基于TCGA数据分析研究TMEM206在HCC中的表达及其与预后的相关性

[目的]探讨TMEM206表达在肝细胞癌(hepatocellular carcinoma,HCC)诊断和预后中的价值。[方法]从肿瘤基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载肝细胞癌数据集表达谱及临床病理特征资料。采用KaplanMeier和Cox分析,观察TMEM206表达对肝细胞癌患者生存和预后的影响。使用TCGA数据集进行基因集富集分析(GSEA)。[结果]TMEM206在HCC肿瘤组织中的表达高于癌旁组织(P 0.000 1),并且TMEM206的表达与HCC的肿瘤分级、肿瘤分期都有显著相关。生存分析结果表明TMEM206表达越高,HCC患者的总体生存时间越短。单因素和多因素Cox分析表明,TMEM206 mRNA的表达可能是判断HCC预后的有效生物标志物。GSEA鉴定了TMEM206在HCC中的高表达可能与泛素介导的蛋白质水解、胞吞作用、RNA降解、小细胞肺癌、癌症通路、胰腺癌、胞质DNA传感途径、慢性粒细胞白血病、自然杀伤细胞介导的细胞毒性、细胞周期等反应有关。[结论]TMEM206 mRNA高表达是肝细胞癌的诊断和预后中的有效生物标志物。     

基于单细胞转录组的多级别胶质瘤异质性及免疫微环境分析揭示了潜在的预后生物标志物

脑胶质瘤（glioma）是中枢神经系统最常见的内在肿瘤,具有发病率高、预后较差等特点。本研究旨在鉴定多形性胶质母细胞瘤（glioblastoma multiforme,GBM）和低级别胶质瘤（lower-grade gliomas,LGG）之间的差异表达基因（differentially expressed genes,DEGs）,以探讨不同级别胶质瘤的预后影响因素。从NCBI基因表达综合数据库中收集了胶质瘤的单细胞转录组测序数据,其中包括来自3个数据集的共29 097个细胞样本。对于不同分级的人脑胶质瘤进行分析,经过滤得到21 071个细胞,通过基因本体分析、京都基因与基因组百科全书途径分析,从差异表达基因中筛选出70个基因,我们通过查阅文献,聚焦到delta样典型Notch配体3（delta like canonical Notch ligand 3,DLL3）这个基因。基于TCGA的基因表达谱交互分析（gene expression profiling interactive analysis,GEPIA）数据库用于探索LGG和GBM中DLL3基因的表达差异,采用基因表达谱交互式分析和肿瘤免疫学估计资源（tumor immune estimation resource,TIMER）数据库,研究关键基因在不同分级的脑胶质瘤中的表达,预测了与免疫治疗密切相关的生物标志物。cBioPortal数据库用于探索DLL3表达与25个免疫检查点之间的关系。基因集富集分析（gene set enrichment analysis,GSEA）进一步确定了与中心基因相关的途径。最后,在中国胶质瘤基因组图谱（Chinese glioma genome atlas,CGGA）中验证了生物标志物在预后和预测中的疗效。这些结果发现,预后基因与肿瘤增殖和进展有关,通过生物学信息和生存分析,表明这些基因可能作为一种有前途的预后生物标志物,并作为选择治疗策略的新靶点。     

基于拓扑分析方法鉴定与胃癌相关的生物标志物

胃癌(gastric cancer, GC)是最常见的恶性肿瘤之一。由于GC发病隐匿的特性,其早期检测困难。因此,研究与GC早期诊断和预后相关的生物标志物至关重要。从GEO数据库下载了3组基因表达数据集GSE79973、 GSE19826和GSE13911,通过Limma包筛选差异表达基因(differentially expressed genes, DEGs),并使用DEGs、 STRING V11数据库和Cytoscape构建了DEGs的蛋白质-蛋白质相互作用(protein-protein interaction, PPI)网络,通过4种拓扑分析方法取交集筛选hub基因,并通过单变量Cox分析、多变量Cox分析、 Lasso回归分析、生存分析、通路分析以及文献法验证hub基因。从3个数据集中分别筛选了1 599个、 333个和662个DEGs。通过拓扑分析方法筛选了4个hub基因,即CDK1、AURKA、PTTG1和UBE2C。GO和KEGG富集分析结果表明4个hub基因参与了细胞外基质-受体相互作用、糖尿病并发症中的AGE-RAGE信号通路、小细胞肺癌和蛋白质消化吸收等通路。...     

联合TCGA,GEO数据库分析THY1在胃癌中的表达及临床意义

为了研究THY1 (THYmocyte differentiation antigen 1)在胃癌中的表达情况,预测并探讨THY1参与肿瘤发生发展的可能机制及临床价值。本研究从GEO (Gene expression omnibus)数据库中选择GSE33335、GSE56807、GSE63089 3个芯片的数据,利用"limma"、"RobustRankAggreg".R语言包,找到3个芯片中共同的差异基因,并通过DAVID网站对差异基因进行功能通路富集分析,利用"ggplots".R语言包进行可视化分析。通过Kmplotter在线网站筛选跟胃癌生存预后相关的差异基因。利用Oncomine数据库探究THY1基因在不同癌症及胃癌中的差异表达。利用癌症基因组图谱TCGA (Cancer genome atlas)数据库获取胃癌数据集,随后以THY1的表达水平进行患者的生存分析和基因集富集分析(gene set enrichment analysis, GSEA),以期挖掘THY1的潜在临床意义及其分子机制。结果本研究发现THY1的表达水平与胃癌患者的生存预后相关,THY1高表达的患者总生存期明显短于低表达的患者(p0.001) THY1高表达样本富集了细胞黏附、细胞因子受体互作通路、ECM受体通路、粘着斑通路、骨架蛋白调控、癌症通路、TGF-β通路等基因集。研究结果表明,在胃癌中,THY1高表达是一种预后不良因素,可以作为预测患者转移发生、判断预后的有效生物标志物。     

人肝细胞癌预后不良相关基因的生物信息学分析及其临床意义

目的:筛选肝细胞癌(HCC)预后不良相关基因,并探讨其临床意义。方法:在基因表达综合数据库(GEO)中获取符合分析条件的肝细胞癌全基因组表达谱数据并分析得到差异表达基因(DEGs),再运用生物学信息注释及可视化数据库 (DAVID) 和蛋白相互作用数据库 (String) 分别进行功能富集分析和蛋白质互作用网络的构建。利用癌症基因组图谱数据库(TCGA)和Cox比例风险回归模型对相关差异基因进行预后分析。结果:找到一个符合条件的人类HCC数据库 (GSE84402),共筛选出1141个差异表达基因(DEGs),其中上调基因720个,下调基因421个。基因功能富集分析和蛋白质互作用分析结果显示CDK1、CDC6、CCNA2、CHEK1、CENPE 、PIK3R1、RACGAP1、BIRC5、KIF11和CYP2B6为HCC预后的关键基因。TCGA数据库和Cox回归模型分析显示CDC6、PIK3R1、RACGAP1和KIF11的表达升高,CENPE的表达降低与HCC预后不良密切相关。结论:CDC6、CENPE、PIK3R1、RACGAP1和KIF11可能和HCC的预后不良相关,可作为未来HCC预后研究的参考标志物。     

DNA甲基化驱动的转录表达特征作为肝癌预后预测标志物的价值

肝细胞癌(hepatocellular carcinoma,简称肝癌)是最常见的恶性肿瘤之一。DNA甲基化的异常是恶性肿瘤的特征之一,并被发现在肝癌等肿瘤的发生发展中发挥重要作用。为了能为肝癌患者提供新的临床预后预测标志物,本研究首先采用整合组学分析策略在全基因组范围内鉴定与肝癌患者预后相关的DNA甲基化驱动的差异表达基因;然后,采用LASSO (least absolute shrinkage and selection operator)分析建立了10个最优基因组合的预后预测模型。Cox比例风险回归分析显示,在校正临床特征参数后,此预测模型高风险评分与患者不良预后显著相关,表明该模型具有潜在的独立预后价值。受试者工作特征(receiver operating characteristic,ROC)曲线分析显示该风险评分模型在预测患者短期和长期预后方面优于其他已被报道的肝癌预后预测模型。基因集富集分析(gene set enrichment analysis, GSEA)表明,高风险评分与细胞周期和DNA损伤修复通路相关。以上结果表明,本研究构建了一个基于10个DNA甲基化驱动基因的预后风险评分模型,该模型可作为肝癌患者的潜在预后生物标志物,有助于肝癌患者的生存预后评估和治疗策略的指导。     

Rab19在胃癌中的表达及其与预后的相关性

[目的]Rab19属于Ras-GTPase基因家族成员,探讨Rab19表达在胃癌诊断和预后中的价值。[方法]从肿瘤基因组图谱(The Cancer Genome Atlas,TCGA)数据库中下载胃癌数据集表达谱及临床病理特征资料。评估Rab19 mRNA在GC中的表达水平。通过Kaplan-Meier和Cox分析,确定Rab19在胃癌中的预后价值。使用TCGA数据集进行基因集富集分析(GSEA)以预测胃癌中Rab19作用的分子机制。[结果]Rab19在胃癌中过表达(P 0.0001),且Rab19的表达与肿瘤分级和瘤体大小都有显著相关(P 0.05)。生存分析结果显示Rab19高表达与胃癌患者生存时间长相关(P 0.05)。Rab19表达可作为胃癌患者的独立预后因子(P 0.005)。此外,过氧化物酶体、状腺癌、泛酸和Co A生物合成、鞘脂代谢、细胞凋亡、硒氨基酸代谢、Notch信号传导途径和子宫内膜癌相关的基因集与Rab19的高表达表型存在差异。[结论]Rab19在胃癌细胞中明显上调,有望成为胃癌的诊断和预后中的有效生物标志物。     

基于生物信息学分析的非小细胞肺癌诊断预后相关基因的筛选

为了从基因层面探讨非小细胞肺癌(non-small cell lung cancer, NSCLC)发生发展的内在机制,筛选与NSCLC诊断、预后相关的基因,为NSCLC分子机制的进一步研究提供生物信息学依据,利用生物信息学方法对GEO数据库和TCGA数据库的数据集进行合并分析,筛选NSCLC组织与正常肺组织之间的差异表达基因(differentially expressed genes, DEGs),并对所取交集的DEGs进行基因集富集分析(gene set enrichment analysis, GSEA)、基因本体论(gene ontology, GO)分析、KEGG (kyoto encyclopedia of genes and genomes)通路富集分析、蛋白质相互作用(protein-protein interaction, PPI)分析、ROC曲线诊断效能分析及LASSO生存分析。文中共筛选出240个DEGs,主要涉及核分裂、染色体分离等生物学过程。GSEA分析结果显示,富集的通路主要涉及DNA修复和细胞周期。从PPI网络中筛选出20个hub基因, ROC结果显示, UBE2C (AUC=0.939)、TOP2A(AUC=0.927)、RRM2 (AUC=0.927)、CCNB1 (AUC=0.928)、MKI67 (AUC=0.930)、AURKA (AUC=0.931)、MELK(AUC=0.950)相对具有较高的诊断价值, LASSO COX回归结果则显示IL6、KIAA0101、MKI67、TPX2、AURKA、CDKN3及CDCA5与NSCLC患者的预后强相关。本研究结果表明, ZWINT、KIF2C、MELK、CDCA5可能在NSCLC中发挥着重要的作用,为阐明NSCLC的分子机制提供了新思路。     

急性髓系白血病铁死亡相关基因筛选及预后模型的建立

基于急性髓系白血病(Acute Myeloid Leukemia,AML)临床大数据及多组学数据库探讨铁死亡相关基因在AML中的作用,并建立铁死亡基因表达相关预后模型。整合TCGA数据库中151例AML患者和GTEx数据库中337例正常人外周血的临床和转录组数据。将Wilcoxon检验和单因素Cox分析结果取交集,筛选出预后相关差异表达基因(Differential Expression Genes, DEGs),使用Lasso回归建立基因标志物预后模型,利用受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC曲线)评价预测价值,Kaplan-Meier法进行生存分析,对AML患者临床数据进行单因素和多因素Cox回归分析,使用差异基因表达分析等方法比较高、低风险患者间的组学差异,最后,利用BeatAML数据库对基因标志物进行验证。将差异基因表达分析和单因素分析结果取交集,得到13个预后相关DEGs。构建了8个基因标志物的预后评分模型,并将患者分为高、低风险两组;ROC曲线分析证实了模型良好的预测性能;生存分析提示高、低风险组患者的生存率具有显著差异;单因素分析显示年龄和风险评分与患者整体生存显著相关,多因素分析显示,年龄和风险评分是独立预后指标。在2个风险组之间筛选出384个DEGs,GO富集分析结果显示,富集的基因大多与中性粒细胞和白细胞的趋化与迁移等免疫相关分子和通路显著相关,KEGG富集通路主要与TNF信号通路、细胞因子与细胞因子受体相互作用相关。BeatAML数据库验证结果显示,5个基因与预后显著相关。铁死亡相关基因在AML中显著表达,且高风险患者预后较差,该研究对AML铁死亡相关潜在生物标志物的发现和应用奠定了一定的基础。     

肿瘤表达谱基因芯片数据的混合效应模型分析

目的:研究混合效应模型(Mixed Effects Model)在肿瘤表达谱基因芯片数据分析中的检验效能,并探讨其分析效果。方法:采用混合效应模型分析肿瘤实例基因芯片数据,并以基因集富集分析方法(GSEA)作为参照比较分析结果的有效性和科学性,探讨其检验效果。结果:通过混合效应模型和基因集富集分析(GSEA)两种方法对肿瘤基因芯片数据的分析和比较,两种方法筛选出共同的差异表达通路外,混合效应模型额外地筛选出来GSEA未能检验到的8条差异表达通路,且得到文献支持;混和效应模型筛选出的前10个差异表达通路中有6个已有生物学证明而基因集富集分析方法(GSEA)筛选出的前10个差异表达通路中仅有4个已有生物学证明。结论:混合效应模型作为top-down方法中的典型代表,其优势在于通过构建潜变量达到降维目的,可有效地减少多个复杂的变异来源从而保证了结果的准确性和科学性,其检验效能优于基因集富集分析方法(GSEA),是一种行之有效的筛选肿瘤基因芯片数据的分析方法。