胃癌铜死亡特征分子亚型的临床特征及分子景观
iMeta主页:http://www.imeta.science
研究论文
● 原文链接DOI: https://doi.org/10.1002/imt2.190
● 2024年4月5日,山东第一医科大学附属省立医院李乐平、种微团队在iMeta在线发表了题为 “Clinical features and molecular landscape of cuproptosis signature-related molecular subtype in gastric cancer” 的研究文章。
● 本研究强调,基于铜死亡特征的亚型划分与胃癌的不同临床特征和分子特征显著相关。对个体肿瘤的铜死亡特征风险评分(CSRS)进行定量评估将加深我们对铜死亡发生与发展的理解,以及胃癌的治疗进展。
● 第一作者:种微、任慧成、陈浩、徐康
● 通讯作者:种微(chongwei@sdfmu.edu.cn)、商亮(docshang@163.com)、靖昌庆(jingchangqing@sdfmu.edu.cn)、李乐平(lileping@medmail.com.cn)
● 合作作者:朱星宇、刘源、 桑耀东、李涵、刘瑾、叶春水
● 主要单位:山东第一医科大学附属省立医院,山东省立医院,胃肠外科;山东第一医科大学(山东省医学科学院),医学科技创新中心;淄博市中心医院,胃肠外科;山东大学齐鲁医院,临床研究中心;山东第一医科大学第一附属医院;山东第一医科大学附属省立医院,消化内科
● 确定了四种基于铜死亡特征的不同聚类,它们与不同的临床结果和生物途径相关联,并且分别与不同的肿瘤免疫背景高度一致;
● 根据铜死亡特征风险评分,高CSRS评分的胃癌患者生存期缩短,与肿瘤粘附状态和较低的肿瘤突变负荷相关;
● 在CSRS-High亚型中,DBT、MTF1或ATP7A显著升高,而在CSRS-Low亚型中,ATP7B、SLC31A1、GCSH、LIAS、DLAT、FDX1、DLD和PDHA1升高;
● 药物敏感性分析揭示了针对高CSRS评分胃癌的潜在治疗药物。
近期研究强调了铜死亡在疾病发生与发展中的生物学意义。然而,铜死亡信号是否对胃癌(GC)的发生和预后具有潜在影响仍不清楚。本研究利用16个铜死亡相关基因(CRGs)的转录谱对胃癌进行基于正则化潜变量模型的聚类。基于CRGs主成分加权的铜死亡特征风险评分(CSRS)方案用于评估胃癌个体肿瘤的预后和风险。在三个独立数据库的1136个胃癌样本中,我们确定了四个具有不同CRGs表达模式的铜死亡特征聚类。这四个聚类还与不同的临床结果和肿瘤免疫环境相关。基于CSRS,胃癌患者可分为CSRS-High和CSRS-Low两种亚型。我们发现DBT、MTF1和ATP7A在CSRS-High亚型中表达显著升高,而SLC31A1、GCSH、LIAS、DLAT、FDX1、DLD和PDHA1在CSRS-Low亚型中表达升高。CSRS-Low评分的患者生存期更长。进一步分析表明,CSRS-Low评分还与胃癌中更高的肿瘤突变负荷(TMB)和显著突变基因(SMG)的更高突变率相关。此外,与CSRS-Low肿瘤相比,CSRS-High亚型具有更多与肿瘤发生显著相关的扩增灶区域(3q27.1、12p12.1、11q13.3等)。药物敏感性分析揭示了治疗高CSRS评分胃癌的潜在化合物,这些化合物在胃癌细胞中得到了实验验证。本研究强调,基于铜死亡特征的亚型划分与胃癌的不同临床特征和分子特征显著相关。对个体肿瘤的CSRS进行定量评估将加深我们对铜死亡发生与发展的理解,以及胃癌的治疗进展。
Bilibili:https://www.bilibili.com/video/BV1Sf421S7E5/
Youtube:https://youtu.be/Ev80ouY_KEA
中文翻译、PPT、中/英文视频解读等扩展资料下载
请访问期刊官网:http://www.imeta.science/
引 言
胃癌(GC)是全球最重要的癌症之一,其发病率居全球第五,死亡率居全球第四。东亚和东欧的发病率最高。胃癌预后的风险因素包括幽门螺旋杆菌感染、年龄、肿瘤分期、亚型等。随着人口老龄化的加剧,在可预见的未来,胃癌的新发病例数量将继续增加。近年来,人们尝试将胃癌的分子类型与组织学分型和临床特征相结合,以了解胃癌的发生和发展机制,并探索指导临床决策的重要指标。新的生物标志物的开发和鉴定推动了系统治疗和靶向治疗的发展。目前,胃癌的主要治疗方案是手术切除结合围手术期辅助治疗。人们越来越认识到,程序性死亡配体1(PD-L1)阳性的胃癌患者将受益于免疫检查点抑制剂治疗。此外,最近的研究报告称,血管内皮生长因子(VEGF)受体抑制剂作为单一药物或与化疗联合使用已改善了患者的生存结果。目前,胃癌的早期预测筛查和术后监测标志物尚不清楚。应开发和利用预后生物标志物对胃癌高危人群进行分层,以指导胃癌的治疗和干预。利用大数据技术和标准化统计模型为患者提供个性化精准医疗服务。
铜是人体不可或缺的微量元素,但当其含量过多时,会产生细胞毒性作用并触发程序性细胞死亡。先前的研究表明,铜离子载体(如DSF等)和铜螯合剂(如TTM等)都具有抗癌作用。最近的研究表明,铜离子载体触发一种特殊类型的受控细胞死亡,其机制与其他形式的程序性细胞死亡(如凋亡、焦亡、坏死和铁死亡)不同。铜依赖性细胞死亡源于铜与三羧酸(TCA)循环的脂酰化组分的直接相互作用。这种相互作用导致脂酰化蛋白的聚集和随后铁硫簇蛋白的耗竭,最终导致蛋白质毒性应激和细胞死亡的诱导。根据铜死亡相关基因的分子功能,可分为正调控因子(FDX1、LIAS、LIPT1、DLD、DLAT、PDHA1、PDHB)和副调控因子(MTF1、GLS、CDKN2A)。在多种肿瘤患者的血清和肿瘤组织中都发现了铜的富集。目前,关于铜死亡在肝癌、肺癌、三阴性乳腺癌等肿瘤中的研究已逐步开展。基于各种肿瘤中铜死亡特征的预后模型大多从单一方面构建,很少结合临床特征、分子景观和基因突变特征来构建模型,并且缺乏通过分子生物学实验的验证。肝癌领域的研究进展迅速,有研究构建了预后模型并验证了铜死亡相关基因LIPT1可能促进肝癌细胞的增殖、侵袭和迁移能力。其他研究表明,铜可以通过介导铜依赖性细胞死亡来抑制乳腺癌细胞的增殖,并通过开发水凝胶系统在乳腺癌手术前减小肿瘤体积。在乳腺癌领域,最新研究发现,铜致敏系统治疗可以靶向和诱导肿瘤内外细胞的铜中毒程序,显著抑制乳腺癌的肺转移。在胃癌中,与铜死亡特征相关的预后模型构建尚不完善,缺乏基于胃癌患者临床特征和详细分子景观特征的预后模型。然而,这在胃癌分子靶向治疗的发展中仍有待探索。
本研究深入探讨了铜死亡相关基因之间的相互作用,将其视为一种铜死亡相关特征,以研究其与胃癌(GC)预后和分子途径的关联。我们采用了一种基于铜死亡相关转录组主成分分析的新指标,即“铜死亡特征风险评分(CSRS)”,用于评估铜死亡风险和生存状况。我们对不同风险亚型的胃癌患者的铜死亡相关基因突变情况进行了分析,发现两种亚型之间存在显著差异。我们的预测模型有望改善患者预后预测,具有重要的临床意义。
结 果
胃癌中铜死亡相关基因的突变情况
本研究探讨了16个铜死亡相关基因在胃癌(GC)中的作用。对这16个铜死亡相关基因进行了GO富集和Metascape分析,揭示了显著富集的生物过程,如图1A所示。这些基因主要富集在乙醛酸代谢、甘氨酸降解、铜代谢等方面。在408个样本中,有81个(19.85%)铜死亡相关基因样本出现了遗传改变,主要是错义突变、插入突变和移码突变。最常见的碱基突变是C到T、T到C和C到A(图1B)。在铜死亡相关基因中,CDKN2A的突变频率最高,紧随其后的是ATP7B和ATP7A。我们进一步调查了所有铜死亡相关基因之间的突变共存情况,并确定了CDKN2A与ATP7A、ATP7B与LIPT1、ATP7A与ATP7B以及ATP7A与LIPT1之间存在显著的突变共存关系(图S1A和表S1)。对这16个铜死亡相关基因的进一步分析表明,CNV(拷贝数变异)突变很普遍。图1C展示了这些基因CNV改变的染色体位置。此外,我们的分析表明,这16个铜死亡相关基因的CNV频率并不一致,表明这些基因的突变率存在差异。CDKN2A和LIPT1普遍存在CNV缺失,而ATP7B、DLD、MTF1、GLS和ATP7A则显示出广泛的CNV扩增(图1D)。
为了进一步评估铜死亡相关基因之间的相互调控关系,我们进行了斯皮尔曼相关性分析。结果表明,DBT和ATP7A与其它铜死亡相关基因之间存在显著的负相关关系。相反,DLAT、FDX1和PDHA1则与其他与铜死亡相关的基因呈现出显著的正相关关系(图S1B)。我们采用Cox回归分析来确定铜死亡相关基因与胃癌(GC)患者预后之间的关系。由此分析生成的森林图显示,DBT、ATP7A、PDHB和CDKN2A可被视为与GC患者总生存期显著相关的风险因素(图S1C)。此外,我们还以关系网络的形式可视化了16个铜死亡相关基因之间的相互作用关系,其中线条代表两个基因之间的相关性,圆圈大小代表预后值(图1E)。这一复杂的网络突显了16个铜死亡相关基因共同影响胃癌的发展和进程,并为基于铜死亡特征的亚型划分提供了依据。我们计算了26个源自胃腺癌(STAD)的细胞系的平均基因必需性得分,特别是CRISPR-Cas9基因敲除得分(CERES)。这些得分作为评估这些细胞系中基因依赖程度的指标。在大多数细胞系中,FDX1、LIAS、DLST、GCSH和DLD的得分低于-0.25,可能对细胞增殖产生潜在影响(图1F)。铜死亡相关基因在肿瘤样本和相邻正常样本中的表达模式存在显著差异。具体而言,LIPT1、ATP7A、LIAS、DBT和PDHB等基因在肿瘤组织中显著下调。相反,CDKN2A、GLS、MTF1和SLC31A1等基因在肿瘤中显著上调,提示它们在疾病的病理生理过程中发挥不同的作用(图1G)。
图1. 胃癌与铜死亡相关基因的综合特性
(A) Metascape富集网络可视化展示了16个铜死亡相关基因的富集术语的簇内和簇间相似性。不同的簇用不同的颜色编码。(B)在408名胃癌(GC)患者中,81名存在铜死亡相关基因的遗传变异,变异频率为19.85%,主要包括错义突变、无义突变和插入突变。右侧的数字表示每个铜死亡相关基因的突变频率。图表下方的分布显示了单个碱基组的突变频率。每一列代表一个患者。(C)铜死亡相关基因的拷贝数变异(CNV)在染色体上的位置。(D)在GC中16个铜死亡相关基因的CNV扩增和删失。CNV删失用粉色圆点标注,CNV扩增用蓝色圆点标注。(E)GC中16个铜死亡相关基因的相关性与预后。不同功能的铜死亡相关基因用不同颜色的圆圈表示。连接铜死亡相关基因的线表示它们之间的相互作用。每个圆圈的大小表示每个基因的预后效果,其按照经过缩放的对数p值进行调整。患者生存的保护因素由圆圈中心的绿点表示,风险因素由圆圈中心的黑点表示。(F)敲除16个铜死亡相关基因对胃癌细胞系增殖的影响。CERES得分越低,基因敲除后的效果越大。(G)16个铜死亡相关基因在正常和GC样本中mRNA表达水平的差异。星号表示统计p值(*p < 0.05; **p < 0.01; ***p < 0.001)。
特定的临床特征和分子亚型表征铜死亡特征亚型
我们进一步探讨了胃癌肿瘤中铜死亡相关基因的表达模式与临床特征以及分子亚型之间的关系。基于16个铜死亡相关特征基因,我们通过无监督聚类分析获得了四个稳定的转录组簇(图S2A,B)。我们观察到不同簇中铜死亡相关基因的表达模式存在显著差异,这表明在不同亚群的胃癌中,与这些基因相关的潜在生物过程和机制可能存在变化。LIAS、DLAT、PDHA1和SLC31A1在CSC1亚型中显著升高;CDKN2A和GLS在CSC2亚型中明显增加;MTF1、DBT和SLC31A1在CSC3亚型中明显增加;ATP7A和LIPT1在CSC4亚型中明显增加(图2A,ACRG队列)。在癌症基因组图谱(TCGA)和延世队列中也观察到了类似的铜死亡相关基因表达分布(图S2C,D)。有趣的是,大多数微卫星不稳定(MSI)阳性肿瘤聚集在CSC1亚型内,最终形成了高突变表型、MSI和免疫富集亚型的融合。相反,CSC4亚型与晚期肿瘤分期、间质表型、弥漫组织学亚型和纤维化肿瘤微环境(TME)亚型密切相关。这些观察结果强调了遗传不稳定性、肿瘤微环境与胃癌进展之间的复杂关系(图2B,C),这表明基质侵袭和预后不良。进一步的生存分析揭示了胃癌(GC)样本中由铜死亡特征定义的四个簇之间显著的预后差异。值得注意的是,CSC1特征显示出良好的预后相关性,而CSC4特征与不良生存结果相关(图2D-F和表S2)。多变量Cox比例风险回归分析进一步证实,该分层模型与患者生存结果存在独立相关性(ACRG队列:CSC1 vs. CSC4,风险比[HR],2.24 [95% CI,1.43–3.50],p < 0.001,图S2E;TCGA队列:CSC1 vs. CSC4,HR,2.31 [95% CI,1.32–4.02],p = 0.003,图S2F;延世队列:CSC1 vs. CSC4,HR,1.85 [95% CI,1.08–3.19],p = 0.026,图S2G;表S1)。此外,我们检查了通过单样本基因集富集分析(ssGSEA)获得的不同簇中铜死亡得分的分布。我们的分析显示,在所有三个数据集中,不同簇之间铜死亡得分的分布存在显著差异。具体而言,与CSC1和CSC2相比,CSC3和CSC4的得分显著降低(图S2H–J)。
图2. 由特定临床特征和分子亚型特征表征的铜死亡特征簇
(A) 热图展示了从亚洲癌症研究组织(ACRG)收集的代表性16个铜死亡相关基因的相对表达情况,分为不同的铜死亡特征簇。不同临床特征和亚型特征,包括年龄、性别、分期、分子亚型、Epstein-Barr病毒(EBV)和微卫星不稳定性(MSI)等,用不同颜色进行标注。(B, C) 将ACRG(B)和TCGA(C)队列中不同分子亚型的铜死亡特征簇进行比较。(D-F) 不同铜死亡特征簇的298名ACRG队列(D), 405名TCGA队列(E)和433名Yonsei队列(F)胃癌患者的总生存期(OS)的Kaplan-Meier曲线分析结果。(对数秩检验)。
以不同分子过程和基因组改变为特征的铜死亡特征簇
为了研究基于铜死亡特征的四个簇的潜在生物分子变化,我们使用了京都基因与基因组百科全书(KEGG)基因集进行了基因集变异分析(GSVA)富集分析。GSVA的结果显示,CSC1在物质合成、代谢和能量代谢相关的过程中表现出显著的富集,包括氨基酰-tRNA生物合成、叶酸一碳库、乙二酸和二羧酸代谢、精氨酸和脯氨酸代谢、柠檬酸循环(TCA循环)和氧化磷酸化。相反,CSC4主要在与细胞粘附和基质通路相关的通路中表现出富集,如糖胺聚糖生物合成(硫酸软骨素)、肌动蛋白细胞骨架的调节、粘着斑和ECM-受体相互作用。这些发现揭示了胃癌中不同簇的独特生物学特性和潜在功能作用。有趣的是,所有这些相关的生物过程在CSC2亚型中都是中位数富集(图3A和S3A)。此外,我们利用了从Zeng等人的研究中整理的免疫肿瘤学特征来评估四种CSC亚型中的生物过程和通路。CSC1和CSC2在3个数据库中的柠檬酸循环评分较高(图3B和S3B,F);CSC1在3个数据库中的脂酸代谢较高(图3B和S3C,G);CSC4在ACRG队列中的铁死亡评分较低(图3B),而CSC1在TCGA队列中的铁死亡评分较高(图S3E);CSC1和CSC2的丙酮酸代谢评分较高(图3B和S3D,H);乙二酸和二羧酸代谢评分在从CSC1到CSC4的延世队列中逐渐降低(图S3I)。为了更深入地了解不同CSC亚型之间的突变情况,我们在TCGA队列中进行了SMG分析,比较了CSC1、CSC2、CSC3和CSC4亚群之间的基因突变频率。我们的分析显示,在CSC1亚型中,ARID1A、PIK3CA、COL11A1和APC的突变率高于TCGA队列中的其他亚型。这些发现提示了潜在的亚型特异性突变模式,可能有助于CSC1在胃癌中的独特特征和行为(调整后的卡方检验,p < 0.05;图3C)。
我们还探讨了不同CSC亚型中肿瘤微环境的变化。基因组分析显示,CSC1的突变负荷最高,而CSC3的非整倍体评分较高(图3D)。抗肿瘤淋巴细胞亚群,如活化的CD4+/CD8+ T细胞主要在CSC1亚型中富集。然而,在CSC4亚型中,效应记忆CD4+/CD8+ T细胞、肥大细胞、嗜酸性粒细胞、1型辅助T细胞和2型辅助T细胞显著升高(图3E)。
图3. 以独特的功能信号富集和免疫景观为特征的铜死亡特征簇
(A)热图展示了在三个数据集中四个不同的铜死亡特征簇中的KEGG富集信号通路。(B)在ACRG队列中,来自Zeng等人研究的分子特征,包括柠檬酸循环、铁死亡、硫辛酸代谢和丙酮酸代谢在CSC1、CSC2、CSC3和CSC4亚型之间的分布。(C)TCGA胃癌中显著突变基因(SMGs)的突变谱在四个铜死亡特征簇中的情况。瀑布图展示了SMGs在四个簇中的突变频率,并且在右上方用星号突出显示具有统计显著差异分布的基因。(D)在ACRG队列中,CSC1、CSC2、CSC3和CSC4亚型之间的肿瘤突变负荷和非整倍体得分进行了比较。(E)比较了四个铜死亡特征簇中单样本基因集富集分析(ssGSEA)算法标注的细胞亚群的比例。在每个组中,粗线表示中位数值。底部和顶部分别是第25个和第75个百分位数(四分位距)。须包含1.5倍的四分位距。通过Kruskal-Wallis H检验比较了四个簇之间的统计差异。*p < 0.05; ** p < 0.01; ***p < 0.001。
构建铜死亡特征风险评分并探索其临床意义
尽管我们的研究强调了基于铜死亡特征的簇的预后意义,但这些分析仅限于患者群体水平,缺乏预测个体肿瘤内铜死亡特征模式的精确性。为了解决这一局限性,我们设计了一个评分系统,即铜死亡特征风险评分(详见方法部分),旨在量化个体胃癌患者的铜死亡特征。这一评分方案能够更个性化地评估与铜死亡相关的风险,有助于胃癌管理中的针对性治疗。在主成分分析和16个与铜死亡相关的基因中,贡献最大的前5个主成分中,排名靠前的基因包括DLAT、FDX1、DBT、DLD等(图S4A)。我们进一步将胃癌患者分为CSRS-Low和CSRS-High两种亚型。截断点是通过在ACRG队列中使用标准化的最大选择log-rank统计量来确定的(图4A)。我们通过Spearman分析检查了已知生物学特征与铜死亡特征风险评分之间的关系。相关矩阵的热图显示了显著的相关性。具体来说,铜死亡特征风险评分与脂酸、丙酮酸代谢和柠檬酸循环呈明显负相关。相反,它与癌症成纤维细胞、肿瘤相关巨噬细胞、糖原和糖胺聚糖生物合成以及细胞因子受体相关的特征呈正相关。这些发现表明胃癌中与铜死亡相关的风险与各种生物学过程之间存在复杂的相互作用,指出了进一步调查和治疗的潜在目标(图4B和表S3)。我们的观察结果表明,CSRS-Low和CSRS-High亚型间铜死亡相关基因的表达水平存在显著差异。在CSRS-High亚型中,DBT、MTF1和ATP7A显著升高;在三个数据库的CSRS-Low亚型中,ATP7B、SLC31A1、GCSH、LIAS、DLAT、FDX1、DLD和PDHA1明显增加(图4C和S4B、C)。我们还探讨了铜死亡特征风险评分与CSC簇之间的分布,并发现铜死亡特征风险评分在三个数据库的CSC4亚型中明显高于其他三个亚型(图4D-F)。考虑到量化铜死亡特征的复杂性,我们采用了流图来说明构建铜死亡特征风险评分的工作流程(图4G)。通过清晰简洁地展示这一工作流程,流图有助于理解铜死亡特征风险评分的方法论,并为未来研究中的方法复制提供了便利。为了进一步验证铜死亡特征风险评分的预后价值,我们将患者分为两个亚型:CSRS-Low和CSRS-High。正如假设的那样,被归类为CSRS-Low的患者在所有三个研究队列中都表现出明显更好的预后。这一发现突显了铜死亡特征风险评分作为胃癌患者生存结果预测指标的潜力(图4H-J和表S2)。对三个队列的多变量分析确实证实,铜死亡特征风险评分可以作为胃癌的独立预后生物标志物(ACRG队列的HR为1.61[95% CI,1.16-2.25],p=0.005,图S4D;TCGA队列的HR为1.73[95% CI,1.19-2.50],p=0.004,图S4E;Yonsei队列的HR为1.49[95% CI,1.12-2.00],p=0.007,图S4F;表S2)。
图4. 构建铜死亡特征风险评分并探索其临床相关性
(A) 使用标准化的最大选择log-rank统计量方法确定铜死亡特征风险评分的截断点。(B) 使用Spearman分析,评估铜死亡特征风险评分(CSRS)与已知生物基因特征之间的相关性。负相关用蓝色标注,正相关用红色标注。圆圈中的数字表示相关系数。(C) 热图展示了四个CSC亚型和两个CSRS亚型中的铜死亡相关基因和CSRS的标准化表达水平。每一列代表单个患者。(D-F) 铜死亡特征风险评分在ACRG中(D)、TCGA中(E)和Yonsei中(F)四个铜死亡特征簇中的分布情况。(G) 铜死亡特征簇在不同分子亚型(MSS/TP53−、MSS/TP53+、微卫星不稳定性[MSI]、上皮间质转化[EMT])、铜死亡特征风险评分亚型(低和高)中的分布。(H-J)ACRG(H)、TCGA(I)和Yonsei(J)中高和低CSRS患者的Kaplan-Meier曲线分析。对数秩检验,p < 0.05。
具有铜死亡特征突变的胃癌肿瘤基因组图谱
为了更深入地理解胃癌患者中与铜死亡特征风险评分相关的基因组改变,我们分析了通过全外显子测序(WES-seq)和单核苷酸多态性(SNP)阵列分析获得的体细胞突变数据。具体来说,我们在TCGA队列中进行了显著突变基因(SMG)分析,比较了CSRS-Low和CSRS-High亚型之间基因突变的频率。这种综合方法使我们能够确定可能导致不同风险评分的遗传异常,并可能有助于胃癌的发病和进展。TCGA队列中的突变谱显示,ARID1A、PIK3CA、APC、ERBB3、COL11A1、RNF43、BCOR、PTEN和PTPN23在CSRS-Low亚型中的突变率高于CSRS-High亚型(经调整的卡方检验,p < 0.05,图5A)。在TCGA队列中也观察到了一致的结果,即患者的铜死亡特征风险评分较低与肿瘤突变负荷较高显著相关。
在解析了来自全外显子测序(WES-seq)和单核苷酸多态性(SNP)阵列分析的体细胞突变数据后,我们继续分析胃癌(GC)肿瘤中的单核苷酸变异(SNVs)。具体来说,我们比较了CSRS-Low和CSRS-High亚型在96种可能突变矩阵中的SNV谱。饼图显示,CSRS-Low亚型中C > T转换略有减少,而CSRS-Low亚型中T > G转换略有增加。Lego图分析揭示了胃癌(GC)中独特的突变模式,其中C > T转换主要发生在ApCpN三核苷酸位点。值得注意的是,在CSRS-Low亚型中突出了一个特定的突变,即GpTpG位点的T > G转换(图S5A)。随后,我们从基因组数据中提取了五个突变特征(图S5B和5C),包括聚合物POLE缺陷(COSMIC 10)、5-甲基胞嘧啶的自发或酶促脱氨基作用(COSMIC 1)、HR介导的DNA-DSB修复缺陷(COSMIC 3)、缺陷性DNA错配修复(COSMIC 26)和一个未知特征(COSMIC 17)(图5C)。我们发现CSRS-High亚型在特征1和特征26中具有更高的突变计数;然而,在特征3和特征10中的突变计数较低(p < 0.005,图5B,D)。臂级体细胞拷贝数改变(SCNA)结果表明,特定染色体区域,包括chr1p、chr3、chr7q、chr8q、chr11q、chr18q和chr20p,包含GC中最常见的扩增或缺失区域。这些发现具有重要意义,因为它们暗示了这些染色体区域在GC的发病和进展中的作用。这些区域的扩增和缺失可能导致癌基因或肿瘤抑制基因的失调,从而驱动肿瘤的生长和转移(图5E)。两个CSRS亚型中排名最高的CNV位点为8q、9p、20q等(图S5D)。焦点水平SCNAs显示,CSRS-Low亚型中的1p36.23(PARK7)和cuproptosis特征风险高评分亚型中的3q27.1(PIK3CA)、11q13.3(CCND1)和12p12.1(KRAS)包含明显扩增的焦点区域;而cuproptosis特征风险高评分亚型中的1p36.11(ARID1A)和11q23.2(FDX1, DLAT, BACE1)包含频繁缺失的区域(FDR < 0.05,图5F)。归因于COSMIC 1和COSMIC 26特征的突变计数在CSRS-Low亚型中表现出显著升高,而与COSMIC 3特征相关的突变计数在CSRS-High亚型中观察到显著降低(图S5C)。
图5. 胃癌不同铜死亡特征风险评分(CSRS)亚型的肿瘤基因组景观
(A) The Cancer Genome Atlas(TCGA)-胃腺癌(STAD)中显著突变基因(SMGs)的突变谱,按低(左侧)和高(右侧)CSRS亚型分层。每一列代表一个患者。中央显示了在不同CSRS亚型中每个基因的突变频率。年龄、性别、分期、分子亚型、免疫亚型、MFP和CSC显示为上部面板的患者注释。(B) CSRS高和低亚组的肿瘤突变负荷的比较。(C) 对应提取的突变签名(Catalog of Somatic Mutations in Cancer [COSMIC] 10、17、1、3和26,即COSMIC数据库)的突变活性。(D)高和低CSRS亚型中对应的突变签名的突变活性的比较。(E) CSRS高和低亚组中染色体水平的体细胞拷贝数变异(SCNA)事件。红色表示扩增,蓝色表示缺失。(F) 显示具有显著体细胞拷贝数扩增(红色)和缺失(蓝色)的局部峰值(Q值<0.1)。标记了前20个扩增和缺失的细胞色带。这些局部峰值编码的代表性基因在基因组中的大致位置上突出显示。
CSRS评分与抗肿瘤药物之间的相关性和有效性分析
我们进一步联合分析了癌症细胞系百科全书(CCLE)和癌症药物敏感性基因组学(GDSC1)数据库,以确定CSRS评分与胃癌细胞系抗肿瘤药物敏感性之间的关联(图6A和表S4)。考虑到预后较差,我们特别关注于为高CSRS评分的胃癌(GC)样本确定潜在的治疗方案。有意义的是,CSRS评分与选定药物的IC50值之间存在显著的负相关,如SB505124(转化生长因子-β[TGF-β]受体拮抗剂,图6B,Spearman相关性检验)、GSK1904529A(IGF1R/IR抑制剂,图6C)、5Z-7-Oxozeanol(TAK1抑制剂,图6D)、thapsigargin(SERCA抑制剂,图6E)、CAP232/TT232/TLN232(糖酵解,SSTR1/SSTR4激活剂,图6F)、NSC319726(P53-R175突变激活剂,图6G)、TANK1366(Tankyrase1/2,PARP5a/PARP5b抑制剂,图6H)和LDN193189(BMP ALK2/ALK3抑制剂,图6I)。进一步的分析表明,这些药物在CSRS-High亚型患者中的IC50值较低(A832234(MetAP2抑制剂,图6J,Wilcoxon检验)、SB505124(图6K)、thapsigargin(图6L)、NSC319726(图6M)和talazoparib(PARP1/PARP2抑制剂,图6N)Q2。有趣的是,SB505124、thapsigargin和NSC319726在两次分析中均出现。
图6. 探索在高铜死亡特征风险评分(CSRS)得分的胃癌(GC)患者治疗中的潜在药物
(A) 在GC细胞系中,药物与CSRS得分之间的关联和敏感性分析示意图。(B-I) CSRS与转化生长因子β(TGF-β)受体拮抗剂、GSK1904529A(IGF1R/IR), 5Z-7- Oxozeanol (TAK1),thapsigargin (SERCA), CAP232/TT232/TLN232, NSC319726 (P53 Mut Specific) and TANK1366 (Tankyrase1/2 PARP5a/PARP5b)之间的相关分析。(J-N) 在GC中,比较低和高CSRS亚型之间A832234, SB505124, thapsigargin, NSC319726,talazoparib的药物效力。
通过Western blot实验和药物敏感性实验验证CSRS-Low(AGS)和CSRS-High(HGC-27)亚型之间的差异
我们进行了分子实验以验证我们的发现,Western blot分析结果显示,在CSRS-Low(AGS)和CSRS-High(HGC-27)亚型的胃癌细胞中,FDX1、LIAS、DLAT、DLST、GCSH、PDHB和PDHA1的表达水平存在显著差异。在CSRS-High亚型的胃癌细胞中,与铜死亡进程相关的蛋白质表达显著增加,而CSRS-Low亚型则相反(图7A)。在CSRS-Low和CSRS-High亚型中,铜死亡相关蛋白质的表达在药物刺激后的一些分子中显示出显著变化,具体机制需要进一步探索。所有这三种药物都可以有效抑制所测试的两种胃癌细胞系的增殖,并且这三种药物都具有良好的抑制作用。此外,NSC319726、talazoparib和thapsigargin在CSRS-Low亚型的胃癌细胞中具有相对较高的IC50值(图7B–D)。集落形成实验进一步证实了这些药物对胃癌细胞生长的抑制作用(图7E–H)。
图7. 铜死亡特征风险评分(CSRS)低(AGS)和高(HGC-27)亚型胃癌细胞中铜死亡相关蛋白的表达和药物敏感性差异
(A)WB分析显示CSRS低(AGS)和CSRS高(HGC-27)亚型中FDX1、LIAS、DLAT、DLST、GCSH、DLD、PDHB、PDHA1和β-actin的表达情况。(B-D) CSRS低(AGS)和CSRS高(HGC-27)亚型胃癌细胞对NSC319726、thapsigargin,talazoparib和药物的敏感性分析。(E-H) 两个CSRS低(AGS)和CSRS高(HGC-27)亚型胃癌细胞系在二甲基亚砜(DMSO)或三种药物处理下的克隆形成能力。*p < 0.05; **p < 0.01; ***p < 0.001
讨 论
越来越多的研究表明,细胞铜死亡机制在肿瘤的发生和发展中起着重要作用。多组学技术的应用使得在复杂的肿瘤微环境中识别肿瘤细胞产生的癌症生物标志物成为可能,从而显著推动了新型诊断和治疗方法的发展。已经有研究基于铜死亡特征构建预后模型,但它们没有全面考虑临床特征,对遗传分子图谱的解释也不够深入。药物筛选和细胞系敏感性之间没有交叉验证,也没有进行敏感性相关实验来验证筛选出的药物。虽然基于铜死亡特征和肿瘤微环境单细胞谱构建了结合风险评分和其他临床病理特征的柱状图模型,但其在胃癌临床特征和分子图谱基础上的应用和有效药物的筛选还不够详细。与本研究仅使用TCGA数据集进行分析相比,我们的研究采用了更全面的方法,结合了三个不同的数据集。此外,我们的研究采用了不同的建模方法(PC),这可能为当前的主题提供独特的见解和视角。这些研究中的部分已经探讨了铜死亡机制与肿瘤基因组学之间的关系,但没有对特定肿瘤的基因组图谱进行详尽的表征。通过考虑多个数据集并采用不同的方法,我们的研究旨在提供更全面和细致的理解。在本文中,我们表明铜死亡特征与胃癌的分子图谱和临床特征显著相关,这将加强我们对铜介导的细胞毒性发生和发展以及胃癌治疗方案的理解。
在本研究中,我们利用整合聚类算法与铜死亡相关基因,描绘了四种不同的铜死亡特征亚型。值得注意的是,在这些基因中,GLS编码谷氨酰胺酶,这是一种催化谷氨酰胺转化为谷氨酸的关键酶。谷氨酰胺代谢是癌细胞增殖和活力的关键过程,突出了GLS在此背景下的潜在重要性。FDX1是一个编码线粒体中铁氧化还原蛋白1的基因,参与电子转移反应。FDX1的异常表达与结直肠癌有关,并可能影响细胞能量代谢和氧化还原平衡。SLC31A1是一个编码铜转运蛋白CTR1的基因。ATP7B和ATP7A是编码参与铜稳态的铜转运ATP酶的基因。SLC31A1、ATP7B和ATP7A的失调与结直肠癌有关,并可能影响铜稳态和肿瘤生长。MTF1是一个编码金属反应转录因子1的基因,在调节参与金属离子稳态和氧化应激反应的基因表达中发挥作用。它可以影响细胞对氧化应激和DNA损伤的反应。DBT、LIPT1、CDKN2A、PDHB、DLD、DLAT、LIAS和DLST基因参与各种细胞过程,包括能量代谢、DNA修复和细胞周期调控[35]。它们与结直肠癌有关,并可能促进肿瘤的生长和进展。这16个与铜死亡相关的基因在特征和机制上有所不同。这四种亚型在胃癌的分子特征、免疫表型、生物学特征、基因组特征和临床预后方面存在差异。CSC1的主要特征是MSI分子状态,对应于免疫富集表型。它主要与TCA循环、丙酮酸和半乳糖代谢等相关的生物学功能有关。CSC4的主要特征是胃癌的上皮-间充质转化(EMT)分子分型,对应于纤维基质表型并富集于粘附相关的生物学功能。CSC2和CSC3的特征是从CSC1到CSC4的中间条件。以前的研究表明,肿瘤微环境的分类可以帮助我们确定可能受益于联合靶分子治疗的患者。基于这些结果,我们推测具有CSC4模式的胃癌患者可能受益于联合阻断粘附相关信号通路的靶点,而CSC1模式可能受益于阻断肿瘤代谢信号通路。免疫浸润的结果显示,CSC1中T细胞浸润程度较高,而CSC4中B细胞浸润程度较高。T细胞对于对抗病原体和肿瘤的免疫反应至关重要。然而,在结直肠癌中,它们的功能可能会受到抑制,从而使肿瘤能够逃避免疫系统的攻击。增强T细胞功能可以改善结直肠癌的治疗。B细胞负责抗体反应,在结直肠癌中作用较小。B细胞的作用相对较小,因为这类癌症通常不会引发强烈的抗体反应。然而,B细胞仍然可以通过调节免疫反应和促进肿瘤生长来影响肿瘤微环境。该机制与CSC1和CSC4的预后一致。通过探索不同肿瘤亚型免疫微环境的差异,我们可以为胃癌的免疫靶向治疗提供理论支持。
我们进一步建立了一个铜死亡特征风险评分系统,以评估患者的预后和生物通路,从而指导患者的精准治疗。进一步的分析显示,CSRS评分较高的患者主要来自CSC3和CSC4亚型,预后较差。在ACRG和Yonsei队列中,CSC1与CSC2、CSC3和CSC4之间的差异相对显著。在TCGA队列中,CSC1和CSC2组之间没有显著差异,但与CSC3和CSC4相比差异更为显著。这一结果的原因可能是TCGA队列主要由西方人群组成,而ACRG和Yonsei队列主要由亚洲人群组成。基因组分析表明,高CSRS亚型的特征是TMB降低和DNA错配修复缺陷。主要集中于CSRS-High亚型的CNV具有癌基因(如PIK3CA、KRAS和CCND1)的扩增;而铜死亡抑制剂(如FDX1和DLAT)在CSRS-High亚型中显著缺失。这些证据表明CSRS与基因组改变相关,并且较高的评分表示遗传异质性的增加。具有高TMB的CRC患者可能表现出增加的肿瘤免疫原性,使得肿瘤细胞更可能被免疫系统识别和攻击。因此,具有高TMB的CRC患者可能对免疫治疗表现出更高的敏感性,并更可能从免疫检查点抑制剂治疗中受益。PIK3CA和KRAS基因的突变在结直肠癌中常见,并与增加的肿瘤风险相关。PIK3CA突变激活PI3K信号通路,促进肿瘤细胞生长和存活。KRAS突变导致KRAS蛋白的持续激活,增强肿瘤细胞的生长和扩散。这两种突变都与结直肠癌的侵袭性、复发和耐药性相关。此外,上述提到的几种化疗方案被发现对高CSRS评分敏感,表明它们在治疗中的潜在重要性。
值得注意的是,本研究发现某些铜死亡相关基因在肿瘤的生物学过程中发挥重要的调控作用。最近的研究发现,铜转运蛋白ATP7A的高表达可以促进肿瘤的发生和转移,并且与乳腺癌患者的不良预后显著相关。同时,ATP7A可以限制自噬介导的VEGFR2降解,并促进VEGFR信号通路和新生血管生成。本研究显示了相似的结果,其中在CSRS-High GC样本中观察到较高的ATP7A富集。以前的研究表明,DLAT在不同的胃癌类型中以不同的量表达,并且发现DLAT高表达的胃癌细胞系中敲低DLAT可以影响细胞的增殖功能,并可能促进有氧糖酵解途径、氧化磷酸化和分解代谢反应。PM2.5暴露增强了糖酵解基因DLAT的表达,从而刺激糖酵解过程,最终促进NSCLC的发展。我们的结果还显示,DLAT主要富集于胃癌的氧化磷酸化、柠檬酸循环、丙酮酸代谢等物质和能量代谢过程中。DLAT相关机制相对复杂,需要继续探索。一些研究发现,具有FDX2缺失的FDXR通过IRP2调节P73肿瘤抑制因子来调节衰老和肿瘤抑制。FDXR通过与P53相互作用发挥其肿瘤抑制作用。FDX1与葡萄糖代谢、氨基酸代谢和脂肪酸氧化密切相关,并在肺癌中促进ATP的产生,但它不影响肺癌细胞的增殖,对凋亡和细胞周期也没有影响。FDX1在各种癌症类型中表达降低,并与临床参数、TMB、MSI和免疫相关通路显著相关。我们的研究表明,FDX1与胃癌中的能量和底物代谢密切相关,主要见于CSRS-Low亚型患者,并与更良好的预后相关。总的来说,这些发现暗示着对铜死亡属性的整体评估可以增强我们对铜死亡涉及的潜在生理机制的理解。
有趣的是,我们对抗肿瘤药物的相关性和敏感性分析揭示了几种药物在相关性和敏感性上呈现出相同的趋势,例如SB505124、thapsigargin和NSC319726。SB505124是一种选择性的TGFβR抑制剂,作用于ALK4和ALK5,它可以通过多种机制诱导细胞死亡并抑制生物功能,如肿瘤细胞侵袭、增殖和存活。Thapsigargin几乎可以在所有细胞中诱导凋亡,但最近的研究表明它可以抑制Notch1信号通路,其益处需要全面评估。NSC319726可以与铜结合诱导氧化应激导致细胞周期停滞。这可以帮助我们筛选胃癌的药物治疗靶点,并为临床精准治疗的选择提供理论依据。我们通过分子生物学实验初步验证了上述三种药物对细胞活力的明显影响,然后我们需要通过实验验证这三种药物对细胞增殖、迁移和侵袭、细胞周期、凋亡等功能的影响。显然,我们需要更多的证据来支持这些药物的临床益处。
方 法
公共数据采集与数据清洗
我们进行了一项专注于铜死亡的文献回顾,并整理了一份包含16个公认的铜死亡相关基因的列表。这些基因随后被仔细分析,以确定与铜死亡特征相关的不同集群。这16个铜死亡相关基因被分为两组,即阳性命中(FDX1、DLST、LIAS、LIPT1、DLD、DLAT、DBT、SLC31A1、PDHB、PDHA1、GCSH)和阴性命中(MTF1、GLS、CDKN2A、ATP7A、ATP7B)(表S5)。我们从公共数据库中获取了具有可用转录组和临床数据的胃癌样本数据,包括ACRG数据集(亚洲癌症研究小组,2015年,N = 298,https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE62254)、TCGA-STAD数据集(癌症基因组图谱-胃腺癌,2018年,N = 408,https://portal.gdc.cancer.gov/)和延世大学数据集(延世大学队列,2018年,N = 433,https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE84437)。在去除信息不完整的样本后,共有1139名胃癌患者被纳入研究进行后续分析。ACRG数据集用于模型建立,而TCGA和延世大学数据集则用于进一步验证。
功能富集、互作网络分析和通路注释
我们使用Metascape数据库(https://metascape.org)对铜死亡相关基因进行了功能富集分析。基于基因表达水平,我们使用STRING(https://string-db.org)绘制了16个铜死亡相关基因的蛋白质-蛋白质互作网络。所选基因的富集通路基于GO富集分析。
拷贝数变异(CNV)分析、高频突变基因和肿瘤突变特征
我们使用R包“oncoplot”进行基因突变景观描述。使用R包“RCircos”将16个铜死亡相关基因映射到染色体上。使用R包“maftools”进行CNV分析,以注释不同CSRS亚型中的扩增和缺失细胞带。每个胃癌样本的体细胞拷贝数改变(SCNA)和非整倍体评分均来自以前的研究。使用非负矩阵因子反卷积模型的贝叶斯推断的Signature Enrichment函数来确定可以提取的最佳突变特征数量。在癌症体细胞突变目录中使用余弦相似性分析来比较和注释探索的胃癌突变特征。
16个铜死亡相关基因的无监督聚类分析
iClusterPlus包实现了一个正则化的潜在变量模型,用于聚类,该模型结合了不同数据类型的联合推断,以产生综合的聚类分配。这种方法利用多个来源的信息来提高聚类结果的准确性和稳健性。在这里,我们采用iClusterPlus包,根据胃癌中16个铜死亡相关基因的转录组特征,识别不同的铜死亡特征簇。根据iClusterPlus的指南,最佳簇数被确定为四个,这由代表解释变异百分比的曲线趋于平稳所指示。这表明,将簇数进一步增加到四个以上不会显著提高模型解释的变异量。我们使用iCluster2函数,设置K=4,lambda为0.1,方法设置为“lasso”来执行聚类分析。
通过ssGSEA建立铜死亡评分
我们利用由铜死亡基因组成的基因集,并应用ssGSEA方法为每个样本分配一个铜死亡评分。ssGSEA是一种基于基因集的方法,用于评估单个样本内基因集的富集程度。它通过计算每个基因集内基因的排序来量化基因集的富集程度,从而得出基因集富集评分。ssGSEA的关键优势在于其能够在单个样本内评估基因集的富集程度,无需进行样本间比较。这在处理有限数量的样本或缺乏对照组时特别有价值。ssGSEA可以应用于多种类型的基因表达数据,包括RNA-seq和微阵列数据。
使用ssGSEA估计免疫细胞浸润
通过ssGSEA量化了胃癌肿瘤微环境中28种免疫细胞类型的相对浸润情况。每种免疫细胞亚群的特殊特征基因面板均来自Charoentong等人的研究。在ssGSEA分析中,每种免疫细胞类型的相对丰度由富集评分表示。免疫细胞滤过的生物相似性通过多维尺度(MDS)和高斯拟合模型进行估计。
细胞系与药物敏感性分析
我们还利用癌症依赖性图谱项目(DepMap)的数据评估了胃癌中铜死亡相关蛋白的遗传脆弱性。在26个具有胃癌起源的细胞系中,计算了反映铜死亡基因依赖性的平均基因必需性评分(CRISPR-Cas9基因敲除评分[CERES])。利用癌症药物敏感性基因组学(GDSC1)数据集发布的药物IC50值,探讨了CSRS评分与潜在治疗方法的关联性。
构建CSRS评分系统
我们使用主成分分析(PCA)构建了一个CSRS方案,以量化个体患者的相对铜死亡风险水平。具体来说,我们推导了16个铜死亡基因的相关系数矩阵的特征值和特征向量,并进行了构造矩阵乘积(PC得分)。PCA分析中约79.1%的变异可由前五个特征值解释,因此被视为要保留的主成分数量。然后,将前五个特征值按PC得分加权后的和作为铜死亡特征得分。我们还采用了一个公式来定义每个胃癌样本的CSRS方案:CSRS = ∑(Ei*PCi)/E1:5,其中E表示特征值,PC表示主成分,i表示从1到5的数字。此外,我们使用R包“survival”中的surv-cutpoint函数,该函数基于标准化的最大选择对数秩统计量,来确定CSRS评分系统中高风险和低风险组的最佳分层点。在ACRG中确定的CSRS得分的最佳截断点进一步应用于TCGA和Yonsei队列中。
细胞培养
AGS细胞和HGC-27细胞由ATCC提供。AGS细胞和HGC-27细胞在补充有胎牛血清(FBS,10%,PAN;ST30-3302)和青霉素-链霉素-庆大霉素(1%,Solarbio;P1410)的RPMI Medium 1640基础培养基(Gibco;C11875500BT)中进行培养。细胞在37°C、95%空气和5% CO2的条件下进行培养。
Western blot分析
当观察到细胞密度达到约90%时,我们准备裂解细胞以提取蛋白质。使用BCA蛋白检测试剂盒(Solarbio;PC0020)通过BCA方法测定蛋白质浓度。在获得OD值后,根据标准曲线计算的浓度公式计算每个样品的最终浓度。制备浓度为12%的凝胶后,加载样品开始蛋白质电泳。首先,在50 V的恒定压力下,将蛋白质压入浓缩胶中的均质带,然后以100 V运行分离胶。电泳后,我们开始转印PVDF膜,使用220 mA的恒定电流,并根据1 min/kDa计算转印时间。选择脱脂牛奶进行封闭,并使用50 rpm脱色摇床摇动1小时。用TBS-t溶液洗涤PVDF膜后,加入针对FDX1(Proteintech;12592-1-AP;19 kDa)、LIAS(Proteintech;11577-1-AP,34-42 kDa)、DLD(Proteintech;16431-1-AP;54 kDa)、DLAT(Proteintech;13426-1-AP;70 kDa)、DLST(CST;5556S;50 kDa)、PDHA1(Proteintech;18068-1-AP;43 kDa)、PDHB(Proteintech;14744-1-AP;39 kDa)、GCSH(Proteintech;16726-1-AP;19 kDa)和β-肌动蛋白(Proteintech;20536-1-AP;42 kDa)的一抗进行孵育,并在4°C下用带冰盒的50 rpm脱色摇床摇动14-16小时。用TBS-t溶液洗涤PVDF膜后,加入相应的二抗(Proteintech;SA00001-2)进行抗体孵育,并在50 rpm下脱色摇床摇动1小时。用TBS-t溶液洗涤PVDF膜后,向膜上加入适量的显影剂,曝光并显影,并在储存后用ImageJ1.52v软件分析条带。
CCK-8细胞增殖实验
胃癌细胞经消化处理后,以每孔5000个细胞的密度接种于96孔板中。当细胞密度达到90%–95%时,根据浓度梯度制备药物并添加到不同的孔中。具体的浓度梯度设置如下:NSC319726(0、1.0μM、10.0μM、100.0μM、300.0μM),毒胡萝卜素(thapsigargin)(0、0.1μM、1.0μM、10.0μM、50.0μM、100.0μM),他拉唑帕尼(talazoparib)(0、0. 1μM、1.0μM、10.0μM、50.0μM、100.0μM)。经过24小时的药物处理后,使用CCK-8试剂盒(DojinDo;CK04)通过CCK-8方法在450nm波长处测定剩余细胞的OD值,并使用GraphPad prism 8软件计算不同浓度下的细胞存活率并绘制图表。
平板克隆实验
我们将胃癌细胞接种到六孔板中,每孔1000个细胞。细胞生长24小时后,我们更换为含有IC50浓度的药物溶液。处理24小时后,我们再次更换为完全培养基,并继续培养8-10天,直至细胞集落大小适中。用预冷的PBS洗涤后,我们用1 mL 4%多聚甲醛固定30分钟,再用1 mL结晶紫染色30分钟,之后用PBS洗涤。然后,我们使用相机拍照,并利用ImageJ1.52v软件计算细胞集落的数量。
统计分析
本研究中的统计分析使用R-4.0.2进行。对于定量数据,正态分布变量的统计显著性通过学生t检验进行估计,而非正态分布变量则通过Wilcoxon秩和检验进行分析。对于两组以上的比较,分别使用Kruskal-Wallis检验和单因素方差分析作为非参数和参数方法。根据特定的分组条件,使用卡方检验和Fisher精确检验来分析列联表。使用Kaplan-Meier生存分析和Cox比例风险模型来分析代谢转录组模式与预后之间的关联,其中使用了R包“Survminer”(0.4.6)。来自“survival”包的surv-cutpoint函数被应用于将ACRG队列中的样本分为高CSRS得分和低CSRS得分亚型。所有比较均为双侧,alpha水平为0.05,并且应用Benjamini-Hochberg方法来控制多重假设检验的假发现率(FDR)。
代码和数据可用性声明
支持本研究结果的数据可在本文的补充材料中找到。本研究中的所有相关数据和材料均可在以下数据库中获得:TCGA(https://cancergenome.nih.gov/; https://www.cbioportal.org/)、DepMap(https://depmap.org/portal/download,基因表达[CCLE表达,21Q1];药物敏感性IC50[Sanger GDSC1])和GEO(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE62254; https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE84437)。基于铜死亡特征聚类和风险评分等程序的关键脚本可在Github网站(https://github.com/chenhao-qilu/CSRS_STAD)上找到。补充材料(图表、表格、脚本、图形摘要、幻灯片、视频、中文翻译版本和更新材料)可在线上的DOI或iMeta Science(http://www.imeta.science/)中找到。
引文格式:
Chong, Wei, Huicheng Ren, Hao Chen, Kang Xu, Xingyu Zhu, Yuan Liu, Yaodong Sang, et al. 2024. “Clinical Features and Molecular Landscape of Cuproptosis Signature Related Molecular Subtype in Gastric Cancer.” iMeta 3, e190. https://doi.org/10.1002/imt2.190
种微(第一作者)
● 医学肿瘤学博士,外科学博士后,山东省立医院胃肠外科副研究员,临床副教授,硕导,博士后导师,山东省消化肿瘤基础与临床重点高校实验室副主任。
● 聚焦肿瘤精准分子分型及高效诊疗靶点的筛选与鉴定,共计发表SCI 25篇,累计241.8分,以第一或通讯发表于Cell Death Differ,Theranostics(2022,2021),JCI insight(杂志封面)等16篇(中科院一区文章6篇,>8分10篇),累计影响因子143.3分,论文他引次数累计599次,单篇最高他引142余次,入选ESI Top1%高被引。还荣获山东省科技进步奖二等奖等。入选泰山学者青年专家(2022)、山东省高层次人才、山东省高等学校青创科技计划“消化肿瘤转化医学创新团队”带头人等。作为项目负责人主持国自然等科研项目9项,累计科研经费400余万元。兼任Front immunol Guest editor、iMeta青年编委、《中华肿瘤防治杂志》第九届编委会青年委员。
任慧成(第一作者)
● 山东第一医科大学(山东省医学科学院)外科学专业硕士,淄博市中心医院胃肠外科医师。
● 目前主要研究方向为消化道肿瘤生物标志物的筛选与鉴定。
陈浩(第一作者)
● 流行病与卫生统计学博士,山东大学齐鲁医院副研究员,山东省高等学校青年创新团队项目负责人。
● 主要从事恶性肿瘤分子分型与标志物、大数据机器学习等研究。目前主持国家自然科学基金、山东省自然科学基金、山东省高等学校“青创团队计划”等项目,担任山东省医学会临床流行病与循证医学分会秘书、山东生物医学工程学会青年专家委员会委员,山东省医药教育协会肿瘤干细胞与耐药专业委员会委员等。以第一或通讯作者发表SCI文章10余篇,其中中科院1区文章5篇,总引用次数300余次,并多次在中华医学会临床流行病学与循证医学分会、中国肿瘤学大会、中国肿瘤标志物学术大会作口头发言或壁报交流。目前担任Frontiers in Immunology客座副编辑,iMeta青年编委等。
徐康(第一作者)
● 山东第一医科大学(山东省医学科学院)外科学博士。
● 胃肠外科方向,以第一作者身份发表SCI论文1篇,中文核心期刊1篇,目前研究方向为消化道肿瘤生物标志物的筛选与鉴定。
商亮(通讯作者)
● 中共党员,山东省立医院东院胃肠外科副主任,主任医师、硕士生导师,Memorial Sloan Kettering Cancer Center访问学者,山东省消化肿瘤转化医学工程实验室副主任,齐鲁卫生与健康杰出青年人才,入选中国普通外科青年学者攀登计划。
● 主要从事胃癌临床与基础研究,主持省部级课题2项,参与国自然面上项目、山东省重大创新工程等重点项目5项,参与国际及国内临床与药物研究数十项,以第一作者或通讯作者在Molecular Cancer等发表SCI论文10余篇。获山东省科技进步奖二等奖2项,山东医学科技进步奖一等奖1项,中华医学科技进步三等奖1项。担任中国抗癌协会胃癌专业委员会青年委员,中华消化外科杂志菁英荟委员,山东省医学会微创医学分会秘书等学术兼职。
靖昌庆(通讯作者)
● 山东省立医院胃肠外科副主任、山东省消化肿瘤转化医学重点工程实验室副主任、博士生导师、齐鲁卫生与健康领军人才。
● 长期致力于消化道肿瘤临床与基础研究,擅长消化道肿瘤的微创外科治疗及MDT规范诊疗。发表SCI论文30余篇,累计影响因子180余分,主编专著1部。主持及参与国家及省重点课题7项,荣获山东省科技进步奖二等奖2项、中华医学科技奖三等奖1项、山东医学科技进步奖一等奖1项等。教学成果荣获山东省教学成果二等奖1项、校级特等奖1项。目前研究方向主要为胃肠外科微创手术技术创新,胃肠道恶性肿瘤发生、发展、转移的基础与临床研究,肠道菌群在减重代谢手术中的作用机制,外科代谢与营养支持研究等。
李乐平(通讯作者)
● 省立医院党委委员、副院长、普外科主任、胃肠外科主任,山东省消化肿瘤转化医学重点工程实验室主任,山东省消化肿瘤基础与临床重点高校实验室主任。泰山学者特聘教授、博士生导师、二级教授,被评为“国之名医”,享受国务院政府特殊津贴。
● 专注于胃癌、结直肠癌的分子生物学研究,带领团队开展胃癌、结直肠癌肿瘤相关分子机制研究,荣获2019年、2021年山东省科技进步奖二等奖,2020年中华医学科学技术奖三等奖及2018年山东医学科技进步奖一等奖,研究成果达国内领先水平、国际先进水平。多次作为评审专家参评国家科技进步奖。作为项目负责人,主持课题10多项(国家自然科学基金2项;山东省重大专项3项,其他省课题基金6项)。发表SCI论文100余篇,累计IF 800多分,他引3000多次,主编专著3部。
(▼ 点击跳转)
高引文章 ▸▸▸▸
iMeta | 引用14000+,海普洛斯陈实富发布新版fastp,更快更好地处理FASTQ数据
高引文章 ▸▸▸▸
iMeta | 德国国家肿瘤中心顾祖光发表复杂热图(ComplexHeatmap)可视化方法
高引文章▸▸▸▸
iMeta | 高颜值绘图网站imageGP+视频教程合集
1卷1期
1卷2期
1卷3期
1卷4期
2卷1期
2卷2期
2卷3期
2卷4期
3卷1期
2卷2期封底
2卷4期封底
3卷2期
3卷3期
3卷3期封底
3卷4期
3卷4期封底
1卷1期
“iMeta” 是由威立、宏科学和本领域数千名华人科学家合作出版的开放获取期刊,主编由中科院微生物所刘双江研究员和荷兰格罗宁根大学傅静远教授担任。目的是发表所有领域高影响力的研究、方法和综述,重点关注微生物组、生物信息、大数据和多组学等前沿交叉学科。目标是发表前10%(IF > 20)的高影响力论文。期刊特色包括中英双语图文、双语视频、可重复分析、图片打磨、60万用户的社交媒体宣传等。2022年2月正式创刊!相继被Google Scholar、PubMed、SCIE、ESI、DOAJ、Scopus等数据库收录!2024年6月获得首个影响因子23.8,位列全球SCI期刊前千分之五(107/21848),微生物学科2/161,仅低于Nature Reviews,学科研究类期刊全球第一,中国大陆11/514!
“iMetaOmics” 是“iMeta” 子刊,主编由中国科学院北京生命科学研究院赵方庆研究员和香港中文大学于君教授担任,是定位IF>10的高水平综合期刊,欢迎投稿!
iMeta主页:
http://www.imeta.science
姊妹刊iMetaOmics主页:
http://www.imeta.science/imetaomics/
出版社iMeta主页:
https://onlinelibrary.wiley.com/journal/2770596x
出版社iMetaOmics主页:
https://onlinelibrary.wiley.com/journal/29969514
iMeta投稿:
https://wiley.atyponrex.com/journal/IMT2
iMetaOmics投稿:
https://wiley.atyponrex.com/journal/IMO2
邮箱:
office@imeta.science