大家好！今天小编和大家分享一篇23年9月21日发表在Journal of Cancer Research and Clinical Oncology (IF：3.6 Q3)杂志的文章《Identification of a TRP channel‑related risk model for predicting prognosis and therapeutic effects of patients with hepatocellular carcinoma》。作者通过生物信息学，利用TRP通道相关基因建立了肝细胞癌（HCC）的预后模型。
TRP通道在癌症进展中有一定的功能。本研究旨在利用TRP通道相关基因建立肝细胞癌（HCC）的预后模型。分别使用 TCGA 和 ICGC 数据库作为训练集和验证集。根据预后基因的表达水平，使用 Lasso-Cox 回归分析计算风险评分，并进行生存分析，以比较高风险组和低风险组的总生存率。然后比较临床病理特点，进行生物学功能分析。同时还探讨了免疫细胞浸润和药物敏感性。使用生物信息学方法，确定了11个 TRP 相关基因，并计算了风险评分。高风险组组患者总体生存率较差，T 分期和病理分期较晚。风险评分与细胞周期显著相关。高风险组有更多表达升高的 ICI 和 RTK 靶点，化疗治疗效果更好，包括5-氟尿嘧啶、喜树碱、多西紫杉醇、多柔比星、吉西他滨和紫杉醇。总的来说，通过整合风险评分和必要的临床病理参数构建了列线图来预测 HCC 患者的总体生存率。综上所述，作者利用 TRP 通道相关基因成功地建立了一个高度精确的预后模型来预测总生存期和治疗效果。
通过 GO 和 KEGG 分析，全面探讨了与120个 TRGs 相关的生物学过程和信号通路。GO 分析最显著的是钙通道活性、钙离子跨膜转运、蛋白质丝氨酸/苏氨酸激酶活性和细胞内信号转导（图1A-C）。KEGG 分析显示富集到多种信号通路，包括TRP通道的炎症介质调节、钙信号通路和血管平滑肌收缩，（图1D）。随后，通过 LASSO 回归分析鉴定了以下11个TRGs: PIK3R1，PLCB1，PLCB3，PPP1CB，PPP1CC，PRKCD，PRKCQ，RIPK3，TRPC4AP，TRPM1和 TRPM6（图1E）。根据11个TRGs的表达量及其回归系数计算出风险评分: risk score =(− 0.013979829 ×Exp PIK3R1) + (0.026509423 ×Exp PLCB1) + (0.004029417 ×Exp PLCB3) + (0.013928081 ×Exp PPP1CB) + (0.016535821 ×Exp PPP1CC) + (0.006513565 ×Exp PRKCD) + (−0.032692058 ×Exp PRKCQ) + (−0.058352729 ×Exp RIPK3) + (0.010791336 ×Exp TRPC4AP) + (−0.323784473 ×Exp TRPM1) + (0.037941235 ×Exp TRPM6)。风险评分用于将训练集和验证集分别划分为高风险组和低风险组。图1F，G 显示了每个样本的生存信息和风险评分。热图（图2A，B）显示了这两个风险组之间11个TRGs的表达量。
根据 TCGA-LIHC 样本的风险评分比较了两组的临床性状。ICGC-LIRI 样本的处理方法类似。分析显示，与低风险组相比，高风险组的总生存率显著降低（图2C，D）。此外，ROC-时间的结果对总生存率的风险评分有令人满意的预测准确性（图2E，F）。高风险组患者表现出较高的病理T分期（图2G，H）。然而，两组在性别、N/M 分期、治疗或年龄方面没有显著差异（表1）。
通过进行 Spearman 分析（p < 0.001 & R > 0.5）筛选与风险评分最相关的基因后，分别在训练集和验证集中获得了2136个和1354个基因，以探索生物学功能和途径。通过 GO 分析，发现在TCGA和ICG队列中，风险评分与细胞周期相关的生物学功能，包括细胞分裂，DNA 复制、核分裂和 DNA 修复显著相关（图3A，C）。KEGG 分析得到了类似的结果，与细胞周期、DNA 复制、细胞衰老和内吞作用密切相关（图3B，D）。通过GSEA和GO分析了MSigDB的功能差异，并确定了MSigDB富集的几个重要途径(c5.Go.v2022.1.Hs.symbols.gmt)。这些途径包括内在凋亡信号通路，细胞粘附，细胞运动，白细胞趋化性和信号受体结合（图3E）。GO 分析表明，高风险组人群中显著上调的基因与细胞周期相关通路密切相关，证实了上述相关分析的结果（图3F）。这一结果表明TRGs可能参与了不受控制的细胞周期，并导致HCC患者预后较差。
由于 TMB 增加可能是由于细胞周期途径受损引起的，比较了两组之间的基因突变谱（图4A，B）。值得注意的是，前20个基因的突变频率在各组之间有显著差异。高风险组TMB较高，这可能与高风险评分和不良预后有关（图4C-E）。此外，基于TMB和风险评分进行生存分析时，在高TMB患者和低TMB 患者的总生存率之间没有发现明显的差异。通过结合TMB和风险评分进行生存分析，发现无论TMB水平如何，低风险评分患者的预后最好，而表现出高TMB 和高风险评分的患者总体生存率最差（图4F-H）。
为了检测免疫功能的差异，进行了CIBERSORT和ssGSEA分析。CIBERSORT分析显示，高风险组表现出更大比例的树突状静息细胞和M0巨噬细胞。此外，ssGSEA分析表明，包括活化的CD4 T细胞，活化的树突状细胞，中枢记忆CD4 T细胞，中枢记忆CD8 T细胞，效应记忆CD4 T细胞，自然杀伤 T细胞和2型T辅助细胞在内的11种免疫细胞亚型的表达显著不同，大多数亚型在高风险组中表现出高表达水平（图5A）。在验证集中观察到类似的结果（图5B）。相关分析的结果（图5C）显示高风险组CD4 T细胞浸润较多。
免疫检查点抑制剂（ICIs）在肝癌治疗中起着关键作用。免疫调节基因即11个 TRGs和风险评分之间的相关性分析（图6A，B）揭示了风险评分和大多数免疫调节基因之间的密切相关性。此外，在晚期肝癌的临床试验中确定了免疫调节药物的靶点，并比较了这些靶点在低风险组和高风险组之间的表达。发现大多数免疫调节靶标（PDCD1，CTLA4，CD80，CD86，LAG3，HAVCR2，TIGHT，IDO1，TNFRSF14和CD47）在高风险组中具有更高的表达（图6C-F）。酪氨酸激酶抑制剂（TKIs）和抗血管生成药物是肝癌治疗的关键。观察了酪氨酸激酶（RTKs）的不同受体和血管内皮生长因子（VEGF）家族在两组患者中的表达差异。包括FGFR 1-4、 KIT以及 VEGF 家族在内的几个 RTK，相比于VEGFA、VEGFB和PG在高风险组中表现出更高的表达量（图7A-D） ，而KDR（也称为VEGFR2）和FLT4（也称为VEGFR3）在低风险组中表现出高表达。此外，通过从 GDSC 数据库中获得的IC50值确定了12种潜在的药物。大多数常用药物（包括氟尿嘧啶，多柔比星，吉西他滨和紫杉醇）在高风险组中的IC50较低（图7E）。研究结果表明，全身治疗更有利于高风险组患者。
对风险评分和临床病理特征进行了多变量Cox回归分析以建立风险模型。研究结果显示，独立预后因素包括风险评分、年龄和T分期（图8A）。利用这些独立预后因素建立了一个预后模型，并构建了列线图（图8B）。如DCA曲线所证实的一样，预后模型优于其他方法，如年龄，T分期和风险评分（图8C）。校准曲线显示预测的生存值与训练集和验证集的实际生存观察值之间非常匹配，表明预后模型的准确性（图8D，E）。Sankey图描绘了HCC患者不同T分期、风险评分和TMB之间的关系（图8F）。
使用在线工具HPA，通过抗体染色在蛋白质水平上验证了8个TRGs的表达，而3个TRGs（PRKCQ，RIPK3和TRPM6）缺乏蛋白质表达数据。随后，作者试图确定TRGs的调控基因。肝细胞癌的发展是由肝脏富集的转录因子失调所辅助的（Cai等，2017）。通过提供综合基因表达谱和网络视觉分析的在线工具NetworkAnalyst与Jaspar TF结合位点数据库衍生的TF靶标，预测到45个TFs，并构建了一个具有11个TRGs的网络（图9A。在本研究中观察到大多数转录因子在肿瘤组织和高危组中上调（图9B-E）。功能富集分析结果表明，45个TFs在多种肿瘤相关通路如化学致癌、MAPK信号通路、肿瘤转录失调和TNF信号通路中均有表达（9F、G）。相关性分析表明，TRGs和风险评分与TFs密切相关（图9H），表明受转录因子调控的11个TRGs中的某些基因可能通过上述途径影响HCC的进展。
在本次研究中，使用11个TRGs构建了一个新的肝癌预后模型。该模型为预测肝癌患者的生存率和制定个体化治疗策略提供了一个新的理论框架。寻找到预后生物标志物是临床相关方面的贡献，并为了解TRGs和HCC之间的相关性提供了新的见解。
