ML était lié au pronostic des patients atteints de SG
Dans notre étude, l’algorithme du compteur MCP et l’analyse de régression de Cox univariée et univariée ont été réalisés pour identifier les cellules immunitaires associées à la survie. Les résultats de l’analyse de régression univariée de Cox ont montré que la ML était une cellule immunitaire liée à la survie pour les patients atteints de SG (Fig. 1A). De plus, l’analyse de Kaplan – Meier a indiqué qu’un faible niveau de ML était lié à un pronostic plus sombre pour les patients atteints de SG (p = 0,033, Fig. 1B).
Figure 1
Le ML était lié à un mauvais pronostic chez les patients atteints de SG. (A) L’analyse univariée de Cox de six cellules immunitaires et de deux cellules stromales basée sur la base de données TARGET. (B) L’analyse de Kaplan – Meier a montré que le niveau de ML était significativement associé au pronostic des patients.
Analyse des DEG et des voies de signalisation potentielles entre deux sous-groupes
Un total de 435 DEG ont été identifiés suite à l’analyse des DEG (Fig. 2A, B). Par rapport au LML, 101 gènes ont été régulés négativement et 334 gènes ont été régulés positivement dans le groupe HML. Au terme des processus biologiques (BP), ces DEG étaient impliqués dans la régulation de l’activation des lymphocytes, de l’activation des lymphocytes T, de la régulation positive de l’activation cellulaire, de la régulation de l’activation des lymphocytes T, de l’adhésion cellule-cellule leucocytaire, etc. (CC), les DEG étaient impliqués dans la face externe de la membrane plasmique, la membrane des granules sécrétoires, les granules riches en ficoline-1, la synapse immunologique, le complexe NADPH oxydase, etc. En termes de fonctions moléculaires (MF), les DEG étaient significativement enrichis en glucides. liaison, liaison aux récepteurs de cytokines, liaison aux cytokines, activité des récepteurs de cytokines, activité des récepteurs de chimiokines C – C, etc. Au cours du terme KEGG, les DEG étaient principalement enrichis en lignée de cellules hématopoïétiques, différenciation des ostéoclastes, interaction récepteur cytokine-cytokine, signalisation du récepteur des cellules B chemin, etc. (Fig. 3).
Figure 2
Identification des DEG entre les sous-groupes LML et HML. (A) Le tracé du volcan représentait les DEG entre les sous-groupes LML et HML. Les points verts représentaient des gènes régulés négativement, tandis que les points rouges représentaient des gènes régulés positivement. (B) Le tracé Heatmap représente les 50 principaux DEG entre les sous-groupes LML et HML.
figure 3
Analyse d’enrichissement des DEG. (A) Les tracés à bulles représentaient les résultats de GO et KEGG. Le diagramme de réseau représente les termes GO-BP (B) et les voies KEGG (C) liés au système immunitaire et à l’inflammation. Les nœuds bleus représentaient les termes GO-BP ou les voies KEGG, les nœuds rouges représentaient les gènes impliqués dans les voies.
Infiltration immunocytaire
Nous avons analysé le statut immunitaire entre les sous-groupes LML et HML pour déchiffrer le microenvironnement immunitaire du système d’exploitation. Comme le montre la figure 4A, par rapport au groupe HML, le score stromal, le score immunitaire et le score ESTIMATE ont diminué dans le groupe LML (p < 0,01), tandis que la pureté tumorale a été significativement augmentée dans le groupe LML (p < 0,01). . Par rapport au groupe HML, les taux de cellules endothéliales, de cellules dendritiques myéloïdes, de lignée monocytaire, de lignée B, de lymphocytes T et de lymphocytes T CD8 étaient significativement diminués dans le groupe LML (p < 0,05) (Fig. 4B).
Figure 4
Le paysage des niveaux d’infiltration d’immunocytes dans les deux sous-groupes. (A) Les comparaisons du score stromal, du score immunitaire, du score ESTIMATE et de la pureté tumorale entre les sous-groupes LML et HML. (B) Les comparaisons des niveaux d’infiltration d’immunocytes entre les sous-groupes LML et HML. *p < 0,05, **p < 0,01 et ***p < 0,001.
Construction et évaluation du modèle de risque pronostique
Suite à l’analyse de régression univariée de Cox, nous avons examiné 122 gènes globaux liés à la survie (Tableau S1). Par la suite, l’analyse de régression LASSO Cox a identifié huit gènes (CCDC26, TERT, GJA5, KRT18P28, LILRA6, PDE1B, CD180 et IL2RA) pour l’analyse de régression multivariée de Cox (Fig. 5A, B). Enfin, trois gènes importants liés à la survie globale (TERT, IL2RA et CCDC26) ont été criblés et utilisés pour établir le modèle pronostique (Fig. 5C).
Figure 5
Établissement d’un modèle pronostique associé au ML. (A, B) Analyse de régression LASSO. (C) Analyse de régression multivariée de Cox.
Dans l’ensemble de données TARGET, le niveau d’expression de TERT et CCDC26 était régulé négativement dans le groupe à faible risque, tandis que l’expression d’IL2RA était régulée positivement dans le groupe à faible risque. De plus, le groupe à haut risque présentait une proportion plus faible de personnes vivantes (Fig. 6A). Les patients atteints de SG appartenant au groupe à faible risque présentaient une survie globale plus longue que ceux du groupe à risque élevé (Fig. 6B, p <0,001). L'ASC de ce modèle pronostique était de 0,8 à 1 an, de 0,87 à 3 ans et de 0,85 à 5 ans (Fig. 6C), ce résultat indiquait que le modèle pronostique présentait de bonnes performances diagnostiques pour les patients atteints de SG. Nous avons également utilisé l'ensemble de données GSE21257 pour vérifier les caractéristiques de diagnostic et de pronostic du modèle de risque. Comme le montre la figure 7A, le niveau d'expression de TERT et CCDC26 était régulé négativement dans le groupe à faible risque, tandis que l'expression d'IL2RA était régulée positivement dans le groupe à faible risque. De plus, le groupe à haut risque avait une proportion plus faible de personnes vivantes. Les patients atteints de SG dans le groupe à faible risque présentaient une survie globale plus longue que ceux du groupe à haut risque (p = 0,025) (Fig. 7B). L'ASC de ce modèle pronostique était de 0,84 à 1 an, de 0,67 à 3 ans et de 0,68 à 5 ans (Fig. 7C). Ces résultats étaient cohérents avec les résultats de l’ensemble de données TARGET.
Figure 6
Évaluation du modèle pronostique dans la base de données TARGET. (A) Le niveau d’expression de TERT, CCDC26 et IL2RA (ci-dessous), l’état de survie (au milieu) et la répartition des scores de risque entre les groupes à risque faible et élevé (en haut). (B) L’analyse de survie a montré la différence entre les groupes à risque faible et élevé. (C) Analyses de courbe ROC en fonction du temps du modèle pronostique.
Figure 7
Validation du modèle pronostique dans l’ensemble de données GSE21257. (A) Le niveau d’expression de TERT, CCDC26 et IL2RA (ci-dessous), l’état de survie (au milieu) et la répartition des scores de risque entre les groupes à risque faible et élevé (en haut). (B) L’analyse de survie a montré la différence entre les groupes à risque faible et élevé. (C) Analyses de courbe ROC en fonction du temps du modèle pronostique.
De plus, un nomogramme a été établi pour faciliter davantage la prévision du pronostic des patients atteints de SG (Fig. 8A). Les résultats de prédiction du nomogramme étaient très cohérents avec l’observation de patients atteints de SG sur la base de la courbe d’étalonnage du nomogramme (Fig. 8B).
Figure 8
Etablissement du nomogramme. (A) Les métastases et le score de risque ont été utilisés pour établir le nomogramme. (B) Courbe d’étalonnage du nomogramme.
Analyse des interactions des gènes pronostiques
En utilisant la base de données GeneMANIA, nous avons réussi à construire un réseau d’interactions protéiques pour les gènes signature (TERT et IL2RA). Grâce à cette analyse, nous avons découvert un total de 20 gènes qui interagissent avec les gènes de signature (Fig. 9A). Une analyse d’enrichissement fonctionnel a été réalisée sur ces 22 gènes. Les résultats obtenus à partir de l’analyse d’enrichissement ont démontré que ces gènes sont principalement liés à l’organisation des télomères, au maintien des télomères, à l’infection par le virus de la leucémie à cellules T humaines 1, à la différenciation des cellules Th1 et Th2, etc. (Fig. 9B).
Figure 9
Analyse des interactions des gènes de signature. (A) Réseau de co-expression des gènes de signature. (B) Analyse d’enrichissement fonctionnel des gènes co-exprimés via GO et KEGG.
Association entre les gènes liés au modèle de risque et le microenvironnement tumoral (TME)
Nous avons effectué une analyse des niveaux d’expression des gènes TERT et IL2RA dans les cellules associées au microenvironnement tumoral au sein de l’OS, à l’aide de la base de données TISCH. Nos résultats ont démontré que l’IL2RA présentait un niveau d’infiltration plus élevé dans les cellules cDC1, les monocytes et les cellules M2 (Fig. 10).
Figure 10
Les gènes associés aux modèles de risque ont été exprimés dans des cellules pertinentes pour le microenvironnement tumoral. Les niveaux d’expression de TERT (A) et d’IL2RA (B) dans les cellules liées au microenvironnement OS ont été visualisés à l’aide d’une carte thermique dans l’ensemble de données GSE162454.
Le modèle pronostique a la capacité de distinguer les patients atteints de SG métastatique
Comme le montre la figure 11A, par rapport au groupe à haut risque (TARGET, 58,54 % et GSE21257, 17,25 %), davantage de cas de métastases (TARGET, 90,25 % et GSE21257, 58,34 %) n’ont pas été observés dans le groupe à faible risque. De plus, par rapport au groupe métastatique, le score de risque était plus faible dans le groupe non métastatique (p < 0,01, Fig. 11B, C). De plus, les résultats de l'analyse ROC ont montré que les performances diagnostiques du modèle pronostique pour la prédiction des métastases étaient respectivement de 0,659 et 0,705 dans TARGET et GSE21257 (Fig. 11D, E). Ces résultats ont montré que le modèle de risque pouvait prédire les métastases chez les patients atteints de SG.
Figure 11
Évaluation de la capacité du modèle pronostique à prédire les métastases chez les patients atteints de SG. (A) Les comparaisons des cas de métastases et d’absence de métastases dans les groupes à faible et à haut risque. (B) Les comparaisons du score de risque dans les groupes métastatiques et non métastatiques. (C) Analyse ROC pour les performances diagnostiques dans la prédiction des métastases du système d’exploitation.
2024-03-02 18:38:39
1709394420
#Les #soustypes #moléculaires #associés #linfiltration #cellules #immunitaires #signature #génétique #prédisent #pronostic #des #patients #atteints #dostéosarcome