Dio Ⅱ Metaboličko razumijevanje genetske disregulacije u mikrookruženju tumora karcinoma bubrega bubrega

Rezultat

1. Identifikacija diferencijalno izraženih metaboličkih gena u KIRC-u.

Da bismo istražili metaboličku disregulaciju u KIRC-u, istražili smo dostupne TCGA podatke kako bismo dobili dubok uvid u terapiju usmjerenu na metabolizam u klinici. U tu svrhu odabrali smo skup od 1916 metaboličkih gena koji su ispresijecani iz dva različita skupa podataka [16, 17] i odabrali 1100 različito eksprimiranih gena u tumoru u odnosu na normalna tkiva (dodatna tabela 2). Ovi različito eksprimirani metabolički geni su ucrtani u vulkane i toplotne mape (Slike 1(a) i 1(b)). Od 1100 različito eksprimiranih metaboličkih gena, 78 gena je pojačano regulirano, a 163 gena je bilo smanjeno. Štaviše, bilo je 859 gena koji su bili nepromijenjeni. Toplotna mapa predstavlja individualni indeks ekspresije tih diferencijalnih metaboličkih gena u tumorskim i normalnim uzorcima (Slika 1(b)). Zatim smo identifikovali prvih 10 različito eksprimiranih metaboličkih gena; među njima, ENPP3, NNMT, CYP2J2, SCD i HK2 su regulirani naviše, a HSD11B2, HMGCS2, HPD, HS6ST2 i ALDOB su regulirani naniže. Okvirni grafikoni ovih DEmG prikazani su na slici 1(c). Među pojačano regulisanim genima, ENPP3 je ~7- puta eksprimiran u tumorima. Alternativno, gen ALDOB je ~5-prestruko smanjen u analiziranim uzorcima tumora.

Pored toga, procijenili smo KEGG put i GO analize DEmG. Analiza KEGG puta je otkrila da su povećani geni značajno obogaćeni metabolizmom ugljika, HIF1 signalizacijom i glikolizom/glukoneogenezom sa većim omjerom gena (8-9 broj gena u svakom putu) (Slika 1(d)). Slično tome, među smanjenim DEmG-ovima, otkrili smo da su metabolizam ugljika i razgradnja valina, leucina i izoleucina glavni putevi na koje utječu metabolički aktivni geni (Slika 1(e)). Putevi povezani s peroksizomskom organelom također su značajno obogaćeni u smanjenoj grupi uzoraka genskih tumora. Važno je napomenuti da u poređenju sa onima u genima sa povećanom regulacijom, putevi uključeni u niže regulisane gene imaju veće značajne p vrednosti. Vrijedi spomenuti da je većina KEGG puteva obogaćenih kategorijama gena sa smanjenom regulacijom bila povezana s metabolizmom aminokiselina. Da bi se dalje secirao uključenost DEmG u tumorigenezu, izvršene su GO funkcionalne analize pojačano i niže reguliranih gena. Podijelili smo GO ontologiju u tri funkcionalne subontološke grupe, BP (biološki proces), CC (ćelijska komponenta) i MF (molekularna funkcija) (slike 1(f) i 1(g)). Osim toga, GSEA analiza je otkrila značajno povećanje obogaćivanja gena povezanih sa BENPORATH_MYC_CILJAMA_WITH_EBOX-om u tumorima, dok BROWN{{11} } MIJELOID_RAZVOJ ĆELIJA_UP, KEG_ALFA_ LINOLEN_KISELINA_METABOLIZAM, i KEGG{ {19}}ETAR_ LIPID_METABOLIZAM je negativno obogaćen. U sljedećoj fazi, konstruirali smo protein-protein interakciju PPI mrežu sa gore i dolje reguliranim DEmG. Određeni broj gena je pokazao međusobnu interakciju. Kroz interakciju ovih gena, izolovali smo hub gene. Svaki čvor je odvojen od drugog na osnovu vrijednosti stepena; dalje, izolovali smo top 7 hub gena za PPI. Također smo istražili korelaciju između ekspresije ovog čvorišta gena i kliničkopatoloških karakteristika KIRC-a u TCGA skupovima podataka.

Kliknite ovdje da saznatekoje su prednosti Cistanchea.

2. Analiza mreže otkriva osnovne metaboličke promjene u različitim ontologijama tumora.

Zatim su odabrani podaci o ekspresiji DEmG-a i korišteni kao ulazni podaci za WGCNA, koji je identificirao 6 različitih modula koekspresije koji sadrže različit broj gena za svaki modul (slika 2(a)). Povezali smo diferencijalne gene sa eksternim osobinama i identifikovali module koji su značajno povezani sa kliničkim osobinama (slika 2(b)). Na osnovu koeficijenta korelacije utvrdili smo da su MEtirkizni moduli negativno korelirali sa statusom preživljavanja. Analize obogaćivanja GO i KEGG puta su izvedene korišćenjem gena iz ovih modula (Slike 2(c) i 2(d)). Najviše obogaćeni KEGG putevi bili su razgradnja valina, leucina i izoleucina; metabolizam ugljika; metabolizam propanoata; metabolizam masnih kiselina; razgradnja masnih kiselina; metabolizam peroksisoma i butanoata; metabolizam glioksilata i dikarboksilata; i metabolizam triptofana (slika 2(c)). Geni koji se odnose na termine BP bili su pretežno obogaćeni kataboličkim procesima malih molekula, karboksilne kiseline i organske kiseline. Geni koji se odnose na CC termine uglavnom su obogaćeni u mitohondrijskom matriksu. Diferencijalno eksprimirani geni vezani za MF su uglavnom obogaćeni vezivanjem koenzima (slika 2(d)). Osim toga, izvršili smo analizu preživljavanja 8 gena u modulu preživljavanja. Pacijenti sa višom ekspresijom ACADSB, PANK1, SLC25A4, PCCA, HADH, AUH, ACAT1 i ALDH6A1 imali su dužu stopu preživljavanja od onih sa nižom ekspresijom ovih gena (p=0) (Slike 2(e)–2( l)).

3. Grupisanje pacijenata KIRC-a.

Odabrali smo vrhunske DEmG za klaster analizu; KIRC pacijenti su grupisani u tri klastera na osnovu diferencijalne ekspresije metaboličkih gena. Slika 3(a) prikazuje toplotne karte DEmG kod pacijenata KIRC. Skala boja pokazuje vrijednost ekspresije (svjetloplava označava nižu vrijednost ekspresije; tamnoplava označava veće vrijednosti ekspresije gena).

KM krive su nacrtane da bi se uporedilo ukupno preživljavanje tri klastera za KIRC pacijente. Ukupne stope preživljavanja značajno su se razlikovale u tri klastera (p < {{0}}:01 Slika 3(b)). Klaster 1 pokazao je lošiju stopu preživljavanja u poređenju sa Klasterom 2 i Klasterom 3. Stopa preživljavanja PFS-a se također značajno razlikovala među 3 klastera (p < 0:001, Slika 3(c)), a klaster 1 je pokazao lošiju stopu preživljavanja PFS-a u poređenju sa klasterom 2 i klasterom 3.

Različite boje u našem modelu predstavljaju kliničke parametre i osnovne patološke faze (Slika 3(d)). Klaster 3 ima niže Mo omjere i višu vrijednost M1 u poređenju sa klasterima 1 i 2 što ukazuje na veće metastaze raka i napredniji stadijum tumora u klasteru 3 od klastera 1 i 2. Slično, u klasteru 3, rak se više proširio na limfne čvorove (veći N1) u poređenju sa onima u klasterima 1 i 2. Većina pacijenata sa KIRC-om je dijagnostikovana u stadijumima III i IV (Slike 3(e) i 3(f)), što ukazuje na veće ili proširene tumore, kao i kretanje kroz krvnog ili limfnog sistema u udaljenu regiju u tijelu.

4. Imuni status tri klastera.

Koristili smo algoritam ESTIMATE za procjenu stromalnih i imunoloških rezultata serije KIRC tkiva na osnovu njihovih metaboličkih transkripcijskih profila (Slika 4(a)). Kasnije su ovi rezultati uzeti u obzir da bi se razvio potpis metaboličkih gena zasnovan na stromalno-imunom rezultatu za stratifikaciju prognoze u KIRC-u. Kao što je prikazano na slici 4(a), tri klaster grupe (C1, C2 i C3) su stratificirane u kutijastim dijagramima na osnovu njihovog stromalnog imunog rezultata. Među tri klastera, C1 je pokazao veći značajan rezultat u stromalnim i imunološkim klasifikacijama.

Nadalje, CIBERSORT je analizirao tri klastera sa p-vrijednošću < 0.1 (Slika 4(b)). Čistoća tumora, imuni skor i stromalni skor zajedno sa patološkim stadijumima 3 klastera prikazani su na vrhu toplotne mape. U ovoj analizi smo uglavnom otkrili da su regulatorne T ćelije (Tregovi) obogaćene klasterom C1, a pacijenti u C1 su uglavnom bili u patološkim stadijumima III i IV. Štaviše, aktivirane NK ćelije, CD8 plus T ćelije, T folikularne pomoćne ćelije i M0 makrofagi u C1 klasteru; CD8 plus T ćelije i T folikularne pomoćne ćelije u C2 klasteru; i mastociti u mirovanju, M2 makrofagi, CD4 T ćelije u mirovanju, monociti, naivne B ćelije i M1 makrofagi u C3 klasteru su takođe otkriveni (Slika 4(b)).

Osim CIBERSORT-a, koristili smo i druge algoritamske pakete za provjeru statusa imunološke infiltracije. Hijerarhijska toplotna mapa MCP analize prikazana je na slici 4(c). Ključni nalazi MCP analize bili su infiltracija neutrofila i infiltracija endotelnih ćelija u klasteru C3 koji je nedostajao u klasteru C1. Ova analiza je također otkrila NK ćeliju, monocitnu lozu i infiltraciju mijeloidnih dendritičnih stanica u klasteru C3. Ostale populacije imunih ćelija pomešane su u tri analizirana klastera (Slika 4(c)).

Da bismo upotpunili CIBERSORT i MCP analize, primijenili smo ssGSEA za kvantificiranje nivoa infiltracije za tipove imunoloških ćelija implementiranih u R paketu GSVA. Podaci o tri klastera su ubačeni u ssGSEA paket i dobijeno je bogatstvo od 28 ćelija i tipova povezanih sa imunitetom u KIRC uzorcima. Rezultati su otkrili da C1 i C2 imaju više imunološke infiltracije; neke urođene imunološke ćelije, uključujući NK, neutrofile i eozinofile, pomiješane su u 3 klastera (Slika 4(d)).

5. Izgradnja i validacija modela predviđanja zasnovanog na DEmG.

Konačno, konstruisali smo i potvrdili model predviđanja zasnovan na diferencijalnoj ekspresiji metaboličkih gena. Izračunali smo imunološki rezultat rizika od DEmG na osnovu ukupnog preživljavanja. U tu svrhu osmislili smo dvije grupe za procjenu korelacije skora rizika; jedan je za kohortu za obuku, a drugi za kohortu za testiranje. Otkrili smo da je ukupno preživljavanje bilo nisko i raštrkano po skoru rizika (Slike 5(a) i 5(b)). Zatim, na osnovu srednjeg skora rizika, dodijelili smo KIRC pacijente u grupe visokog i niskog rizika za dalju evaluaciju. Zatim smo izvršili analizu preživljavanja ove dvije rizične grupe u kohortama za obuku i testiranje. Kao što se i očekivalo, utvrđeno je da grupe visokog rizika imaju nisko preživljavanje u poređenju sa grupama niskog rizika (Slike 5(c) i 5(d)). Nadalje, izvršena je analiza ROC krive za kohorte za obuku i testiranje. Primetili smo ROC skor od 0,68 za 5 godina u kohortama za testiranje, što ukazuje na dobar učinak u predviđanju prognoze KIRC-a (Slike 5(e) i 5(f)). Uz analizu ROC krivulje, također smo izvršili LASSO COX regresijski model kako bismo potvrdili naš prognostički model kako je naznačeno djelomičnom devijacijom vjerovatnoće (dodatna slika 5(a)) i koeficijentom regresije DEmGs (dodatna slika 5(b)). Na kraju, predviđeno je da pet gena (ABCG1, CRYL1, FDX1, PANK1 i SLC44A) budu potencijalni prognostički faktori sa HR < 1 (dodatna slika 5(c)).

6. Osnovni mehanizmi napredovanja KIRC-a.

Da bismo dalje istražili osnovni mehanizam za progresiju KIRC-a, sproveli smo analizu diferencijalne ekspresije među svim klasterima i koristili grafikon toplotne mape za vizualizaciju rezultata (Slika 6(a)). Da bismo identificirali signalne puteve DEmG-a, izvršili smo KEGG i GO analize obogaćivanja DEG-ova u tri klastera. Ukratko, ovi rezultati su otkrili da su DEG tri klastera uglavnom obogaćeni fokalnom adhezijom, Foxo signalnim putem i Apelin signalnim putem za klaster C3 i apsorpcijom minerala, formiranjem ekstracelularne zamke neutrofila i infekcijom stafilokoka aureus za klaster C2 (Slika 6. (b)). Osim toga, GO funkcionalna analiza DEG-ova otkrila je ontologije povezane s MF-, CC- i BP prikazane na slici 6(c). Zanimljivo je da je diferencijalna analiza ekspresije otkrila abnormalno ponašanje regulacije gena u tri klastera. Uglavnom, NUDT1 je bio visoko izražen u C1, koji je imao najgore preživljavanje. Dalje istraživanje je otkrilo da je ekspresija NUDT1 značajno smanjena kroz progresiju od C1 do C3 (Slika 6(d)). Štaviše, otkriveno je da je NUDT1 pojačan u KIRC uzorcima tumora (Slika 6(e)). Zatim smo istakli ekspresiju NUDT1 u svakom stadijumu tumora (Slika 6(f)). Analizu ukupnog preživljavanja također je izvršio Kaplan-Meier ploter i otkrili smo da pacijenti sa većom ekspresijom NUDT1 imaju lošije ukupno preživljavanje (HR=1:82 (1.34–2.48), log-rank p {{27} }:00012) (Slika 6(g)).

Na kraju, izvršili smo KEGG i GO analize funkcionalnog obogaćivanja za gene koji su u interakciji sa NUDT1. Geni su podijeljeni u dvije grupe – pozitivno korelirani sa NUDT1 i negativno povezani sa NUDT1. Analiza KEGG puta je pokazala da su pozitivno korelirani geni uglavnom obogaćeni u ribosomskom putu, Huntingtonovoj bolesti, amiotrofičnoj lateralnoj sklerozi i Alchajmerovoj bolesti. S druge strane, negativno korelirani geni su obogaćeni uglavnom hepatitisom B i Foxo signalizacijom (slika 6(h)). Štaviše, GO ontologija tri različite grupe MF, CC i BP i za pozitivno i za negativno korelirane gene prikazana je na slici 6(i). Osim toga, otkrili smo da je ekspresija NUDT1 u visokoj korelaciji s infiltracijom imunoloških stanica (dopunska slika 6) i različitim kliničkim karakteristikama KIRC pacijenata (tabela 1).

Cistanche suplementi

7. Gubitak NUDT1 inhibira proliferaciju i migraciju ćelija raka bubrega.

Zatim smo uporedili nivo ekspresije NUDTI u KIRC tkivima i njima povezanim normalnim tkivima, što je otkrilo da je NUDT1 visoko eksprimiran u KIRC tkivima (Slika 7(a)). Nadalje, utvrdili smo efekte gubitka NUDT1 na ćelijske linije raka bubrega korištenjem inhibicije posredovane siRNA. NUDT1 je bio ciljana za uništavanje siRNA u dvije ćelijske linije 786-O i ACHN, a nivoi NUDT1 mRNA su uspješno inhibirani kao što je dokazano qPCR analizom (Slika 7(b)). Nakon uništavanja NUDT1 posredovanog siRNA, test vitalnosti ćelije pokazao je smanjenu vitalnost ćelija u obe ćelijske linije (Slike 7(c) i 7(d)). Nakon toga, test migracije ćelija nakon uništavanja NUDT1 pokazao je značajno smanjenu migraciju ćelija u NUDT1-osiromašenim 786-O i ACHN ćelijama (Slike 7(e) i 7(f)). Kapacitet migracije 786-O ćelija smanjen je na oko 50 posto, a smanjenje od 70 posto je uočeno u ACHN ćelijama nakon NUDT1 nokdauna (slika 7(f)). Ćelijska invazija je takođe inhibirana u obe ćelijske linije kada je NUDT1 gen oboren (Slike 7(g) i 7(h)). Da bismo upotpunili migraciju, također smo izveli test zacjeljivanja rana kada je NUDT1 iscrpljen iz 786-O i ACHN ćelijskih linija i primijetili smo slične rezultate smanjene sposobnosti zacjeljivanja rana u obje ćelijske linije kojima nedostaje NUDT1 (Slike 7(l)– 7(n)). Na osnovu ovih rezultata, pretpostavili smo da gubitak NUDT1 može dovesti do apoptoze u ćelijama raka bubrega. Stoga smo izmjerili postotak apoptotičkih ćelija nakon utišavanja NUDT1. Zanimljivo je da smo otkrili da je procenat apoptotičkih ćelija značajno povećan u ćelijama osiromašenim NUDT1-(slike 7(i)–7(k)).

Diskusija

Karcinom renalnih ćelija bubrega (KIRC) jedan je od najčešćih karcinoma u svijetu, generalno ne pokazuje rane simptome dok tumor ne postane dovoljno velik; stoga je stopa mortaliteta relativno visoka [18–20]. Stoga je neophodno istražiti karcinogenezu KIRC-a i identificirati korisne biomarkere za njegovu ranu dijagnozu. Međutim, do sada je utvrđeno ograničeno znanje o patogenezi i karcinogenezi KIRC-a. Osim toga, nije potvrđeno mnogo molekularnih markera za kliničku praksu. Napredna tehnologija sekvenciranja visoke propusnosti i bioinformatičke tehnologije omogućavaju odabir učinkovitih biomarkera [21]. Podaci o sekvenciranju RNK i kliničke napomene za više od pet stotina KIRC slučajeva su besplatno dostupni u bazi podataka TCGA. Koristeći ove slobodno dostupne podatke iz TCGA, analizirali smo podatke o sekvenci RNA za različito eksprimirane metaboličke gene u uzorcima tumora naspram normalnih tkiva. Među pojačano i niže regulisanim genima, identifikovali smo 10 najboljih diferencijalno eksprimiranih metaboličkih gena (DEmG). Vjerujemo da metabolički geni imaju različite funkcije u KIRC-u; ipak, pronalaženje odgovarajućih dijagnostičkih i terapijskih markera moglo bi biti izazov iz skupa gena sa raznolikim funkcijama.

Ranije su studije procijenile infiltraciju imunoloških stanica u mikrookruženje tumora nekoliko vrsta raka. Proučavana je veza između tumorskih imunih ćelija i angiogeneze u podacima KIRC uzoraka dobijenih iz TCGA, a RFX2, SOX13 i THRA su identifikovani kao tri najbolja MTF-a u regulaciji angiogeneznog potpisa kod KIRC pacijenata [4]. Štaviše, dva nezavisna obrasca modifikacije m6A kontrolišu biološke funkcije, imunološke karakteristike i prognoze KIRC-a [22]. Protein 5 povezan sa autofagijom (ATG5) povezan je s progresijom nekoliko karcinoma uključujući KIRC [23]. U trenutnoj analizi, neki od različito eksprimiranih gena uključujući PBRM1, SET2, VHL i BAP1 pokazali su značajnu korelaciju s metaboličkim putevima u KIRC podacima. Radi daljeg dubljeg istraživanja, grupisali smo pacijente na osnovu DEmG; klaster 1 je pokazao lošiju ukupnu stopu preživljavanja u poređenju sa drugim klasterima; U svakom slučaju, KIRC pacijenti u klasteru 3 imaju uznapredoval stadijum tumora i imaju visoke limfne čvorove (veći N1) u poređenju sa onima u klasterima 1 i 2, pokazujući metastaze raka i širenje tumora u klasteru 3. Pokazuje manji broj metaboličkih gena u klasterima povezanim sa metastazama raka.

Osim toga, rezultati imunološke infiltracije u različitim klasterima pokazuju C1 s visokim ocjenama u stromalnim i imunološkim klasifikacijama. Važno je napomenuti da pacijenti sa C1 u patološkim stadijumima III i IV imaju visoku infiltraciju T ćelija zajedno sa CD8 plus T ćelijama, T folikularnim pomoćnim ćelijama i makrofagima. Uz to ima i obilje Tregova. Tregovi imaju vitalnu ulogu u imunološkoj toleranciji i homeostazi [24]. Kod mnogih karcinoma kao što su rak debelog crijeva, rak dojke i rak gušterače, povećani postotak Tregs-a je povezan s lošom prognozom raka [25, 26]. M0 makrofag indukuje invaziju i proliferaciju ćelija [27], a povišeni nivoi makrofaga su povezani sa lošom prognozom u RCC [28]. Isto tako, CD8 plus T ćelije su poznate kao ključne antitumorske ćelije i najbolji izbor za ciljanu terapiju ćelija imunog sistema za rak [29]. Iako C1 ima najveću infiltraciju CD8 plus T ćelija od ostalih klastera, imao je najgore ukupno preživljavanje.

Herba Cistanche

Koristili smo tri metode CIBERSORT, MCP i ssGSEA za proučavanje infiltracije imunoloških ćelija u mikrookruženju KIRC tumora. Tradicionalna metoda za mjerenje imunološke infiltracije tumora je kroz histologiju na dijelovima tkiva i imunološkim podskupovima na osnovu imunohistohemije pojedinačnih markera. Međutim, postoji nekoliko ograničenja u kojima imunohistohemija ne može identificirati mnoge imunološke populacije i ima loš učinak u hvatanju funkcionalnih fenotipova (npr. aktivirani u odnosu na limfocite u mirovanju). Stoga smo koristili CIBERSORT, računski pristup koji je razvio [30] koji se bavi izazovima s kojima se suočava imunohistohemija. Osim CIBERSORT-a, koristili smo i druge algoritamske pakete za provjeru statusa imunološke infiltracije. To je zato što CIBERSORT mjeri samo proporcije populacija imunoloških ćelija unutar uzorka koje se mogu razriješiti drugim paketom kao što je MCP-brojač koji može procijeniti populaciju ćelija u izobilju što omogućava poređenje infiltrirajućih ćelija u mikrookruženju tumora među uzorcima [31]. Da bismo dopunili CIBERSORT i MCP analize, primijenili smo ssGSEA za kvantifikaciju nivoa infiltracije za tipove imunoloških ćelija implementiranih u R paketu GSVA [32, 33]. GSA je metoda zasnovana na rangu koja izračunava prekomjernu ekspresiju za listu interesa gena u odnosu na sve druge gene u genomu. CIBERSORT je pokazao bolje rezultate u odnosu na druge dvije metode; stoga su dalje analize izvršene na osnovu podataka dobijenih od CIBERSORT-a.

Štaviše, fokusirali smo se na osnovni mehanizam progresije KIRC-a analizom diferencijalne ekspresije zasnovanom na RNA-seq podacima. Sve u svemu, ciljali smo na abnormalnu diferencijalnu ekspresiju zajedničkih gena između tri klastera. Većina gena je bila smanjena, osim NUDT1 u C1; međutim, njegova ekspresija je značajno smanjena kroz progresiju od C1 do C3. Stoga je NUDT1 dodatno potvrđen za svoju ulogu u napredovanju KIRC-a. Inhibicija ekspresije NUDTI gena posredovana siRNA u dvije KIRC ćelijske linije (786-O i ACHN) smanjila je vitalnost i migraciju ćelija i povećala apoptozu, što potvrđuje njegovu ulogu u progresiji tumora. Ranije je objavljeno da je nivo ekspresije NUDT1 u korelaciji sa gradom tumora, stadijumom, veličinom, diferencijacijom, stepenom vaskularne invazije, ukupnim preživljavanjem (OS) i preživljavanjem bez bolesti (DFS) kod pacijenata sa HCC, takođe predviđenim kao prognostički marker sa terapijskim potencijalom kod pacijenata sa HCC [34]. Prekomjerna ekspresija NUDT1 u plućnoj arterijskoj hipertenziji smanjuje oksidativni stres i oštećenje DNK, čime potiče proliferaciju stanica i smanjuje apoptozu [35]. Pokazalo se da pacijenti sa oralnim skvamoznim karcinomom (OSCC) koji imaju visoku ekspresiju NUDT1 pokazuju lošu stopu preživljavanja [36]. Na osnovu činjenice da nema dovoljno literature o ulozi NUDTI-ja u raku i da do sada nijedna studija nikada nije prijavila njegovu ulogu u KIRC-u, stoga po prvi put izvještavamo o ulozi NUDTI-ja u napredovanju KIRC-a. Trenutna studija je imala neka ograničenja; iako je naše istraživanje otkrilo da bi potpis mogao biti povezan s imunoterapijom KIRC-a, efikasnost potpisa nije mogla biti potvrđena zbog nedostatka podataka, potencijalnih temeljnih mehanizama i funkcionalne uloge NUDT1 u KIRC-u i kliničkoj praksi potrebno je dalje istraživanje.

Cistanche tubulosa

Zaključci

Pregledali smo disregulirane metaboličke gene između normalnog i tumorskog tkiva i istražili njihovu funkciju. WGCNA analiza je identifikovala grupu gena u korelaciji sa statusom preživljavanja KIRC-a. Konsenzus grupiranje zasnovano na genima vezanim za preživljavanje pokazalo je tri klastera sa različitim stopama preživljavanja i obrascima imunološke infiltracije. NUDT1 je u negativnoj korelaciji sa preživljavanjem, a dalje analize su otkrile da nokdaun NUDT1 inhibira proliferaciju i migraciju tumorskih ćelija. Treba napomenuti da je model predviđanja konstruisan na osnovu gena vezanih za preživljavanje, koji je pokazao visoku efikasnost u predviđanju preživljavanja KIRC-a. U zaključku, izvršili smo iscrpnu analizu metaboličkih gena u KIRC-u i identificirali NUDT1 kao onkogen koji bi se mogao koristiti kao terapeutski i prognostički cilj.

Utjecaj ekstrakta Cistanche na transparentnost bubrega

Postoje ograničeni naučni dokazi o učinku Cistanchea na transparentnost bubrega. Međutim, neke studije sugeriraju da ekstrakt Cistanchea može imati pozitivan utjecaj na zdravlje bubrega.

Bubrezi su odgovorni za filtriranje otpada i toksina iz tijela, a njihovo zdravlje je bitno za cjelokupno dobrobit. Istraživanja su pokazala da ekstrakt Cistanchea ima moćna antioksidativna i protuupalna svojstva, koja mogu pomoći u zaštiti od oksidativnog stresa i upale u bubrezima.

U tradicionalnoj kineskoj medicini, Cistanche se također koristi za toniziranje bubrega i poboljšanje njihove funkcije. Neki praktičari vjeruju da redovna konzumacija ekstrakta Cistanchea može pomoći u poboljšanju transparentnosti bubrega, iako ova tvrdnja nije potkrijepljena snažnim kliničkim istraživanjima.

Stoga su potrebna rigoroznija istraživanja kako bi se u potpunosti razumjele potencijalne prednosti ekstrakta Cistanchea na transparentnost bubrega. Bez obzira na to, kao i kod bilo kojeg dijetetskog suplementa ili alternativne terapije, važno je da se posavjetujete sa zdravstvenim radnikom prije nego što unesete nove dodatke u svoju prehranu, posebno ako imate već postojeća medicinska stanja.

Reference

[18] RL Siegel, KD Miller i A. Jemal, "Statistika raka, 2019.", CA: Journal of Cancer for Clinicians, vol. 69, br. 1, str. 7–34, 2019.

[19] RL Siegel, KD Miller, HE Fuchs, i A. Jemal, "Statistika raka, 2021.", CA: Journal of Cancer for Clinicians, vol. 71, br. 1, str. 7–33, 2021.

[20] JC Angulo i O. Shapiro, "Promjenjivi terapeutski krajolik metastatskog raka bubrega", Cancers, vol. 11, br. 9, str. 1227, 2019.

[21] AK Sharma, "Ponovni trendovi u otkrivanju biomarkera: lakoća prognoze i predviđanja raka," Seminars in Cancer Biology, vol. 52, dio 1, str. iii–iv, 2018.

[22] H. Li, J. Hu, A. Yu et al., "RNA modifikacija N6- metiladenozina predviđa imune fenotipove i terapeutske mogućnosti kod karcinoma renalnih ćelija bubrega," Frontiers in Oncology, vol. 11, član 642159, 2021.

[23] C. Xu, Y. Zang, Y. Zhao, et al., "Sveobuhvatna analiza pan-kancera je potvrdila da ATG5 promovira održavanje metabolizma tumora i pojavu imunološkog bijega tumora", Frontiers in Oncology, vol. 11, član 652211, 2021.

[24] Y. Takeuchi i H. Nishikawa, "Uloge regulatornih T ćelija u imunitetu protiv raka", International Immunology, vol. 28, br. 8, str. 401–409, 2016.

[25] C. Zhuo, Y. Xu, M. Ying, et al., "FOXP3 plus Tregs: heterogeni fenotipovi i konfliktni uticaji na ishode preživljavanja kod pacijenata sa kolorektalnim karcinomom", Immunologic Research, vol. 61, br. 3, str. 338–347, 2015.

[26] H. Wang, F. Franco i PC Ho, "Metabolička regulacija Tregs kod raka: mogućnosti za imunoterapiju", Trends Cancer, vol. 3, br. 8, str. 583–592, 2017.

[27] BZ Qian i JW Pollard, "Različitost makrofaga poboljšava progresiju tumora i metastaze", Cell, vol. 141, br. 1, str. 39–51, 2010.

[28] A. Hajiran, N. Chakiryan, AM Aydin, et al., "Rekognosciranje prostorne heterogenosti tumorskog imunološkog mikrookruženja u metastatskom karcinomu bubrežnih ćelija i korelacija sa odgovorom imunoterapije," Clinical and Experimental Immunology, vol. 204, br. 1, str. 96–106, 2021.

[29] B. Farhood, M. Najafi i K. Mortezaee, "CD8( plus) citotoksični T limfociti u imunoterapiji raka: pregled," Journal of Cellular Physiology, vol. 234, br. 6, str. 8509–8521, 2019.

[30] AM Newman, CL Liu, MR Green, et al., "Robustno nabrajanje podskupova ćelija iz profila ekspresije tkiva", Nature Methods, vol. 12, br. 5, str. 453–457, 2015.

[31] E. Becht, NA Giraldo, L. Lacroix, et al., "Procjena brojnosti populacije imunoloških i stromalnih stanica koje infiltriraju tkivo korištenjem ekspresije gena", Genome Biology, vol. 17, br. 1, str. 218, 2016.

[32] DA Barbie, P. Tamayo, JS Boehm, et al., "Sistematska RNA interferencija otkriva da onkogeni KRAS vođeni karcinomi zahtijevaju TBK1," Nature, vol. 462, br. 7269, str. 108–112, 2009.

[33] S. Hanzelmann, R. Castelo i J. Guinney, "GSVA: analiza varijacije genskog skupa za podatke o mikromrežu i RNA-seq", BMC Bioinformatics, vol. 14, br. 1, 2013.

[34] Q. Ou, N. Ma, Z. Yu et al., "Nudix hidrolaza 1 je prognostički biomarker u hepatocelularnom karcinomu," Starenje, vol. 12, br. 8, str. 7363–7379, 2020.

[35] G. Vitry, R. Paulin, Y. Grobs, et al., "Oksidirano čišćenje prekursora DNK pomoću NUDT1 doprinosi vaskularnom remodeliranju u plućnoj arterijskoj hipertenziji," American Journal of Respiratory and Critical Care Medicine, vol. 203, br. 5, str. 614–627, 2021.

[36] Y. Shen, L. Zhang, S. Piao, et al., "NUDT1: potencijalni nezavisni prediktor za prognozu pacijenata sa oralnim skvamoznim karcinomom", Journal of Oral Pathology & Medicine, vol. 49, br. 3, str. 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 i Zhangsuo Liu 1,2,3,4,5

1 Odsjek za nefrologiju, Prva pridružena bolnica Univerziteta Zhengzhou, Zhengzhou 450052, Kina

2 Istraživački institut za nefrologiju, Univerzitet Zhengzhou, Zhengzhou 450052, Kina

3 Istraživački centar za bubrežne bolesti, Zhengzhou, 450052 Henan, Kina

4 Ključna laboratorija za preciznu dijagnozu i liječenje kronične bubrežne bolesti u provinciji Henan, Zhengzhou 450052, Kina

5 Osnovna jedinica Nacionalnog kliničkog medicinskog istraživačkog centra za bubrežne bolesti, Zhengzhou 450052, Kina

6 Odsjek za urologiju, Prva pridružena bolnica Univerziteta Zhengzhou, Zhengzhou 450052, Kina