡萝卜素、吉西他滨、帕唑帕尼、多西他赛、舒尼替尼、顺铂、长春碱等药物更为敏感。低危组对甲氨蝶呤和长春瑞滨更为敏感。

  （图 14）。

图14.药物敏感性分析

小结

该研究思路清晰，难度不大，亮点在目前发文较少的染色质调节因子CR，研究涉及筛选差异基因，功能富集分析，构建调控网络，临床相关性分析、免疫浸润分析、药物治疗分析等，成功构建并验证了一个基于 11 个 CR 的BLCA预后风险模型，且可作为一个独立的预后因素。功能分析表明CRs 主要富集在癌症相关的信号通路中，基于 CR 的模型还与免疫细胞浸润和免疫检查点相关，高危组患者对丝裂霉素C、吉西他滨、顺铂等几种药物更为敏感，因此靶向 CR 可作为膀胱癌有效治疗的潜在靶点。

本研究也存在一些不足之处。CRs如何调节BLCA细胞生物学行为的机制应通过实验验证。此外，应使用多中心临床队列来验证预后模型的实用性。