CN112071365A - 基于pten基因状态筛选胶质瘤生物标记物的方法 - Google Patents

基于pten基因状态筛选胶质瘤生物标记物的方法 Download PDF

Info

Publication number
CN112071365A
CN112071365A CN202010977490.6A CN202010977490A CN112071365A CN 112071365 A CN112071365 A CN 112071365A CN 202010977490 A CN202010977490 A CN 202010977490A CN 112071365 A CN112071365 A CN 112071365A
Authority
CN
China
Prior art keywords
subgroup
pten
degs
patients
glioma
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010977490.6A
Other languages
English (en)
Other versions
CN112071365B (zh
Inventor
董磊
张佩
夏琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010977490.6A priority Critical patent/CN112071365B/zh
Publication of CN112071365A publication Critical patent/CN112071365A/zh
Application granted granted Critical
Publication of CN112071365B publication Critical patent/CN112071365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/118—Prognosis of disease development
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/136—Screening for pharmacological compounds
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/156—Polymorphic or mutational markers

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Organic Chemistry (AREA)
  • Biotechnology (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Microbiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Oncology (AREA)
  • Hospice & Palliative Care (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，(1)获取胶质瘤患者的PTEN基因状态；(2)将胶质瘤患者分为PTEN‑WT亚组和PTEN‑mutant亚组；(3)分别对各个亚组的患者筛选亚组特异性的DEGs；(4)将亚组特异性的DEGs与各个亚组患者生存时间进行拟合，得到亚组特异性的OPR‑DEGs；(5)构建各个亚组患者的风险评分，观测风险评分与肿瘤的恶性程度的关系，并预测各个亚组患者的生存率；(6)筛选各个亚组的独立预后的OPR‑DEGs；(7)筛选潜在的靶向药物。本发明通过多因素COX分析恶性程度高的PTEN突变亚组的独立的最优预后基因，这对于PTEN突变的胶质瘤的诊断，预后预测和治疗提供了进一步的指导意义。

Description

基于PTEN基因状态筛选胶质瘤生物标记物的方法
技术领域
本发明涉及分子生物学技术和计算机领域，涉及一种基于PTEN基因状态筛选胶质瘤生物标记物的方法。
背景技术
胶质瘤是最常见的成人原发性脑瘤，胶质瘤根据其组织学表现分为星形细胞瘤、少突胶质细胞瘤和室管膜瘤，世界卫生组织(WHO)将胶质瘤分为I、II、III和IV级，等级越高，侵袭性越强。IV级胶质瘤，即多形性胶质母细胞瘤(GBM)，是最具侵袭性和最高程度的恶性肿瘤。高级别胶质瘤的1年和5年总生存率分别为40％和10％。胶质瘤的高死亡率是由于其侵袭性和高复发率。虽然采用手术、放疗和烷基化化疗治疗，但胶质瘤的异质性并没有提高患者的生存率。基因组学、转录组学和表观遗传学分析方面的重大进展为胶质瘤的分类和治疗带来了新的概念。因此，近年来特异性肿瘤进展相关分子标志物作为潜在的治疗靶点受到高度重视。
PTEN突变导致恶性肿瘤进展和耐药。PTEN是一种抑癌基因，在细胞增殖、黏附和侵袭、凋亡、DNA损伤修复等方面发挥重要作用。研究表明胶质瘤中PTEN的表达随着恶性程度的增加而降低。此外，研究发现，PTEN缺失被证实是胶质瘤恶性肿瘤的早期事件，5％-40％的胶质瘤病例发生突变。有研究表明，PTEN突变与胶质瘤患者较短的生存期密切相关，而且PTEN缺失会增加耐药性。例如，PTEN突变的GBM患者对抗pd-1免疫治疗无明显反应，原因是PTEN突变后免疫微环境发生改变；启动贝伐珠单抗后，PTEN缺失的GBM患者比PTEN野生型的胶质母细胞瘤患者生存时间更短。PTEN缺失导致临床对磷脂酰肌醇-3-激酶(PI3K)抑制因子的耐药性；成纤维细胞生长因子受体2(FGFR2)介导的PTEN在酪氨酸240位点的磷酸化有助于胶质瘤的放射抵抗。因此，靶向治疗PTEN突变的胶质瘤可能改善胶质瘤的预后并降低治疗中的耐药。
GBM预后风险模型经常采用Kaplan–Meier模型和Cox比例风险模型等对全部的GBM的病人的生存时间进行拟合，但由于肿瘤之间存在异质性，即同一种恶性肿瘤在不同患者个体间或者同一患者体内不同部位肿瘤细胞间从基因型到表型上存在的差异。这种差异发生在不同个体中可表现出不同的遗传背景如染色体量与质的差异，不同细胞病例类型、不同临床阶段不同分化程度细胞演进的多样性，同质肿瘤在分子水平也存在显著差异，体现了恶性肿瘤在演进过程中的高度复杂性和多样性。因此这种方法忽略了不同肿瘤个体之间犹豫分子差异带来的这种异质性。因此以PTEN为分层切入点，分别对PTEN不同状态下的病人分层再建立预后风险模型是必要的。
发明内容
针对现有技术不足，本发明实施例提供了一种基于以不同的PTEN基因状态为分层标准，分别筛选不同亚组的胶质瘤预后相关的诊断生物标记物，并针对相应的生物标志物筛选现在的治疗药物，用于解决胶质瘤中由PTEN导致的异质性和现有技术中不能有效、简易地对胶质瘤患者进行预后评估的问题。
所述方法包括：根据把胶质瘤中PTEN的状态分成PTEN突变型的胶质瘤亚组和PTEN野生型的胶质瘤亚组。通过建立预后模型，在PTEN野生型的亚组和PTEN突变亚组中分别得到最佳的与预后相关的基因，根据各个亚组的最佳预后基因分别计算每个亚组病人的风险评分。通过多因素COX分析恶性程度高的PTEN突变亚组的最佳预后基因，发现某些基因是独立的预后因素。
本发明的技术方案通过以下技术方案予以实现：
一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，包括以下步骤：
(1)获取胶质瘤患者的PTEN基因状态，所述PTEN基因状态为PTEN基因是否发生突变；
(2)根据胶质瘤患者的PTEN基因状态对所述胶质瘤患者进行分层，将所述胶质瘤患者分为野生型PTEN亚组即PTEN-WT亚组，和突变型PTEN亚组即PTEN-mutant亚组；
(3)分别对所述各个亚组的患者筛选亚组特异性的差异基因即DEGs；
(4)将所述亚组特异性的DEGs与所述各个亚组患者生存时间进行拟合，得到亚组特异性的最优预后DEGs即OPR-DEGs；
(5)利用所述的各个亚组的OPR-DEGs构建所述各个亚组患者的风险评分，观测风险评分与肿瘤的恶性程度的关系，并预测所述各个亚组患者的生存率；
(6)所述的各个亚组的OPR-DEGs筛选各个亚组的独立预后的OPR-DEGs。
(7)对所述的各个亚组的独立预后的OPR-DEGs，筛选潜在的靶向药物。
步骤(1)中，所述获取胶质瘤患者的PTEN基因状态具体为，从TCGA网站提取突变数据集，所述突变数据集包括基因的SNP和Indel，根据PTEN是否发生突变进行分组，并对两个亚组的病人进行生存分析。
其中，所述的从TCGA网站提取转录组数据集，筛选三组差异基因：胶质瘤与对照DEGs-all；胶质瘤PTEN-WT亚组与对照DEGs-WT，胶质瘤PTEN-mutant亚组与对照DEGs-mutant，去掉与三组中或者两组中重合的差异基因，得到各个亚组中亚组特异性的差异基因。
步骤(4)中所述的亚组特异性的DEGs与所述各个亚组患者生存时间进行拟合，通过单变量Cox回归模型和log-rank检验得到与生存时间显著相关的预后相关的DEGs，预后相关的DEGs再通过L1-penalized(LASSO)Cox-PH拟合和生存时间拟合得到所述的OPR-DEGs。
所述的OPR-DEGs各个亚组作为诊断和预后预测的生物标记物的靶基因OPR-DEGs，PTEN-WT亚组包括44个：EIF3H、DVL2、HSPC159、CAMK1、C9orf3、H1F0、ARHGAP12、MPST、FAM35B、SLC6A6、TTC12、EPDR1、TM4SF20、TMEM84、CYP27C1、ONECUT2、AQP9、ALMS1P、LOC100128288、SYNPO2L、CLDN1、APOB、LOC100190938、TDH、SSTR5、LAMC2、DUSP5、CCNO、NEUROD4、SLC16A9、HMGN5、CCIN、TGM1、CD8A、ADAMTS1、LOC649330、GGTLC2、OCIAD2、LGR6、LHFPL3、CENPV、GLCCI1、SEL1L3、MEGF10；PTEN-mutant亚组包括11个：LOC100129550、C10orf11、GPN1、CLCF1、RANBP17、CHML、LOC100133612、AEBP1、DUSP9、C2orf58、OS9。
步骤(5)中，所述的亚组患者的风险评分，利用所述的各个亚组OPR-DEGs的mRNA表达量和多因素COX的β值计算所得，公式：
Expression Risk Score＝∑βRNAn×ExpRNAn；
根据TCGA胶质瘤数据集各个亚组的中位风险评分将每个亚组分为高风险病人和低风险病人，然后比对各个亚组中高低风险的病人生存分析；利用中国胶质瘤数据库中的PTEN-WT亚组作为验证集，验证所述的基于OPR-DEG构建的风险评分与患者生存的关系。
步骤(5)中，所述的亚组患者的风险评分，利用Nomogram生存率模型，预测所述的TCGA数据集各个亚组患者的生存率。
进一步的，步骤(5)中，所述的亚组患者的风险评分，计算肿瘤微环境内免疫细胞和基质细胞比例评分和肿瘤纯度评分，验证所述各个亚组患者风险评分与肿瘤恶性程度和进展相关。
步骤(6)中，所述的独立预后的OPR-DEGs在多因素COX分析中得到p<0.05；各个亚组独立预后的OPR-DEGs，PTEN-WT组包括14个基因：HSPC159,FAM35B,SLC6A6,TM4SF20,EWSAT1,LOC100190938,TDH,SSTR5,LAMC2,HMGN5,LGR6,CENPV,SEL1L3,MEGF10，PTEN-mutant组包括3个基因：CLCF1,AECP1和OS9。
步骤(7)具体为，PTEN-mutant组的独立预后的OPR-DEGs，根据基因和转录因子相互作用、基因与miRNA相互作用和蛋白和小分子化合物结合的数据库中筛选潜在的治疗药物；蛋白和小分子化合物结合的数据库得到(+)-JQ1 compound和CLCF1，AECP1，OS9三个蛋白结合，可以作为潜在的治疗PTEN-mutant亚组的治疗药物。
本发明的有益效果：
本发明提供了一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，对不同PTEN状态下的胶质瘤进行风险评分，并筛选出最优的独立预后基因。根据胶质瘤中PTEN的状态分成PTEN突变型的胶质瘤亚组和PTEN野生型的胶质瘤亚组。通过建立各个亚组的预后模型，在PTEN野生型的亚组和PTEN突变亚组中分别得到最佳的与预后相关的基因，根据各个亚组的最佳预后基因分别计算每个亚组中患者的风险评分。在各个亚组中风险评分是一个独立的预后因素，与患者生存、肿瘤恶性程度、肿瘤微环境中的免疫细胞和基质细胞的比例和肿瘤纯度显著相关，风险评分越高预告患者的预后越差。本发明通过多因素COX分析恶性程度高的PTEN突变亚组的独立的最优预后基因，这对于PTEN突变的胶质瘤的诊断，预后预测和治疗提供了进一步的指导意义。
附图说明
图1a为实施例中TCGA数据集中PTEN-WT和PTEN-mutant的生存分析；
图1b为实施例中CGGA数据集中PTEN-WT和PTEN-mutant的生存分析；
图2为实施例中TCGA数据集中胶质瘤与正常对照之间的差异表达基因；
图3a为实施例中TCGA数据集中PTEN-WT亚组高低风险患者的生存分析；
图3b为实施例中TCGA数据集中PTEN-mutant(b)亚组高低风险患者的生存分析；
图4a为实施例中TCGA数据集中PTEN-WT亚组的风险评分和临床特征的多变量COX分析；
图4b为实施例中TCGA数据集中PTEN-mutant(b)亚组的风险评分和临床特征的多变量COX分析；
图5a为实施例中TCGA数据集中PTEN-WT亚组患者Nomogram生存率预测；
图5b为实施例中TCGA数据集中PTEN-mutant(b)亚组患者Nomogram生存率预测；
图6a为实施例中TCGA数据集中PTEN-WT亚组和PTEN-mutant亚组中不同风险评分患者的Tumor purity score；
图6b为实施例中TCGA数据集中PTEN-WT亚组和PTEN-mutant亚组中不同风险评分患者的ESTIMATEScore；
图7a为实施例中PTEN-mutant亚组的独立的OPR-DEGs的基因-miRNA；
图7b为实施例中PTEN-mutant亚组的独立的OPR-DEGs的基因-转录因子；
图7c为实施例中PTEN-mutant亚组的独立的OPR-DEGs的蛋白-小分子化合物相互作用。
具体实施方式
以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，所述方法包括：
本实施例下载癌症基因组图谱计划(The Cancer Genome Atlas Program,TCGA)胶质瘤项目的转录组测序数据，临床数据和基因突变数据，选择有这三种信息的653个病人作为我们的研究数据集，同时下载5个正常人的转录组数据最为对照。根据PTEN的突变状态，分为PTEN野生型胶质瘤亚组(PTEN-WT)和PTEN突变型胶质瘤亚组(PTEN-mutant)。TCGA胶质瘤数据集作为主要的训练数据集。
本实施例下载中国胶质瘤数据库(The Chinese Glioma Genome Atlas,CGGA)中的转录组测序数据，临床数据和基因突变数据，选择有这三种信息的144个病人作为我们的研究数据集。根据PTEN的突变状态，分为PTEN野生型胶质瘤亚组(PTEN-WT)和PTEN突变型胶质瘤亚组(PTEN-mutant)。CGGA胶质瘤数据集作为主要的验证数据集。
TCGA数据集和CGGA数据集中PTEN-WT和PTEN-mutant的生存分析显示，如图1a和图1b，PTEN-mutant亚组的预后明显低于PTEN-WT亚组，证明突变的PTEN突变与肿瘤恶性相关。对TCGA数据集中的PTEN-WT亚组和PTEN-mutant亚组的临床资料进行统计学分析,PTEN-WT亚组中位年龄为44岁，PTEN-mutant亚组中位年龄为59岁，两组间差异有统计学意义。PTEN-WT亚组中含有17％的GBM，而生存较差的PTEN-mutant亚组中含有63％的GBM，说明恶性GBM更容易发生PTEN突变。
表1 TCGA数据集中PTEN-WT亚组和PTEN-mutant临床资料对比
Figure BDA0002686331140000051
Figure BDA0002686331140000061
本实施例使用R语言中的limma软件包筛选TCGA数据集中胶质瘤与正常对照之间的差异表达基因(DEGs,FDR<0.05和|log2FC|>1)，如图2：TCGA胶质瘤与正常对照(DEGs-all,653vs.5)；TCGA PTEN-WT亚组与正常对照(DEGs-WT,575vs.5),TCGA PTEN-mutant亚组与正常对照(DEGs-mt,78vs.5)。
本实施例取TCGA数据集中亚组特异性的差异基因(只在PTEN-WT亚组中的147个差异基因和只在PTEN-mutant亚组的1938个差异基因)通过计算单变量Cox回归模型和log-rank检验得到与生存时间显著相关的预后的DEGs(PR-DEGs,log-rank p<0.05并且Wald检验p<0.05)。
本实施例在TCGA数据集各个亚组中使用拟合L1-penalized(LASSO)Cox-PH回归模型的计算各个亚组拟合最优的预后相关的基因(OPR-DEGs)。TCGA数据集中PTEN-WT亚组得到44个OPR-DEGs，L1-penalized(LASSO)COX-pH回归模型的AUC值为0.8807，TCGA数据集中PTEN-mutant亚组得到11个OPR-DEGs，L1-penalized(LASSO)COX-pH回归模型的AUC值为0.9414，说明该模型的可靠性。
本实施例根据TCGA数据集中各个亚组OPR-DEGs表达水平及其由多因素Cox计算的风险系数建立预后预测模型，根据公式建立患者预后风险评分:
风险评分＝∑βRNAn×ExpRNAn
βRNAn和ExpRNAn分别代表各个亚组OPR-DEGs中多因素Cox的风险系数和ORP-DEGs的mRNA表达水平。
本实施例根据TCGA数据集中各个亚组患者的中位风险评分将每个亚组分为高风险病人和低风险病人。然后用Kaplan-Meier方法评估亚组中高低风险的病人的生存曲线，如图3a和图3b。
本实施例采用TCGA数据集中各个亚组患者的风险评分与这些病人的临床特征进行多变量COX分析如图4a和图4b，各个亚组的一致性指数分别为0.89和0.83，患者的风险评分均为独立预后因素。PTEN-WT亚组的高风险评分的患者的风险增加了2.45，PTEN-mutant亚组高风险评分的患者风险增加3.08倍。
本实施例使用CGGA数据集验证PTEN-W亚组验证预测模型和风险评分，CGGA数据集验证PTEN-WT亚组高低风险的病人的生存时间显著差异，风险评分与临床特征进行多变量COX分析，患者的风险评分为独立预后因素。CGGA数据集验证PTEN-WT亚组的高风险评分的患者的风险增加了2.17倍。
本实施例对TCGA数据集各个亚组患者的风险评分和临床特征进行Nomogram生存率预测，如图5a和图5b，预测各个亚组患者1-15年的生存率。
ESTIMATE算法被用来估计肿瘤微环境中免疫细胞和基质细胞的比例和肿瘤纯度，根据肿瘤的特性，肿瘤恶性程度越高，肿瘤微环境中免疫细胞和基质细胞的比例越高，肿瘤纯度越低。TCGA数据集中的与TCGA数据集中胶质瘤患者的风险评分和ESTIMATEScore呈正相关，与肿瘤纯度评分呈负相关，说明本研究得到的风险评分的可靠性，如图6a和图6b。
本实施例TCGA数据集中各个亚组的OPR-DEGs进行多因素COX分析，p<0.05为独立的OPR-DEGs，可以作为不同PTEN状态下胶质瘤的诊断、预后预测和治疗的靶标。
本实施例使用NetworkAnalyst构建各个亚组的独立的OPR-DEGs的基因-miRNA、基因-转录因子和蛋白-小分子化合物相互作用，并使用Cytoscape软件进行可视化，PTEN-mutant亚组的独立的OPR-DEGs的基因-miRNA、基因-转录因子和蛋白-小分子化合物相互作用，如图7a、图7b、图7c。本实施例筛选到(+)-JQ1化合物与这三个蛋白结合，该化合物是治疗PTEN-mutant亚组胶质瘤的潜在药物。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，包括以下步骤：
(1)获取胶质瘤患者的PTEN基因状态，所述PTEN基因状态为PTEN基因是否发生突变；
(2)根据胶质瘤患者的PTEN基因状态对所述胶质瘤患者进行分层，将所述胶质瘤患者分为野生型PTEN亚组即PTEN-WT亚组，和突变型PTEN亚组即PTEN-mutant亚组；
(3)分别对所述各个亚组的患者筛选亚组特异性的差异基因即DEGs；
(4)将所述亚组特异性的DEGs与所述各个亚组患者生存时间进行拟合，得到亚组特异性的最优预后DEGs即OPR-DEGs；
(5)利用所述的各个亚组的OPR-DEGs构建所述各个亚组患者的风险评分，观测风险评分与肿瘤的恶性程度的关系，并预测所述各个亚组患者的生存率；
(6)所述的各个亚组的OPR-DEGs筛选各个亚组的独立预后的OPR-DEGs；
(7)对所述的各个亚组的独立预后的OPR-DEGs，筛选潜在的靶向药物。
2.根据权利要求1所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(1)中，所述获取胶质瘤患者的PTEN基因状态具体为，从TCGA网站提取突变数据集，所述突变数据集包括基因的SNP和Indel，根据PTEN是否发生突变进行分组，并对两个亚组的病人进行生存分析。
3.根据权利要求2所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，所述的从TCGA网站提取转录组数据集，筛选三组差异基因：胶质瘤与对照DEGs-all；胶质瘤PTEN-WT亚组与对照DEGs-WT，胶质瘤PTEN-mutant亚组与对照DEGs-mutant，去掉与三组中或者两组中重合的差异基因，得到各个亚组中亚组特异性的差异基因。
4.根据权利要求1所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(4)中所述的亚组特异性的DEGs与所述各个亚组患者生存时间进行拟合，通过单变量Cox回归模型和log-rank检验得到与生存时间显著相关的预后相关的DEGs，预后相关的DEGs再通过L1-penalized(LASSO)Cox-PH拟合和生存时间拟合得到所述的OPR-DEGs。
5.根据权利要求4所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，所述的OPR-DEGs各个亚组作为诊断和预后预测的生物标记物的靶基因OPR-DEGs，PTEN-WT亚组包括44个：EIF3H、DVL2、HSPC159、CAMK1、C9orf3、H1F0、ARHGAP12、MPST、FAM35B、SLC6A6、TTC12、EPDR1、TM4SF20、TMEM84、CYP27C1、ONECUT2、AQP9、ALMS1P、LOC100128288、SYNPO2L、CLDN1、APOB、LOC100190938、TDH、SSTR5、LAMC2、DUSP5、CCNO、NEUROD4、SLC16A9、HMGN5、CCIN、TGM1、CD8A、ADAMTS1、LOC649330、GGTLC2、OCIAD2、LGR6、LHFPL3、CENPV、GLCCI1、SEL1L3、MEGF10；PTEN-mutant亚组包括11个：LOC100129550、C10orf11、GPN1、CLCF1、RANBP17、CHML、LOC100133612、AEBP1、DUSP9、C2orf58、OS9。
6.根据权利要求1所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(5)中，所述的亚组患者的风险评分，利用所述的各个亚组OPR-DEGs的mRNA表达量和多因素COX的β值计算所得，公式：
Expression Risk Score＝∑βRNAn×ExpRNAn；
根据TCGA胶质瘤数据集各个亚组的中位风险评分将每个亚组分为高风险病人和低风险病人，然后比对各个亚组中高低风险的病人生存分析；利用中国胶质瘤数据库中的PTEN-WT亚组作为验证集，验证所述的基于OPR-DEG构建的风险评分与患者生存的关系。
7.根据权利要求6所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(5)中，所述的亚组患者的风险评分，利用Nomogram生存率模型，预测所述的TCGA数据集各个亚组患者的生存率。
8.根据权利要求1所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(5)中，所述的亚组患者的风险评分，计算肿瘤微环境内免疫细胞和基质细胞比例评分和肿瘤纯度评分，验证所述各个亚组患者风险评分与肿瘤恶性程度和进展相关。
9.根据权利要求1所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(6)中，所述的独立预后的OPR-DEGs在多因素COX分析中得到p<0.05；各个亚组独立预后的OPR-DEGs，PTEN-WT组包括14个基因：HSPC159,FAM35B,SLC6A6,TM4SF20,EWSAT1,LOC100190938,TDH,SSTR5,LAMC2,HMGN5,LGR6,CENPV,SEL1L3,MEGF10，PTEN-mutant组包括3个基因：CLCF1,AECP1和OS9。
10.根据权利要求9所述的一种基于PTEN基因状态筛选胶质瘤生物标记物的方法，其特征在于，步骤(7)具体为，PTEN-mutant组的独立预后的OPR-DEGs，根据基因和转录因子相互作用、基因与miRNA相互作用和蛋白和小分子化合物结合的数据库中筛选潜在的治疗药物；蛋白和小分子化合物结合的数据库得到(+)-JQ1 compound和CLCF1，AECP1，OS9三个蛋白结合，可以作为潜在的治疗PTEN-mutant亚组的治疗药物。
CN202010977490.6A 2020-09-17 2020-09-17 基于pten基因状态筛选胶质瘤生物标记物的方法 Active CN112071365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010977490.6A CN112071365B (zh) 2020-09-17 2020-09-17 基于pten基因状态筛选胶质瘤生物标记物的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010977490.6A CN112071365B (zh) 2020-09-17 2020-09-17 基于pten基因状态筛选胶质瘤生物标记物的方法

Publications (2)

Publication Number Publication Date
CN112071365A true CN112071365A (zh) 2020-12-11
CN112071365B CN112071365B (zh) 2023-09-19

Family

ID=73680595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010977490.6A Active CN112071365B (zh) 2020-09-17 2020-09-17 基于pten基因状态筛选胶质瘤生物标记物的方法

Country Status (1)

Country Link
CN (1) CN112071365B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035279A (zh) * 2021-04-13 2021-06-25 西北工业大学 基于miRNA测序数据的帕金森疾病演化关键模块识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102177251A (zh) * 2008-09-03 2011-09-07 约翰·霍普金斯大学 恶性神经胶质瘤的异柠檬酸脱氢酶和其他基因的遗传改变
US20120270233A1 (en) * 2008-02-11 2012-10-25 Historx, Inc. Association of biomarkers with patient outcome
CN106795550A (zh) * 2013-12-30 2017-05-31 促进军事医学的亨利·M·杰克逊基金会公司 与前列腺癌有关的基因组重排和使用所述基因组重排的方法
CN110603593A (zh) * 2017-02-09 2019-12-20 社会福祉法人三星生命公益财团 用于肿瘤治疗的靶基因识别方法
CN110885886A (zh) * 2018-09-07 2020-03-17 华中科技大学同济医学院附属协和医院 一种胶质母细胞瘤鉴别诊断及胶质瘤生存预后的分型方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120270233A1 (en) * 2008-02-11 2012-10-25 Historx, Inc. Association of biomarkers with patient outcome
CN102177251A (zh) * 2008-09-03 2011-09-07 约翰·霍普金斯大学 恶性神经胶质瘤的异柠檬酸脱氢酶和其他基因的遗传改变
CN106795550A (zh) * 2013-12-30 2017-05-31 促进军事医学的亨利·M·杰克逊基金会公司 与前列腺癌有关的基因组重排和使用所述基因组重排的方法
CN110603593A (zh) * 2017-02-09 2019-12-20 社会福祉法人三星生命公益财团 用于肿瘤治疗的靶基因识别方法
CN110885886A (zh) * 2018-09-07 2020-03-17 华中科技大学同济医学院附属协和医院 一种胶质母细胞瘤鉴别诊断及胶质瘤生存预后的分型方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEI ZHANG等: "Current Opinionon Molecular Characterization for GBM Classification in Guiding Clinical Diagnosis, Prognosis, and Therapy", FRONTIERS IN MOLECULAR BIOSCIENCES, vol. 7, no. 562798, pages 1 - 13 *
何利珍;钟雪云;: "PTEN基因在胶质瘤细胞SWO38及其亚系中表达的异质性研究", 实用医院临床杂志, no. 05 *
赵军;刘晓谦;张军;李晖;康铁江;王策;: "脑胶质瘤组织PTEN基因异常及其蛋白表达", 第四军医大学学报, no. 09 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035279A (zh) * 2021-04-13 2021-06-25 西北工业大学 基于miRNA测序数据的帕金森疾病演化关键模块识别方法

Also Published As

Publication number Publication date
CN112071365B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
Zhang et al. An immune-related signature predicts survival in patients with lung adenocarcinoma
US11996202B2 (en) Cancer evolution detection and diagnostic
CN110958853B (zh) 用于鉴定或监测肺病的方法和系统
CN104160037A (zh) 用于评估杂合性丢失的方法与材料
Zhang et al. Immune microenvironments differ in immune characteristics and outcome of glioblastoma multiforme
CN115497562B (zh) 一种基于铜死亡相关基因的胰腺癌预后预测模型构建方法
JP7340021B2 (ja) 予測腫瘍遺伝子変異量に基づいた腫瘍分類
Pan et al. RNA N6-methyladenosine regulator-mediated methylation modifications pattern and immune infiltration features in glioblastoma
Xu et al. Prognostic and predictive value of m6A “Eraser” related gene signature in gastric cancer
Peng et al. Identification of a novel prognostic signature of genome instability-related LncRNAs in early stage lung adenocarcinoma
Zhan et al. Development and validation of a prognostic gene signature in clear cell renal cell carcinoma
Chang et al. Distinct immune and inflammatory response patterns contribute to the identification of poor prognosis and advanced clinical characters in bladder cancer patients
Zhu et al. Cuprotosis clusters predict prognosis and immunotherapy response in low-grade glioma
CN112071365A (zh) 基于pten基因状态筛选胶质瘤生物标记物的方法
Liu et al. A tumor progression related 7-gene signature indicates prognosis and tumor immune characteristics of gastric cancer
Veronez et al. MicroRNA expression profile predicts prognosis of pediatric adrenocortical tumors
Zhang et al. Identification and Verification of a 17 Immune‐Related Gene Pair Prognostic Signature for Colon Cancer
CN116529835A (zh) 预测癌症进展的方法
Yan et al. Identification of an Inflammatory Response‐Related Gene Signature to Predict Survival and Immune Status in Glioma Patients
Shen et al. Construction and validation of a bladder cancer risk model based on autophagy-related genes
Han et al. The combined signatures of telomere and immune cell landscape provide a prognostic and therapeutic biomarker in glioma
Zhuang et al. Signature Construction and Disulfidptosis-Related Molecular Cluster Identification for Better Prediction of Prognosis in Glioma
Abulaiti et al. Prognostic value of anoikis-related genes revealed using multi-omics analysis and machine learning based on lower-grade glioma features and tumour immune microenvironment
Bhandarkar et al. Precision oncology in neurofibromatosis type 1: quantification of differential sensitivity to selumetinib in plexiform neurofibromas using single-cell RNA sequencing
Jiao et al. Lactylation-related gene signature for prognostic prediction and immune infiltration analysis in breast cancer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant