 导语 今天给同学们分享一篇谷氨酰胺代谢+分型+预后模型的生信文章“Glutamine metabolism genes prognostic signature for stomach adenocarcinoma and immune infiltration: potential biomarkers for predicting overall survival”，这篇文章于2023年6月27日发表在Front Oncol期刊上，影响因子为5.738。  胃腺癌（STAD）是由胃细胞突变引起的，其特点是整体生存率较低。手术切除后，常常给胃癌患者进行化疗。肿瘤代谢途径的不平衡与肿瘤的发生和生长有关。已经发现谷氨酰胺（Gln）代谢在癌症中起着关键作用。代谢重编程与各种癌症的临床预后相关。然而，谷氨酰胺代谢基因（GlnMgs）在对抗胃腺癌方面的作用尚不明确。  图1 基于GlnMgs的集成策略框架 1. 差异表达的GlnMgs 与谷氨酰胺代谢相关的56个差异表达基因（43个上调，13个下调）（图2A）。建立了一个蛋白质相互作用（PPI）网络来评估GlnMgs的相互作用，如图2B所示。通过将所需的相互作用值降低到0.7，确定了ALDH18A1、CAD、GLUL、GLUD1、GAD1、ASS1和GOT2作为中心基因。截断和错义突变是最常见的突变形式（图2C）。共有8个基因的突变率超过5%，其中ASNS和NOS1是常见的突变基因（8%）。在正常和恶性组织中检测到的所有差异表达基因中发现了STAD的预测潜力。所有GlnMgs的相关网络如图2D所示。  图2 56个GlnMgs的表达及其之间的相互作用 研究了GlnMgs调控基因（CNV、SNP和突变）的变化与患者的临床病理特征之间的关系。相关分析揭示了预后模型中的十个SNP驱动的差异表达基因（P值小于0.05），包括ACVR2A、CSMD1、FAT4、KMT2D、LRP1B、MUC16、PCLO、SYNE1、TP53和TTN（图3A）。预后模型中差异表达基因的总平均突变频率在11%至52%之间变化，暗示STAD突变可能与重要基因失调相关（图3B、C）。预后模型中差异表达基因的相关检查和CNV揭示了几个CNV驱动的差异表达基因（图3D）。  图3 CNV、SNP和突变分析 模型的药物预测显示出某些基因存在显著差异。此外，对预后模型中差异表达基因的关联进行的调查表明，许多基因与药物敏感性有关。ELANE与ABT199、羟基脲、那睾酮酚丙酸酯、环磷酰胺、卡铂和醋酸甲地诺酮密切相关，表明可能存在药物途径。 2. 使用差异表达基因进行肿瘤分类 在TCGA数据集中，对所有375名STAD患者进行了共识聚类分析，以评估GlnMgs表达与STAD之间的关联。当聚类变量（k）设置为2时，观察到最强的组内相关性和最弱的组间相关性，表明基于其GlnMgs，这375名STAD患者可以分为两组（图4A）。热图显示了基因表达和临床特征（图4B）。进行了一项生存研究，以探索GlnMgs的预测能力，使用GlnMgs亚型，聚类2显示出更高的生存率（P=0.002），图4C。作者检查了TCGA的临床数据，并发现C2患者的生存时间在6年前较长，但大多数C2患者在6年后死亡，因此C2患者的生存率在6年后较低。  图4 基于与谷氨酸代谢相关的差异表达基因（DEGs）对肿瘤进行分类 3. 在TCGA队列中，建立了一个预后基因模型 在单变量Cox分析中观察到了六个显著的GlnMgs。这些GlnMgs（AFP、CST6、CGB5、ELANE、APOC3和MPO）被认为是STAD的独立预后标志物（图5A）。为了创建基因标记，采用了绝对最小收缩和选择算子（LASSO）、Cox回归分析和最优值（图5B、C）。患者的风险评级与STAD的生存率呈负相关。在这里发现的大部分新的GlnMgs与风险模型呈负相关，需要进一步研究（图5D）。高风险GlnMgs标记的存在与生存率较低的可能性相关（P<0.001，图5E）。对于1年、3年和5年的生存率，独特的GlnMgs标记的AUC预测值分别为0.763、0.746和0.783（图5F）。根据PCA和t-SNE的结果，将风险不同的患者分为两组（图5G、H）。混合诊断图表结合了TCGA临床病理数据和GlnMgs的预后标志，稳定准确，显示出在STAD患者治疗中具有巨大潜力（图5I、J）。  图5 在TCGA队列中开发风险标记。在TCGA队列中构建风险标记 4. 风险标记在外部进行验证 一组由433名STAD患者组成的GEO队列作为验证组。患者的风险评分与STAD的生存率呈负相关。与TCGA的发现类似，本研究发现的大部分新GlnMgs与负面风险模型相关联（图6A）。高风险PRG标记与生存率较低的可能性相关（P=0.007）。Kaplan-Meier分析用于构建图6B。对于1年、3年和5年的生存率，独特的GlnMgs标记的AUC预测值分别为0.584、0.632和0.741（图6C）。绝大多数STAD患者活过了一年以上，这可能导致AUC较低，而PCA和t-SNE结果表明，风险变化较大的患者被有效地分为两组（图6D、E）。  图6 风险模型在GEO队列中得到验证 5. 风险模型的独立预测价值 TCGA队列中的COX分析显示，GlnMgs标志（HR：5.945，95CI：2.039-17.337），年龄（HR：1.035，95CI：1.016-1.055），N（HR：1.260，95CI：1.065-1.490）是胃癌患者生存期的主要独立预测因子（图7A，B）。GEO队列中的COX分析显示，年龄（HR：1.022，95CI：1.009-1.034），N（HR：1.544，95CI：1.315-1.813），T（HR：1.596，95CI：1.252-2.035）在很大程度上是独立的预测因子（图7C，D）。此外，还绘制了TCGA队列的临床特征热图（图7E）。  图7 Cox回归分析，包括单变量和多变量分析 6. GlnMgs的富集分析 GO富集分析揭示了278个核心靶点，包括BP、MF、CC。MF主要涉及氨基酸结合（GO:0016597）、羧酸结合（GO:0031406）。CC主要涉及线粒体基质（GO:0005759）。BP主要涉及细胞氨基酸代谢过程（GO:0006520）、谷氨酰胺家族氨基酸代谢过程。此外，通过KEGG富集分析确定了主要的信号通路，发现过表达的基因主要参与丙氨酸、天冬氨酸和谷氨酸代谢（hsa00250）、精氨酸生物合成（hsa00220）、氨基酸生物合成（hsa01230）（图8）。  图8 进行了GlnMgs、GO和KEGG分析 7. 基因集富集分析 大多数GlnMgs预后标志物调节免疫和肿瘤相关通路，如细胞外基质受体相互作用、补体和凝血级联反应、刺猬、TGF-beta、JAK-STAT和趋化因子信号通路等。每个聚类的前6个富集功能或通路（图9）。"刺猬信号通路"是最富集的。  图9 GlnMgs基因集富集研究 8. 不同亚组之间的免疫活性水平进行比较 在两个队列中评估了低风险组和高风险组（ssGSEA）中16种免疫细胞的富集分数和13种免疫相关活动的活性。细胞因子和趋化因子是免疫细胞招募和功能的关键因素。作者对具有显著差异的H1和趋化因子进行了注释和说明。低风险类别的pDCs、Th1细胞和Th2细胞水平较高（图10A）。低风险组的APC共抑制、促炎作用、MHC I类和T细胞共抑制率较高（图10B）。在GEO队列的免疫状况中，低风险类别的pDCs、Th1细胞和Th2细胞水平较高（图10C）。低风险类别的APC共抑制、促炎作用、MHC I类和T细胞共抑制水平较高（图10D）。鉴于基于检查点抑制剂的免疫疗法的重要性，研究人员观察了两组之间免疫检查点表达的变化。TNFRSF14、CD274和LGALS9在低风险组中的比例较高，而其他基因在两组之间也显示出显著差异（图10E）。此外，为了验证这些免疫细胞的入侵，作者使用CIBERSORT技术评估它们是否相同（图11）。这些细胞（巨噬细胞M1、静息型肥大细胞、CD8 T细胞等）在胃腺癌中的免疫浸润显示出显著差异。作者还使用其他算法分析了免疫细胞的浸润情况。 图10 比较ssGSEA分数 图11 CIBERSORT分数已经验证 9. mRNA化学修饰 在M6a中，当在两个风险组之间检查GlnMgs表达时，HNRNPC、RBM15和YTHDC2在低风险组中显著更重要（图12A）。在M1A中，YTHDC1在低风险组中显著更重要（图12B）。在M7G中，EIF3D、CYFIP1、EIF4E、LARP1、NSUN2和NCBP1在低风险组中显著更重要（图12C）。在M5C中，NSUN3、DNMT3A、DNMT1、YBX1和ALYREF在高风险组中显著更重要（图12D）。目前已知有172种不同类型的RNA变化。不同的RNA变化可能对STAD的发生和发展产生一定的影响。作者的研究预测，不同的RNA变化也对GlnMgs产生一定的影响，这可能是未来研究的方向。研究人员应该关注M6a、M7G、M5C、M1A等。 图12 mRNA化学修饰 总结 此研究的目标是发现并全面描述GlnMgs相关调控因子在胃腺癌中的基因特征。多种GlnMgs变化模式对肿瘤微环境的多样性和复杂性有重要贡献。同时，作者还开发了一种基于GlnMgs特征的预测方法，该方法显示出预测胃腺癌临床进展的良好潜力。作者的研究结果表明，GlnMgs是优秀的预后标志物，可能为胃腺癌的临床管理提供可行的新治疗选择和免疫治疗方案。 |
|
|
