基于生物信息学技术筛选影响胶质母细胞瘤化疗敏感性 相关基因的研究

目的:应用生物信息学技术筛选影响胶质母细胞瘤(GBM)化疗敏感性的相关基因。方法:对2批胶质瘤患者BIOSTAR基因芯片进行分析。通过随访完善临床资料,筛选芯片中胶质母细胞瘤患者生存期长、短两组间的差异基因,明确差异基因参与的功能和通路,并构建与烷化剂相关基因的信号传导网络,结合芯片数据、患者预后和信号传导网络,筛选GBM化疗敏感性的相关基因。结果:两组芯片中间差异基因有503条。2批芯片的差异基因主要参与62项基因功能,主要参与31条信号传导通路。通过对差异基因功能、通路,烷化剂信号转导网络的分析,得到影响胶质母细胞瘤化疗敏感性的核心的差异基因IFNGR2、IL8、ITGA5、TNFRSF1B。结论:通过严谨的实验设计和科学的统计学判别,结合患者完整的生存资料,本研究成功地应用生物信息学技术对基因芯片的大量数据进行挖掘和分析,并筛选出了可能影响GBM患者预后和化疗药物敏感性的基因,为进一步功能实验和患者个体化治疗奠定了基础。     

龋病感染牙髓相关基因的筛选与生物信息学分析

目的:综合应用生物信息学技术,从分子水平对龋坏牙髓与正常牙髓的差异基因进行筛选分析,初步探讨其作用机制。方法:从GEO基因表达数据库中下载龋坏牙髓相关芯片数据集,采用MORPHEUS在线筛选差异表达基因,结合DAIVID、STRING等在线分析工具对差异表达基因进行GO功能富集分析及KEGG通路分析,后用Cytoscape软件构建蛋白质相互作用网络。结果:共筛选出375个差异表达基因,其中表达上调253个、下调122个,主要涉及免疫应答、炎症反应、细胞因子应答和生物矿化组织发育等生物过程,以及抗原加工提呈和NF-κB信号等生物通路。通过蛋白质互作网络构建分析发现,MMP9、IL-8、PTPRC、CXCR4等10个基因处于核心节点位置。结论:借助生物信息学方法能得到可靠的相关差异基因信息,能够有效指导进一步的研究。得到的差异基因可以作为龋病诊断的指示因子和机制研究的候选基因。     

SARS-CoV-2病毒感染潜在关键分子生物标志物及免疫浸润特征分析

应用生物信息学方法筛选新型冠状病毒肺炎（corona virus disease 2019,COVID-19）感染的潜在关键分子生物标志物并分析其免疫浸润特征。从GEO数据库下载GSE152418数据集,其中COVID-19患者17例,健康对照17例。用加权基因共表达网络分析（weighted gene co-expression network analysis,WGCNA）方法筛选出COVID-19最相关的模块基因。与差异基因取交集得到共同基因,进行功能及信号通路富集分析,构建蛋白互作网络筛选关键基因,构建关键基因的miRNA-TF-mRNA调控网络,用CIBERSORT算法预测样本免疫细胞浸润特征。差异分析得到2 049个差异基因。WGCNA分析7个模块中“土耳其蓝色”模块与COVID-19相关性最高（r=0.91,P<0.001）。模块中基因显著性和模块隶属度呈显著正相关（r=0.96,P<0.001）。得到共同基因766个,主要参与有丝分裂、微管结合、阳离子通道活性及卵母细胞减数分裂、细胞衰老等。蛋白互作网络筛选到前10位关键基因分别为CDK1、BUB1、CCNA2、CDC20、KIF11、BUB1B、CDCA8、TOP2A、CCNB2、KIF20A,构建的miRNA-TF-mRNA网络包含51个miRNA、5个TF、10个mRNA。COVID-19患者较健康对照组幼稚B细胞、嗜酸性粒细胞浸润水平显著降低（P<0.05）,浆细胞、活化肥大细胞浸润水平显著升高（P<0.05）。通过WGCNA及蛋白互作网络分析筛选出10个关键基因,并预测到调控关键基因的5个TF及51个miRNA,且COVID-19患者与健康对照的免疫浸润特征存在统计学差异,这些与免疫细胞相关的分子标志物可能作为COVID-19免疫治疗的潜在靶标。     

宫颈癌差异表达基因筛选及功能分析

目的:筛选参与宫颈癌发生、发展的关键基因,为临床诊疗提供新的靶点。方法:在NCBI-GEO数据库中筛选多组宫颈癌基因表达检测数据集,利用GEO2R分析工具筛选各组数据集的差异表达基因;应用R分析筛选不同数据集之间共有的差异表达基因;利用DAVID在线分析对差异表达基因进行功能聚类和通路分析;利用STRING分析差异表达基因编码蛋白之间的相互作用关系。结果:共选择6组表达数据集,筛选得到59个差异表达基因(宫颈癌组织vs正常组织),表达差异至少达2倍,其中包含50个表达上调基因及9个表达下调基因。这些差异表达基因参与细胞周期、DNA复制、细胞分裂等生物进程。蛋白互作分析表明,这些差异表达基因多数存在相互作用。结论:利用生物信息学方法对不同来源的基因检测数据进行整合分析,有助于更准确的筛选对宫颈癌发生、发展过程具有重要作用的关键基因,本文筛选的宫颈癌差异基因为进一步研究宫颈癌发生、发展的分子机制及临床诊疗提供思路。     

基于生物信息学技术筛选影响胶质母细胞瘤化疗敏感性相关基因的研究

目的：应用生物信息学技术筛选影响胶质母细胞瘤（GBM）化疗敏感性的相关基因。方法：对2批胶质瘤患者BIOSTAR基因芯片进行分析。通过随访完善临床资料,筛选芯片中胶质母细胞瘤患者生存期长、短两组间的差异基因,明确差异基因参与的功能和通路,并构建与烷化剂相关基因的信号传导网络,结合芯片数据、患者预后和信号传导网络,筛选GBM化疗敏感性的相关基因。结果：两组芯片中间差异基因有503条。2批芯片的差异基因主要参与62项基因功能,主要参与31条信号传导通路。通过对差异基因功能、通路,烷化剂信号转导网络的分析,得到影响胶质母细胞瘤化疗敏感性的核心的差异基因IFNGR2、IL8、ITGA5、TNFRSF1B。结论：通过严谨的实验设计和科学的统计学判别,结合患者完整的生存资料,本研究成功地应用生物信息学技术对基因芯片的大量数据进行挖掘和分析,并筛选出了可能影响GBM患者预后和化疗药物敏感性的基因,为进一步功能实验和患者个体化治疗奠定了基础。     

脱发相关差异表达基因的生物信息学分析

利用生物信息学方法分析脱发相关差异表达基因,有望帮助了解脱发发生发展的分子机制。本研究从NCBI的子数据库GEO中选择基因表达谱GSE45512和GSE45513数据集,利用R语言limma工具包,筛选出两个物种斑秃样本与正常样本的共同显著差异表达基因。对这部分基因进行功能注释和蛋白互作网络分析,同时对全部差异表达基因进行基因集富集分析。结果发现,人头皮斑秃样本共筛选出225个差异表达基因;C3H/HeJ小鼠自发斑秃皮肤样本共筛选出337个差异表达基因;两个物种的共同显著差异表达基因有23个。GO功能富集分析和蛋白互作网络分析显示,这部分差异基因显著富集于免疫相关功能,并且彼此间存在蛋白互作关系。基因集富集分析显示两个物种的差异基因都能显著富集到趋化因子信号通路、细胞因子受体相互作用、金葡菌感染及抗原加工与呈递通路;而且人的下调差异基因不仅映射到了人类表型数据库的脱发表型,也映射到皮肤附属物病理相关表型。综上所述,本研究通过生物信息方法分析脱发皮肤组织与正常皮肤组织的差异表达基因,最终筛选出23个在人和小鼠中共同存在的显著差异表达基因;此外,分析发现脱发与免疫过程及皮肤附属物病变密切相关,这些结果为脱发的诊断和治疗提供了新思路。     

幽门螺杆菌感染与胃癌相关基因的筛选及预后分析

目的通过分析幽门螺杆菌感染胃黏膜组织和胃癌细胞系后的差异基因变化,并在癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库和肿瘤基因芯片(Oncomine)数据库进行验证,探究幽门螺杆菌导致胃癌发生、发展的分子机制。方法分析基因表达汇编(Gene Expression Omnibus,GEO)数据库幽门螺杆菌感染相关芯片集GSE5081与GSE70394,绘制维恩图查找幽门螺杆菌感染后共同上调的差异基因。对共同上调的差异基因进行功能富集分析。通过TCGA和Oncomine数据库验证差异基因在胃癌中的表达。利用Kaplan-Meier Plotter数据库和GEPIA数据库分析差异基因表达高低与胃癌患者预后是否存在相关性。结果通过差异基因筛选和维恩分析,两个芯片集共有21个共同上调差异基因。GO分析发现共同上调差异基因主要富集在对细菌来源分子的反应、趋化因子CXCR受体结合、中性粒细胞趋化作用等相关的基因功能上;KEGG通路主要富集在癌症通路、TNF信号通路、趋化因子信号通路等。STRING以及PPI数据库分析发现21个基因中PRDM1、IL10、NRP1、BIRC3、GNG13、CXCL1、CXCL2、CXCL3、CXCL8基因存在有网络关系,属于关键枢纽基因。通过TCGA和Oncomine数据库筛选及验证,发现在胃癌组织中NRP1、CXCL1、CXCL8基因明显上调,结果差异有统计学意义(TCGA数据库中,三者P值均小于0.05,Oncomine数据库中,NRP1:t=4.607,P0.01;CXCL1:t=5.854,P0.01;CXCL8:t=5.316,P0.01)。在Kaplan-Meier Plotter数据库(210615-at芯片:P0.01;210510-s-at芯片:P0.01;212298-at芯片:P0.01)以及GEPIA数据库(P0.01)两个数据库中,NRP1的高表达均与胃癌的预后负相关。结论不同的数据库均显示NRP1、CXCL1、CXCL8三个基因与幽门螺杆菌感染相关,同时在胃癌中高表达,并且NRP1的高表达与胃癌的不良预后相关,这些结果为进一步探究幽门螺杆菌导致胃癌发生、发展的分子机制提供了重要基础。     

基于GEO和TCGA数据库分析促癌基因INHBA和抑癌基因CLCA4、CA4在结直肠癌中表达

目的:通过分析GEO数据库结直肠癌相关芯片集,寻找差异基因,并在TCGA数据库和GEO数据库进行验证,为结直肠癌的早期诊断寻找标志物。方法:分析GEO数据库结直肠癌相关芯片集GSE21510、GSE25071、GSE32323。分别分析差异基因,采用文恩图软件查找共同差异基因。进一步在TCGA数据库查找差异基因在结直肠癌中的表达及生存曲线。最后通过GEO数据库GSE24514验证差异基因的表达。结果:GSE21510,包含104例样本,共筛选出251个差异基因,其中上调基因146个,下调基因105个。GSE25071,包含50例样本,共筛选出669个差异基因,其中上调基因312个,下调基因357个。GSE32323,包含10例样本,共筛选出353个差异基因,其中上调基因115个,下调基因238个。在样本中上调基因为促癌基因,下调基因为抑癌基因。经文恩图分析,3个基因集交集共有15个基因,其中上调基因3个,下调基因12个。在TCGA数据库中查找差异基因的表达量和生存曲线,生存曲线选择结肠癌数据集,选取279个样本进行分析。根据差异基因的表达和生存曲线,最终确定促癌基因INHBA和抑癌基因CLCA4、CA4为结直肠癌的标志物。最后在GSE24514芯片集验证差异基因的表达。结论:通过GEO和TCGA数据库筛选及验证,发现在结直肠癌组织中INHBA基因明显上调,CLCA4、CA4基因明显下调。最终确定促癌基因INHBA和抑癌基因CLCA4、CA4可作为结直肠癌早期诊断的标志物。     

基于生物信息学的胃癌早期诊断预测模型研究

利用The Cancer Genome Atlas和Genotype-Tissue Expression公共数据检索收集胃癌(Gastric cancer,GC)基因表达数据集,筛选与早期胃癌密切相关的基因并构建胃癌早期诊断预测模型。运用Deseq2软件包筛选早期胃癌差异基因,并对差异基因进行GO和KEGG富集分析。通过STRING数据库建立其蛋白质相互作用网络并利用Cytoscape软件提取关键子网得到候选关键基因,进一步利用MedCalc软件确认胃癌早期诊断关键基因。根据筛选得到的10个关键基因构建基于支持向量机、随机森林、朴素贝叶斯、K-近邻、极限梯度提升和自适应提升等六种算法的胃癌早期诊断预测模型,依据ROC曲线和准确率等评价指标对各个分类器模型进行评估,通过独立测试集验证得到极致梯度提升诊断预测模型为最优模型。本研究成果为提高结胃癌早期诊断的研究提供了新的思路和方法。     

生物信息学方法筛选胶质母细胞瘤的核心基因

多形性胶质母细胞瘤(GBM)是成人最常见的恶性神经上皮肿瘤,关于其诊断和治疗的靶点研究一直是困扰研究者的难题。采用生物信息学的方法对GBM的基因表达信息进行分析,从TCGA中共获取169例GBM样本,正常脑组织样本5例,共17 847个基因。筛选出差异基因3 184个,利用Gene Ontology (GO)富集分析和Kyoto Encyclopedia of Genes and Genomes (KEGG)对差异基因的功能进行富集分析。利用STRING工具和cytoscape构建蛋白互作网络,连通性得分最高的被筛选为核心基因。联合ONCOMINE平台对核心基因进行表达分析。采用Kaplan-Meier法绘制核心基因生存曲线,了解核心基因对GBM患者生存时间和生存几率的相关性。共筛选出上调差异基因1 582个,下调差异基因1 601个。BottleNeck算法中连通性得分前十被选为核心基因,联合ONCOMINE分析,KCNAB2在GBM中低表达。KCNAB2的过表达预测了GBM患者更短的生存时间。相较于正常脑组织,KCNAB2在GBM中低表达。而当KCNAB2过表达时,GBM患者的生存时间明显缩短。但是,核心基因KCNAB2在GBM患者生存时间中的影响机制和存在价值仍需要进一步的研究去验证。     

Glioma stages prediction based on machine learning algorithm combined with protein-protein interaction networks

BackgroundGlioma is the most lethal nervous system cancer. Recent studies have made great efforts to study the occurrence and development of glioma, but the molecular mechanisms are still unclear. This study was designed to reveal the molecular mechanisms of glioma based on protein-protein interaction network combined with machine learning methods. Key differentially expressed genes (DEGs) were screened and selected by using the protein-protein interaction (PPI) networks.ResultsAs a result, 19 genes between grade I and grade II, 21 genes between grade II and grade III, and 20 genes between grade III and grade IV. Then, five machine learning methods were employed to predict the gliomas stages based on the selected key genes. After comparison, Complement Naive Bayes classifier was employed to build the prediction model for grade II-III with accuracy 72.8%. And Random forest was employed to build the prediction model for grade I-II and grade III-VI with accuracy 97.1% and 83.2%, respectively. Finally, the selected genes were analyzed by PPI networks, Gene Ontology (GO) terms and Kyoto Encyclopedia of Genes and Genomes (KEGG) pathways, and the results improve our understanding of the biological functions of select DEGs involved in glioma growth. We expect that the key genes expressed have a guiding significance for the occurrence of gliomas or, at the very least, that they are useful for tumor researchers.ConclusionMachine learning combined with PPI networks, GO and KEGG analyses of selected DEGs improve our understanding of the biological functions involved in glioma growth.     

Better Prognosis of Patients with Glioma Expressing FGF2-Dependent PDGFRA Irrespective of Morphological Diagnosis

Signaling of platelet derived growth factor receptor alpha (PDGFRA) is critically involved in the development of gliomas. However, the clinical relevance of PDGFRA expression in glioma subtypes and the mechanisms of PDGFRA expression in gliomas have been controversial. Under the supervision of morphological diagnosis, analysis of the {"type":"entrez-geo","attrs":{"text":"GSE16011","term_id":"16011"}}GSE16011 and the Repository of Molecular Brain Neoplasia Data (Rembrandt) set revealed enriched PDGFRA expression in low-grade gliomas. However, gliomas with the top 25% of PDGFRA expression levels contained nearly all morphological subtypes, which was associated with frequent IDH1 mutation, 1p LOH, 19q LOH, less EGFR amplification, younger age at disease onset and better survival compared to those gliomas with lower levels of PDGFRA expression. SNP analysis in Rembrandt data set and FISH analysis in eleven low passage glioma cell lines showed infrequent amplification of PDGFRA. Using in vitro culture of these low passage glioma cells, we tested the hypothesis of gliogenic factor dependent expression of PDGFRA in glioma cells. Fibroblast growth factor 2 (FGF2) was able to maintain PDGFRA expression in glioma cells. FGF2 also induced PDGFRA expression in glioma cells with low or non-detectable PDGFRA expression. FGF2-dependent maintenance of PDGFRA expression was concordant with the maintenance of a subset of gliogenic genes and higher rates of cell proliferation. Further, concordant expression patterns of FGF2 and PDGFRA were detected in glioma samples by immunohistochemical staining. Our findings suggest a role of FGF2 in regulating PDGFRA expression in the subset of gliomas with younger age at disease onset and longer patient survival regardless of their morphological diagnosis.     

脑胶质瘤组织CMTM1、ME2表达与临床病理特征和复发的关系研究

摘要 目的：探讨脑胶质瘤组织含CKLF样MARVEL跨膜结构域的蛋白1（CMTM1）、苹果酸酶2（ME2）表达与临床病理特征和复发的关系。方法：选取2018年1月～2021年1月徐州医科大学附属医院接受切除手术的92例脑胶质瘤患者，根据术后是否复发分为复发组和未复发组。采用免疫组化法检测脑胶质瘤组织和瘤旁组织CMTM1、ME2表达，分析二者与临床病理特征的关系，采用多因素Logistic回归分析脑胶质瘤患者术后复发的影响因素。结果：与瘤旁组织比较，脑胶质瘤组织中CMTM1、ME2阳性表达率升高（P＜0.05）。不同分化程度、世界卫生组织（WHO）中枢神经系统肿瘤分类脑胶质瘤组织中CMTM1、ME2阳性表达率比较，差异有统计学意义（P＜0.05）。随访2年，92例脑胶质瘤患者术后复发率为47.83%（44/92）。多因素Logistic回归分析显示，低分化、WHO中枢神经系统肿瘤分类Ⅲ～Ⅳ级、部分切除和CMTM1、ME2阳性表达为脑胶质瘤患者术后复发的独立危险因素（P＜0.05）。结论：脑胶质瘤组织中CMTM1、ME2阳性表达率升高，与分化程度、WHO中枢神经系统肿瘤分类等级和术后复发有关，可能成为脑胶质瘤患者术后复发的辅助评估指标。     

人巨细胞病毒IE1-72蛋白在胶质瘤中的表达及意义

目的:探讨人巨细胞病毒(HCMV)立刻早期基因1-72(IE1-72)蛋白在胶质瘤中的表达水平以及HCMV感染与胶质瘤发生的病因学关系。方法:采用免疫组化方法检测HCMV IE1-72蛋白在125例人脑胶质瘤组织及10例正常人脑组织中的表达,分析其表达水平与胶质瘤临床病理学特征的关系。结果:IE1-72蛋白在胶质瘤组织中的表达水平明显高于正常人脑组织(P=0.000);IE1-72蛋白免疫染色强度随胶质瘤病理级别的升高而明显增强(r=0.310,P=0.000),其在高恶性度胶质瘤中的染色强度明显强于低恶性度胶质瘤(P=0.004);IE1-72蛋白染色强度与胶质瘤患者的年龄存在正相关(r=0.234,P=0.009),而与胶质瘤患者的性别(r=0.038,P=0.675)以及肿瘤部位(r=0.086,P=0.341)无明显相关性。结论:HCMV感染及其蛋白IE1-72表达可能与人脑胶质瘤的发生和发展密切相关,但其确切的致瘤机制尚需进一步研究。     

Exploring Radiologic Criteria for Glioma Grade Classification on the BraTS Dataset

ObjectivesGlioma grading using maching learning on magnetic resonance data is a growing topic. According to the World Health Organization (WHO), the classification of glioma discriminates between low grade gliomas (LGG), grades I, II; and high grade gliomas (HGG), grades III, IV, leading to major issues in oncology for therapeutic management of patients. A well-known dataset for machine-based grade prediction is the MICCAI Brain Tumor Segmentation (BraTS) dataset. However this dataset is not divided into WHO-defined LGG and HGG, since it combines grades I, II and III as “lower grades gliomas”, while its HGG category only presents grade IV glioblastoma multiform. In this paper we want to train a binary grade classifier and investigate the consistency of the original BraTS labels with radiologic criteria using machine-aided predictions.Material and methodsUsing WHO-based radiomic features, we trained a SVM classifier on the BraTS dataset, and used the prediction score histogram to investigate the behaviour of our classifier on the lower grade population. We also asked 5 expert radiologists to annotate BraTS images between low (as opposed to lower) grade and high grade glioma classes, resulting in a new groundtruth.ResultsOur first training reached 84.1% accuracy. The prediction score histogram allows us to identify the radiologically high grade patients among the original lower grade population of the BraTS dataset. Training another SVM on our new radiologically WHO-aligned groundtruth shows robust performances despite important class imbalance, reaching 82.4% accuracy.ConclusionOur results highlight the coherence of radiologic criteria for low grade versus high grade classification under WHO terms. We also show how the histogram of prediction scores and crossed prediction scores can be used as tools for data exploration and performance evaluation. Therefore, we propose to use our radiological groundtruth for future development on binary glioma grading.     

磁共振灌注加权成像与弥散加权成像在脑胶质瘤分级诊断中的应用

目的:探讨磁共振灌注加权成像(perfusion weighted imaging,PWI)与弥散加权成像(diffusion weighted imaging,DWI)在脑胶质瘤分级诊断中的应用价值。方法:选取2012年1月-2017年6月在我院就诊并经病理证实为脑胶质瘤患者100例,其中高、低级别胶质瘤患者各44、56例。对所有患者行PWI、DWI检查,比较肿瘤不同区域表观扩散系数(apparent diffusion coefficient,ADC)、局部脑血流量(regional cerebral blood flow,rCBF),不同级别肿瘤实质区、瘤周水肿区rADC、rrCBF,根据ROC曲线分析rADC、rrCBF对不同级别胶质瘤的诊断阈值、敏感性、特异性。结果:与对侧相应正常脑实质比较,瘤周水肿区及肿瘤实质区ADC、rCBF均显著升高(P0.05);与瘤周水肿区比较,肿瘤实质区ADC、rCBF均显著升高(P0.05)。高级别肿瘤实质区rADC显著低于低级别肿瘤实质区(P0.05),rrCBF显著高于肿瘤实质区(P0.05)。高级别瘤周水肿区与低级别瘤周水肿区rADC间无显著差异(P0.05),高级别瘤周水肿区rrCBF显著高于低级别瘤周水肿区(P0.05)。在对高、低级别脑胶质瘤的分级中,rADC、rrCBF的曲线下面积(under the receiver operating characteristic curve,AUC)分别为0.957、0.978,均0.9。rADC诊断不同分级胶质瘤的敏感度是90.12%,特异度是95.26%,诊断阈值是13.12;rrCBF诊断不同分级胶质瘤的敏感度是92.31%,特异度是98.57%,诊断阈值是2.62。rADC与rrCBF诊断不同分级胶质瘤敏感度、特异度间无显著差异(P0.05)。结论:PWI、DWI能够为脑胶质瘤的分级诊断提供参考依据。     

Application of radiography of computed tomography in non-small cell lung cancer using prognosis model

ObjectiveStudying the diagnostic value of CT imaging in non-small cell lung cancer (NSCLC), and establishing a prognosis model combined with clinical characteristics is the objective, so as to provide a reference for the survival prediction of NSCLC patients.MethodCT scan data of NSCLC 200 patients were taken as the research object. Through image segmentation, the radiology features of CT images were extracted. The reliability and performance of the prognosis model based on the optimal feature number of specific algorithm and the prognosis model based on the global optimal feature number were compared.Results30-RELF-NB (30 optimal features, RELF feature selection algorithm and NB classifier) has the highest accuracy and AUC (area under the subject characteristic curve) in the prognosis model based on the optimal features of specific algorithm. Among the prognosis models based on global optimal features, 25-NB (25 global optimal features, naive Bayes classification algorithm classifier) has the highest accuracy and AUC. Compared with the prediction model based on feature training of specific feature selection algorithm, the overall performance and stability of the prediction model based on global optimal feature are higher.ConclusionThe prognosis model based on the global optimal feature established in this paper has good reliability and performance, and can be applied to the CT radiology of NSCLC.     

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。