بخش Ⅱ درک متابولیک از اختلالات ژنتیکی در ریزمحیط تومور کارسینوم سلول شفاف کلیه

نتیجه

1. شناسایی ژن های متابولیک بیان شده متفاوت در KIRC.

برای بررسی اختلالات متابولیک در KIRC، داده‌های موجود TCGA را بررسی کردیم تا بینش عمیقی در مورد درمان‌های هدفمند متابولیسم در کلینیک به دست آوریم. برای این منظور، مجموعه‌ای از 1916 ژن متابولیک را انتخاب کردیم که از دو مجموعه داده مختلف [16، 17] قطع شده بودند و 1100 ژن متفاوت بیان شده در تومور در مقایسه با بافت‌های طبیعی را غربال کردیم (جدول تکمیلی 2). این ژن های متابولیکی بیان شده متفاوت در آتشفشان ها و نقشه های حرارتی ترسیم شدند (شکل 1(a) و 1(b)). از 1100 ژن متابولیک بیان شده متفاوت، 78 ژن تنظیم مثبت و 163 ژن کاهش یافت. علاوه بر این، 859 ژن بدون تغییر وجود داشت. نقشه حرارتی نمایانگر شاخص بیان فردی آن ژن‌های متابولیک متمایز در نمونه‌های تومور و طبیعی است (شکل 1(b)). در مرحله بعد، ما 10 ژن متابولیک با بیان متفاوت را شناسایی کردیم. در میان آنها، ENPP3، NNMT، CYP2J2، SCD، و HK2 تنظیم مثبت شدند و HSD11B2، HMGCS2، HPD، HS6ST2 و ALDOB کاهش یافتند. نمودارهای جعبه این DEmG ها در شکل 1(c) نشان داده شده است. در میان ژن‌های تنظیم‌شده، ENPP3 ~{25}} برابر در تومورها بیان می‌شود. از طرف دیگر، ژن ALDOB در نمونه‌های تومور آنالیز شده تا حدودی کاهش می‌یابد.

علاوه بر این، ما مسیر KEGG و تجزیه و تحلیل GO DEmGs را ارزیابی کردیم. تجزیه و تحلیل مسیر KEGG نشان داد که ژن های تنظیم شده به طور قابل توجهی در متابولیسم کربن، سیگنال دهی HIF1، و گلیکولیز/گلوکونئوژنز با نسبت ژنی بالاتر (تعداد 8-9 ژن در هر مسیر) غنی شده اند (شکل 1(d)). به طور مشابه، در میان DEmGهای تنظیم‌شده، متوجه شدیم که متابولیسم کربن و تجزیه والین، لوسین و ایزولوسین مسیرهای اصلی تحت تأثیر ژن‌های فعال متابولیکی هستند (شکل 1(e)). مسیرهای مربوط به اندامک پراکسی زوم نیز به طور قابل توجهی در گروهی از نمونه‌های تومور ژنی با تنظیم پایین غنی شده بودند. قابل توجه، در مقایسه با ژن‌های تنظیم‌شده بالا، مسیرهای درگیر در ژن‌های تنظیم‌شده پایین‌تر، مقادیر p معنی‌داری بالاتری دارند. شایان ذکر است که بیشتر مسیرهای KEGG غنی‌شده در دسته‌های ژنی تنظیم‌شده مربوط به متابولیسم اسید آمینه بود. برای تشریح بیشتر دخالت DEmG در تومورزایی، تجزیه و تحلیل عملکردی GO ژن‌های تنظیم‌شده و کاهش‌یافته انجام شد. ما هستی شناسی GO را به سه گروه زیرهستی شناسی عملکردی، BP (فرایند بیولوژیکی)، CC (جزء سلولی)، و MF (عملکرد مولکولی) تقسیم کردیم (شکل 1(f) و 1(g)). علاوه بر این، تجزیه و تحلیل GSEA افزایش قابل توجهی در غنی‌سازی ژن‌های مرتبط با BENPORATH_MYC_TARGETS_WITH_در تومورها نشان داد، در حالی که BROWN{11} } MYELOID_سلول_توسعه_بالا، KEGG{15}}ALPHA{16}} لینولنیک{17}}اسید{18}}متابولیسم، و KEGG{ متابولیسم {19}}اتر{20}} لیپید{21} به طور منفی غنی شده است. در مرحله بعد، یک شبکه PPI برهمکنش پروتئین-پروتئین با DEmGهای تنظیم‌شده بالا و پایین ساختیم. تعدادی از ژن ها با یکدیگر تعامل نشان دادند. از طریق فعل و انفعالات این ژن ها، ما ژن های هاب را جدا کردیم. هر گره بر اساس مقدار درجه از دیگری مجزا است. علاوه بر این، ما 7 ژن هاب برتر را برای PPI جدا کردیم. ما همچنین ارتباط بین بیان این ژن هاب و ویژگی های بالینی آسیب شناسی KIRC را در مجموعه داده های TCGA بررسی کردیم.

برای دانستن اینجا کلیک کنیدمزایای سیستانچ چیست.

2. تجزیه و تحلیل شبکه تغییرات اساسی متابولیک در هستی شناسی های مختلف تومور را نشان می دهد.

سپس، داده‌های بیانی DEmGها انتخاب شدند و به‌عنوان داده‌های ورودی برای WGCNA مورد استفاده قرار گرفتند، که 6 ماژول هم‌اظهار متمایز حاوی تعداد متفاوتی از ژن‌ها را برای هر ماژول شناسایی کرد (شکل 2(a)). ما ژن های دیفرانسیل را با صفات خارجی مرتبط کردیم و ماژول هایی را که به طور قابل توجهی با صفات بالینی مرتبط بودند شناسایی کردیم (شکل 2(b)). بر اساس ضریب همبستگی، ما دریافتیم که ماژول های MEturquoise با وضعیت بقا همبستگی منفی دارند. تجزیه و تحلیل های غنی سازی مسیر GO و KEGG با استفاده از ژن های این ماژول ها انجام شد (شکل 2(c) و 2(d)). غنی ترین مسیرهای KEGG والین، لوسین و تخریب ایزولوسین بودند. متابولیسم کربن؛ متابولیسم پروپانوئات؛ متابولیسم اسیدهای چرب؛ تخریب اسیدهای چرب؛ متابولیسم پراکسی زوم و بوتانوات؛ متابولیسم گلیوکسیلات و دی کربوکسیلات؛ و متابولیسم تریپتوفان (شکل 2(c)). ژن های مربوط به شرایط BP عمدتاً در فرآیندهای کاتابولیک مولکول کوچک، اسید کربوکسیلیک و اسید آلی غنی شده بودند. ژن های مربوط به اصطلاحات CC عمدتاً در ماتریکس میتوکندری غنی شده بودند. ژن های بیان شده متفاوت مربوط به MF عمدتاً در اتصال کوآنزیم غنی شده بودند (شکل 2(d)). علاوه بر این، ما یک تجزیه و تحلیل بقای 8 ژن را در ماژول بقا انجام دادیم. بیمارانی که بیان ACADSB، PANK1، SLC25A4، PCCA، HADH، AUH، ACAT1 و ALDH6A1 بالاتری داشتند نسبت به بیمارانی که بیان کمتری از این ژن ها داشتند، نرخ بقای طولانی تری داشتند (p=0) (شکل 2(e)-2( ل)).

3. خوشه بندی بیماران KIRC.

ما DEmG های برتر را برای تجزیه و تحلیل خوشه ای انتخاب کردیم. بیماران KIRC بر اساس بیان متفاوت ژن های متابولیک به سه خوشه گروه بندی شدند. شکل 3(a) نقشه های حرارتی DEmGs را در بیماران KIRC نشان می دهد. مقیاس رنگ مقدار بیان را نشان می دهد (آبی روشن نشان دهنده مقدار بیان کمتر است، آبی تیره نشان دهنده مقادیر بیان ژن بالاتر است).

منحنی های KM برای مقایسه بقای کلی سه خوشه برای بیماران KIRC ترسیم شد. نرخ بقای کلی به طور قابل توجهی در سه خوشه متفاوت بود (p < {{0}}:01 شکل 3(b)). خوشه 1 نرخ بقای بدتری را در مقایسه با خوشه 2 و خوشه 3 نشان داد. میزان بقای PFS نیز در بین 3 خوشه به طور قابل توجهی متفاوت بود (p <0:001، شکل 3 (c))، و خوشه 1 نرخ بقای PFS بدتری را در مقایسه با آن نشان داد. با خوشه 2 و خوشه 3.

رنگ های مختلف در مدل ما نشان دهنده پارامترهای بالینی و مراحل پاتولوژیک زمینه ای است (شکل 3(d)). خوشه 3 نسبت مو کمتر و مقدار M1 بالاتری در مقایسه با خوشه های 1 و 2 دارد که نشان دهنده متاستاز سرطان بالاتر و مراحل پیشرفته تر تومورها در خوشه 3 نسبت به خوشه های 1 و 2 است. به طور مشابه، در خوشه 3، سرطان بیشتر به غدد لنفاوی گسترش یافته است. (N1 بالاتر) در مقایسه با بیماران در خوشه های 1 و 2. اکثر بیماران KIRC در مراحل III و IV تشخیص داده شدند (شکل 3(e) و 3(f))، که نشان دهنده تومورهای بزرگتر یا منبسط شده و همچنین حرکت از طریق آنها است. خون یا سیستم لنفاوی به یک منطقه دور از بدن.

4. وضعیت ایمنی سه خوشه.

ما از الگوریتم ESTIMATE برای تخمین نمرات استرومایی و ایمنی یک سری از بافت‌های KIRC بر اساس پروفایل‌های رونویسی متابولیک آنها استفاده کردیم (شکل 4(a)). بعداً، این نمرات برای ایجاد امضای ژن‌های متابولیک مبتنی بر امتیاز ایمنی استروما برای طبقه‌بندی پیش آگهی در KIRC در نظر گرفته شد. همانطور که در شکل 4 (الف) نشان داده شده است، سه گروه خوشه ای (C1، C2 و C3) بر اساس امتیاز استرومایی-ایمنی آنها در نمودارهای جعبه طبقه بندی شدند. در بین سه خوشه، C1 نمره معنی داری بالاتری در طبقه بندی استرومایی و ایمنی نشان داد.

علاوه بر این، سه خوشه با CIBERSORT با مقدار p < 0.1 تجزیه و تحلیل شدند (شکل 4(b)). خلوص تومور، امتیاز ایمنی و امتیاز استرومایی به همراه مراحل پاتولوژیک 3 خوشه در بالای نقشه حرارتی نشان داده شده است. در این تجزیه و تحلیل، ما عمدتاً دریافتیم که سلول های T تنظیمی (Tregs) در خوشه C1 غنی شده بودند و بیماران در C1 عمدتاً در مراحل پاتولوژیک III و IV بودند. علاوه بر این، سلول‌های NK فعال شده، سلول‌های CD8 به علاوه T، سلول‌های کمکی فولیکولی T و ماکروفاژهای M0 در خوشه C1. سلول های CD8 به علاوه T و سلول های کمکی فولیکولی T در خوشه C2. و ماست سل های در حال استراحت، ماکروفاژهای M2، سلول های CD4 T حافظه در حال استراحت، مونوسیت ها، سلول های B ساده و ماکروفاژهای M1 در خوشه C3 نیز شناسایی شدند (شکل 4(b)).

به غیر از CIBERSORT، ما از بسته های الگوریتمی دیگری برای بررسی وضعیت نفوذ سیستم ایمنی استفاده کردیم. نقشه حرارتی سلسله مراتبی تحلیل MCP در شکل 4(c) نشان داده شده است. یافته های کلیدی تجزیه و تحلیل MCP، انفیلتراسیون نوتروفیل و انفیلتراسیون سلول های اندوتلیال در خوشه C3 بود که در خوشه C1 وجود نداشت. این تجزیه و تحلیل همچنین سلول‌های NK، دودمان مونوسیتی و نفوذ سلول‌های دندریتیک میلوئیدی را در خوشه C3 نشان داد. سایر جمعیت های سلول های ایمنی در سه خوشه تجزیه و تحلیل شده مخلوط شدند (شکل 4(c)).

برای تکمیل آنالیزهای CIBERSORT و MCP، از ssGSEA برای تعیین کمیت سطوح نفوذ برای انواع سلول‌های ایمنی پیاده‌سازی شده در بسته R GSVA استفاده کردیم. داده های سه خوشه به بسته ssGSEA داده شد و غنای 28 سلول و نوع مرتبط با ایمنی در نمونه های KIRC به دست آمد. نتایج نشان داد که C1 و C2 نفوذ ایمنی بیشتری داشتند. برخی از سلول های ایمنی ذاتی، از جمله NK، نوتروفیل ها، و ائوزینوفیل ها، در 3 خوشه مخلوط شدند (شکل 4 (d)).

5. ساخت و اعتبار سنجی مدل پیش بینی بر اساس DEmGs.

در نهایت، ما مدل پیش‌بینی را بر اساس بیان افتراقی ژن‌های متابولیک ساختیم و اعتبارسنجی کردیم. ما امتیاز خطر مرتبط با ایمنی DEmGs را بر اساس بقای کلی محاسبه کردیم. برای این منظور دو گروه را برای ارزیابی همبستگی امتیاز ریسک ابداع کردیم. یکی برای گروه آموزشی و دیگری برای گروه آزمایشی است. ما دریافتیم که بقای کلی کم بود و در نمره ریسک پراکنده بود (شکل 5 (الف) و 5 (ب)). در مرحله بعد، بر اساس امتیاز خطر متوسط، بیماران KIRC را برای ارزیابی بیشتر به گروه‌های پرخطر و کم‌خطر اختصاص دادیم. سپس تجزیه و تحلیل بقای این دو گروه خطر را در گروه‌های آموزشی و آزمایشی انجام دادیم. همانطور که انتظار می رفت، گروه های پرخطر در مقایسه با گروه های کم خطر بقای پایینی داشتند (شکل 5(c) و 5(d)). علاوه بر این، تجزیه و تحلیل منحنی ROC برای گروه‌های آموزشی و آزمایشی انجام شد. ما نمره ROC 0.68 را در 5 سال در گروه‌های آزمایشی مشاهده کردیم که نشان‌دهنده عملکرد خوب در پیش‌بینی پیش‌آگهی KIRC است (شکل‌های 5(e) و 5(f)). علاوه بر تجزیه و تحلیل منحنی ROC، ما همچنین مدل رگرسیون LASSO COX را اجرا کردیم تا مدل پیش آگهی خود را همانطور که با انحراف احتمال جزئی نشان داده شده است (شکل تکمیلی 5(a)) و ضریب رگرسیون DEmGها (شکل تکمیلی 5(b)) را تأیید کنیم. در نهایت، پنج ژن (ABCG1، CRYL1، FDX1، PANK1، و SLC44A) به عنوان عوامل بالقوه پیش آگهی با HR <1 پیش بینی شد (شکل تکمیلی 5 (c)).

6. مکانیسم های اساسی پیشرفت KIRC.

برای بررسی بیشتر مکانیسم اساسی برای پیشرفت KIRC، ما تجزیه و تحلیل بیان دیفرانسیل را در بین همه خوشه ها انجام دادیم و از نمودار نقشه حرارتی برای تجسم نتایج استفاده کردیم (شکل 6(a)). برای شناسایی مسیرهای سیگنال دهی DEmGs، ما تجزیه و تحلیل غنی‌سازی KEGG و GO را در سه خوشه انجام دادیم. به طور خلاصه، این نتایج نشان داد که DEGهای سه خوشه عمدتاً در چسبندگی کانونی، مسیر سیگنالینگ فاکسو، و مسیر سیگنال دهی آپلین برای خوشه C3 و جذب مواد معدنی، تشکیل تله خارج سلولی نوتروفیل، و عفونت استافیلوکوکوس اورئوس برای خوشه C2 غنی شده بودند (شکل 6). (ب)). علاوه بر این، تجزیه و تحلیل عملکردی GO از DEG ها هستی شناسی های مرتبط با MF-، CC- و BP نشان داده شده در شکل 6(c) را نشان داد. جالب توجه است، تجزیه و تحلیل بیان دیفرانسیل رفتار غیر طبیعی تنظیم ژن ها را در سه خوشه نشان داد. بیشتر، NUDT1 در C1 که بدترین بقا را داشت، به شدت بیان شد. تحقیقات بیشتر نشان داد که بیان NUDT1 به طور قابل توجهی از طریق پیشرفت از C1 به C3 کاهش یافته است (شکل 6 (d)). علاوه بر این، NUDT1 در نمونه های تومور KIRC تنظیم مثبت شد (شکل 6 (e)). سپس، بیان NUDT1 را در مراحل هر تومور برجسته کردیم (شکل 6 (f)). تجزیه و تحلیل بقای کلی نیز توسط پلاتر Kaplan-Meier انجام شد، و ما دریافتیم که بیماران با بیان بالاتر NUDT1 بقای کلی بدتری داشتند (HR=1:82 (1.34-2.48)، log-rank p {{27} }:00012) (شکل 6 (g)).

در نهایت، ما آنالیزهای غنی‌سازی عملکردی KEGG و GO را برای ژن‌های در تعامل با NUDT1 انجام دادیم. ژن ها به دو گروه تقسیم شدند - همبستگی مثبت با NUDT1 و همبستگی منفی با NUDT1. تجزیه و تحلیل مسیر KEGG نشان داد که ژن‌های همبسته مثبت عمدتاً در مسیر ریبوزومی، بیماری هانتینگتون، اسکلروز جانبی آمیوتروفیک و بیماری آلزایمر غنی شده‌اند. از سوی دیگر، ژن‌های همبستگی منفی عمدتاً در هپاتیت B و سیگنال‌دهی فاکسو غنی شدند (شکل 6 (h)). علاوه بر این، هستی شناسی GO سه گروه مختلف MF، CC، و BP برای ژن های همبستگی مثبت و منفی در شکل 6 (i) نشان داده شده است. علاوه بر این، ما دریافتیم که بیان NUDT1 با نفوذ سلول های ایمنی (شکل تکمیلی 6) و ویژگی های بالینی مختلف بیماران KIRC (جدول 1) ارتباط زیادی دارد.

مکمل های سیستانچ

7. از دست دادن NUDT1 از تکثیر و مهاجرت سلول های سرطانی کلیه جلوگیری می کند.

در مرحله بعد، سطح بیان NUDTI را در بافت‌های KIRC و بافت‌های نرمال مرتبط با آنها مقایسه کردیم، که نشان داد NUDT1 در بافت‌های KIRC بسیار بیان می‌شود (شکل 7(a)). علاوه بر این، ما اثرات از دست دادن NUDT1 را بر روی خطوط سلولی سرطان کلیه با استفاده از مهار با واسطه siRNA تعیین کردیم. NUDT1 برای از بین بردن siRNA در دو رده سلولی 786-O و ACHN مورد هدف قرار گرفت و سطوح mRNA NUDT1 با موفقیت مهار شد همانطور که توسط تجزیه و تحلیل qPCR مشهود است (شکل 7 (b)). به دنبال از بین رفتن NUDT1 با واسطه siRNA، سنجش بقای سلولی کاهش زنده ماندن سلولی را در هر دو رده سلولی نشان داد (شکل 7(c) و 7(d)). پس از آن، سنجش مهاجرت سلولی پس از نابودی NUDT1، مهاجرت سلولی را در سلول‌های NUDT{13}}O و ACHN کاهش یافته به طور قابل توجهی نشان داد (شکل 7(e) و 7(f)). ظرفیت مهاجرت سلول‌های O به حدود 50 درصد کاهش یافت و کاهش 70 درصدی در سلول‌های ACHN با ناک‌داون NUDT1 مشاهده شد (شکل 7(f)). هنگامی که ژن NUDT1 از بین رفت، تهاجم سلولی در هر دو رده سلولی نیز مهار شد (شکل 7 (g) و 7 (h)). برای تکمیل مهاجرت، زمانی که NUDT1 از رده‌های سلولی O و ACHN تخلیه شد، یک سنجش بهبود زخم را نیز انجام دادیم و نتایج مشابهی را از کاهش قابلیت بهبود زخم در هر دو رده سلولی فاقد NUDT1 مشاهده کردیم (شکل‌های 7(l)-- 7 (n)). بر اساس این نتایج، ما فرض کردیم که از دست دادن NUDT1 می تواند منجر به آپوپتوز در سلول های سرطانی کلیه شود. بنابراین، درصد سلول‌های آپوپتوز را هنگام خاموش کردن NUDT1 اندازه‌گیری کردیم. جالب توجه است، ما کشف کردیم که درصد سلول‌های آپوپتوز به طور قابل‌توجهی در سلول‌های تخلیه‌شده NUDT{32}}افزایش یافته است (شکل 7(i)-7(k)).

بحث

کارسینوم سلول شفاف کلیه (KIRC) یکی از سرطان های شایع در سراسر جهان است که تا زمانی که تومور به اندازه کافی بزرگ شود، به طور کلی هیچ علائم اولیه ای را نشان نمی دهد. بنابراین، میزان مرگ و میر نسبتاً بالا است [18-20]. بنابراین، بررسی سرطان زایی KIRC و شناسایی بیومارکرهای مفید برای تشخیص زودهنگام آن ضروری است. با این حال، دانش محدودی تاکنون در مورد پاتوژنز و سرطان زایی KIRC ایجاد شده است. علاوه بر این، نشانگرهای مولکولی زیادی برای عملکرد بالینی تایید نشده است. توالی یابی پیشرفته پیشرفته و فناوری بیوانفورماتیک انتخاب نشانگرهای زیستی مؤثر را ممکن می سازد [21]. داده های توالی یابی RNA و حاشیه نویسی های بالینی بیش از پانصد مورد KIRC به صورت رایگان در پایگاه داده TCGA در دسترس است. با بهره‌گیری از این داده‌های آزادانه در دسترس از TCGA، ما داده‌های توالی RNA را برای ژن‌های متابولیک بیان شده متفاوت در نمونه‌های تومور در مقابل بافت طبیعی تجزیه و تحلیل کردیم. در بین ژن‌های تنظیم‌شده و کاهش‌یافته، ما 10 ژن متابولیک با بیان متفاوت (DEmGs) را شناسایی کردیم. ما معتقدیم که ژن های متابولیک عملکردهای متنوعی در KIRC دارند. با این حال، یافتن نشانگرهای تشخیصی و درمانی مناسب می‌تواند چالشی از مجموعه ژن‌هایی با عملکردهای متنوع باشد.

پیش از این، مطالعات نفوذ سلول های ایمنی را در ریزمحیط تومور چندین سرطان تخمین زده بودند. رابطه بین سلول های ایمنی تومور و رگ زایی در داده های نمونه های KIRC به دست آمده از TCGA مورد مطالعه قرار گرفت و RFX2، SOX13 و THRA به عنوان سه MTF برتر در تنظیم امضای رگ زایی در بیماران KIRC شناسایی شدند [4]. علاوه بر این، دو الگوی تغییر مستقل m6A عملکردهای بیولوژیکی، ویژگی‌های ایمونولوژیک و پیش‌آگهی‌های KIRC را کنترل می‌کنند [22]. پروتئین 5 مربوط به اتوفاژی (ATG5) با پیشرفت چندین سرطان از جمله KIRC [23] مرتبط است. در تجزیه و تحلیل فعلی، برخی از ژن‌های بیان شده متفاوت از جمله PBRM1، ​​SET2، VHL، و BAP1 همبستگی معنی‌داری با مسیرهای متابولیک در داده‌های KIRC نشان دادند. برای تحقیقات عمیق‌تر، بیماران را بر اساس DEmGs خوشه‌بندی کردیم. خوشه 1 نرخ بقای کلی بدتری را در مقایسه با خوشه های دیگر نشان داد. به هر حال، بیماران KIRC در خوشه 3 دارای مراحل پیشرفته تومور و دارای غدد لنفاوی بالا (N1 بالاتر) در مقایسه با بیماران در خوشه 1 و 2 هستند که متاستاز سرطان و گسترش تومورها را در خوشه 3 نشان می دهد. تعداد کمتری از ژن های متابولیک را نشان می دهد. در خوشه های مرتبط با متاستاز سرطان.

علاوه بر این، نمرات نفوذ ایمنی در خوشه های مختلف C1 را با نمرات بالا در طبقه بندی استرومایی و ایمنی نشان می دهد. شایان ذکر است، بیماران C1 در مراحل پاتولوژیک III و IV دارای انفیلتراسیون بالای سلول های T همراه با سلول های CD8 به علاوه T، سلول های کمکی فولیکولی T و ماکروفاژها هستند. در حالی که دارای Tregs فراوان است. Tregs نقش حیاتی در تحمل ایمنی و هموستاز دارند [24]. در بسیاری از سرطان ها مانند سرطان روده بزرگ، سرطان سینه و سرطان پانکراس، افزایش درصد Tregs با پیش آگهی بد سرطان مرتبط است [25، 26]. ماکروفاژ M0 باعث تهاجم و تکثیر سلول‌ها می‌شود [27] و سطوح بالا در ماکروفاژها با پیش‌آگهی ضعیف در RCC همراه است [28]. به همین ترتیب، سلول‌های CD8 به علاوه T به عنوان سلول‌های کلیدی ضد تومور و انتخاب برتر برای درمان سلول‌های ایمنی هدفمند برای سرطان‌ها شناخته می‌شوند [29]. اگرچه C1 دارای بالاترین نفوذ سلول های CD8 به علاوه T نسبت به سایر خوشه ها است، اما بدترین بقای کلی را داشت.

هربا سیستانچ

ما از سه روش CIBERSORT، MCP و ssGSEA برای مطالعه نفوذ سلول های ایمنی در ریزمحیط تومور KIRC استفاده کردیم. روش سنتی برای اندازه گیری نفوذ ایمنی تومور از طریق بافت شناسی بر روی مقاطع بافتی و زیر مجموعه های ایمنی استنباط شده توسط ایمونوهیستوشیمی نشانگرهای فردی است. با این حال، محدودیت‌های متعددی وجود دارد که در آنها ایمونوهیستوشیمی نمی‌تواند بسیاری از جمعیت‌های ایمنی را شناسایی کند و در گرفتن فنوتیپ‌های عملکردی ضعیف عمل می‌کند (مانند لنفوسیت‌های فعال در مقابل استراحت). بنابراین، ما از CIBERSORT، یک رویکرد محاسباتی توسعه یافته توسط [30] استفاده کردیم که به چالش های پیش روی ایمونوهیستوشیمی می پردازد. به غیر از CIBERSORT، ما از بسته های الگوریتمی دیگری برای بررسی وضعیت نفوذ سیستم ایمنی استفاده کردیم. این به این دلیل است که CIBERSORT فقط نسبت‌های درون نمونه‌ای از جمعیت سلول‌های ایمنی را اندازه‌گیری می‌کند که می‌توانند توسط بسته دیگری مانند شمارنده MCP که می‌تواند جمعیت سلول‌ها را به وفور تخمین بزند که امکان مقایسه بین نمونه‌ای از سلول‌های نفوذی در ریزمحیط تومور را دارد، حل شود [31]. برای تکمیل آنالیزهای CIBERSORT و MCP، از ssGSEA برای تعیین کمیت سطوح نفوذ برای انواع سلول های ایمنی اعمال شده در بسته R GSVA استفاده کردیم [32، 33]. GSA یک روش مبتنی بر رتبه است که بیان بیش از حد فهرست مورد علاقه یک ژن را نسبت به سایر ژن های ژنوم محاسبه می کند. CIBERSORT نتایج بهتری را در مقایسه با دو روش دیگر نشان داد. بنابراین، تجزیه و تحلیل های بیشتر از داده های به دست آمده از CIBERSORT انجام شد.

علاوه بر این، ما بر روی مکانیسم اساسی پیشرفت KIRC با تجزیه و تحلیل بیان دیفرانسیل بر اساس داده‌های RNA-seq تمرکز کردیم. به طور کلی، ما بیان دیفرانسیل غیر طبیعی ژن های مشترک را در بین سه خوشه هدف قرار دادیم. بسیاری از ژن ها به جز NUDT1 در C1 کاهش یافت. با این حال، بیان آن به طور قابل توجهی از طریق پیشرفت از C1 به C3 کاهش یافت. بنابراین، NUDT1 بیشتر برای نقشش در پیشرفت KIRC تایید شد. مهار بیان ژن NUDTI با واسطه siRNA در دو رده سلولی KIRC (786-O و ACHN) زنده‌مانی سلولی و مهاجرت سلولی را کاهش داد و آپوپتوز را افزایش داد که نقش آن را در پیشرفت تومور تأیید می‌کند. قبلا گزارش شده بود که سطح بیان NUDT1 با درجه تومور، مرحله، اندازه، تمایز، درجه تهاجم عروقی، بقای کلی (OS) و بقای عاری از بیماری (DFS) در بیماران HCC همبستگی دارد. یک نشانگر پیش آگهی با پتانسیل های درمانی در بیماران HCC [34]. بیان بیش از حد NUDT1 در فشار خون شریانی ریوی، استرس اکسیداتیو و آسیب DNA را کاهش می دهد، در نتیجه تکثیر سلولی را تقویت می کند و آپوپتوز را کاهش می دهد [35]. نشان داده شده است که بیماران مبتلا به کارسینوم سلول سنگفرشی دهان (OSCC) که بیان بالایی از NUDT1 دارند، نرخ بقای ضعیفی را نشان داده‌اند [36]. با توجه به اینکه ادبیات کافی در مورد نقش NUDTI در سرطان ها در دسترس نیست و تاکنون هیچ مطالعه ای نقش آن را در KIRC گزارش نکرده است، بنابراین، ما برای اولین بار نقش NUDTI را در پیشرفت KIRC گزارش می کنیم. مطالعه حاضر دارای محدودیت هایی بود. اگرچه تحقیقات ما نشان داد که امضا ممکن است با ایمونوتراپی KIRC مرتبط باشد، اثربخشی امضا به دلیل کمبود داده، مکانیسم‌های بالقوه زمینه‌ای و نقش‌های عملکردی NUDT1 در KIRC و عمل بالینی نیاز به کاوش بیشتری دارد.

سیستانچه توبولوزا

نتیجه گیری

ما ژن های متابولیک نامنظم را بین بافت های طبیعی و تومور غربال کردیم و عملکرد آنها را بررسی کردیم. تجزیه و تحلیل WGCNA گروهی از ژن‌های مرتبط با وضعیت بقای KIRC را شناسایی کرد. خوشه‌بندی اجماع بر اساس ژن‌های مرتبط با بقا، سه خوشه را با نرخ‌های بقا و الگوهای نفوذ ایمنی متفاوت نشان داد. NUDT1 با بقا همبستگی منفی داشت و تجزیه و تحلیل های بیشتر نشان داد که از بین رفتن NUDT1 از تکثیر و مهاجرت سلول های تومور جلوگیری می کند. قابل توجه، یک مدل پیش‌بینی بر اساس ژن‌های مرتبط با بقا ساخته شد که کارایی بالایی در پیش‌بینی بقای KIRC نشان داد. در نتیجه، ما یک تجزیه و تحلیل جامع از ژن های متابولیک در KIRC انجام دادیم و NUDT1 را به عنوان یک انکوژن شناسایی کردیم که می تواند به عنوان یک هدف درمانی و پیش آگهی مورد استفاده قرار گیرد.

تاثیر عصاره سیستانچ بر شفافیت کلیه

شواهد علمی محدودی در مورد تأثیر سیستانچ بر شفافیت کلیه وجود دارد. با این حال، برخی از مطالعات نشان می دهد که عصاره سیستانچ ممکن است تاثیر مثبتی بر سلامت کلیه داشته باشد.

کلیه ها وظیفه فیلتر کردن مواد زائد و سموم بدن را بر عهده دارند و سلامت آنها برای سلامت کلی ضروری است. مطالعات نشان داده اند که عصاره سیستانچ دارای خواص آنتی اکسیدانی و ضد التهابی قوی است که می تواند به محافظت در برابر استرس اکسیداتیو و التهاب در کلیه ها کمک کند.

در طب سنتی چینی از سیستانچ برای تقویت کلیه ها و بهبود عملکرد آنها نیز استفاده می شود. برخی از پزشکان معتقدند که مصرف منظم عصاره سیستانچ می تواند به بهبود شفافیت کلیه کمک کند، اگرچه این ادعا توسط تحقیقات بالینی قوی تایید نشده است.

بنابراین، برای درک کامل مزایای بالقوه عصاره سیستانچ بر شفافیت کلیه، تحقیقات دقیق تری مورد نیاز است. با این وجود، مانند هر مکمل غذایی یا درمان جایگزین، مهم است که با یک متخصص مراقبت های بهداشتی قبل از افزودن مکمل های جدید به رژیم غذایی خود مشورت کنید، به خصوص اگر شرایط پزشکی از قبل وجود داشته باشد.

منابع

[18] RL Siegel، KD Miller، و A. Jemal، "آمار سرطان، 2019"، CA: مجله سرطان برای پزشکان، جلد. 69، شماره 1، صفحات 7-34، 2019.

[19] RL Siegel, KD Miller, HE Fuchs, and A. Jemal, "Scancer statistics, 2021," CA: A Cancer Journal for Clinicians, vol. 71، شماره 1، صفحات 7-33، 2021.

[20] JC Angulo و O. Shapiro، "چشم انداز درمانی در حال تغییر سرطان متاستاتیک کلیه"، Cancers، جلد. 11، نه 9، ص. 1227، 2019.

[21] AK Sharma، "روندهای نوظهور در کشف نشانگرهای زیستی: سهولت پیش‌بینی و پیش‌بینی در سرطان، سمینارها در بیولوژی سرطان، جلد. 52، قسمت 1، صفحات III–IV، 2018.

[22] H. Li، J. Hu، A. Yu و همکاران، "اصلاح RNA N6- متیل آدنوزین، فنوتیپ‌های ایمنی و فرصت‌های درمانی را در کارسینوم سلول شفاف کلیه پیش‌بینی می‌کند." Frontiers in Oncology، جلد. 11، ماده 642159، 2021.

[23] C. Xu، Y. Zang، Y. Zhao، و همکاران، "تجزیه و تحلیل جامع پان سرطان تایید کرد که ATG5 حفظ متابولیسم تومور و وقوع فرار ایمنی تومور را ترویج می کند." Frontiers in Oncology، جلد. 11، ماده 652211، 2021.

[24] Y. Takeuchi و H. Nishikawa، "نقش سلول های T تنظیمی در ایمنی سرطان"، International Immunology، vol. 28، شماره 8، صفحات 401-409، 2016.

[25] C. Zhuo, Y. Xu, M. Ying, et al., "FOXP3 plus Tregs: فنوتیپ های ناهمگن و تأثیرات متناقض بر نتایج بقا در بیماران مبتلا به سرطان کولورکتال" Immunologic Research, vol. 61، شماره 3، صص 338-347، 2015.

[26] H. Wang، F. Franco و PC Ho، "تنظیم متابولیک Tregs در سرطان: فرصت هایی برای ایمونوتراپی"، Trends Cancer، جلد. 3، نه 8، صفحات 583-592، 2017.

[27] BZ Qian و JW Pollard، "تنوع ماکروفاژها پیشرفت و متاستاز تومور را افزایش می دهد" Cell، جلد. 141، شماره 1، صفحات 39-51، 2010.

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "Reconnaissance of tumor immune microenvironment spatial heterogeneity in metastatic renal cell carcinoma and correlation with immunotherapy response," Clinical and Experimental Immunology, vol. 204، شماره 1، صفحات 96-106، 2021.

[29] ب. فرهود، م. نجفی و ک. مرتضایی، "لنفوسیت‌های T سیتوتوکسیک CD8(+) در ایمونوتراپی سرطان: مروری، مجله فیزیولوژی سلولی، جلد. 234، شماره 6، صفحات 8509–8521، 2019.

[30] AM Newman، CL Liu، MR Green، و همکاران، "شمارش قوی زیرمجموعه های سلولی از پروفایل های بیان بافت"، Nature Methods، جلد. 12، شماره 5، صفحات 453-457، 2015.

[31] E. Becht، NA Giraldo، L. Lacroix، و همکاران، "برآورد فراوانی جمعیت جمعیت های سلول های ایمنی و استرومایی نفوذ کننده بافت با استفاده از بیان ژن"، Genome Biology، جلد. 17، شماره 1، ص. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, et al., "تداخل سیستماتیک RNA نشان می دهد که سرطان های انکوژنی ناشی از KRAS به TBK1 نیاز دارند." Nature, vol. 462، شماره 7269، صفحات 108-112، 2009.

[33] S. Hanzelmann، R. Castelo و J. Guinney، "GSVA: تجزیه و تحلیل تنوع مجموعه ژن برای داده های ریزآرایه و RNA-seq"، BMC Bioinformatics، جلد. 14، شماره 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu et al., "Nudix hydrolase 1 یک نشانگر زیستی پیش آگهی در سرطان کبد است." Aging, vol. 12، شماره 8، صفحات 7363-7379، 2020.

[35] G. Vitry، R. Paulin، Y. Grobs، و همکاران، "پاکسازی پیش سازهای DNA اکسید شده توسط NUDT1 به بازسازی عروقی در فشار خون شریانی ریوی کمک می کند." American Journal of Respiratory and Critical Care Medicine، جلد. 203، شماره 5، صفحات 614-627، 2021.

[36] Y. Shen, L. Zhang, S. Piao, et al., "NUDT1: یک پیش بینی مستقل بالقوه برای پیش آگهی بیماران مبتلا به سرطان سلول سنگفرشی دهان" Journal of Oral Pathology & Medicine, vol. 49، شماره 3، صفحات 210-218، 2020.

جون‌وی زی، 1،2،3،4،5 لینگانگ کوی، 6 شائوانگ پان، 1،2،3،4،5 دانگ‌وی لیو، 1،2،3،4،5 فنگ‌چون لیو، 1،2،3،4 ,5 و Zhangsuo Liu 1,2,3,4,5

1 بخش نفرولوژی، اولین بیمارستان وابسته دانشگاه ژنگژو، ژنگژو 450052، چین

2 موسسه تحقیقات نفرولوژی، دانشگاه ژنگژو، ژنگژو 450052، چین

3 مرکز تحقیقاتی برای بیماری کلیه، ژنگژو، 450052 هنان، چین

4 آزمایشگاه کلیدی تشخیص دقیق و درمان بیماری مزمن کلیه در استان هنان، ژنگژو 450052، چین

واحد 5 هسته مرکز ملی تحقیقات پزشکی بالینی بیماری کلیه، ژنگژو 450052، چین

6 بخش اورولوژی، اولین بیمارستان وابسته دانشگاه ژنگژو، ژنگژو 450052، چین