CN116004836A - 制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用 - Google Patents

Abstract

本发明提供制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用，属基因工程技术领域。本发明对泛癌中SARS‑CoV‑2的目标基因进行系统的多组学分析。在基因组层面，STGs的SNV，CNV和甲基化等改变在泛癌中具有重要意义。在表达层面，STGs在多种肿瘤中表达差异，与肿瘤的预后及相关信号通路密切相关。STGs与肿瘤微环境密切相关，其异常表达促进肿瘤的免疫浸润。STGs参与抗癌药物耐药性形成，表明其靶向治疗的潜能。本发明揭示STGs的基因组和临床特征，探讨了其与肿瘤免疫的关系，阐释了肿瘤和新冠病毒之间的潜在分子作用机制，加深了对新冠病毒和肿瘤的了解，并为肿瘤的病毒疗法提供新思路。

Description

制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用

技术领域

本发明涉及基因工程领域，特别是涉及制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用。

背景技术

由新型冠状病毒SARS-CoV-2引起的新冠感染持续大流行正在影响全球健康。在2020年，全球有1930万例癌症新发病例，近1000万例死亡。面对这两个人类健康的重大威胁，探索新的治疗方法已刻不容缓。根据以往经验，病毒与肿瘤之间有密切关系，据估计，15-20％的癌症是由病毒感染引起的。大量的研究发现多种公认的人类肿瘤病毒，例如人乙型肝炎(HBV)和丙型(HCV)病毒，人瘤病毒(HPV)，EB病毒(EBV)和卡波西肉瘤疱疹病毒(KSHV)等。

最新研究表明SARS-CoV-2可以抑制霍奇金淋巴瘤发展。针对SARS-CoV-2的RNA疫苗可以刺激宿主免疫系统进而抑制肿瘤的发展进程，但肿瘤与SARS-CoV-2之间的关系尚未明确。

发明内容

为了解决上述问题，本发明提供了制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用，本发明揭示了新型冠状病毒的目标基因与肿瘤的关系图景，靶向这些目标基因可能是治疗癌症的一种重要方法，为肿瘤的靶向治疗策略提供新的思路。

为了实现上述目的，本发明提供如下技术方案：

本发明提供了制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用。

本发明还提供了制备新型冠状病毒的目标基因的试剂调控肿瘤免疫微环境影响肿瘤进展中的应用。

本发明还提供了制备新型冠状病毒的目标基因的异常表达的试剂在介导肿瘤对化疗和靶向药物治疗耐药性中的应用。

本发明还提供了制备新型冠状病毒的目标基因的试剂在促进肿瘤免疫途径影响肿瘤进展中的应用。

优选的，所述新型冠状病毒包括新型冠状病毒SARS-CoV-2。

优选的，所述目标基因包括ACE2基因、NRP1基因、SCARB1基因、AXL基因和TMPRSS2基因中的一种或几种。

优选的，所述肿瘤包括膀胱尿路上皮癌、急性髓系白血病、肾上腺皮质癌、乳腺癌浸润性癌、肾嫌色细胞瘤、宫颈鳞状细胞癌、宫颈内膜腺癌、胆管癌、结肠腺癌、食管癌、多形性胶质母细胞瘤、头颈部鳞状细胞癌、肾透明细胞癌、肾乳头状细胞癌、低级别胶质瘤、嗜铬细胞瘤、副神经节瘤、肝癌细胞癌、肺腺癌、肺鳞状细胞癌、淋巴样肿瘤扩散大B细胞淋巴瘤、间皮瘤、卵巢浆液性囊腺癌、前列腺腺癌、直肠腺癌、肉瘤、葡萄膜黑色素瘤、胃腺癌、胰腺腺癌、睾丸生殖细胞瘤、胸腺瘤、甲状腺癌、子宫体子宫内膜癌、子宫癌肉瘤、和皮肤黑色素瘤中的一种或多种。

本发明综合评估了33种实体肿瘤中SARS-CoV-2目标基因(SARS-CoV-2TargetGenes,STGs)的基因组学和临床特征。本发明发现，基因组和表观遗传学的改变，导致了STGs的异常表达，这与肿瘤标志性相关通路的激活、临床生存和免疫浸润显著相关。本发明揭示了STGs与肿瘤的关系图景，靶向这些STGs可能是治疗癌症的一种重要方法，为肿瘤的靶向治疗策略提供新的思路。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。

图1，(A)正常样本与肿瘤样本之间的STGs表达差异，(B)STGs的生存分析，点的大小代表基因对每种癌症类型生存影响的显著性，p值通过Kaplan-Meier分析获得。红点表示该表达在癌症类型中的存活率较差，蓝点表示该表达在癌症类型中的存活率较好；

图2，(A)STGs的突变频率。数字代表了对某一特定癌症具有相应突变基因的样本的数量，“0”表示该基因编码区没有突变，没有数字表示该基因的任何区域都没有突变，(B)一个显示STGs的突变分布和SNV类型的分类的肿瘤分布瀑布图，(C)STGs的SNV与生存的关系，通过气泡颜色和大小显示风险比和Cox p值，气泡颜色从蓝色到红色表示从低到高的危害比，气泡大小与Cox P值显著性呈正相关。黑色轮廓边框表示Cox P值≤0.05；

图3，(A)CNV在33种癌症中的分布，CNV饼图显示了每种癌症中每个基因的杂合CNV或纯合CNV，饼状图表示一个基因在一种癌症中不同类型的CNV的比例，不同的颜色代表不同类型的CNV，(B)气泡图表示STGs表达与CNV水平之间的图谱，蓝色气泡代表负相关，红色气泡表示正相关，颜色越深，相关性越高，气泡大小与FDR显著性呈正相关，黑色轮廓边框表示FDR≤0.05，(C)癌症中STGs的CNV与生存率的关系，通过气泡颜色和大小显示Log-rankp值，气泡颜色从蓝色到红色表示Log-rank P值从低到高的显著性，气泡大小与Log-rankP值的显著性呈正相关，黑色轮廓边框表示Log-rankP值≤0.05；

图4，(A)甲基化与STGs表达的相关性，蓝点表示负相关，红点表示正相关，其中颜色越深，相关性越高，(B)高甲基化和低甲基化STGs样本之间的生存差异，通过气泡颜色和大小显示风险比和Coxp值，气泡颜色从蓝色到红色表示从低到高的危害比，气泡大小与CoxP值显著性呈正相关，黑色轮廓边框表示CoxP值≤0.05；

图5，(A)STGs表达对通路活性具有潜在影响的癌症百分比，在癌症类型中，基因对通路有影响(FDR<＝0.05)的癌症百分比，每个单元格中的数字表示百分比(特定基因与特定途径显示出显着关联的癌症占总分析癌症数目的百分比)(B)气泡图总结STGs表达与药物IC50(肿瘤耐药性)的相关性，蓝色气泡表示负相关，红色气泡表示正相关，颜色越深，相关性越高，气泡大小与FDR显著性呈正相关，黑色轮廓边框表示FDR≤0.05；

图6，(A)免疫细胞浸润与STGs的之间的关联，热图总结了P值和FDR对输入基因集GSA评分与免疫细胞浸润之间Pearman相关性分析的意义，蓝点表示负相关，红点表示正相关，其中颜色越深，相关性越高，*：P值≤0.05；#：FDR≤0.05，(B)STGs与免疫刺激剂免疫途径的相关性，R代表相关性，R>0为正相关，(C)STGs与MHC免疫途径的相关性，R代表相关性，R>0为正相关，(D)STGs与趋化因子免疫途径的相关性，R代表相关性，R>0为正相关；

图7为LUAD和KIRC中STG的预后风险模型。A-C：LUAD，D-F：KIRC，(A、D)根据STGs预后风险模型进行风险评分分析的样本分布，低风险和高风险集群的不同生存状态和时间模式，聚类分析热图显示了基于风险模型的各患者STGs表达情况，(B、E)低危和高风险组患者的OS的Kaplan-Meier生存曲线，HR>1建议使用风险模型，而HR<1建议使用保护模型；95％CL表示HR置信区间；中位生存时间表示低风险和高风险组的生存率在50％的基础上的时间，(C、F)风险模型在不同时间的ROC曲线，AUC值越大，表示预测能力越强；

图8，用于预测LUAD和KIRC中STG和临床因素的柱状图；(A、B、C、D)LUAD，(C，D，F，H)KIRC。(A、C)单变量生存分析的森林图。(B、D)多变量生存分析的森林图，p值<0.05表示与OS的显著关系，(E，F)编制了KIRC患者的列线图，列线图是用NRP1，pT-stage和等级开发的，(G，H)列线图的校准，列线图的校准曲线；

图9，KIRC中STG的qRT-PCR实验分析(n＝3)，P<0.05被认为是具有显著差异，*：p<0.05，**：p<0.01，***：p<0.001，****：p<0.001，ns：不显著；

图10，基于基因的相关因素相关性的二维图谱(热图)，红色代表上调、正相关或存在，蓝色代表下调，负相关，白色表示无显著相关性、不存在或缺失的相关性，(A)ACE2，(B)NRP1，(C)SCARB1，(D)AXL，(E)TMPRSS2。

具体实施方式

本发明提供了制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用。

本发明还提供了制备新型冠状病毒的目标基因的试剂在调控肿瘤免疫微环境影响肿瘤进展中的应用。

本发明还提供了制备新型冠状病毒的目标基因的异常表达的试剂在介导肿瘤对化疗和靶向药物治疗耐药性中的应用。

本发明还提供了制备新型冠状病毒的目标基因的试剂在促进肿瘤免疫途径影响肿瘤进展中的应用。

在本发明中，所述新型冠状病毒优选包括新型冠状病毒SARS-CoV-2。在本发明中，所述目标基因优选包括ACE2基因、NRP1基因、SCARB1基因、AXL基因和TMPRSS2基因中的一种或几种。

在本发明中，所述肿瘤优选包括膀胱尿路上皮癌、急性髓系白血病、肾上腺皮质癌、乳腺癌浸润性癌、肾嫌色细胞瘤、宫颈鳞状细胞癌、宫颈内膜腺癌、胆管癌、结肠腺癌、食管癌、多形性胶质母细胞瘤、头颈部鳞状细胞癌、肾透明细胞癌、肾乳头状细胞癌、低级别胶质瘤、嗜铬细胞瘤、副神经节瘤、肝癌细胞癌、肺腺癌、肺鳞状细胞癌、淋巴样肿瘤扩散大B细胞淋巴瘤、间皮瘤、卵巢浆液性囊腺癌、前列腺腺癌、直肠腺癌、肉瘤、葡萄膜黑色素瘤、胃腺癌、胰腺腺癌、睾丸生殖细胞瘤、胸腺瘤、甲状腺癌、子宫体子宫内膜癌、子宫癌肉瘤、和皮肤黑色素瘤中的一种或多种。

为了进一步说明本发明，下面结合实施例对本发明进行详细地描述，但不能将它们理解为对本发明保护范围的限定。

实施例1

1.数据集下载和处理

STGs从VThunter数据库(https://db.cngb.org/VThunter)和文献取得。GSCA数据库(http://bioinfo.life.hust.edu.cn/GSCA)收集癌症基因组图谱(TCGA)(https://portal.gdc.cancer.gov/)中的肿瘤相关数据，包括表达数据(n＝10471)，临床数据(n＝11,160)，单核苷酸变异(SNV)数据(n＝10234)，拷贝数变异(CNV)数据(n＝11461)，甲基化数据(n＝10063)。来自癌症蛋白质组图谱(TCPA)(https://tcpaportal.org/tcpa/index.html)的反相蛋白阵列(RPPA)数据用于通路研究。基因表达与药物敏感性之间的相关性利用癌症药物敏感性基因组学(GDSC)数据库(www.cancerrxgene.org)研究。

将33种癌症的样本纳入分析：膀胱尿路上皮癌(BLCA,n＝411)，急性髓系白血病(LAML,n＝173)，肾上腺皮质癌(ACC,n＝92)，乳腺癌浸润性癌(BRCA,n＝1218)，肾嫌色细胞瘤(KICH,n＝91)，宫颈鳞状细胞癌和宫颈内膜腺癌(CESC,n＝310)，胆管癌(CHOL,n＝45)，结肠腺癌(COAD,n＝329)，食管癌(ESCA,n＝196)，多形性胶质母细胞瘤(GBM,n＝174)，头颈部鳞状细胞癌(HNSC,n＝566)，肾透明细胞癌(KIRC,n＝606)，肾乳头状细胞癌(KIRP,n＝323)，低级别胶质瘤(LGG,n＝534)，嗜铬细胞瘤和副神经节瘤(PCPG,n＝187)，肝癌细胞癌(LIHC,n＝359)，肺腺癌(LUAD,n＝576)，肺鳞状细胞癌(LUSC,n＝554)，淋巴样肿瘤扩散大B细胞淋巴瘤(DLBC,n＝48)，间皮瘤(MESO,n＝87)，卵巢浆液性囊腺癌(OV,n＝309)，前列腺腺癌(PRAD,n＝550)，直肠腺癌(READ,n＝105)，肉瘤(SARC,n＝265)，葡萄膜黑色素瘤(UVM,n＝80)，胃腺癌(STAD,n＝450)，胰腺腺癌(PAAD,n＝183)，睾丸生殖细胞瘤(TGCT,n＝156)，胸腺瘤(THYM,n＝122)，甲状腺癌(THCA,n＝572)，子宫体子宫内膜癌(UCEC,n＝201)，子宫癌肉瘤(UCS,n＝57和皮肤黑色素瘤(SKCM,n＝474)。

2.差异表达及预后分析

在mRNA差异表达分析中，只有COAD,ESCA,KIRC,HNSC,PRAD,BRCA,BLCA,THCA,STAD,KIRP,LUAD,LIHC和KICH这14种癌症类型因为包含超过10对肿瘤和正常样本而被纳入分析。TCGA中mRNA的表达值用归一化的RSEM值表示。通过平均值(肿瘤)/平均值(正常)计算倍数变化，p值采用t检验确定，p值采用错误发现率(FDR)进行调整。

33种癌症中STGs表达数据和相应的临床生存数据合并后根据中值将肿瘤样本分为高低组并进行表达生存分析。

3.单核苷酸变异分析

33种癌症的10234个样本的单核苷酸变异(SNV)数据从TCGA数据库收集。该分析包括Missense_Mutation、Nonsense_Mutation、Frame_Shift_Ins、Splice_Site、Frame_Shift_Del、In_Frame_Del、In_Frame_Ins这七种称为有害突变的突变类型。

4.拷贝数变化分析

33种癌症类型的拷贝数(CNV)的原始数据(n＝11495)从TCGA数据库中收集后使用GISTICS2.0进行处理以识别患者组中扩增或缺失的显着改变区域10.1186/gb-2011-12-4-r41。合并mRNA表达数据和CNV原始数据，进行Spearman相关分析，得到基因mRNA表达与CNV之间的相关性。P值由FDR调整。Log-rank检验测试组间的生存差异。

5.甲基化分析

甲基化数据(n＝10063)从TCGA数据库中收集，甲基化分析是基于这14种有配对数据的癌症类型。采用T检验来确定肿瘤和正常样本之间的甲基化差异，p值由FDR进行调整。Spearman分析用于获得基因mRNA表达与甲基化水平之间的相关性。P值由FDR调整。甲基化中位数用于将肿瘤样本分为高甲基化组和低甲基化组后进行生存分析。

6.相关通路分析

计算33种肿瘤样本的10种癌症相关通路(TSC/mTOR、RTK、RAS/MAPK、PI3K/AKT、激素ER、激素AR、EMT、DNA损伤反应、细胞周期、细胞凋亡途径。)的通路活性评分。通路活性分组(激活和抑制)之间基因表达的差异，由中值通路分数定义。样本按基因表达中位数分为2组(高和低)，组间通路活性评分(PAS)的差异通过T检验定义，p值通过FDR调整。例如，当PAS(Gene A High expression)>PAS(Gene A Low expression)时，本发明认为基因A可能对通路有激活作用，否则对通路有抑制作用。

7.药物敏感性分析

在860个细胞系中，265个小分子的IC50及其相应的基因表达从癌症药物敏感性基因组学(GDSC)收集，与表达数据合并。进行Pearson相关分析，得到基因mRNA表达与药物IC50的相关性。P值由FDR调整。正相关意味着该基因的高表达表明了对药物的耐药性。

8.STGs与免疫关系分析

ImmuCellAI算法用于评估24个免疫细胞的浸润，用相关系数表示。通过Spearman相关性分析免疫细胞浸润与甲型流感病毒目标基因GSVA评分的关联，P值由FDR调整。从TISIDB(http://cis.hku.hk/TISIDB/)获得趋化因子、MHC途径、免疫刺激剂这三个免疫相关途径的标志基因集。通过GEPIA2数据库分析STGs与趋化因子、MHC途径、免疫刺激剂这三个免疫相关途径之间的关系(peason系数)。

9.风险模型的建立与验证

采用R软件survival包执行多变量Cox回归分析、建立风险预后模型。模型是一个包含多个基因的RiskScore公式，各基因有权重，负数代表该基因为保护基因，正数代表该基因为危险基因。根据中值将患者分为高危组和低危组。log rank用于检验KM生存分析比较上述两组或多组之间的生存差异，执行ROC方法评估模型的预测效率，并分析风险内部基因的相互关系。对于Kaplan-Meier曲线，p值和具有95％置信区间(CI)的危险比(HR)通过logrank检验和单变量Cox回归得出。

10.列线图的建立

单变量和多变量cox回归分析并通过“forestplot”包使用森林图来显示每个变量的P值，HR和95％CI。根据多变量Cox比例风险分析的结果，使用"rms"包建立列线图来预测1,3，5年总生存率。列线图提供了这些因素的图形化结果，可以通过与每个风险因素相关的点来计算单个患者的预后风险。

11.qRT-PCR实验验证分析

HK-2，786-O和Caki-1的细胞系来自美国类型培养物保藏(弗吉尼亚州，美国)。在6孔板中，细胞以50000个的密度接种。当细胞达到融合时，使用Trizol试剂(Invitrogen，NY，US)提取总RNA。cDNA使用iScript cDNA合成试剂盒(Bio Rad，Hercules，US)合成。使用qPCR设备(480，罗氏生命科学)，Power SYBR Green PCR预混液(赛默飞世尔科技，美国马萨诸塞州)和基因特异性引物完成实时荧光定量PCR。β肌动蛋白起到了内部对照的作用。使用效率校正的2^-△△CT的方法，计算出基因表达倍数的变化。

12.统计分析

如果没有特别说明，所有统计分析均采用R软件(v4.0.3)执行。相关性分析采用斯皮尔曼相关性检验。采用Cox比例风险模型计算生存风险和HR。R包“survival”用于分析两组的生存时间和生存状态。并采用Log-rank检验进行比较。秩和检验检测到两组数据，P值<0.05或FDR≤0.05被认为有统计学意义。结果中展示p值小于0.05的基因和癌症类型。

结果：

1.新冠病毒目标基因的确定

从VThunter数据库中检索到4种STGs(ACE2,NRP1,SCARB1,AXL)，文献中找到一种STGs(TMPRSS2)，用于下一步分析。

2.STGs在肿瘤和正常组织间有显著表达差异

图1中A显示，STGs在KICH,LUSC,BRCA,LIHC,BLCA,COAD,PRAD,THCA,LUAD,HNSC,ESCA,KIRP,KIRC这13种实体肿瘤中异常表达(P<0.05，图1中A)，在STAD中表达无显著差异。特别的是，SCARB1在肿瘤中的表达水平一般显著上调(P<0.05)。而在KIRC中4个STGs都是有显著表达差异，表达都是上调的(P<0.05)。

图1中B显示，NRP1的表达在STAD,CESC,READ,UVM中与低生存率相关，为危险因素(HR>1)；在LGG和KIRC中与高生存率相关，为保护因素(HR<1)。SCARB1在HNSC和UVM中与低生存率相关，为危险因素(HR>1)；在LGG中与高生存率相关，为保护因素(HR<1)。AXL在STAD,LGG,MESO,KIRC中为危险因素(HR>1)，在SKCM和KIRP中为保护因素(HR<1)。ACE2在UVM,MESO,KIRC,LIHC中为保护因素(HR<1)。TMPRSS2是BRCA的危险因素(HR>1)，但在KICH，LUAD和THYM中是保护因素(HR<1)。

这些结果表明，STGs的异常表达可能影响了肿瘤的发生和预后。

3.STGs的体细胞突变

本发明分析了STGs相关的SNV数据，以检测每个癌症的频率和变异类型。

图2中A显示，除了KICH之外，STGs在其他的癌症中发生了体细胞突变。在UCEC和SKCM中STGs的突变较为明显，最高超过了10％。

图2中B显示，错义突变是主要类型。SNV百分比分析显示，基因突变率排序为AXL(37％)、NRP1(33％)、ACE2(25％)、TMPRSS2(17％)和SARB1(15％)。

图2中C显示，UCEC中的ACE2的HR小于1，为保护因素。LUAD中的AXL,SKCM中的NRP1的HR大于1，为危险因素。

这些结果表明了STGs的突变基因和非突变基因在肿瘤和正常组织中有显著差异，而且部分STGs的突变可以影响到肿瘤的预后。

4.STGs的拷贝数变化

为了确定CNV的变化，本发明分析了STGs的CNV数据。

图3中A显示，STGs主要的CNV类型为杂合子扩增和缺失。(HeteAmp：杂合扩增；HeteDel：杂合缺失；HomoAmp：纯合扩增；Homo Del：纯合缺失；)

图3中B显示，STGs的表达多数与CNV无显著相关，部分为正相关，只有绝少数的为负相关。

图3中C显示,在部分肿瘤中，STGs的CNV变化与肿瘤生存率负相关，为危险因素。

这个结果说明了STGs的CNV变化绝大部分为杂合子扩增和缺失，与STGs的表达和肿瘤预后具有相关性，可能与不良预后相关。

5.STGs的甲基化分析

本发明探索了STGs的甲基化情况，以确定表观遗传调控。

图4中A显示，甲基化和mRNA表达相关性分析表明，在大多数肿瘤中，绝大多数STGs的表达水平与其甲基化水平呈负相关。

图4中B显示，STGs在PRAD，MESO，LIHC，PRAD，THYM以及SKCM，ESCA中的高甲基化与低生存率有关，为危险因素(HR>1)。较为特别的是，ACC和UVM中的ACE2，ACC中的AXL和LGG中的SCARB1为危险因素。

6.STGs与癌症相关通路关系分析

本发明也进行了STGs与癌症相关通路关系的分析。

图5中A显示，4个STGs都显著参与了癌症相关信号通路，包括Apoptosis,CellCycle,DNA Damage,EMT,Hormone AR,Hormone ER,PI3K/AKT,RAS/MAPK,RTK,TSC/mTOR。图中的每个单元格中的数字表示基因与特定通路相关的癌症类型占总癌症类型的百分比。特别是AXL对细胞周期通路的抑制和EMT通路的激活具有很深的参与度。这些结果表明，STGs在调节癌症相关通路中起着重要作用。

7.STGs与肿瘤耐药性分析

基因组变化影响患者对化疗和靶向治疗的临床反应。

图5中B显示，肿瘤对30种药物的耐药性(IC50)与STGs的表达有显著相关性。这些结果表明，STGs的异常表达可能介导了肿瘤对化疗和靶向药物治疗的耐药性。

8.STGs和免疫的关系

图6中A显示，在肿瘤中STGs的GSVA评分与InfiltrationScore正相关，而在大部分肿瘤中，STGs的GSVA评分与多种免疫浸润细胞的表达呈正相关(*:P value≤0.05；#:FDR≤0.05)。

图6中B-D显示，STGs与免疫刺激途径存在正相关关系(FIG.6B,R＝0.42)，STGs与MHC免疫途径正相关(FIG.6C,R＝0.40)，STGs与趋化因子免疫途径正相关(FIG.6D,R＝0.33)。这些结果说明了STGs与肿瘤免疫相关，可能通过肿瘤免疫途径影响肿瘤进展。

9.STGs在LUAD和KIRC中的预测特征

由于所有五种STG在KIRC中均异常表达，因此本研究考虑KIRC评估基于STG的风险预后模型。同时，由于SARS-CoV-2是一种呼吸道病毒，我们也考虑了LUAD。通过多变量Cox回归分析鉴定了5个STG，并用于在LUAD和KIRC中创建预测特征。在LUAD中，风险核心＝(0.135)*ACE2+(0.001)*NRP1+(0.1469)*SCARB1+(0.1219)*AXL+(-0.1506)*TMPRSS2。在KIRC中，风险核心＝(-0.2469)*ACE2+(-0.3409)*NRP1+(-0.0526)*SCARB1+(0.2364)*AXL+(-0.1833)*TMPRSS2。根据风险评分的中位临界点，根据预后评分将所有患者分为高风险组和低风险组。与风险评分相关的公式中的每个STGs表达式值都显示在热图上。在LUAD和KIRC中，当风险评分上升时，生存率下降，癌症相关死亡率增加(图7A，D)。低风险评分的患者被认为比高风险评分的患者有更大的机会达到相同的生存时间(图7B，E)。ROC分析的预后特征一年生存期的AUC值在LUAD中为0.646，而ROC分析的一年生存期的AUC值在KIRC中为0.733(图7C，F)。这一结果证明了STGs对肿瘤预测的有效性，更重要的是STGs与肿瘤之间的重要相关性。

10.STGs和临床因素的肿瘤预后列线图

为了开发一种临床适用的方法来评估患者的生存机会，使用列线图构建考虑临床病理参数的预测模型。基于对LUAD(图8中的A，B)和KIRC(图8中的C，D)中OS速率的单变量和多变量分析，建立了列线图模型。Cox回归算法用于预测发现组中的1年，3年和5年OS，预测因子包括Pt-stage等因素。发现LUAD的C指数为0.713(图8中E)，KIRC为0.73(图8中F)，具有预测能力。与整个队列中的理想模型相比，LUAD(图8中G)和KIRC(图8中H)中1年，3年和5年OS速率的校准图显示了正确的预测。

11.KIRC中STG的qRT-PCR分析

结果表明，KIRC中所有STG(ACE2，NRB1，SCARB1，AXL)的转录水平均上调。TMPRSS2在KIRC中被下调。此外，TMPRSS2的基础表达在KIRC细胞系中非常低(图9)。该结果通过实验验证了STG在肿瘤中异常表达。

12.STGs在泛癌中表现的总结

如图10所示，TMPRSS2和AXL在癌症中经常下调，但SCARB1显示出相反的趋势，而所有这三者的表达频率都高于ACE2和NRP1，这可能由于它们的情况有限而无法提供表达模式。有趣的是，包括NRP1、SCARB1和AXL在内的3个STGs被证明，它们的过度表达与癌症患者的不良预后相关多于与预后良好有关，而ACE2和TMPRSS2的下调更常与预后不良相关。此外，5种STG的CNV均与其在许多肿瘤中的表达有关(SCARB1在18种癌症中最多，TMPRSS2在13种癌症中最多，其次是AXL在10种癌症中，ACE2在7种癌症中，NRP1在6种癌症中)，并且大多数关联呈阳性，表明STGs的CNV通常与STGs表达的上调相关，并与促进肿瘤生长有关。此外，STG的甲基化也与它们在肿瘤中的表达有关。事实上，它们的关联(SCARB1在所有调查的33种癌症中最多，其次是31种癌症中的NRP1，27种癌症中的TMPRSS2，25种癌症中的AXL和13种癌症中的ACE2)出现在更多的癌症类型中，而不是在五个STG中具有相同趋势的CNVs。然而，大多数关联呈负性，表明STG的异常高甲基化促进了STGs在癌症中表达的下调，并参与控制肿瘤生长。最后，尽管甲基化与肿瘤预后的关联在不超过六种癌症类型中显示，其中5/6，3/4，2/3，1/2和2/5分别在NRP1，AXL，SCARB1 ACE2和TMPRSS2中呈阳性，表明这些STGs甲基化在恶性肿瘤中至少有40％的良好结果。基于这些发现，我们假设STG中的遗传和表观遗传修饰将调节多种恶性肿瘤的发生和发展。

新冠病毒和肿瘤之间的相互因素尚不清晰，需要进一步研究。通过挖掘多组学分析数据，本发明对33种癌症的多个样本中的新冠病毒目标基因进行了全面的表征。研究结果不仅揭示了新冠病毒目标基因与肿瘤的潜在关系，而且还阐明了新冠感染与肿瘤之间关系的总体图景。

本发明对33种肿瘤中STGs的基因组特征进行评估。本发明发现STGs参与了肿瘤的发生，其表达在多种肿瘤中异常表达，而且也会影响肿瘤的预后。遗传和表观遗传分析显示，STGs的SNV、CNV和甲基化的频率很高，而且会影响到STGs在肿瘤中的表达，并且会影响到肿瘤预后。例如，血管紧张素转换酶2(ACE2)可能是BRCA的潜在预后生物标志物和靶标。靶向NRP1抑制NRP1表达可以促进细胞凋亡以治疗肿瘤。SCARB1表达上调可以促进透明细胞肾细胞癌的恶性进展。另外，在多种肿瘤中CNV与STGs表达正相关，而且STGs的CNV与肿瘤预后相关，表明STGs的CNV与STGs的表达上调相关，并且参与了肿瘤进展的调控。进一步的表观遗传学分析表明，在本发明的所有肿瘤中，STGs的异常高甲基化促进了STGs的表达下调，并与多种癌症的良好预后相关。根据这些结果，本发明推测STGs的遗传和表观遗传学改变在可能调控了某些肿瘤的发生及发展。

在通路分析中，STGs被确定为癌症相关信号通路的关键调控因子。不同的STGs与癌症相关的不同信号通路相关，而且会产生不一致的激活或者抑制作用。因此，这些结果表明，STGs构成了一个癌症相关信号通路的相互作用网络，可能参与促进肿瘤进展。进一步免疫分析的结果揭示了新冠病毒可能通过STGs调控肿瘤免疫微环境进而影响肿瘤进展的机制。这也表明了STGs在肿瘤免疫治疗中的重要作用，为以后的免疫疗法开发提供潜在方案。同时，本发明的耐药性分析确定了STGs与肿瘤对多种药物的耐药性相关。因此，靶向STGs或许可以成为癌症治疗和新冠感染治疗的理想方法。

为了进一步验证新冠病毒与肿瘤的关系，本发明探讨STGs在肿瘤患者中的预后价值，本发明构建了基于STGs的KIRC预后风险模型。本发明中用于建立风险模型的4个基因已被证明与肿瘤的发展和进展密切相关。而本发明的生存分析显示，已建立的风险模型对KIRC患者的生存表现出有效的预测性能。而且通过KIRC的预后诊断列线图的构建，本发明得到了一个包含了STGs以及临床因素的具有良好预测性能的列线图，并进一步明确了STGs中的NRP1作为预后诊断决策关键基因的潜力。本发明发现这些结果都证实了STGs在肿瘤中的预后预测作用。

这项研究的主要局限在于新冠病毒通过STGs对肿瘤影响的研究较少，现有作为参考的研究成果还比较少，新冠病毒对肿瘤的影响仍需要进一步的验证。但是，本发明的发现仍然是具有重要意义的，为肿瘤与新冠病毒的相互作用机制的探索提供了新的见解。其次，STGs的变化存在于所有的调控水平上，包括遗传和表观遗传的改变、免疫浸润微环境和通路相关性。这些变化可能反过来导致药物效果、治疗反应和患者生存期的差异。而且本发明的这些结果都表明了STGs在肿瘤中的基因组和临床特征，揭示了新冠病毒与泛癌的密切关系，新冠病毒可能可以通过STGs进而影响到肿瘤的发生和预后，并且往往与免疫相关，这将为肿瘤的病毒疗法和免疫疗法提供具有良好参考性的潜在资源。

综上所述，本发明的多组学分析阐明泛癌中新冠病毒目标基因的基因组和临床特征。结果表明，新冠病毒目标基因的表达与肿瘤预后、免疫代谢和药物敏感性有关。此外，新冠病毒目标基因和癌症相关途径之间有许多有趣的机制。新冠病毒和肿瘤之间存在潜在的密切联系，并且可能基于新冠病毒和免疫力开发出一种新颖而关键的癌症疗法。

尽管上述实施例对本发明做出了详尽的描述，但它仅仅是本发明一部分实施例，而不是全部实施例，人们还可以根据本实施例在不经创造性前提下获得其他实施例，这些实施例都属于本发明保护范围。

Claims (7)

1.制备新型冠状病毒的目标基因的试剂在调控肿瘤发生和预后中的应用。

2.制备新型冠状病毒的目标基因的试剂在调控肿瘤免疫微环境影响肿瘤进展中的应用。

3.制备新型冠状病毒的目标基因的异常表达的试剂在介导肿瘤对化疗和靶向药物治疗耐药性中的应用。

4.制备新型冠状病毒的目标基因的试剂在促进肿瘤免疫途径影响肿瘤进展中的应用。

5.根据权利要求1～4任一项所述的应用，其特征在于，所述新型冠状病毒包括新型冠状病毒SARS-CoV-2。

6.根据权利要求1～4任一项所述的应用，其特征在于，所述目标基因包括ACE2基因、NRP1基因、SCARB1基因、AXL基因和TMPRSS2基因中的一种或几种。

7.根据权利要求1～4任一项所述的应用，其特征在于，所述肿瘤包括膀胱尿路上皮癌、急性髓系白血病、肾上腺皮质癌、乳腺癌浸润性癌、肾嫌色细胞瘤、宫颈鳞状细胞癌、宫颈内膜腺癌、胆管癌、结肠腺癌、食管癌、多形性胶质母细胞瘤、头颈部鳞状细胞癌、肾透明细胞癌、肾乳头状细胞癌、低级别胶质瘤、嗜铬细胞瘤、副神经节瘤、肝癌细胞癌、肺腺癌、肺鳞状细胞癌、淋巴样肿瘤扩散大B细胞淋巴瘤、间皮瘤、卵巢浆液性囊腺癌、前列腺腺癌、直肠腺癌、肉瘤、葡萄膜黑色素瘤、胃腺癌、胰腺腺癌、睾丸生殖细胞瘤、胸腺瘤、甲状腺癌、子宫体子宫内膜癌、子宫癌肉瘤、和皮肤黑色素瘤中的一种或多种。

Images