基于骨肉瘤核心驱动基因筛选的生物信息学分析和患者生存期预测基因模型的构建

doi:10.13481/j.1671-587X.20210631

吉林大学学报(医学版) ›› 2021, Vol. 47 ›› Issue (6): 1570-1580.doi: 10.13481/j.1671-587X.20210631

基于骨肉瘤核心驱动基因筛选的生物信息学分析和患者生存期预测基因模型的构建

李苇航¹,丁子毅¹,王栋¹,潘益凯²,刘玉辉³,张世磊¹,李靖¹,闫铭¹()

^1.中国人民解放军空军军医大学西京医院骨科，陕西西安 710032
^2.中国人民解放军空军军医大学航空航天医学系航空航天医学训练教研室，陕西西安 710032
^3.中国人民解放军空军军医大学航空航天医学系航空航天临床医学中心教育部航空航天医学重点实验室，陕西西安 710032

收稿日期:2021-04-20 出版日期:2021-11-28 发布日期:2021-12-14
通讯作者: 闫铭 E-mail:yanming_spine@163.com
作者简介:李苇航（1997－），男，陕西省西安市人，在读硕士研究生，主要从事骨肿瘤和失重等方面的研究。
基金资助:
国家自然科学基金面上项目(82072475)

Bioinformatics analysis based on screening of core driving genes in osteosarcoma and construction of gene model for prediction of survival time of patients

Weihang LI¹,Ziyi DING¹,Dong WANG¹,Yikai PAN²,Yuhui LIU³,Shilei ZHANG¹,Jing LI¹,Ming YAN¹()

^1.Department of Orthopaedics，Xijing Hospital，Air Force Medical University，Xi’an 710032，China
^2.Department of Aerospace Medical Training，School of Aerospace Medicine，Air Force Medical University，Xi’an 710032，China
^3.School of Aerospace Medicine，Center of Clinical Aerospace Medicine，Key Laboratory of Aerospace Medicine of Ministry of Education，Air Force Medical University，Xi’an 710032，China

Received:2021-04-20 Online:2021-11-28 Published:2021-12-14
Contact: Ming YAN E-mail:yanming_spine@163.com

摘要/Abstract

摘要： 目的

筛选骨肉瘤（OS）发生发展的核心驱动基因，从分子水平探讨OS的致病机制，并构建基因模型用于患者生存期的预测。

方法

采用基因表达汇编（GEO）数据库下载OS芯片对应矩阵数据GSE12865、GSE14359和GSE36001。采用生物信息学方法筛选OS与正常组织的差异表达基因（DEGs）。通过基因本体论（GO）、京都基因和基因组百科全书（KEGG）分析全面了解DEGs富集的分子功能及通路，采用STRING数据库构建蛋白-蛋白相互作用（PPI）网络，采用Cytoscape软件对DEGs进行相关性分析，找出与OS进展最相关的基因集，明确OS核心致病基因。采用肿瘤基因组图谱（TCGA）数据库下载OS的379个样本相关的临床记录信息和转录组数据，进行Kaplan-Meier（K-M）生存分析以进一步明确和验证核心基因与OS患者预后之间的关系，并寻找性别和种族等与预后相关的因素。对6个基因特征集的表达量进行建模以预测OS患者的生存时间。

结果

MCC算法获得的排名前十的DEGs为TYROBP、LAPTM5、FCER1G、CD74、HCLS1、ARHGDIB、HLA-DPA1、CD93、GIMAP4和LYZ，其表达水平在骨肉瘤患者与正常患者中比较差异有统计学意义（P<0.05）。GO和KEGG分析，DEGs在PI3K-AKT和Notch信号通路显著富集。K-M生存分析，6个基因（ARHGDIB、CD74、FCER1G、HCLS1、HLA-DPA1和TYROBP）表达量更低的OS患者较高表达患者的总生存时间更长（P<0.05）。由该6个基因组成的基因集在预测模型的构建中C指数为0.71。

结论

筛选出的OS的核心驱动基因高表达与OS的发生发展相关。OS发生发展的异常信号通路为PI3K-AKT和Notch信号通路。6个核心驱动基因组成OS的特征基因集构建的预测模型有良好的预测能力。

关键词: 骨肉瘤, 癌症基因组图谱数据库, 分子机制, 肿瘤标志物, 肿瘤预后模型

Abstract: Objective

To screen the core driving genes of the occurrence and development of osteosarcoma （OS）， and to explore the pathogenic mechanism of OS at the molecular level as well as to construct the gene model to predict the survival time of the OS patients.

Methods

The matrix data of gene chips in OS patients were downloaded from the Gene Expression Omnibus （GEO） database： GSE12865，GSE14359 and GSE36001.The differentially expressed genes （DEGs） between the normal tissue and OS tissue were screened through the bioinformatic method. The molecular functions and pathways of DEGs were comprehensively understood through Gene Ontology （GO） and Kyoto Encyclopedia of Genes and Genomes （KEGG） analysis. The protein-protein interaction （PPI） network was constructed by STRING data， and Cytoscape software was conducted to analyze the correlation between DEGs to identify the most related gene set in the progression of OS as well as to figure out the core pathogenic genes of OS. The clinical record information and transcriptome data of 379 samples of OS were obtained from The Cancer Genome Atlas （TCGA） database， and Kaplan-Meier （K-M） survival analysis was further performed to clarify the relationship between hub genes and survival time of the OS patients， then other factors related to prognosis such as gender and race were searched and discussed. The expression amounts of 6 gene sets were modeled to predict the survival time of the patients.

Results

The top ten DEGs analyzed by MCC algorithm were TYROBP， LAPTM5， FCER1G， CD74， HCLS1， ARHGDIB， HLA-DPA1， CD93， GIMAP4， and LYZ，and the expression difference in these 10 DEGs between OS and normal patients showed statistical significance （P<0.05）.The GO and KEGG results revealed that the DEGs were chiefly enriched in PI3K-AKT and Notch signaling pathways.The K-M survival analysis results demonstrated that the OS patients with lower expressions of 6 genes （ARHGDIB， CD74， FCER1G， HCLS1， HLA-DPA1， and TYROBP） had longer overall survival time than those with higher expressions （P<0.05）. The C-index of the gene set composed of these 6 genes in the construction of prediction model was 0.71.

Conclusion

The high expressions of screened core driving genes are correlated with the occurrence and development of OS.The abnormal signaling pathways of occurrence and development of OS are PI3K-AKT and Notch signal pathways. The prediction model constituted by 6 characteristic gene sets of OS possesses a good predictive ability.

Key words: osteosarcoma, The Cancer Genome Atlas, molecular mechanism, tumor biomarker, tumor prognostic model

中图分类号:

R738.1

李苇航,丁子毅,王栋,潘益凯,刘玉辉,张世磊,李靖,闫铭. 基于骨肉瘤核心驱动基因筛选的生物信息学分析和患者生存期预测基因模型的构建[J]. 吉林大学学报(医学版), 2021, 47(6): 1570-1580.

Weihang LI,Ziyi DING,Dong WANG,Yikai PAN,Yuhui LIU,Shilei ZHANG,Jing LI,Ming YAN. Bioinformatics analysis based on screening of core driving genes in osteosarcoma and construction of gene model for prediction of survival time of patients[J]. Journal of Jilin University(Medicine Edition), 2021, 47(6): 1570-1580.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 35

1	GDOWSKI A S， RANJAN A， VISHWANATHA J K. Current concepts in bone metastasis， contemporary therapeutic strategies and ongoing clinical trials［J］. J Exp Clin Cancer Res， 2017， 36： 108.
2	MESSERSCHMITT P J， GARCIA R M， ABDUL-KARIM F W， et al. Osteosarcoma［J］. J Am Acad Orthop Surg， 2009， 17（8）： 515-527.
3	LIN Y H， JEWELL B E， GINGOLD J， et al. Osteosarcoma： molecular pathogenesis and iPSC modeling［J］. Trends Mol Med， 2017， 23（8）： 737-755.
4	LI W， YUAN B， ZHAO Y， et al. Transcriptome profiling reveals target in primary myelofibrosis together with structural biology study on novel natural inhibitors regarding JAK2［J］. Aging （Albany NY），2021，13（6）： 8248-8275.
5	何远，张丽娜，朱兴文. 大数据技术在生物信息学中的应用综述［J］. 软件导刊， 2016， 15（4）： 147-148.
6	GAUTIER L， COPE L， BOLSTAD B M， et al. Affy： analysis of Affymetrix GeneChip data at the probe level［J］. Bioinformatics， 2004， 20（3）： 307-315.
7	COLAPRICO A， SILVA T C， OLSEN C， et al. TCGAbiolinks： an R/Bioconductor package for integrative analysis of TCGA data［J］. Nucleic Acids Res， 2016， 44（8）： e71.
8	DENNIS G， SHERMAN B T， HOSACK D A， et al. DAVID： database for annotation， visualization， and integrated discovery［J］. Genome Biol， 2003， 4（5）： P3.
9	SZKLARCZYK D， GABLE A L， LYON D， et al. STRING v11： protein-protein association networks with increased coverage， supporting functional discovery in genome-wide experimental datasets［J］. Nucleic Acids Res， 2019， 47（d1）： D607-D613.
10	CHIN C H， CHEN S H， WU H H， et al. cytoHubba： identifying hub objects and sub-networks from complex interactome［J］. BMC Syst Biol， 2014， 8（）： S11.
11	ARNDT C A， ROSE P S， FOLPE A L， et al. Common musculoskeletal tumors of childhood and adolescence［J］. Mayo Clin Proc， 2012，87（5）： 475-487.
12	SAMPO M， KOIVIKKO M， TASKINEN M， et al. Incidence， epidemiology and treatment results of osteosarcoma in Finland - a nationwide population-based study［J］. Acta Oncol， 2011， 50（8）： 1206-1214.
13	PICCI P. Osteosarcoma （osteogenic sarcoma）［J］. Orphanet J Rare Dis， 2007， 2： 6.
14	XI L， ZHANG Y F， KONG S N， et al. miR-34 inhibits growth and promotes apoptosis of osteosarcoma in nude mice through targetly regulating TGIF₂ expression［J］. Biosci Rep， 2018， 38（3）：BSR20180078.
15	LUETKE A， MEYERS P A， LEWIS I， et al. Osteosarcoma treatment - Where do we stand？ A state of the art review［J］. Cancer Treat Rev， 2014， 40（4）： 523-532.
16	任娟，徐叶峰，匡唐洪，等. 104例骨肉瘤肺转移患者的预后及其影响因素［J］.中华肿瘤杂志， 2017，39（4）： 263-268.
17	YANG L， LI W， ZHAO Y， et al. Computational study of novel natural inhibitors targeting O⁶-methylguanine-DNA methyltransferase［J］. World Neurosurg， 2019， 130： e294-e306.
18	ZHONG S， LI W H， BAI Y， et al. Computational study on new natural compound agonists of stimulator of interferon genes（STING）［J］.PLoS One，2019，14（5）：e0216678.
19	MOEK K L， DE GROOT D J A， DE VRIES E G E， et al. The antibody-drug conjugate target landscape across a broad range of tumour types［J］. Ann Oncol， 2017， 28（12）： 3083-3091.
20	BUDDINGH E P， RUSLAN S E N， REIJNDERS C M A， et al. Mesenchymal stromal cells of osteosarcoma patients do not show evidence of neoplastic changes during long-term culture［J］. Clin Sarcoma Res， 2015， 5： 16.
21	PAN Y， LU L， CHEN J，et al. Identification of potential crucial genes and construction of microRNA-mRNA negative regulatory networks in osteosarcoma［J］. Hereditas， 2018， 155： 21.
22	HENCKAERTS L， CLEYNEN I， BRINAR M， et al. Genetic variation in the autophagy gene ULK1 and risk of Crohnʼs disease［J］. Inflamm Bowel Dis， 2011， 17（6）： 1392-1397.
23	BILALIC S， VEITINGER M， AHRER K H， et al. Identification of Non-HLA antigens targeted by alloreactive antibodies in patients undergoing chronic hemodialysis［J］. J Proteome Res， 2010， 9（2）： 1041-1049.
24	LIU S S， CUI H， LI Q L， et al. RhoGDI2 is expressed in human trophoblasts and involved in their migration by inhibiting the activation of RAC1［J］. Biol Reprod， 2014， 90（4）： 88.
25	ZHU H， WU H， LIU X， et al. Regulation of autophagy by a beclin 1-targeted microRNA， miR-30a， in cancer cells［J］. Autophagy， 2009， 5（6）： 816-823.
26	SWEET R A， NICKERSON K M， CULLEN J L，et al. B cell–extrinsic Myd88 and Fcer1g negatively regulate autoreactive and normal B cell immune responses［J］. J Immunol， 2017， 199（3）： 885-893.
27	LE CONIAT M， KINET J P， BERGER R. The human genes for the alpha and gamma subunits of the mast cell receptor for immunoglobulin E are located on human chromosome band 1q23［J］. Immunogenetics， 1990， 32（3）： 183-186.
28	RAJARAMAN P， BRENNER A V， NETA G， et al. Risk of meningioma and common variation in genes related to innate immunity［J］. Cancer Epidemiol Biomarkers Prev， 2010， 19（5）： 1356-1361.
29	MAHACHIE JOHN J M， BAURECHT H， RODRÍGUEZ E， et al. Analysis of the high affinity IgE receptor genes reveals epistatic effects of FCER1A variants on eczema risk［J］. Allergy， 2010， 65（7）： 875-882.
30	HAN S， LAN Q， PARK A K， et al. Polymorphisms in innate immunity genes and risk of childhood leukemia［J］. Hum Immunol， 2010， 71（7）： 727-730.
31	CHEN L， YUAN L， WANG Y， et al. Co-expression network analysis identified FCER1G in association with progression and prognosis in human clear cell renal cell carcinoma［J］. Int J Biol Sci， 2017， 13（11）： 1361-1372.
32	PALONEVA J， KESTILÄ M， WU J， et al. Loss-of-function mutations in TYROBP （DAP12） result in a presenile dementia with bone cysts［J］. Nat Genet， 2000， 25（3）： 357-361.
33	HAMERMAN J A， NI M J， KILLEBREW J R， et al. The expanding roles of ITAM adapters FcRgamma and DAP12 in myeloid cells［J］. Immunol Rev， 2009， 232（1）： 42-58.
34	施锦涛，张凯，张芮浩，等.PD-1/PD-L1轴与骨肉瘤治疗研究进展［J］.解放军医学杂志，2021，46（1）：89-94.
35	HAURE-MIRANDE J V， AUDRAIN M， FANUTZA T， et al. Deficiency of TYROBP， an adapter protein for TREM2 and CR3 receptors， is neuroprotective in a mouse model of early Alzheimer’s pathology［J］. Acta Neuropathol， 2017， 134（5）： 769-788.

[1]	胡萍,姜楠,李英华,赵红光. 尾骨原发小细胞型骨肉瘤患者 ¹⁸F-FDG PET/CT 显像特点分析1例报告及文献复习[J]. 吉林大学学报(医学版), 2022, 48(1): 216-221.
[2]	葛京京,徐红霞,谢丽霞,杜凯丽,桑明,孙晓东. 人浆液性卵巢癌细胞体外培养体系的建立及其在化疗药物敏感性检测中的应用[J]. 吉林大学学报(医学版), 2021, 47(4): 999-1007.
[3]	林瑶,林春霖,王琴,张彬,王少瑜,朱广伟. 微小染色体蛋白家族和染色体结构维持蛋白4基因在宫颈鳞状细胞癌组织中的表达及其生物信息学分析[J]. 吉林大学学报(医学版), 2021, 47(2): 430-437.
[4]	孙瑞营,李洋,赵旭,曲林琳,续薇,张蕴莉. 胃癌患者血清中胃癌相关细胞因子检测及其在胃癌诊断中的应用价值[J]. 吉林大学学报(医学版), 2020, 46(6): 1274-1282.
[5]	孙洪帅, 朱华, 高海燕, 万广财, 于秀艳. 肿瘤标志物SCC-Ag、CEA、CYFRA21-1和D-二聚体联合检测对非小细胞肺癌的早期诊断价值[J]. 吉林大学学报(医学版), 2018, 44(05): 1020-1024.
[6]	陈炳鹏, 任明, 李容杭, 韩青, 王金成. 基因芯片技术检测NOB1对骨肉瘤细胞相关基因的调控作用[J]. 吉林大学学报(医学版), 2018, 44(05): 929-934.
[7]	金凯, 赵刚, 王育波, 张帅, 王东东. 原发性颅内软骨肉瘤2例报告及文献复习[J]. 吉林大学学报(医学版), 2017, 43(06): 1256-1259.
[8]	原颖丽, 撒焕兰, 马克威. 横纹肌肉瘤的诊断及治疗研究进展[J]. 吉林大学学报(医学版), 2017, 43(05): 1059-1063.
[9]	李清茹, 季顺东. 多肿瘤标志物蛋白芯片检测在老年人健康体检中的应用价值及其临床意义[J]. 吉林大学学报(医学版), 2016, 42(03): 535-540.
[10]	于飞飞, 田雨溪, 刘晓冬, 马淑梅. 宫颈鳞状细胞癌组织中miRNA差异性表达及其靶基因作为诊断标志物的意义[J]. 吉林大学学报(医学版), 2016, 42(01): 85-88.
[11]	那键, 戴维享, 马超, 张晓东, 邵长青, 刘勇, 王秀力, 刘颖. 氟尿嘧啶联合顺铂对骨肉瘤MG-63细胞的抑制作用及其对TRPV5和TRPV6蛋白表达的影响[J]. 吉林大学学报(医学版), 2015, 41(06): 1201-1206.
[12]	李静，梁晓芳，翟桂兰. 血清CA199、CA125和CEA联合检测在胰腺癌诊断中的应用[J]. 吉林大学学报(医学版), 2014, 40(06): 1252-.
[13]	蔡文涛，夏虹，沈宁江，林明侠. Ⅱ型谷氨酰胺转氨酶对骨肉瘤MG-63细胞凋亡的抑制作用及其机制[J]. 吉林大学学报(医学版), 2014, 40(04): 782-789.
[14]	张治宇\|胡硕\|蔡郑东. 光敏剂BCPD-17和PSD007对小鼠骨肉瘤的光动力作用[J]. J4, 2012, 38(4): 644-648.
[15]	万法青,王井,单玉兴\|张海玉. 端粒酶抑制剂对骨肉瘤细胞株增殖的抑制作用[J]. J4, 2012, 38(2): 254-258.

基于骨肉瘤核心驱动基因筛选的生物信息学分析和患者生存期预测基因模型的构建

Bioinformatics analysis based on screening of core driving genes in osteosarcoma and construction of gene model for prediction of survival time of patients

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 35

相关文章 15

Metrics

本文评价

推荐阅读 10