Časť Ⅱ Metabolické chápanie genetickej dysregulácie v mikroprostredí nádoru obličkového karcinómu z jasných buniek

Výsledok

1. Identifikácia diferencovane exprimovaných metabolických génov v KIRC.

Aby sme preskúmali metabolickú dysreguláciu v KIRC, preskúmali sme dostupné údaje TCGA, aby sme získali hlboký prehľad o terapeutikách zameraných na metabolizmus na klinike. Na tento účel sme vybrali súbor 1916 metabolických génov, ktoré sa pretínali z dvoch rôznych súborov údajov [16, 17] a vyšetrili sme 1100 odlišne exprimovaných génov v nádorových a normálnych tkanivách (doplnková tabuľka 2). Tieto rozdielne exprimované metabolické gény boli vynesené do sopiek a tepelných máp (obrázky 1 (a) a 1 (b)). Z 1100 odlišne exprimovaných metabolických génov bolo 78 génov upregulovaných a 163 génov bolo downregulovaných. Okrem toho bolo 859 génov nezmenených. Tepelná mapa predstavuje individuálny index expresie týchto diferenciálnych metabolických génov v nádorových a normálnych vzorkách (obrázok 1(b)). Ďalej sme identifikovali top 10 odlišne exprimovaných metabolických génov; medzi nimi ENPP3, NNMT, CYP2J2, SCD a HK2 boli upregulované a HSD11B2, HMGCS2, HPD, HS6ST2 a ALDOB boli downregulované. Krabicové grafy týchto DEmG sú znázornené na obrázku 1(c). Spomedzi upregulovaných génov je ENPP3 ~7-krát exprimovaný v nádoroch. Alternatívne je gén ALDOB ~5-násobne znížený v analyzovaných vzorkách nádoru.

Okrem toho sme hodnotili KEGG dráhu a GO analýzy DEmG. Analýza dráhy KEGG odhalila, že upregulované gény boli významne obohatené o metabolizmus uhlíka, signalizáciu HIF1 a glykolýzu / glukoneogenézu s vyšším pomerom génov (8–9 počet génov v každej dráhe) (obrázok 1 (d)). Podobne medzi downregulovanými DEmG sme zistili, že metabolizmus uhlíka a degradácia valínu, leucínu a izoleucínu boli hlavnými cestami ovplyvnenými metabolicky aktívnymi génmi (obrázok 1 (e)). Dráhy súvisiace s peroxizómovou organelou boli tiež významne obohatené v downregulovanej skupine vzoriek génových nádorov. Je pozoruhodné, že v porovnaní s tými v upregulovaných génoch majú dráhy zahrnuté v downregulovaných génoch vyššie významné hodnoty p. Stojí za zmienku, že väčšina KEGG dráh obohatených o downregulované génové kategórie súvisela s metabolizmom aminokyselín. Aby sa ďalej rozobralo zapojenie DEmG do tumorigenézy, uskutočnili sa funkčné analýzy GO upregulovaných a downregulovaných génov. Ontológiu GO sme rozdelili do troch funkčných subontologických skupín, BP (biologický proces), CC (bunková zložka) a MF (molekulárna funkcia) (obrázky 1(f) a 1(g)). Okrem toho analýza GSEA odhalila významný nárast v obohatení génov spojených s BENPORATH_MYC_TERGETS_WITH_EBOX v nádoroch, zatiaľ čo BROWN{{11} } MYELOID_BUŇKOVÝ_VÝVOJ_UP, KEGG_ALPHA_ LINOLENOVÁ_KYSELINA_METABOLIZMUS a KEGG{ Zistilo sa, že METABOLIZMUS {19}ETHER_ LIPID_je negatívne obohatený. V ďalšej fáze sme skonštruovali proteín-proteínovú interakciu PPI sieť s up a downregulovanými DEmG. Mnohé gény vykazovali vzájomnú interakciu. Prostredníctvom interakcií týchto génov sme izolovali hubové gény. Každý uzol je oddelený od druhého na základe hodnoty stupňa; ďalej sme izolovali 7 top génov pre PPI. Skúmali sme tiež koreláciu medzi touto génovou expresiou a klinicko-patologickými vlastnosťami KIRC v súboroch údajov TCGA.

Ak chcete vedieť, kliknite semaké sú výhody Cistanche.

2. Sieťová analýza odhaľuje základné metabolické zmeny v rôznych nádorových ontológiách.

Ďalej sa vybrali údaje o expresii DEmG a použili sa ako vstupné údaje pre WGCNA, ktorá identifikovala 6 rôznych koexpresných modulov obsahujúcich rôzny počet génov pre každý modul (obrázok 2 (a)). Korelovali sme diferenciálne gény s vonkajšími znakmi a identifikovali sme moduly, ktoré boli významne spojené s klinickými znakmi (obrázok 2 (b)). Na základe korelačného koeficientu sme zistili, že moduly MEturquoise negatívne korelovali so stavom prežitia. Analýzy obohatenia dráhy GO a KEGG sa uskutočnili s použitím génov z týchto modulov (obrázky 2 (c) a 2 (d)). Najviac obohatenými cestami KEGG boli degradácia valínu, leucínu a izoleucínu; metabolizmus uhlíka; metabolizmus propanoátu; metabolizmus mastných kyselín; degradácia mastných kyselín; metabolizmus peroxizómov a butanoátu; metabolizmus glyoxylátov a dikarboxylátov; a metabolizmus tryptofánu (obrázok 2(c)). Gény súvisiace s BP termínmi boli prevažne obohatené o katabolické procesy s malými molekulami, karboxylovými kyselinami a organickými kyselinami. Gény súvisiace s CC termínmi boli obohatené hlavne v mitochondriálnej matrici. Rozdielne exprimované gény súvisiace s MF boli obohatené hlavne o väzbu koenzýmu (obrázok 2 (d)). Okrem toho sme vykonali analýzu prežitia 8 génov v module prežitia. Pacienti s vyššou expresiou ACADSB, PANK1, SLC25A4, PCCA, HADH, AUH, ACAT1 a ALDH6A1 mali dlhšiu mieru prežitia ako pacienti s nižšou expresiou týchto génov (p=0) (obrázky 2(e)–2( l)).

3. Zoskupovanie pacientov KIRC.

Vybrali sme top DEmG pre analýzu zhlukov; pacienti s KIRC boli zoskupení do troch zhlukov na základe rozdielnej expresie metabolických génov. Obrázok 3(a) ukazuje tepelné mapy DEmG u pacientov s KIRC. Farebná škála označuje hodnotu expresie (svetlomodrá označuje nižšiu hodnotu expresie; tmavšia modrá označuje vyššie hodnoty expresie génu).

Krivky KM boli vynesené na porovnanie celkového prežitia troch zhlukov pre pacientov s KIRC. Celková miera prežitia sa v rámci troch skupín významne líšila (p < {{0}}:01 Obrázok 3(b)). Skupina 1 vykazovala horšiu mieru prežitia v porovnaní s klastrom 2 a klastrom 3. Miera prežitia PFS sa tiež významne líšila medzi 3 klastrami (p < 0:001, obrázok 3(c)) a skupina 1 vykazovala horšiu mieru prežitia PFS v porovnaní s klastrom 2 a klastrom 3.

Rôzne farby v našom modeli predstavujú klinické parametre a základné patologické štádiá (obrázok 3 (d)). Klaster 3 má nižšie pomery Mo a vyššiu hodnotu M1 v porovnaní s klastrami 1 a 2, čo naznačuje vyššie metastázy rakoviny a pokročilejšie štádium nádorov v klastri 3 ako klastre 1 a 2. Podobne v klastri 3 sa rakovina rozšírila viac do lymfatických uzlín (vyššie N1) v porovnaní s pacientmi v skupinách 1 a 2. Väčšina pacientov s KIRC bola diagnostikovaná v štádiách III a IV (obrázky 3(e) a 3(f)), čo naznačuje väčšie alebo rozšírené nádory, ako aj prechod cez krvi alebo lymfatického systému do vzdialenej oblasti tela.

4. Imunitný stav troch klastrov.

Algoritmus ESTIMATE sme použili na odhadnutie stromálneho a imunitného skóre série tkanív KIRC na základe ich metabolických transkripčných profilov (obrázok 4 (a)). Neskôr sa tieto skóre vzali do úvahy pri vývoji metabolického génového podpisu na základe stromálneho imunitného skóre pre stratifikáciu prognózy v KIRC. Ako je znázornené na obrázku 4 (a), tri klastrové skupiny (C1, C2 a C3) boli stratifikované v krabicových grafoch na základe ich stromálneho-imunitného skóre. Medzi tromi klastrami C1 vykazoval vyššie významné skóre v stromálnej aj imunitnej klasifikácii.

Okrem toho boli pomocou CIBERSORT analyzované tri zhluky s p-hodnotou < 0.1 (obrázok 4(b)). Čistota nádoru, imunitné skóre a stromálne skóre spolu s patologickými štádiami 3 zhlukov sú zobrazené v hornej časti tepelnej mapy. V tejto analýze sme hlavne zistili, že regulačné T bunky (Tregs) boli obohatené v klastri C1 a pacienti v C1 boli hlavne v patologických štádiách III a IV. Okrem toho aktivované NK bunky, CD8 plus T bunky, T folikulárne pomocné bunky a M0 makrofágy v klastri C1; CD8 plus T bunky a T folikulárne pomocné bunky v klastri C2; a detegované boli aj pokojové žírne bunky, M2 makrofágy, pokojové pamäťové CD4 T bunky, monocyty, naivné B bunky a M1 makrofágy v klastri C3 (obrázok 4(b)).

Okrem CIBERSORT sme na kontrolu stavu imunitnej infiltrácie použili ďalšie algoritmické balíky. Hierarchická tepelná mapa analýzy MCP je znázornená na obrázku 4(c). Kľúčovými zisteniami MCP analýzy bola infiltrácia neutrofilov a infiltrácia endotelových buniek v klastri C3, ktorá chýbala v klastri C1. Táto analýza tiež odhalila infiltráciu NK buniek, monocytovej línie a myeloidných dendritických buniek v klastri C3. Ďalšie populácie imunitných buniek boli zmiešané v troch analyzovaných zhlukoch (obrázok 4 (c)).

Na doplnenie analýz CIBERSORT a MCP sme použili ssGSEA na kvantifikáciu úrovní infiltrácie pre typy imunitných buniek implementovaných v balíku R GSVA. Údaje troch klastrov sa priviedli do balíka ssGSEA a získali sa bohatstvo 28 imunitne súvisiacich buniek a typov vo vzorkách KIRC. Výsledky ukázali, že C1 a C2 mali väčšiu imunitnú infiltráciu; niektoré vrodené imunitné bunky, vrátane NK, neutrofilov a eozinofilov, boli zmiešané v 3 zhlukoch (obrázok 4(d)).

5. Konštrukcia a validácia predikčného modelu založeného na DEmG.

Nakoniec sme skonštruovali a overili predikčný model založený na diferenciálnej expresii metabolických génov. Vypočítali sme skóre imunitného rizika DEmG na základe celkového prežitia. Na tento účel sme navrhli dve skupiny na hodnotenie korelácie skóre rizika; jeden je pre cvičnú kohortu a druhý pre testovaciu kohortu. Zistili sme, že celkové prežitie bolo nízke a rozptýlené v rámci skóre rizika (obrázky 5(a) a 5(b)). Ďalej sme na základe skóre stredného rizika priradili pacientov KIRC do skupín s vysokým a nízkym rizikom na ďalšie hodnotenie. Potom sme vykonali analýzu prežitia týchto dvoch rizikových skupín v tréningových a testovacích kohortách. Ako sa očakávalo, zistilo sa, že vysokorizikové skupiny majú nízke prežitie v porovnaní so skupinami s nízkym rizikom (obrázky 5(c) a 5(d)). Ďalej bola vykonaná analýza ROC krivky pre tréningové a testovacie kohorty. Pozorovali sme ROC skóre 0.68 po 5 rokoch v testovacích kohortách, čo naznačuje dobrý výkon pri predpovedaní prognózy KIRC (obrázky 5(e) a 5(f)). Okrem analýzy ROC krivky sme tiež vykonali regresný model LASSO COX, aby sme potvrdili náš prognostický model, ako naznačuje odchýlka čiastočnej pravdepodobnosti (doplnkový obrázok 5 (a)) a regresný koeficient DEmG (doplnkový obrázok 5 (b)). Nakoniec sa predpokladalo, že päť génov (ABCG1, CRYL1, FDX1, PANK1 a SLC44A) sú potenciálne prognostické faktory s HR < 1 (doplnkový obrázok 5 (c)).

6. Základné mechanizmy postupu KIRC.

Aby sme ďalej preskúmali základný mechanizmus progresie KIRC, vykonali sme diferenciálnu analýzu expresie medzi všetkými klastrami a na vizualizáciu výsledkov sme použili graf tepelnej mapy (obrázok 6 (a)). Na identifikáciu signálnych dráh DEmG sme vykonali analýzy obohatenia DEG KEGG a GO v troch klastroch. Stručne povedané, tieto výsledky odhalili, že DEG troch klastrov boli obohatené hlavne o fokálnu adhéziu, signálnu dráhu Foxo a signálnu dráhu Apelin pre klastr C3 a absorpciu minerálov, tvorbu extracelulárnej pasce neutrofilov a infekciu Staphylococcus aureus pre klaster C2 (obrázok 6 (b)). Okrem toho funkčná analýza GO DEG odhalila ontológie súvisiace s MF, CC a BP znázornené na obrázku 6 (c). Je zaujímavé, že analýza diferenciálnej expresie odhalila abnormálne správanie regulácie génov v troch zhlukoch. Väčšinou bol NUDT1 vysoko exprimovaný v C1, ktorý mal najhoršie prežitie. Ďalšie skúmanie odhalilo, že expresia NUDT1 bola významne znížená prostredníctvom progresie z C1 do C3 (obrázok 6 (d)). Okrem toho sa zistilo, že NUDT1 je upregulovaný vo vzorkách nádorov KIRC (obrázok 6 (e)). Ďalej sme zdôraznili expresiu NUDT1 v každom štádiu nádoru (obrázok 6 (f)). Analýza celkového prežitia bola tiež vykonaná pomocou Kaplan-Meierovho plotra a zistili sme, že pacienti s vyššou expresiou NUDT1 mali horšie celkové prežitie (HR=1:82 (1,34–2,48), log-rank p {{27} }:00012) (obrázok 6(g)).

Nakoniec sme vykonali analýzy funkčného obohatenia KEGG a GO pre gény interagujúce s NUDT1. Gény boli rozdelené do dvoch skupín - pozitívne korelovali s NUDT1 a negatívne korelovali s NUDT1. Analýza KEGG dráhy ukázala, že pozitívne korelované gény boli obohatené hlavne o ribozomálnu dráhu, Huntingtonovu chorobu, amyotrofickú laterálnu sklerózu a Alzheimerovu chorobu. Na druhej strane, negatívne korelované gény boli obohatené hlavne o signalizáciu hepatitídy B a Foxo (obrázok 6 (h)). Okrem toho bola na obrázku 6 (i) ukázaná GO ontológia troch rôznych skupín MF, CC a BP pre pozitívne aj negatívne korelované gény. Okrem toho sme zistili, že expresia NUDT1 vysoko korelovala s infiltráciou imunitných buniek (doplnkový obrázok 6) a rôznymi klinickými znakmi pacientov KIRC (tabuľka 1).

Doplnky Cistanche

7. Strata NUDT1 inhibuje proliferáciu a migráciu buniek rakoviny obličiek.

Ďalej sme porovnali hladinu expresie NUDTI v tkanivách KIRC a ich pridružených normálnych tkanivách, čo odhalilo, že NUDT1 je vysoko exprimovaný v tkanivách KIRC (obrázok 7 (a)). Ďalej sme určili účinky straty NUDT1 na bunkové línie rakoviny obličiek pomocou inhibície sprostredkovanej siRNA. NUDT1 bol zameraný na knockdown siRNA v dvoch bunkových líniách 786-0 a ACHN a hladiny NUDT1 mRNA boli úspešne inhibované, ako dokazuje analýza qPCR (obrázok 7(b)). Po knockdown NUDT1 sprostredkovanom siRNA, test životaschopnosti buniek ukázal zníženú životaschopnosť buniek v oboch bunkových líniách (obrázky 7 (c) a 7 (d)). Potom test bunkovej migrácie po knockdown NUDT1 ukázal významne zníženú migráciu buniek v NUDT1-ochudobnených 786-0 a ACHN bunkách (obrázky 7(e) a 7(f)). Migračná kapacita 786-0 buniek bola znížená na približne 50 percent a 70 percentné zníženie bolo pozorované v bunkách ACHN po knockdown NUDT1 (obrázok 7(f)). Bunková invázia bola tiež inhibovaná v oboch bunkových líniách, keď bol gén NUDT1 zrazený (obrázky 7 (g) a 7 (h)). Na doplnenie migrácie sme tiež vykonali test hojenia rán, keď sa NUDT1 vyčerpal z bunkových línií 786-O a ACHN a pozorovali sme podobné výsledky zníženej schopnosti hojenia rán v oboch bunkových líniách bez NUDT1 (obrázky 7(l)– 7(n)). Na základe týchto výsledkov sme predpokladali, že strata NUDT1 by mohla viesť k apoptóze v bunkách rakoviny obličiek. Preto sme merali percento apoptotických buniek po umlčaní NUDT1. Je zaujímavé, že sme zistili, že percento apoptotických buniek sa významne zvýšilo v bunkách ochudobnených o NUDT1- (obrázky 7(i)–7(k)).

Diskusia

Ľadvinový karcinóm z jasných buniek obličiek (KIRC) je jedným z najčastejšie sa vyskytujúcich druhov rakoviny na celom svete, vo všeobecnosti nevykazuje žiadne skoré symptómy, kým sa nádor dostatočne nezväčší; preto je úmrtnosť relatívne vysoká [18–20]. Preto je potrebné preskúmať karcinogenézu KIRC a identifikovať užitočné biomarkery na jeho včasnú diagnostiku. Doteraz však existujú obmedzené poznatky o patogenéze a karcinogenéze KIRC. Okrem toho nebolo overených veľa molekulárnych markerov pre klinickú prax. Pokročilé vysokovýkonné sekvenovanie a bioinformatická technológia umožňujú vybrať efektívne biomarkery [21]. Údaje o sekvenovaní RNA a klinické anotácie viac ako päťsto prípadov KIRC sú voľne dostupné v databáze TCGA. S využitím týchto voľne dostupných údajov z TCGA sme analyzovali údaje o sekvencii RNA pre odlišne exprimované metabolické gény vo vzorkách nádoru a normálneho tkaniva. Medzi upregulovanými a downregulovanými génmi sme identifikovali 10 najlepších diferenciálne exprimovaných metabolických génov (DEmG). Veríme, že metabolické gény majú v KIRC rôzne funkcie; nájdenie vhodných diagnostických a terapeutických markerov by však mohlo byť výzvou zo súboru génov s diverzifikovanými funkciami.

Štúdie predtým odhadovali infiltráciu imunitných buniek v mikroprostredí nádoru niekoľkých druhov rakoviny. Študoval sa vzťah medzi nádorovými imunitnými bunkami a angiogenézou v údajoch vzoriek KIRC získaných z TCGA a RFX2, SOX13 a THRA boli identifikované ako tri najlepšie MTF pri regulácii podpisu angiogenézy u pacientov s KIRC [4]. Okrem toho dva nezávislé vzory modifikácie m6A kontrolujú biologické funkcie, imunologické charakteristiky a prognózy KIRC [22]. Proteín 5 súvisiaci s autofágiou (ATG5) je spojený s progresiou niekoľkých rakovín vrátane KIRC [23]. V súčasnej analýze niektoré z rozdielne exprimovaných génov vrátane PBRM1, SET2, VHL a BAP1 vykazovali významnú koreláciu s metabolickými dráhami v údajoch KIRC. Na ďalšie hlboké vyšetrenie sme pacientov zoskupili na základe DEmG; klaster 1 vykazoval horšiu celkovú mieru prežitia v porovnaní s ostatnými klastrami; v každom prípade pacienti s KIRC v klastri 3 majú pokročilé štádiá nádoru a majú vysoké lymfatické uzliny (vyššie N1) v porovnaní s pacientmi v klastri 1 a 2, čo ukazuje rakovinové metastázy a expanziu nádorov v klastri 3. Ukazuje menší počet metabolických génov v zhlukoch spojených s metastázami rakoviny.

Okrem toho skóre imunitnej infiltrácie v rôznych zhlukoch ukazuje C1 s vysokým skóre v stromálnych a imunitných klasifikáciách. Je pozoruhodné, že pacienti s C1 v patologických štádiách III a IV majú vysokú infiltráciu T buniek spolu s CD8 plus T bunkami, T folikulárnymi pomocnými bunkami a makrofágmi. Zatiaľ čo má tiež bohaté Tregy. Tregy majú zásadnú úlohu v imunitnej tolerancii a homeostáze [24]. Pri mnohých rakovinách, ako je rakovina hrubého čreva, rakovina prsníka a rakovina pankreasu, je zvýšené percento Tregs spojené so zlou prognózou rakoviny [25, 26]. Makrofág M0 indukuje inváziu a proliferáciu buniek [27] a zvýšené hladiny makrofágov sú spojené so zlou prognózou pri RCC [28]. Podobne sú CD8 plus T bunky známe ako kľúčové protinádorové bunky a najlepšia voľba pre cielenú terapiu imunitných buniek pri rakovine [29]. Hoci C1 má najvyššiu infiltráciu CD8 plus T buniek ako iné klastre, mal najhoršie celkové prežitie.

Bylinka Cistanche

Na štúdium infiltrácie imunitných buniek v mikroprostredí nádoru KIRC sme použili tri metódy CIBERSORT, MCP a ssGSEA. Tradičnou metódou merania imunitnej infiltrácie nádoru je histológia na tkanivových rezoch a imunitných podskupinách odvodených imunohistochémiou jednotlivých markerov. Existuje však niekoľko obmedzení, pri ktorých imunohistochémia nemôže identifikovať mnohé imunitné populácie a funguje zle pri zachytávaní funkčných fenotypov (napr. aktivované vs. pokojové lymfocyty). Preto sme použili CIBERSORT, výpočtový prístup vyvinutý [30], ktorý rieši problémy, ktorým čelí imunohistochémia. Okrem CIBERSORT sme na kontrolu stavu imunitnej infiltrácie použili ďalšie algoritmické balíky. Je to preto, že CIBERSORT meria iba intravzorkové proporcie populácií imunitných buniek, ktoré môžu byť rozlíšené iným balíkom, ako je MCP-counter, ktorý dokáže odhadnúť početnosť populácie buniek, čo umožňuje porovnanie infiltrujúcich buniek v mikroprostredí nádoru medzi vzorkami [31]. Na doplnenie analýz CIBERSORT a MCP sme použili ssGSEA na kvantifikáciu úrovní infiltrácie pre typy imunitných buniek implementovaných v balíku R GSVA [32, 33]. GSA je metóda založená na poradí, ktorá počíta nadmernú expresiu pre požadovaný génový zoznam v porovnaní so všetkými ostatnými génmi v genóme. CIBERSORT vykazoval lepšie výsledky v porovnaní s ostatnými dvoma metódami; preto boli vykonané ďalšie analýzy z údajov získaných z CIBERSORT.

Okrem toho sme sa zamerali na základný mechanizmus progresie KIRC analýzou diferenciálnej expresie na základe údajov RNA-seq. Celkovo sme sa zamerali na abnormálnu diferenciálnu expresiu spoločných génov medzi tromi klastrami. Väčšina génov bola downregulovaná okrem NUDT1 v C1; avšak jeho expresia bola významne znížená prostredníctvom progresie z C1 do C3. NUDT1 bol teda ďalej overený pre svoju úlohu v progresii KIRC. Inhibícia expresie génu NUDTI sprostredkovaná siRNA v dvoch bunkových líniách KIRC (786-O a ACHN) znížila životaschopnosť buniek a migráciu buniek a zvýšila apoptózu, čo potvrdzuje jej úlohu v progresii nádoru. Predtým sa uvádzalo, že úroveň expresie NUDT1 korelovala so stupňom nádoru, štádiom, veľkosťou, diferenciáciou, stupňom vaskulárnej invázie, celkovým prežitím (OS) a prežitím bez ochorenia (DFS) u pacientov s HCC, čo sa tiež predpokladalo ako prognostický marker s terapeutickým potenciálom u pacientov s HCC [34]. Nadmerná expresia NUDT1 pri pľúcnej arteriálnej hypertenzii znižuje oxidačný stres a poškodenie DNA, čím podporuje bunkovú proliferáciu a znižuje apoptózu [35]. Ukázalo sa, že pacienti s orálnym spinocelulárnym karcinómom (OSCC) s vysokou expresiou NUDT1 vykazovali nízku mieru prežitia [36]. Na základe skutočnosti, že nie je k dispozícii dostatok literatúry o úlohe NUDTI pri rakovine a zatiaľ žiadna štúdia nikdy neuviedla jeho úlohu v KIRC, preto po prvýkrát uvádzame úlohu NUDTI v progresii KIRC. Súčasná štúdia mala určité obmedzenia; hoci náš výskum zistil, že podpis môže byť spojený s imunoterapiou KIRC, účinnosť podpisu nebolo možné overiť z dôvodu nedostatku údajov, potenciálne základné mechanizmy a funkčné úlohy NUDT1 v KIRC a klinickej praxi si vyžadujú ďalšie skúmanie.

Cistanche tubulosa

Závery

Skrínovali sme dysregulované metabolické gény medzi normálnymi a nádorovými tkanivami a skúmali sme ich funkciu. Analýza WGCNA identifikovala skupinu génov korelujúcich so stavom prežitia KIRC. Konsenzuálne zhlukovanie založené na génoch súvisiacich s prežitím preukázalo tri zhluky s rôznymi mierami prežitia a vzormi imunitnej infiltrácie. NUDT1 negatívne koreloval s prežitím a ďalšie analýzy odhalili, že knockdown NUDT1 inhibuje proliferáciu a migráciu nádorových buniek. Je potrebné poznamenať, že predikčný model bol skonštruovaný na základe génov súvisiacich s prežitím, ktoré vykazovali vysokú účinnosť pri predpovedaní prežitia KIRC. Na záver sme vykonali vyčerpávajúcu analýzu metabolických génov v KIRC a identifikovali sme NUDT1 ako onkogén, ktorý by sa mohol použiť ako terapeutický a prognostický cieľ.

Účinok extraktu z cistanche na transparentnosť obličiek

Existujú obmedzené vedecké dôkazy o účinku Cistanche na transparentnosť obličiek. Niektoré štúdie však naznačujú, že extrakt z Cistanche môže mať pozitívny vplyv na zdravie obličiek.

Obličky sú zodpovedné za filtrovanie odpadu a toxínov z tela a ich zdravie je nevyhnutné pre celkovú pohodu. Štúdie ukázali, že extrakt z Cistanche má silné antioxidačné a protizápalové vlastnosti, ktoré môžu pomôcť chrániť pred oxidačným stresom a zápalom v obličkách.

V tradičnej čínskej medicíne sa Cistanche používa aj na tonizáciu obličiek a zlepšenie ich funkcie. Niektorí praktizujúci sa domnievajú, že pravidelná konzumácia extraktu z Cistanche môže pomôcť zlepšiť transparentnosť obličiek, hoci toto tvrdenie nie je podložené rozsiahlym klinickým výskumom.

Preto je potrebný dôslednejší výskum, aby sme plne porozumeli potenciálnym výhodám extraktu Cistanche na transparentnosť obličiek. Napriek tomu, ako pri akomkoľvek doplnku stravy alebo alternatívnej terapii, je dôležité, aby ste sa pred začlenením nových doplnkov do stravy poradili so zdravotníckym pracovníkom, najmä ak máte už existujúce zdravotné ťažkosti.

Referencie

[18] RL Siegel, KD Miller a A. Jemal, "Cancer statistics, 2019," CA: A Cancer Journal for Clinicians, vol. 69, č. 1, s. 7–34, 2019.

[19] RL Siegel, KD Miller, HE Fuchs a A. Jemal, "Cancer statistics, 2021," CA: A Cancer Journal for Clinicians, vol. 71, č. 1, s. 7 – 33, 2021.

[20] JC Angulo a O. Shapiro, "Meniace sa terapeutické prostredie metastatickej rakoviny obličiek", Cancers, zv. 11, č. 9, str. 1227, 2019.

[21] AK Sharma, „Rozvíjajúce sa trendy v objavovaní biomarkerov: jednoduchosť prognózy a predpovedania rakoviny“, Seminars in Cancer Biology, zv. 52, 1. časť, s. iii–iv, 2018.

[22] H. Li, J. Hu, A. Yu a kol., "Modifikácia RNA N6- metyladenozínu predpovedá imunitné fenotypy a terapeutické príležitosti pri obličkovom obličkovom jasnobunkovom karcinóme", Frontiers in Oncology, zv. 11, článok 642159, 2021.

[23] C. Xu, Y. Zang, Y. Zhao a kol., "Komplexná analýza rakoviny potvrdila, že ATG5 podporoval udržanie metabolizmu nádoru a výskyt imunitného úniku nádoru," Frontiers in Oncology, zv. 11, článok 652211, 2021.

[24] Y. Takeuchi a H. Nishikawa, "Úlohy regulačných T buniek v imunite proti rakovine," International Immunology, zv. 28, č. 8, s. 401–409, 2016.

[25] C. Zhuo, Y. Xu, M. Ying a kol., "FOXP3 plus Tregs: heterogénne fenotypy a konfliktné vplyvy na výsledky prežitia u pacientov s kolorektálnym karcinómom," Immunologic Research, zv. 61, č. 3, s. 338–347, 2015.

[26] H. Wang, F. Franco a PC Ho, "Metabolická regulácia Tregs pri rakovine: príležitosti pre imunoterapiu," Trends Cancer, zv. 3, č. 8, s. 583–592, 2017.

[27] BZ Qian a JW Pollard, "Makrofágová diverzita zvyšuje progresiu nádoru a metastázy," Cell, zv. 141, č. 1, s. 39–51, 2010.

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "Reconnaissance of tumor immunity microenvironment space heterogeneity in metastatic renal cell carcinoma and correlation with immunotherapy response," Clinical and Experimental Immunology, zv. 204, č. 1, s. 96–106, 2021.

[29] B. Farhood, M. Najafi a K. Mortezaee, "CD8(plus) cytotoxické T lymfocyty v imunoterapii rakoviny: prehľad," Journal of Cellular Physiology, zv. 234, č. 6, s. 8509–8521, 2019.

[30] AM Newman, CL Liu, MR Green a kol., "Robust enumeration of cell subsets from tkanivových expresných profilov," Nature Methods, zv. 12, č. 5, s. 453–457, 2015.

[31] E. Becht, NA Giraldo, L. Lacroix a kol., "Odhadovanie abundancie populácie populácií imunitných a stromálnych buniek infiltrujúcich tkanivo pomocou génovej expresie," Genome Biology, zv. 17, č. 1, str. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm a kol., "Systematická interferencia RNA odhaľuje, že onkogénne rakoviny riadené KRAS vyžadujú TBK1," Nature, zv. 462, č. 7269, s. 108–112, 2009.

[33] S. Hanzelmann, R. Castelo a J. Guinney, "GSVA: analýza variácie génovej sady pre údaje microarray a RNA-seq", BMC Bioinformatics, zv. 14, č. 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu a kol., "Nudix hydroláza 1 je prognostický biomarker pri hepatocelulárnom karcinóme," Aging, zv. 12, č. 8, s. 7363–7379, 2020.

[35] G. Vitry, R. Paulin, Y. Grobs a kol., "Čistenie prekurzorov oxidovanej DNA pomocou NUDT1 prispieva k vaskulárnej remodelácii pri pľúcnej arteriálnej hypertenzii," American Journal of Respiratory and Critical Care Medicine, zv. 203, č. 5, s. 614 – 627, 2021.

[36] Y. Shen, L. Zhang, S. Piao a kol., "NUDT1: potenciálny nezávislý prediktor pre prognózu pacientov s orálnym spinocelulárnym karcinómom," Journal of Oral Pathology & Medicine, zv. 49, č. 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 a Zhangsuo Liu 1,2,3,4,5

1 Oddelenie nefrológie, Prvá pridružená nemocnica univerzity Zhengzhou, Zhengzhou 450052, Čína

2 Výskumný ústav nefrológie, Univerzita Zhengzhou, Zhengzhou 450052, Čína

3 Research Center for Kidney Disease, Zhengzhou, 450052 Henan, Čína

4 kľúčové laboratórium presnej diagnostiky a liečby chronického ochorenia obličiek v provincii Henan, Zhengzhou 450052, Čína

5 Hlavná jednotka Národného centra klinického lekárskeho výskumu pre ochorenie obličiek, Zhengzhou 450052, Čína

6 Urologická klinika, Prvá pridružená nemocnica univerzity Zhengzhou, Zhengzhou 450052, Čína