【原】Heliyon | 通过G蛋白偶联受体相关基因分析探索肝细胞癌的预后和治疗标志物

导语

结果：

GPCR相关基因在HCC患者中的表达和突变改变

研究工作流程如图1所示。首先，从TCGA-LIHC的RNA测序（RNA-seq）数据中提取了770个与GPCR相关的基因，并比较了HCC和正常肝组织的表达差异。在单变量Cox回归分析之后，观察到这770个GPCR相关基因中有38个基因表达差异显著，并且几乎所有这些基因在HCC中过度表达（图2A），这表明这些基因可能在HCC的肿瘤发生中起着重要作用。然后，使用maftools软件包提取了这38个GPCR相关基因的突变信息，并发现它们的SNP突变频率普遍较低（图2B）。以上结果表明，这些GPCR相关基因可能在转录或转录后水平上发挥重要作用。

HCC GPCR亚型的鉴定

基于与GPCR相关的上述DEGs，使用一致性聚类对HCC样本进行了聚类。当k = 2时，获得了最佳的聚类分布，并确定了子组1和子组2（图2C和D）。通过PCA对HCC转录组数据进行了降维，得到了主成分PC1和PC2。绘制了两组的PCA结果，发现两组明显区分开来（图2E）。随后，通过KM曲线分析了两个亚组的预后特征，但结果显示没有显著的预后差异（图2F）。上述结果表明，差异表达的GPCR相关基因可以很好地指导HCC患者的亚型划分。然而，亚型划分尚不能评估预后差异。

GPCR相关风险评分的构建和评估

LASSO和多变量Cox回归分析在38个基因中进行（图3A和B）。得到了具有最佳预后价值的8个基因，分别是非典型趋化因子受体3（ACKR3），CCR3，CCR7，脂肪酸受体5（FZD5），代谢性谷氨酸受体8（GRM8），羟基羧酸受体1（HCAR1），5-羟色胺受体5A（HTR5A）和核苷酸结合寡聚化域样受体家族脓性域含6（NLRP6）（图3C）。同时，通过多变量Cox分析计算得到了关键特征基因的系数。基因表达与相应系数相乘并求和，建立了一个GPCR相关的风险评分。计算了所有样本的最终风险评分。

高风险组和低风险组GPCR相关风险评分患者的差异表达基因分析

为了分析GPCR相关风险评分与HCC发展之间的关联，作者进行了主成分分析（PCA），图表显示了患者两组之间的明显差异（图4A）。随后，对两组患者进行了差异表达分析。结果显示，共获得了1976个显著差异表达基因（DEGs），其中包括1371个上调的DEGs和605个下调的DEGs（图4B和C）。

PPI和调控网络的分析

进一步阐明了发挥关键作用的中枢基因，并试图揭示它们的潜在分子相互作用机制。使用STRING数据库分析蛋白质相互作用机制。从图6A可以看出，在置信度=0.400筛选后，蛋白质相互作用节点（蛋白质）的数量为38；连接数（边）为48；每个节点的平均连接度为2.53；整个蛋白质相互作用具有富集统计学P值小于1.0e-16。

高风险和低风险组的免疫浸润分析

接下来，评估了GPCR相关风险评分与HCC患者不同免疫细胞浸润水平和整体免疫特征之间的关联。当比较高风险组和低风险组的免疫细胞浸润时，发现只有初级B细胞在两组之间存在显著差异，而其他免疫细胞在统计学上并没有显著差异（图7A）。免疫细胞之间的相关性分析显示，与负责杀伤的CD4和CD8 T细胞相关的巨噬细胞、单核细胞和B细胞在统计学上并没有显著相关性（图7B）。根据ESTIMATE结果，高风险组和低风险组在肿瘤微环境的细胞浸润水平和免疫相关评分上存在统计学上的显著差异；高风险组的免疫和基质细胞浸润显著低于低风险组；高风险组的肿瘤纯度高于低风险组（图7C）。此外，还比较了患者风险评分与免疫细胞之间的相关性。发现风险评分与M0巨噬细胞、记忆B细胞等细胞呈正相关趋势，与M1巨噬细胞、CD8 T细胞和幼稚B细胞等细胞呈负相关趋势。然而，这些相关性的程度较低且不具有统计学意义（图7D）。随后，对两组中与免疫检查点相关基因的表达进行了比较。注意到一些重要的免疫检查点基因，在两组中表达差异明显，包括簇状分化8a（CD8A）、甲型肝炎病毒细胞受体2（HAVCR2）、趋化因子（C-X-C motif）配体10（CXCL10）、CXCL9、穿孔素1（PRF1）等（图7E）。以上结果表明GPCR风险评分与肿瘤微环境的关联性不显著，这高度表明GPCR相关差异表达基因主要影响肿瘤本身的变化，对免疫或基质细胞的影响较小。

GPCR相关风险评分对HCC患者基因组变化的影响

后来，进一步评估了GPCR相关风险评分对遗传变异水平的影响，如SNP和CNV。常见肿瘤发生的驱动基因的SNP突变分析结果显示，两组患者的突变水平相似（图8A-B）。在TMB和MSI的比较中，TMB没有显著差异（图8C），而MSI在高风险组中有所升高（图8D）。CNV变异频率的研究显示，两组患者中普遍存在CNV，但没有显著差异（图8E-F）。

两组患者之间的药物敏感性差异

然后，通过GDSC数据库评估高风险组和低风险组之间常用抗肿瘤药物的敏感性表型。首先，将GDSC数据作为训练集，使用pRRophetic软件包构建岭回归模型。然后，将TCGA-LIHC数据集输入进行测试。根据测试结果，138种输入药物中有51种显示出两组之间的统计差异。然后，使用箱线图绘制了六种最具统计差异的药物和小分子化合物。在这些药物和小分子化合物中，BIRB.0796和全反式维甲酸（ATRA）对高风险组患者显示出更高的敏感性，而AZD8055、EHT.1864、PF.4708671和GW.441756对低风险组患者显示出更高的敏感性（图9A-F）。

基于GPCR相关风险评分的临床预测模型构建

为了进一步研究GPCR相关风险评分的潜在临床意义，首先分析了TCGA-LIHC数据集中两组患者的性别、年龄和TNM分期的组成。注意到两组患者的年龄和性别组成没有显著差异，但分期比较的结果显示，低风险组中I期患者的比例高于高风险组（图10A-C）。

总结

在这项研究中，仅使用与 GPCR 相关的基因构建了一个高效的 HCC 预后预测模型，这些基因都是 HCC 治疗的潜在靶点。