Bölüm Ⅱ Böbrek Renal Berrak Hücreli Karsinomun Tümör Mikroçevresindeki Genetik Düzensizliğin Metabolik Anlayışı

Sonuç

1. KIRC'de Farklı Şekilde İfade Edilen Metabolik Genlerin Tanımlanması.

KIRC'deki metabolik düzensizliği araştırmak için, klinikte metabolizma hedefli terapötikler hakkında derin bilgiler elde etmek için mevcut TCGA verilerini araştırdık. Bu amaçla, iki farklı veri setinden [16, 17] kesişen bir dizi 1916 metabolik gen seçtik ve tümörde normal dokulara karşı farklı şekilde eksprese edilen 1100 geni taradık (Ek Tablo 2). Bu diferansiyel olarak ifade edilen metabolik genler, volkanlarda ve ısı haritalarında çizilmiştir (Şekil 1(a) ve 1(b)). 1100 diferansiyel olarak eksprese edilen metabolik genden 78 gen yukarı regüle edildi ve 163 gen aşağı regüle edildi. Ayrıca değişmemiş 859 gen vardı. Isı haritası, tümör ve normal numunelerdeki bu diferansiyel metabolik genlerin bireysel ekspresyon indeksini temsil eder (Şekil 1(b)). Daha sonra, diferansiyel olarak eksprese edilen ilk 10 metabolik geni belirledik; bunların arasında ENPP3, NNMT, CYP2J2, SCD ve HK2 yukarı regüle edilmiş ve HSD11B2, HMGCS2, HPD, HS6ST2 ve ALDOB aşağı regüle edilmiştir. Bu DEmG'lerin kutu grafikleri Şekil 1(c)'de gösterilmiştir. Yukarı regüle edilmiş genler arasında ENPP3, tümörlerde ~7-kat ifade edilir. Alternatif olarak, ALDOB geni, analiz edilen tümör örneklerinde ~5-kat aşağı regüle edilir.

Ek olarak, DEmG'lerin KEGG yolunu ve GO analizlerini değerlendirdik. KEGG yolu analizi, yukarı regüle edilmiş genlerin karbon metabolizması, HIF1 sinyali ve glikoliz / glukoneogenez açısından daha yüksek bir gen oranıyla (her yoldaki 8-9 gen sayısı) önemli ölçüde zenginleştiğini ortaya koydu (Şekil 1 (d)). Benzer şekilde, aşağı regüle edilmiş DEmG'ler arasında, karbon metabolizması ve valin, lösin ve izolösin degradasyonunun, metabolik olarak aktif genlerden etkilenen en önemli yollar olduğunu bulduk (Şekil 1 (e)). Peroksizom organeliyle ilgili yollar, aşağı regüle edilmiş bir gen tümör numunesi grubunda da önemli ölçüde zenginleştirildi. Dikkat çekici bir şekilde, yukarı regüle edilmiş genlerdekilerle karşılaştırıldığında, aşağı regüle edilmiş genlerde yer alan yollar daha yüksek anlamlı p değerlerine sahiptir. Aşağı regüle edilmiş gen kategorilerinde zenginleştirilmiş KEGG yollarının çoğunun amino asit metabolizması ile ilgili olduğunu belirtmekte fayda var. DEmG'nin tümör oluşumuna dahil edilmesini daha fazla incelemek için, yukarı regüle edilmiş ve aşağı regüle edilmiş genlerin GO fonksiyonel analizleri yapıldı. GO ontolojisini üç fonksiyonel alt-ontoloji grubuna ayırdık, BP (biyolojik süreç), CC (hücresel bileşen) ve MF (moleküler fonksiyon) (Şekil 1(f) ve 1(g)). Ayrıca GSEA analizi, tümörlerde BENPORATH_MYC_TARGETS_WITH_EBOX ile ilişkili genlerin zenginleşmesinde önemli bir artış olduğunu ortaya koyarken, BROWN{{11} } MYELOID_HÜCRE_GELİŞİM_YUKARI, KEGG_ALFA_ LİNOLENİK_ASİT_METABOLİZMA ve KEGG{ {19}}ETHER_ LİPID_METABOLİZM'in negatif olarak zenginleştirildiği bulundu. Bir sonraki aşamada, yukarı ve aşağı regüle edilmiş DEmG'lerle bir protein-protein etkileşimi PPI ağı oluşturduk. Bazı genler birbirleriyle etkileşim gösterdi. Bu genlerin etkileşimleri sayesinde merkez genleri izole ettik. Derece değerine göre her düğüm diğerinden ayrıdır; ayrıca, ÜFE için ilk 7 merkez genini izole ettik. Ayrıca, TCGA veri kümelerinde bu merkez gen ifadesi ile KIRC'nin klinikopatolojik özellikleri arasındaki ilişkiyi de araştırdık.

Bilmek için buraya tıklayınCistanche faydaları nelerdir?.

2. Ağ Analizi, Çeşitli Tümör Ontolojilerinde Temel Metabolik Değişiklikleri Ortaya Çıkarır.

Daha sonra, DEmG'lerin ifade verileri seçildi ve her modül için farklı sayıda gen içeren 6 ayrı ortak ifade modülünü tanımlayan WGCNA için girdi verileri olarak kullanıldı (Şekil 2(a)). Diferansiyel genleri dış özelliklerle ilişkilendirdik ve klinik özelliklerle önemli ölçüde ilişkili olan modülleri belirledik (Şekil 2(b)). Korelasyon katsayısına dayanarak, MEturquoise modüllerinin hayatta kalma durumu ile negatif korelasyon gösterdiğini bulduk. GO ve KEGG yolu zenginleştirme analizleri, bu modüllerden genler kullanılarak yapıldı (Şekil 2(c) ve 2(d)). En zenginleştirilmiş KEGG yolları, valin, lösin ve izolösin bozulmasıydı; karbon metabolizması; propanoat metabolizması; yağ asidi metabolizması; yağ asidi bozulması; peroksizom ve bütanoat metabolizması; glioksilat ve dikarboksilat metabolizması; ve triptofan metabolizması (Şekil 2(c)). BP terimleriyle ilgili genler, ağırlıklı olarak küçük molekül, karboksilik asit ve organik asit katabolik süreçlerde zenginleştirildi. CC terimleriyle ilgili genler, esas olarak mitokondriyal matriste zenginleştirildi. MF ile ilgili diferansiyel olarak eksprese edilen genler, esas olarak koenzim bağlanması açısından zenginleştirildi (Şekil 2 (d)). Ek olarak, hayatta kalma modülünde 8 genin hayatta kalma analizini gerçekleştirdik. Daha yüksek ACADSB, PANK1, SLC25A4, PCCA, HADH, AUH, ACAT1 ve ALDH6A1 ekspresyonu olan hastalar, bu genlerin daha düşük ekspresyonuna sahip olanlara göre daha uzun bir hayatta kalma oranına sahipti (p=0) (Şekil 2(e)–2( l)).

3. KIRC Hastalarının Kümelenmesi.

Küme analizi için en iyi DEmG'leri seçtik; KIRC hastaları, metabolik genlerin farklı ifadesine dayalı olarak üç küme halinde gruplandırıldı. Şekil 3(a), KIRC hastalarında DEmG'lerin ısı haritalarını göstermektedir. Renk skalası, ifade değerini gösterir (açık mavi, daha düşük bir ifade değerini belirtir; daha koyu mavi, daha yüksek gen ifade değerlerini gösterir).

KM eğrileri, KIRC hastaları için üç kümenin genel sağkalımını karşılaştırmak üzere çizilmiştir. Genel hayatta kalma oranları, üç küme arasında önemli ölçüde farklılık gösterdi (p < {{0}}:01 Şekil 3(b)). Küme 1, Küme 2 ve Küme 3 ile karşılaştırıldığında daha kötü bir hayatta kalma oranı gösterdi. PFS hayatta kalma oranı da 3 küme arasında önemli ölçüde farklılık gösterdi (p < 0:001, Şekil 3(c)) ve küme 1, karşılaştırıldığında daha kötü bir PFS hayatta kalma oranı sergiledi. küme 2 ve küme 3 ile.

Modelimizdeki farklı renkler, klinik parametreleri ve altta yatan patolojik aşamaları temsil eder (Şekil 3(d)). Küme 3, küme 1 ve 2'ye kıyasla daha düşük Mo oranlarına ve daha yüksek M1 değerine sahiptir; bu, küme 3'te küme 1 ve 2'ye göre daha yüksek kanser metastazı ve tümörlerin daha ileri evresini düşündürür. Benzer şekilde, küme 3'te kanser lenf düğümlerine daha fazla yayılmıştır. (daha yüksek N1) küme 1 ve 2'dekilerle karşılaştırıldığında. KIRC hastalarının çoğuna evre III ve IV'te teşhis konuldu (Şekil 3(e) ve 3(f)) bu, daha büyük veya genişlemiş tümörlerin yanı sıra hareket ettiğini düşündürüyor. vücuttaki uzak bir bölgeye kan veya lenfatik sistem.

4. Üç Kümenin Bağışıklık Durumu.

Metabolik transkripsiyon profillerine dayalı olarak bir dizi KIRC dokusunun stromal ve immün skorlarını tahmin etmek için ESTIMATE algoritmasını kullandık (Şekil 4(a)). Daha sonra, KIRC'de prognoz sınıflandırması için stromal immün skora dayalı bir metabolik gen imzası geliştirmek için bu skorlar dikkate alındı. Şekil 4(a)'da gösterildiği gibi, üç küme grubu (C1, C2 ve C3), stromal-immün puanlarına göre kutu çizimlerinde tabakalandırıldı. Üç küme arasında C1, hem stromal hem de bağışıklık sınıflandırmalarında daha yüksek bir anlamlı puan gösterdi.

Ayrıca, p değeri < 0.1 olan üç küme CIBERSORT tarafından analiz edildi (Şekil 4(b)). Tümör saflığı, bağışıklık skoru ve stromal skor ile birlikte 3 kümenin patolojik evreleri ısı haritasının üst kısmında gösterilir. Bu analizde, düzenleyici T hücrelerinin (Treg'ler) C1 kümesinde zenginleştiğini ve C1'deki hastaların çoğunlukla patolojik evre III ve IV'te olduğunu bulduk. Ayrıca, C1 kümesindeki aktive edilmiş NK hücreleri, CD8 artı T hücreleri, T foliküler yardımcı hücreler ve M0 makrofajları; C2 kümesinde CD8 artı T hücreleri ve T foliküler yardımcı hücreler; ve C3 kümesinde istirahat mast hücreleri, M2 makrofajlar, istirahat hafızası CD4 T hücreleri, monositler, saf B hücreleri ve M1 makrofajları da tespit edildi (Şekil 4(b)).

CIBERSORT dışında, bağışıklık sızmasının durumunu kontrol etmek için başka algoritmik paketler kullandık. MCP analizinin hiyerarşik ısı haritası Şekil 4(c)'de gösterilmektedir. MCP analizinin temel bulguları, C1 kümesinde eksik olan C3 kümesinde nötrofil infiltrasyonu ve endotelyal hücre infiltrasyonuydu. Bu analiz ayrıca küme C3'te NK hücresi, monositik soy ve miyeloid dendritik hücre infiltrasyonunu ortaya çıkardı. Diğer bağışıklık hücresi popülasyonları, analiz edilen üç kümede karıştırıldı (Şekil 4(c)).

CIBERSORT ve MCP analizlerini tamamlamak için, R paketi GSVA'da uygulanan bağışıklık hücre tipleri için infiltrasyon seviyelerini ölçmek üzere ssGSEA uyguladık. Üç kümenin verileri ssGSEA paketine beslendi ve KIRC numunelerinde 28 bağışıklıkla ilgili hücre ve tip zenginliği elde edildi. Sonuçlar, C1 ve C2'nin daha fazla bağışıklık infiltrasyonuna sahip olduğunu ortaya çıkardı; NK, nötrofiller ve eozinofiller dahil olmak üzere bazı doğal bağışıklık hücreleri 3 kümede karıştırılmıştır (Şekil 4(d)).

5. DEmG'lere Dayalı Tahmin Modelinin Oluşturulması ve Doğrulanması.

Son olarak, metabolik genlerin diferansiyel ifadesine dayalı olarak tahmin modelini oluşturduk ve doğruladık. DEmG'lerin bağışıklıkla ilgili risk skorunu genel sağkalıma dayalı olarak hesapladık. Bu amaçla risk skorunun korelasyonunu değerlendirmek için iki grup oluşturduk; biri eğitim kohortu için, diğeri ise test kohortu içindir. Genel sağkalımın düşük olduğunu ve risk skoruna dağıldığını bulduk (Şekil 5(a) ve 5(b)). Daha sonra, medyan risk skoruna göre, KIRC hastalarını ileri değerlendirme için yüksek ve düşük risk gruplarına ayırdık. Daha sonra eğitim ve test kohortlarında bu iki risk grubunun hayatta kalma analizini yaptık. Beklendiği gibi, yüksek riskli grupların, düşük riskli gruplara kıyasla daha düşük bir sağ kalıma sahip olduğu bulunmuştur (Şekil 5(c) ve 5(d)). Ayrıca, eğitim ve test kohortları için ROC eğrisi analizi yapılmıştır. Test kohortlarında 5 yılda 0.68'lik bir ROC puanı gözlemledik, bu da KIRC'nin prognozunu tahmin etmede iyi bir performansa işaret ediyor (Şekil 5(e) ve 5(f)). ROC eğrisi analizine ek olarak, kısmi olabilirlik sapması (Ek Şekil 5(a)) ve DEmG'lerin regresyon katsayısı (Ek Şekil 5(b)) ile gösterildiği gibi prognostik modelimizi doğrulamak için LASSO COX regresyon modelini de uyguladık. Son olarak, beş genin (ABCG1, CRYL1, FDX1, PANK1 ve SLC44A), HR < 1 olan potansiyel prognostik faktörler olduğu tahmin edildi (Ek Şekil 5(c)).

6. KIRC İlerlemesinin Temel Mekanizmaları.

KIRC ilerlemesinin altında yatan mekanizmayı daha fazla araştırmak için tüm kümeler arasında diferansiyel ifade analizi yaptık ve sonuçları görselleştirmek için bir ısı haritası grafiği kullandık (Şekil 6(a)). DEmG'lerin sinyal yollarını belirlemek için, DEG'lerin KEGG ve GO zenginleştirme analizlerini üç kümede gerçekleştirdik. Kısacası, bu sonuçlar, üç kümenin DEG'lerinin esas olarak fokal adezyon, Foxo sinyal yolu ve C3 kümesi için Apelin sinyal yolu ve mineral absorpsiyonu, nötrofil hücre dışı tuzak oluşumu ve küme C2 için staphylococcus aureus enfeksiyonu açısından zengin olduğunu ortaya koydu (Şekil 6). (B)). Ek olarak, DEG'lerin GO fonksiyonel analizi, Şekil 6(c)'de gösterilen MF-, CC- ve BP ile ilgili ontolojileri ortaya çıkardı. İlginç bir şekilde, diferansiyel ekspresyon analizi, üç kümede genlerin düzenlenmesinin anormal davranışını ortaya çıkardı. Çoğunlukla, NUDT1, hayatta kalmanın en kötü olduğu C1'de yüksek oranda ifade edildi. Daha fazla araştırma, NUDT1 ifadesinin C1'den C3'e ilerleme yoluyla önemli ölçüde aşağı regüle edildiğini ortaya çıkardı (Şekil 6(d)). Ayrıca, NUDT1'in KIRC tümör numunelerinde yukarı regüle edildiği bulundu (Şekil 6(e)). Ardından, her bir tümörün evresindeki NUDT1 ifadesini vurguladık (Şekil 6(f)). Kaplan-Meier çizici tarafından genel sağkalım analizi de yapıldı ve daha yüksek NUDT1 ifadesi olan hastaların genel sağkalımın daha kötü olduğunu bulduk (HR=1:82 (1,34–2,48), log-rank p {{27} }:00012) (Şekil 6(g)).

Son olarak, NUDT1 ile etkileşime giren genler için KEGG ve GO fonksiyonel zenginleştirme analizleri yaptık. Genler iki gruba ayrıldı; NUDT1 ile pozitif korelasyon ve NUDT1 ile negatif korelasyon. KEGG yolu analizi, pozitif korelasyonlu genlerin esas olarak ribozomal yol, Huntington hastalığı, amyotrofik lateral skleroz ve Alzheimer hastalığında zenginleştiğini gösterdi. Öte yandan, negatif korelasyonlu genler, esas olarak hepatit B ve Foxo sinyallemesinde zenginleştirildi (Şekil 6(h)). Ayrıca, hem pozitif hem de negatif korelasyonlu genler için üç farklı grup MF, CC ve BP'nin GO ontolojisi Şekil 6(i)'de gösterilmiştir. Ek olarak, NUDT1 ekspresyonunun, bağışıklık hücrelerinin sızması (Ek Şekil 6) ve KIRC hastalarının farklı klinik özellikleri (Tablo 1) ile yüksek oranda ilişkili olduğunu bulduk.

Cistanche takviyeleri

7. NUDT1 Kaybı, Renal Kanser Hücre Proliferasyonunu ve Göçünü Engeller.

Daha sonra, KIRC dokularında ve bunlarla ilişkili normal dokularda NUDTI ekspresyon seviyesini karşılaştırdık, bu da NUDT1'in KIRC dokularında yüksek oranda eksprese edildiğini ortaya çıkardı (Şekil 7(a)). Ayrıca, NUDT1 kaybının böbrek kanseri hücre dizileri üzerindeki etkilerini siRNA aracılı inhibisyon kullanarak belirledik. NUDT1, iki hücre hattı 786-O ve ACHN'de siRNA yıkımı için hedeflendi ve NUDT1 mRNA seviyeleri, qPCR analiziyle kanıtlandığı gibi başarılı bir şekilde inhibe edildi (Şekil 7(b)). NUDT1'in siRNA aracılı yıkımının ardından, hücre canlılığı tahlili, her iki hücre hattında azalmış hücre canlılığı gösterdi (Şekil 7(c) ve 7(d)). Daha sonra, NUDT1'in devre dışı bırakılması üzerine hücre göçü testi, NUDT1-tükenmiş 786-O ve ACHN hücrelerinde hücre göçünün önemli ölçüde azaldığını gösterdi (Şekil 7(e) ve 7(f)). 786-O hücrelerinin taşıma kapasitesi yaklaşık yüzde 50'ye düşürüldü ve NUDT1 devrilmesinden sonra ACHN hücrelerinde yüzde 70'lik bir azalma gözlendi (Şekil 7(f)). NUDT1 geni devre dışı bırakıldığında hücre istilası her iki hücre hattında da inhibe edildi (Şekil 7(g) ve 7(h)). Geçişi tamamlamak için, NUDT1, 786-O ve ACHN hücre hatlarından tükendiğinde bir yara iyileştirme testi de gerçekleştirdik ve NUDT1'in bulunmadığı her iki hücre hattında yara iyileştirme kapasitesinin azaldığına dair benzer sonuçlar gözlemledik (Şekil 7(l)– 7(n)). Bu sonuçlara dayanarak, NUDT1 kaybının böbrek kanseri hücrelerinde apoptoza yol açabileceğini varsaydık. Bu nedenle, NUDT1'in susturulması üzerine apoptotik hücrelerin yüzdesini ölçtük. İlginç bir şekilde, NUDT1-tükenmiş hücrelerde apoptotik hücre yüzdesinin önemli ölçüde arttığını keşfettik (Şekil 7(i)–7(k)).

Tartışma

Böbrek renal berrak hücreli karsinom (KIRC), dünya çapında en sık görülen kanserlerden biridir ve genellikle tümör yeterince büyüyene kadar erken semptom göstermez; bu nedenle ölüm oranı nispeten yüksektir [18-20]. Bu nedenle, KIRC'nin karsinogenezinin araştırılması ve erken teşhisi için faydalı biyobelirteçlerin belirlenmesi gerekmektedir. Bununla birlikte, KIRC'nin patogenezi ve karsinogenezi hakkında şimdiye kadar sınırlı bilgi kurulmuştur. Ek olarak, klinik uygulama için pek çok moleküler belirteç doğrulanmamıştır. Gelişmiş yüksek verimli sıralama ve biyoinformatik teknolojisi, etkili biyobelirteçlerin seçilmesini mümkün kılar [21]. Beş yüzden fazla KIRC vakasının RNA dizileme verileri ve klinik açıklamaları, TCGA veri tabanında ücretsiz olarak mevcuttur. TCGA'dan ücretsiz olarak temin edilebilen bu verilerden yararlanarak, normal doku örneklerine karşı tümörde diferansiyel olarak eksprese edilen metabolik genler için RNA dizisi verilerini analiz ettik. Yukarı regüle edilmiş ve aşağı regüle edilmiş genler arasında, diferansiyel olarak eksprese edilen ilk 10 metabolik geni (DEmG'ler) belirledik. KIRC'de metabolik genlerin çeşitli işlevleri olduğuna inanıyoruz; yine de, uygun tanısal ve terapötik belirteçleri bulmak, çeşitli işlevlere sahip gen havuzundan kaynaklanan bir zorluk olabilir.

Daha önce yapılan çalışmalar, birkaç kanserin tümör mikroçevresinde immün hücre infiltrasyonunu tahmin ediyordu. TCGA'dan elde edilen KIRC numunelerinin verilerinde tümör immün hücreleri ile anjiyogenez arasındaki ilişki araştırıldı ve RFX2, SOX13 ve THRA, KIRC hastalarında anjiyogenez imzasını düzenlemede ilk üç MTF olarak tanımlandı [4]. Ayrıca, iki bağımsız m6A modifikasyon paterni, KIRC'nin biyolojik fonksiyonlarını, immünolojik özelliklerini ve prognozlarını kontrol eder [22]. Otofaji ile ilişkili protein 5 (ATG5), KIRC [23] dahil olmak üzere birçok kanserin ilerlemesi ile ilişkilendirilmiştir. Mevcut analizde, PBRM1, SET2, VHL ve BAP1 dahil olmak üzere diferansiyel olarak eksprese edilen bazı genler, KIRC verilerinde metabolik yollarla önemli korelasyon gösterdi. Daha derin araştırma için hastaları DEmG'lere göre gruplandırdık; küme 1, diğer kümelerle karşılaştırıldığında daha kötü bir genel hayatta kalma oranı gösterdi; her halükarda, küme 3'teki KIRC hastalarında ileri tümör evreleri vardır ve küme 1 ve 2'dekilere kıyasla yüksek lenf düğümlerine (daha yüksek N1) sahiptir, bu da küme 3'te kanser metastazı ve tümörlerin genişlemesini gösterir. Daha az sayıda metabolik gen gösterir. kanser metastazı ile ilişkili kümelerde.

Ayrıca farklı kümelerdeki immün infiltrasyon skorları, stromal ve immün sınıflandırmalarda yüksek skorlarla C1'i göstermektedir. Dikkate değer bir şekilde, patolojik evre III ve IV'teki C1 hastalarında, CD8 artı T hücreleri, T foliküler yardımcı hücreler ve makrofajlar ile birlikte yüksek T hücreleri infiltrasyonu vardır. Aynı zamanda bol miktarda Treg'e sahipken. Treg'lerin immün tolerans ve homeostazda hayati bir rolü vardır [24]. Kolon kanseri, meme kanseri ve pankreas kanseri gibi birçok kanserde, artan Treg yüzdesi, kanserin kötü prognozu ile ilişkilidir [25, 26]. M0 makrofajı, hücrelerin invazyonunu ve proliferasyonunu indükler [27] ve yüksek makrofaj seviyeleri, RCC'de kötü prognoz ile ilişkilidir [28]. Benzer şekilde, CD8 artı T hücreleri, anahtar antitümör hücreler olarak bilinir ve kanserler için hedeflenen immün hücre tedavisi için en iyi seçimdir [29]. C1, diğer kümelere göre en yüksek CD8 artı T hücre infiltrasyonuna sahip olmasına rağmen, en kötü genel hayatta kalma oranına sahipti.

Herba Cistanche

KIRC tümör mikroçevresindeki immün hücre infiltrasyonunu incelemek için CIBERSORT, MCP ve ssGSEA olmak üzere üç yöntem kullandık. Tümör immün infiltrasyonunu ölçmenin geleneksel yöntemi, doku kesitleri üzerindeki histoloji ve bireysel belirteçlerin immünohistokimyası ile çıkarılan immün altkümelerdir. Bununla birlikte, immünohistokimyanın birçok bağışıklık popülasyonunu tanımlayamadığı ve fonksiyonel fenotipleri (örn. aktif ve dinlenme lenfositleri) yakalamada zayıf performans gösterdiği bazı sınırlamalar vardır. Bu nedenle, [30] tarafından geliştirilen ve immünohistokimyanın karşılaştığı zorlukları ele alan hesaplamalı bir yaklaşım olan CIBERSORT'u kullandık. CIBERSORT dışında, bağışıklık sızmasının durumunu kontrol etmek için başka algoritmik paketler kullandık. Bunun nedeni, CIBERSORT'un yalnızca, tümör mikroçevresindeki sızan hücrelerin örnekler arası bir karşılaştırmasını mümkün kılan bol miktarda hücre popülasyonunu tahmin edebilen MCP-sayacı gibi başka bir paket tarafından çözülebilen immün hücre popülasyonlarının örnek içi oranlarını ölçmesidir [31]. CIBERSORT ve MCP analizlerini tamamlamak için, R paketi GSVA'da uygulanan immün hücre tipleri için infiltrasyon düzeylerini ölçmek üzere ssGSEA'yı uyguladık [32, 33]. GSA, genomdaki diğer tüm genlere göre bir genin ilgi listesi için bir aşırı ifadeyi hesaplayan sıra tabanlı bir yöntemdir. CIBERSORT, diğer iki yönteme göre daha iyi sonuçlar verdi; bu nedenle CIBERSORT'tan elde edilen verilerden ileri analizler yapılmıştır.

Ayrıca, RNA-seq verilerine dayanan diferansiyel ekspresyon analizi ile KIRC ilerlemesinin altında yatan mekanizmaya odaklandık. Genel olarak, ortak genlerin anormal diferansiyel ekspresyonunu üç küme arasında hedefledik. C1'deki NUDT1 dışında genlerin çoğu aşağı regüle edildi; bununla birlikte, ekspresyonu, C1'den C3'e ilerleme yoluyla önemli ölçüde aşağı doğru düzenlenmiştir. Böylece NUDT1, KIRC ilerlemesindeki rolü için daha da doğrulandı. İki KIRC hücre hattında (786-O ve ACHN) NUDTI gen ekspresyonunun siRNA aracılı inhibisyonu, hücre canlılığını ve hücre göçünü azalttı ve apoptozu arttırdı, bu da tümör ilerlemesindeki rolünü doğruluyor. Daha önce, NUDT1 ekspresyon seviyesinin HCC hastalarında tümör derecesi, evresi, boyutu, farklılaşması, vasküler invazyon derecesi, genel sağkalım (OS) ve hastalıksız sağkalım (DFS) ile korele olduğu bildirilmişti. HCC hastalarında terapötik potansiyeli olan bir prognostik belirteç [34]. Pulmoner arteriyel hipertansiyonda NUDT1'in aşırı eksprese edilmesi oksidatif stresi ve DNA hasarını azaltır, dolayısıyla hücre proliferasyonunu teşvik eder ve apoptozu azaltır [35]. Yüksek NUDT1 ekspresyonuna sahip oral skuamöz hücreli karsinomalı (OSCC) hastaların sağkalım oranlarının düşük olduğu gösterilmiştir [36]. NUDTI'nin kanserlerdeki rolü hakkında yeterli literatür bulunmadığı ve şimdiye kadar hiçbir çalışmanın KIRC'deki rolünü bildirmediği gerçeğine dayanarak, bu nedenle NUDTI'nin KIRC ilerlemesindeki rolünü ilk kez bildiriyoruz. Mevcut çalışmanın bazı sınırlamaları vardı; araştırmamız, imzanın KIRC immünoterapisi ile ilişkili olabileceğini bulsa da, veri eksikliği, potansiyel altta yatan mekanizmalar ve NUDT1'in KIRC'deki ve klinik uygulamadaki işlevsel rollerinin daha fazla araştırmaya ihtiyaç duyması nedeniyle imzanın etkinliği doğrulanamadı.

Cistanche tubulosa

Sonuçlar

Normal ve tümör dokuları arasındaki düzensiz metabolik genleri taradık ve fonksiyonlarını araştırdık. WGCNA analizi, KIRC'nin hayatta kalma durumu ile ilişkili bir grup gen tanımladı. Hayatta kalmayla ilgili genlere dayanan fikir birliği kümelemesi, farklı hayatta kalma oranlarına ve bağışıklık sızma modellerine sahip üç küme gösterdi. NUDT1, hayatta kalma ile negatif korelasyon gösterdi ve daha ileri analizler, NUDT1'in devrilmesinin tümör hücrelerinin çoğalmasını ve göçünü engellediğini ortaya çıkardı. Not olarak, KIRC'nin hayatta kalmasını tahmin etmede yüksek verimlilik gösteren hayatta kalma ile ilgili genlere dayalı bir tahmin modeli oluşturulmuştur. Sonuç olarak, KIRC'de kapsamlı bir metabolik gen analizi yaptık ve NUDT1'i terapötik ve prognostik bir hedef olarak kullanılabilecek bir onkogen olarak belirledik.

Cistanche Ekstraktının Böbrek Şeffaflığına Etkisi

Cistanche'nin böbrek şeffaflığı üzerindeki etkisine dair sınırlı bilimsel kanıt vardır. Bununla birlikte, bazı araştırmalar, Cistanche özütünün böbrek sağlığı üzerinde olumlu bir etkisi olabileceğini düşündürmektedir.

Böbrekler vücuttan atıkları ve toksinleri filtrelemekten sorumludur ve sağlıkları genel refah için gereklidir. Çalışmalar, Cistanche ekstraktının, böbreklerdeki oksidatif strese ve iltihaplanmaya karşı korunmaya yardımcı olabilecek güçlü antioksidan ve antiinflamatuar özelliklere sahip olduğunu göstermiştir.

Geleneksel Çin tıbbında, Cistanche ayrıca böbrekleri tonlamak ve fonksiyonlarını iyileştirmek için kullanılır. Bazı pratisyenler, düzenli Cistanche ekstresi tüketiminin böbrek şeffaflığını artırmaya yardımcı olabileceğine inanıyor, ancak bu iddia sağlam klinik araştırmalarla desteklenmiyor.

Bu nedenle, Cistanche ekstraktının böbrek şeffaflığı üzerindeki potansiyel faydalarını tam olarak anlamak için daha titiz araştırmalar gerekmektedir. Bununla birlikte, herhangi bir besin takviyesi veya alternatif tedavide olduğu gibi, özellikle önceden mevcut tıbbi durumlarınız varsa, diyetinize yeni eklemeler yapmadan önce bir sağlık uzmanına danışmanız önemlidir.

Referanslar

[18] RL Siegel, KD Miller ve A. Jemal, "Cancer istatistikleri, 2019," CA: A Cancer Journal for Clinicians, cilt. 69, hayır. 1, s. 7–34, 2019.

[19] RL Siegel, KD Miller, HE Fuchs ve A. Jemal, "Cancer istatistikleri, 2021," CA: A Cancer Journal for Clinicians, cilt. 71, hayır. 1, s. 7–33, 2021.

[20] JC Angulo ve O. Shapiro, "Metastatik böbrek kanserinin değişen terapötik manzarası", Cancers, cilt. 11, hayır. 9, s. 1227, 2019.

[21] AK Sharma, "Biyobelirteç keşfinde ortaya çıkan eğilimler: kanserde prognoz ve tahmin kolaylığı," Kanser Biyolojisinde Seminerler, cilt. 52, Bölüm 1, s. iii–iv, 2018.

[22] H. Li, J. Hu, A. Yu ve diğ., "N6- metiladenozinin RNA modifikasyonu, böbrek renal şeffaf hücreli karsinomda immün fenotipleri ve terapötik fırsatları tahmin eder," Frontiers in Oncology, vol. 11, madde 642159, 2021.

[23] C. Xu, Y. Zang, Y. Zhao, ve diğerleri, "Kapsamlı pan-kanser analizi, ATG5'in tümör metabolizmasının korunmasını ve tümör immün kaçış oluşumunu desteklediğini doğruladı," Frontiers in Oncology, vol. 11, madde 652211, 2021.

[24] Y. Takeuchi ve H. Nishikawa, "Kanser bağışıklığında düzenleyici T hücrelerinin rolleri", International Immunology, vol. 28, hayır. 8, s. 401–409, 2016.

[25] C. Zhuo, Y. Xu, M. Ying, ve diğerleri, "FOXP3 artı Tregler: kolorektal kanserli hastalarda hayatta kalma sonuçları üzerinde heterojen fenotipler ve çelişkili etkiler", Immunolojik Araştırma, cilt. 61, hayır. 3, s. 338–347, 2015.

[26] H. Wang, F. Franco ve PC Ho, "Kanserde Treglerin Metabolik Düzenlenmesi: İmmünoterapi için fırsatlar", Trends Cancer, vol. 3, hayır. 8, s. 583–592, 2017.

[27] BZ Qian ve JW Pollard, "Makrofaj çeşitliliği tümör ilerlemesini ve metastazını artırır", Cell, cilt. 141, hayır. 1, s. 39–51, 2010.

[28] A. Hajiran, N. Chakiryan, AM Aydın, ve diğerleri, "Metastatik renal hücreli karsinomda tümör immün mikroortam mekansal heterojenliğinin keşfi ve immünoterapi tepkisi ile korelasyon" Clinical and Experimental Immunology, cilt. 204, hayır. 1, s. 96–106, 2021.

[29] B. Farhood, M. Najafi ve K. Mortezaee, "Kanser immünoterapisinde CD8(artı) sitotoksik T lenfositleri: bir inceleme," Journal of Cellular Physiology, vol. 234, hayır. 6, s. 8509–8521, 2019.

[30] AM Newman, CL Liu, MR Green, ve diğ., "Doku ifade profillerinden hücre alt kümelerinin sağlam sayımı", Nature Methods, cilt. 12, hayır. 5, s. 453–457, 2015.

[31] E. Becht, NA Giraldo, L. Lacroix, ve diğerleri, "Gen ifadesi kullanılarak dokuya sızan bağışıklık ve stromal hücre popülasyonlarının popülasyon bolluğunun tahmin edilmesi", Genome Biology, cilt. 17, hayır. 1, s. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, ve diğerleri, "Sistematik RNA etkileşimi, onkojenik KRAS kaynaklı kanserlerin TBK1 gerektirdiğini ortaya koyuyor" Nature, cilt. 462, hayır. 7269, s. 108–112, 2009.

[33] S. Hanzelmann, R. Castelo ve J. Guinney, "GSVA: mikroarray ve RNA-seq verileri için gen seti varyasyon analizi", BMC Bioinformatics, vol. 14, hayır. 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu ve diğerleri, "Nudix hidrolaz 1, hepatoselüler karsinomda prognostik bir biyobelirteçtir", Aging, vol. 12, hayır. 8, s. 7363–7379, 2020.

[35] G. Vitry, R. Paulin, Y. Grobs, ve diğerleri, "NUDT1 tarafından oksitlenmiş DNA öncüllerinin temizlenmesi, pulmoner arteriyel hipertansiyonda vasküler yeniden şekillenmeye katkıda bulunur", American Journal of Respiratory and Critical Care Medicine, cilt. 203, hayır. 5, s. 614–627, 2021.

[36] Y. Shen, L. Zhang, S. Piao, ve diğerleri, "NUDT1: oral skuamöz hücreli karsinomalı hastaların prognozu için potansiyel bir bağımsız belirleyici", Journal of Oral Pathology & Medicine, cilt. 49, hayır. 3, s. 210–218, 2020.

Junwei Xie,1,2,3,4,5 Lingang Cui,6 Shaokang Pan,1,2,3,4,5 Dongwei Liu,1,2,3,4,5 Fengxun Liu,1,2,3,4 ,5 ve Zhangsuo Liu 1,2,3,4,5

1 Nefroloji Bölümü, Zhengzhou Üniversitesi'nin İlk Bağlı Hastanesi, Zhengzhou 450052, Çin

2 Nefroloji Araştırma Enstitüsü, Zhengzhou Üniversitesi, Zhengzhou 450052, Çin

3 Böbrek Hastalığı Araştırma Merkezi, Zhengzhou, 450052 Henan, Çin

Henan Eyaletinde, Zhengzhou 450052, Çin'de Kronik Böbrek Hastalığı için Hassas Teşhis ve Tedaviye Yönelik 4 Temel Laboratuvar

5 Böbrek Hastalığı Ulusal Klinik Tıbbi Araştırma Merkezi Çekirdek Birimi, Zhengzhou 450052, Çin

6 Üroloji Bölümü, Zhengzhou Üniversitesi'nin İlk Bağlı Hastanesi, Zhengzhou 450052, Çin