基于复发性胶质母细胞瘤转录组差异的CGGA数据库生物信息学分析及其实验验证

doi:10.13481/j.1671-587X.20260521

吉林大学学报(医学版) ›› 2026, Vol. 52 ›› Issue (5): 1408-1419.doi: 10.13481/j.1671-587X.20260521

• 临床研究 • 上一篇

基于复发性胶质母细胞瘤转录组差异的CGGA数据库生物信息学分析及其实验验证

张莹莹¹,汪雪²,徐宁波³,吴自勍¹()

^1.南方医科大学中西医结合医院病理科，广东广州 510315
^2.四川省绵阳市富临医院肿瘤科，四川绵阳 621000
^3.南方医科大学珠江医院介入科，广东广州 510315

收稿日期:2025-11-10 接受日期:2026-01-18 出版日期:2026-09-28 发布日期:2026-10-15
通讯作者: 吴自勍 E-mail:hailian@fimmu.com
作者简介:张莹莹（1999-），女，安徽省阜阳市人，在读硕士研究生，主要从事肿瘤发生发展分子机制方面的研究。
基金资助:
国家自然科学基金青年科学基金项目(82003179);广东省广州市科技局科技计划项目(2023A04J0422)

Bioinformatics analysis of CGGA database based on transcriptome difference in recurrent glioblastoma and its experimental validation

Yingying ZHANG¹,Xue WANG²,Ningbo XU³,Ziqing WU¹()

^1.Department of Pathology，Integrated Hospital of Traditional Chinese and Western Medicine，Southern Medical University，Guangzhou 510315，China
^2.Department of Oncology，Fulin Hospital，Mianyang City，Sichuan Province，Mianyang 621000，China
^3.Department of Intervention，Pearl River Hospital，Southern Medical University，Guangzhou 510315，China

Received:2025-11-10 Accepted:2026-01-18 Online:2026-09-28 Published:2026-10-15
Contact: Ziqing WU E-mail:hailian@fimmu.com

摘要/Abstract

摘要：

目的采用中国胶质瘤基因组图谱（CGGA）数据库建立复发性胶质母细胞瘤（GBM）患者差异表达基因（DEGs）和差异表达长链非编码RNAs（DELs）的预后模型，分析DEGs和DELs与患者预后之间的关系，并通过实验进行验证。方法从CGGA数据库中下载GBM患者转录组数据和相应的临床数据，包括203例原发GBM患者（原发GBM组）和103例复发GBM患者（复发GBM组）。采用Perl语言编写的合并脚本将每个样本的表达信息合并成矩阵，Ensembl数据库对该表达矩阵进行注释，R语言edgeR和DESeq2软件包筛除低表达转录本并完成数据提取及标准化。比较原发GBM组与复发GBM组患者之间的转录本表达差异，计算差异倍数（FC），以|log₁₀FC|>0.5且P<0.05为标准筛选DEGs和DELs。采用单因素Cox比例风险回归模型分析DEGs和DELs与GBM患者预后的关系，选择与患者预后相关的DEGs和DELs，构建多因素Cox比例风险回归模型，计算患者风险评分。基于风险评分中位数将患者分为低风险组和高风险组，采用Kaplan-Meier生存分析和受试者工作特征（ROC）曲线评估风险评分的预后预测效能，并分析比较不同临床病理特征患者的风险评分差异。采用Lasso回归分析预后相关DEGs和DELs对患者生存情况的预测效能，构建列线图。选取6例原发GBM患者和6例复发GBM患者的肿瘤组织样本分别作为原发组及复发组，采用实时荧光定量PCR（RT-qPCR）法和荧光原位杂交（FISH）法检测2组患者肿瘤组织中RP11-283I3.2表达水平及阳性细胞数。结果原发GBM组与复发GBM组患者转录组数据比较，共筛选出151个DEGs和DELs，其中12个下调，139个上调。单因素Cox回归分析鉴定出4个与GBM患者预后相关的DEGs，分别为CHRNA1、HIST1H4I、SLC18A3和TMEM61，以及8个与患者预后相关的DELs，分别为AC002454.1、AC006262.6、AC123886.2、CDKN2B-AS1、FAM225B、HAR1A、LBX1-AS1和RP11-283I3.2。Kaplan-Meier生存分析，高风险组GBM患者的OS明显低于低风险组（P<0.001）。时间依赖性ROC曲线，风险评分预测GBM患者1、3和5年生存概率的曲线下面积（AUC）分别为0.675、0.750及0.772。异柠檬酸脱氢酶（IDH）野生型GBM患者风险评分明显高于IDH突变型患者（P<0.001）。Lasso回归分析，RP11-283I3.2在预后相关DEGs和DELs中得分最高；基于表达谱将患者分为Cluster 1组和Cluster 2组，与Cluster 1组比较，Cluster 2组患者OS更低（P<0.01）。RT-qPCR法和FISH法，与原发组比较，复发组患者肿瘤组织中RP11-283I3.2表达水平和阳性细胞数均明显升高（P<0.001）。结论本研究共鉴定出12个与GBM患者预后相关的DEGs和DELs，并构建了具有较好预测效能的预后模型。RP11-283I3.2在复发GBM患者组织中呈高表达，提示其可能成为GBM复发的潜在分子标志物。

关键词: 胶质母细胞瘤, 复发, 差异表达基因, 长链非编码RNA, 生物信息学, 生存分析

Abstract:

Objective To establish a prognostic model based on differentially expressed genes （DEGs） and differentially expressed long non-coding RNAs（DELs） of the recurrent glioblastoma （GBM） patients using the Chinese Glioma Genome Atlas （CGGA） database， to discuss the relationships between the DEGs， DELs and clinicopathological features， and to verify the findings through experiments. Methods The transcriptome data and corresponding clinical data of GBM patients， including 203 patients with primary GBM （primary GBM group） and 103 patients with recurrent GBM （recurrent GBM group）， were downloaded from the CGGA database. A Perl script was used to merge the expression profiles across all samples into a matrix， which was annotated using the Ensembl database. R packages edgeR and DESeq2 were used to filter out low-expression transcripts and to extract and normalize the data. The expression differences in transcripts between primary GBM group and recurrent GBM group were compared， the fold change（FC） was calculated， and the DEGs and DELs were screened with the criteria of |log₁₀FC|>0.5 and P<0.05. A univariate Cox proportional hazards regression model was used to analyze the relationship between DEGs and DELs and the prognosis of GBM patients. The DEGs and DELs associated with prognosis were selected to construct a multivariate Cox proportional hazards regression model， and the risk scores were calculated for all patients. Based on the median risk score， the patients were divided into low-risk and high-risk groups. The Kaplan-Meier survival analysis and receiver operating characteristic （ROC） curve were used to evaluate the predictive efficacy of the risk score for overall survival （OS）in the patients， and the differences in risk scores in the patients with different clinicopathological features were analyzed and compared. Lasso regression analysis was used to evaluate the predictive efficacies of the prognosis-related DEGs and DELs for patient survival， and a nomogram was constructed. The tumor tissue samples from 6 primary GBM patients and 6 recurrent GBM patients were selected as primary group and recurrent group， respectively. Real-time fluorescence quantitative PCR （RT-qPCR） method and fluorescence in situ hybridization （FISH） method were used to detect the expression levels of RP11-283I3.2 and the numbers of positive cells in tumor tissues of the patients in two groups. Results A total of 151 DEGs and DELs were identified between patients in primary GBM groupand recurrent GBM group，among which 12 were downregulated and 139 were upregulated. Univariate Cox regression analysis identified that 4 DEGs （CHRNA1， HIST1H4I， SLC18A3， and TMEM61） and 8 DELs （AC002454.1， AC006262.6， AC123886.2，CDKN2B-AS1，FAM225B，HAR1A，LBX1-AS1，and RP11-283I3.2） were significantly associated with the prognosis of GBM patients.The Kaplan-Meier survival analysis results showed that the OS of GBM patients in high-risk group was significantly lower than that in low-risk group （P<0.001）. The time-dependent ROC curve results showed that the areas under the curve （AUCs） of the risk score for predicting 1-， 3-， and 5-year survival probability were 0.675， 0.750， and 0.772， respectively. The risk score of GBM patients with wild-type isocitrate dehydrogenase （IDH） was significantly higher than that of patients with mutant IDH （P<0.001）. The Lasso regression analysis results indicated that RP11-283I3.2 had the highest score among the prognosis-related DEGs and DELs. Based on the expression profile， the patients were divided into Cluster 1 group and Cluster 2 group. Compared with Cluster 1 group， the patients in Cluster 2 group had lower OS （P<0.01）. The RT-qPCR method and FISH method results showed that compared with primary group， the expression level of RP11-283I3.2 and the number of positive cells in tumor tissue of the patients in recurrent group were significantly increased （P<0.001）. Conclusion A total of 12 DEGs and DELs associated with the prognosis of GBM patients were identified， and a prognostic model with good predictive efficacy was constructed. The high expression of RP11-283I3.2 in tumor tissues in recurrent GBM patients suggests its potential as a molecular biomarker for GBM recurrence.

Key words: Glioblastoma, Recurrence, Differentially expressed genes, Long non-coding RNA, Bioinformatics, Survival analysis

中图分类号:

R739.4

张莹莹,汪雪,徐宁波,吴自勍. 基于复发性胶质母细胞瘤转录组差异的CGGA数据库生物信息学分析及其实验验证[J]. 吉林大学学报(医学版), 2026, 52(5): 1408-1419.

Yingying ZHANG,Xue WANG,Ningbo XU,Ziqing WU. Bioinformatics analysis of CGGA database based on transcriptome difference in recurrent glioblastoma and its experimental validation[J]. Journal of Jilin University(Medicine Edition), 2026, 52(5): 1408-1419.

图/表 9

表1

图1

图2

图3

图4

图5

图6

图7

图8

参考文献 39

[1]	TETZLAFF S K， REYHAN E， LAYER N， et al. Characterizing and targeting glioblastoma neuron-tumor networks with retrograde tracing［J］. Cell， 2025， 188（2）： 390-411.
[2]	ZHOU F， MUKHERJEE P， MU J M， et al. Therapeutic potential of targeting macrophages and microglia in glioblastoma［J］. Trends Pharmacol Sci， 2025， 46（9）： 848-862.
[3]	宋昆，秦智勇，徐浩，等. 复发胶质母细胞瘤患者术前MRI强化特征对术后复发时间的预测价值［J］. 中国现代神经疾病杂志， 2019， 19（12）： 954-957.
[4]	TAN A C， ASHLEY D M， LÓPEZ G Y， et al. Management of glioblastoma： State of the art and future directions［J］. CA Cancer J Clin， 2020， 70（4）： 299-312.
[5]	DAVIS M. Glioblastoma： overview of disease and treatment［J］. Clin J Oncol Nurs， 2016， 20（5）： S2-S8.
[6]	VERHAAK R G W， HOADLEY K A， PURDOM E， et al. Integrated genomic analysis identifies clinically relevant subtypes of glioblastoma characterized by abnormalities in PDGFRA， IDH1， EGFR， and NF1［J］. Cancer Cell， 2010， 17（1）： 98-110.
[7]	WANG Y N， CHEN W Q， SHI Y X， et al. Imposing phase Ⅱ and phase Ⅲ clinical trials of targeted drugs for glioblastoma： current status and progress［J］. Front Oncol， 2021， 11： 719623.
[8]	DE BONIS P， ANILE C， POMPUCCI A， et al. The influence of surgery on recurrence pattern of glioblastoma［J］. Clin Neurol Neurosurg， 2013， 115（1）： 37-43.
[9]	KIM J， LEE I H， CHO H J， et al. Spatiotemporal evolution of the primary glioblastoma genome［J］. Cancer Cell， 2015， 28（3）： 318-328.
[10]	GALVEZ-CANCINO F， NAVARRETE M， BEATTIE G， et al. Regulatory T cell depletion promotes myeloid cell activation and glioblastoma response to anti-PD1 and tumor-targeting antibodies［J］. Immunity， 2025， 58（5）： 1236-1253.
[11]	STARK A M， WITZEL P， STREGE R J， et al. p53， mdm2， EGFR， and msh2 expression in paired initial and recurrent glioblastoma multiforme［J］. J Neurol Neurosurg Psychiatry， 2003， 74（6）： 779-783.
[12]	ESTELLER M， GARCIA-FONCILLAS J， ANDION E， et al. Inactivation of the DNA-repair Gene MGMT and the clinical response of gliomas to alkylating agents［J］. N Engl J Med， 2000， 343（19）： 1350-1354.
[13]	CAMPOS B， OLSEN L R， URUP T， et al. A comprehensive profile of recurrent glioblastoma［J］. Oncogene， 2016， 35（45）： 5819-5825.
[14]	TU Z W， XIONG H F， QIU Y， et al. Limited recurrence distance of glioblastoma under modern radiotherapy era［J］. BMC Cancer， 2021， 21（1）： 720.
[15]	CHEN W L， WANG Y K， ZHAO B H， et al. Optimal therapies for recurrent glioblastoma： a Bayesian network meta-analysis［J］. Front Oncol， 2021， 11： 641878.
[16]	LI Y N， WANG F， LI B. Photodynamic therapy during second surgery for recurrent gliomas improves survival［J］. Photodiagn Photodyn Ther， 2022， 38： 102754.
[17]	魏成龙，王安美，刘昭前，等. 多组学分析揭示AFAP1L1作为胶质瘤预后标志物及免疫相关治疗靶点的作用［J］. 中南大学学报（医学版）， 2025， 50（12）： 2141-2157.
[18]	YADAV B， PAL S， RUBSTOV Y， et al. LncRNAs associated with glioblastoma： From transcriptional noise to novel regulators with a promising role in therapeutics［J］. Mol Ther Nucleic Acids， 2021， 24： 728-742.
[19]	FANG Z B， WENG Y X， XIAO F， et al. LncRNA RP11-390F4.3 inhibits invasion and migration of glioblastoma cells by downregulating ROCK1［J］. Neuroreport， 2021， 32（10）： 888-893.
[20]	LIU Y T， XU N B， LIU B Y， et al. Long noncoding RNA RP11-838N2.4 enhances the cytotoxic effects of temozolomide by inhibiting the functions of miR-10a in glioblastoma cell lines［J］. Oncotarget， 2016， 7（28）： 43835-43851.
[21]	孙宏瑜. m⁶A甲基化修饰调控RP11-150O12.3在结肠癌中的表达及其对结肠癌的生物学功能研究［D］. 石家庄：河北医科大学， 2021.
[22]	GIRO-PERAFITA A， LUO L， KHODADADI-JAMAYRAN A， et al. LncRNA RP11-19E11 is an E2F1 target required for proliferation and survival of basal breast cancer［J］. NPJ Breast Cancer， 2020， 6： 1.
[23]	唐迪，左其明，张佼，等. lncRNA RP11-374M1.2通过上调LKB1基因表达抑制前列腺癌细胞的侵袭和增殖［J］. 山西医科大学学报， 2020， 51（10）： 1042-1046.
[24]	LIU J， WANG Y， CHEN P， et al. AC002454.1 and CDK6 synergistically promote endometrial cell migration and invasion in endometriosis［J］. Reproduction， 2019， 157（6）： 535-543.
[25]	MARTINEZ L， TABBARA M， DUQUE J C， et al. Transcriptomics of human arteriovenous fistula failure： genes associated with nonmaturation［J］. Am J Kidney Dis， 2019， 74（1）： 73-81.
[26]	PAUL Y， THOMAS S， PATIL V， et al. Genetic landscape of long noncoding RNA （lncRNAs） in glioblastoma： identification of complex lncRNA regulatory networks and clinically relevant lncRNAs in glioblastoma［J］. Oncotarget， 2018， 9（51）： 29548-29564.
[27]	姜崇发，王秋红，刘建，等. 依托咪酯通过调控LncRNA CDKN2B-AS1/miR-199a-5p表达抑制胶质瘤细胞增殖、迁移和侵袭［J］. 中国老年学杂志， 2022， 42（2）： 349-355.
[28]	LU J C， CHEN Y J， WEN L B， et al. LncRNA CDKN2B-AS1 contributes to glioma development by regulating the miR-199a-5p/DDR1 axis［J］. J Gene Med， 2022， 24（1）： e3389.
[29]	何思琦，杨曼，杨莹，等. miR-129和CDKN2B-AS1基因多态性与云南汉族人群2型糖尿病发病风险的相关性［J］. 贵州医科大学学报， 2021， 46（5）： 497-503， 510.
[30]	LI J S， ZHANG Q， GE P C， et al. FAM225B is a prognostic lncRNA for patients with recurrent glioblastoma［J］. Dis Markers， 2020， 2020： 8888085.
[31]	WATERS E， PUCCI P， HIRST M， et al. HAR1： an insight into lncRNA genetic evolution［J］. Epigenomics， 2021， 13（22）： 1831-1843.
[32]	HUANG K B， YUE X Y， ZHENG Y F， et al. Development and validation of an mesenchymal-related long non-coding RNA prognostic model in glioma［J］. Front Oncol， 2021， 11： 726745.
[33]	AI Y L， WEI H G， WU S Y， et al. Exosomal LncRNA LBX1-AS1 derived from RBPJ overexpressed-macrophages inhibits oral squamous cell carcinoma progress via miR-182-5p/FOXO3［J］. Front Oncol， 2021， 11： 605884.
[34]	廖芷吟. CHRNA1对肌肉减少症的影响及其机制探讨［D］. 重庆：重庆医科大学， 2021.
[35]	梅杨. OATP1B1，MDR1，和CHRNA1基因多态对罗库溴铵肌松效应的影响［D］. 长沙：中南大学， 2014.
[36]	AIHEMAITI A， YAMAMOTO N， PIAO J Y， et al. A novel PAI-1 inhibitor prevents ageing-related muscle fiber atrophy［J］. Biochem Biophys Res Commun， 2021， 534： 849-856.
[37]	MEDINA-AGUILAR R， PÉREZ-PLASENCIA C， MARCHAT L A， et al. Methylation landscape of human breast cancer cells in response to dietary compound resveratrol［J］. PLoS One， 2016， 11（6）： e0157866.
[38]	VAROL N， KELES İ， YILDIZ H， et al. Methylation analysis of histone 4-related gene HIST1H4F and its effect on gene expression in bladder cancer［J］. Gene， 2023， 866： 147352.
[39]	LI J X， HUAN J， YANG F， et al. Identification and validation of a seizure-free-related gene signature for predicting poor prognosis in lower-grade gliomas［J］. Int J Gen Med， 2021， 14： 7399-7410.

Feature	Value
Number of patients	306
Age (x±s, year)	49.05±0.76
Mean survival time (x±s, d)	575.79±34.14
Gender
Female	125
Male	181
Polygenic risk score
Primary	203
Recurrent	103
IDH mutation status
Wildtype	248
Mutant	58
Chemotherapy
No	55
Yes	251
Radio therapy
No	40
Yes	266

基于复发性胶质母细胞瘤转录组差异的CGGA数据库生物信息学分析及其实验验证

Bioinformatics analysis of CGGA database based on transcriptome difference in recurrent glioblastoma and its experimental validation

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 39

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	李俊奇,姜佳韵,左中夫,于洪丹. 红景天苷对糖尿病大鼠视网膜神经节细胞保护作用的生物信息学分析及体内外实验验证[J]. 吉林大学学报(医学版), 2026, 52(4): 963-976.
[2]	李扬,李诗扬,张红梅,刘倩倩,陈玉丙. NGFR基因表达差异对PD-1抑制剂活化的T淋巴细胞促进鳞癌细胞和腺癌细胞凋亡的影响[J]. 吉林大学学报(医学版), 2026, 52(3): 680-693.
[3]	梁晓辉,刘文娜,赵建伯. PAQR3在肝细胞癌中的表达及其与T淋巴细胞免疫浸润、免疫检查点基因及患者生存期关系的生物信息学分析[J]. 吉林大学学报(医学版), 2026, 52(3): 781-790.
[4]	潘志鹏,王乐,黄伟文,易臻,高雨萱. 基于急性髓系白血病患者骨髓单个核细胞中诊断候选基因筛选鉴定及其对预后影响的生物信息学分析和实验验证[J]. 吉林大学学报(医学版), 2026, 52(3): 791-805.
[5]	赵宇,何小双,董晓寅,高丰毅,何家赓. lncRNA尿路上皮癌胚抗原1对人胃肠道间质瘤细胞失巢凋亡的调控作用及其机制[J]. 吉林大学学报(医学版), 2026, 52(2): 429-439.
[6]	葛睿涵,李晨,王生鹏,卢洋,谭彩霞,崔皓天,王新敏,章乐. 基于卡介苗感染过程中MAPK-Mcl-1信号通路和巨噬细胞极化调控机制的生物信息学分析及其实验验证[J]. 吉林大学学报(医学版), 2026, 52(2): 440-450.
[7]	林潇,周梦,林帆,姚秀娟. 特发性肺纤维化组织中脂肪酸代谢相关基因的生物信息学分析及实验验证[J]. 吉林大学学报(医学版), 2026, 52(1): 93-104.
[8]	梁鱼,于金宇,许钟镐,王婉宁. FOSB在IgA肾病及其他常见肾脏病肾组织中的表达特征[J]. 吉林大学学报(医学版), 2025, 51(5): 1281-1292.
[9]	沈维高,刘雨齐,张骏,林珈羽,崔航,刘艳波. 白细胞介素33对恶性脑胶质瘤发生发展影响的生物信息学分析及其实验验证[J]. 吉林大学学报(医学版), 2025, 51(5): 1318-1332.
[10]	王欢,甄昱,李珊山. 皮肤常驻记忆性T细胞对白癜风发生发展及复发影响的研究进展[J]. 吉林大学学报(医学版), 2025, 51(5): 1429-1436.
[11]	徐林瑞,张译予,崔家齐,丛显铸,李爽,葛佳瑜,孔雨佳,王素珍,石福艳,王金荣. 基于生物信息学和机器学习的阿尔兹海默症诊断模型构建及免疫分析[J]. 吉林大学学报(医学版), 2025, 51(4): 1039-1051.
[12]	蒋先伟,王明航,李慧茹,董晓升,刘元元. 基于慢性阻塞性肺疾病潜在治疗靶点的孟德尔随机化和GEO数据库识别分析[J]. 吉林大学学报(医学版), 2025, 51(4): 1072-1083.
[13]	李文瑄,宗敏茹. 雪旺氏细胞迁移在外周神经损伤修复中作用的研究进展[J]. 吉林大学学报(医学版), 2025, 51(4): 1137-1144.
[14]	石长玉,李勇,邓静,朴春梅,金明. 基于补体替代途径对小鼠结直肠癌肝转移模型调控作用的生物信息学分析及实验验证[J]. 吉林大学学报(医学版), 2025, 51(3): 703-715.
[15]	蔡文畅,刘雨齐,王涵,王鹤霖,王振江,肖梓屾,马士远,安丽萍,刘艳波. 蛋白激酶 D2在膀胱癌组织中的表达及其对肿瘤免疫微环境的影响[J]. 吉林大学学报(医学版), 2025, 51(2): 378-391.