目的:分析热休克蛋白家族 H(Hsp110)成员 1[heat shock protein family H(Hsp110)member 1,HSPH1]在宫颈癌组织中的表达及其与预后的相关性.方法:收集2018年2月至2021年1月首次确诊的60例宫颈癌患者的癌组织和相邻非癌组织.通过qRT-PCR检测HSPH1表达,分析其与肿瘤标志物、宫颈癌病理特征之间的关系,并通过Cox回归模型确定3年生存的独立预后因子.利用时间依赖性受试者工作特征(ROC)曲线评估HSPH1预测1年、2年和3年生存的临床价值,并通过外部数据库和细胞实验验证结果.结果:HSPH1在临床样本和GSE29570数据库宫颈癌组织中均呈高表达(P＜0.05),且与CA125、CA19-9、CEA和SCCA呈正相关(均r＞0,P＜0.05).高表达组(≥1.57)肿瘤大小≥4 cm、FIGOⅢ～Ⅳ期、淋巴结转移及淋巴血管空间侵犯比例均高于低表达组(P＜0.05).TCGA数据库和临床样本分析显示,高表达组患者生存率显著低于低表达组(P＜0.01).多因素Cox回归分析显示,HSPH1＜1.57(HR=0.299,P=0.039)和无淋巴结转移(HR=0.245,P=0.003)是独立预后因子.HSPH1预测1年、2年和3年生存的曲线下面积分别为0.82、0.85和0.88.结论:HSPH1在宫颈癌组织中的高表达与患者较差的预后之间存在显著相关,HSPH1可作为宫颈癌预后评估和治疗靶点的潜在生物标志物.

目的 构建基于铜代谢相关基因和临床病理学特征的新型肾透明细胞癌(ccRCC)预后模型.方法 2022年6月至2023年1月从基因集数据库(MSigDB)5.1版整理出铜代谢相关基因,应用癌症基因组图谱(TCGA)中ccRCC数据对获取的铜代谢相关基因进行生物信息学分析,得到32个铜代谢相关差异基因;用单因素比例风险回归(Cox)分析铜代谢基因,筛选出具有预后价值的60个铜代谢相关基因,两者取交集,得到14个关键基因,对其进行基因本体论(GO)分析、京都基因和基因组数据库(KEGG)通路分析及关联性分析.之后对关键基因进行套索回归分析(LASSO),结果显示有3个基因被纳入模型,计算公式为:风险分数=HAMP×0.205+TMPRSS6×0.097-CCND1×0.033.分别应用TCGA数据和基因表达综合数据库(GEO)中的ccRCC数据集GSE22541进行内部模型验证和外部模型验证;利用乘积极限法(Kaplan-Meier)生存曲线验证模型预后价值;利用受试者操作特征曲线(ROC曲线)下面积验证模型预测的准确性.结果 生存状态图表明,高风险组死亡病例数多于低风险组;ROC曲线表明风险评分模型具备较好的预测能力,曲线下面积(AUC)均大于0.6;Kaplan-Meier生存分析显示,高风险组总体生存率低于低风险组(P<0.05).结合临床病理学特征(年龄、肿瘤分级、肿瘤分期),构建诺莫(Nomogram)列线图,对病人预后具有较好的预测效果.结论 基于铜代谢相关基因的预后风险评分模型可用于ccRCC的预后预测,针对铜代谢相关基因设计靶点可能是治疗ccRCC的一种新选择.

目的 通过基于基因表达综合(GEO)数据集的生物信息学方法筛选和分析甲型H1N1流感病毒性肺炎的潜在生物标志物.方法 从GEO数据库获取甲型H1N1流感病毒性肺炎的数据集,并筛选差异表达基因,使用STRING 12.0数据库和Cytoscape 3.9.1软件对这些差异表达基因进行分析并筛选出Hub基因,使用DAVID数据库对这些差异表达基因进行功能富集分析.结果 筛选出1 019个差异表达基因,其中上调基因522个,下调基因497个.富集结果显示,这些差异表达基因的功能主要富集于细胞质、蛋白质磷酸化、免疫应答、补体成分、激酶活性、T细胞受体信号通路及FoxO信号通路等.最终确定了 CDK1、CCNA2、CCNB2、CDC20、TOP2A、KIF20A、DLGAP5、BUB1、KIF11和TPX2为Hub基因.结论 本研究阐明了 10个Hub基因(CDK1、CCNA2、CCNB2、CDC20、TOP2A、KIF20A、DLGAP5、BUB1、KIF11 和 TPX2)有可能作为甲型H1N1流感病毒性肺炎诊断和治疗的潜在生物标志物,但仍需更多的实验来进一步探索这些Hub基因在甲型H1N1流感病毒性肺炎中的具体机制.

目的:筛选肾透明细胞癌甲基化驱动基因，并基于肾透明细胞癌甲基化驱动基因构建预后分子标签，探索其在肾透明细胞中的预后作用。方法:下载TCGA数据库中肾透明细胞癌基因的表达数据、DNA甲基化数据及临床信息资料。使用R语言MethylMix包综合分析患者的基因表达数据和DNA甲基化数据，筛选甲基化驱动基因，然后随机抽取70%肾透明细胞癌患者的转录组数据，应用LASSO-Cox回归分析构建预后分子标签，取其余30%的数据验证构建分子标签。结果:根据肾透明细胞癌表达谱数据和甲基化数据，筛选得到188种肾透明细胞癌甲基化驱动基因(Cor<－0.3，均 P<0.05)，其中104种低甲基化驱动基因，84种高甲基化驱动基因；基于ccRCC转录组数据和生存数据，发现188种甲基化驱动基因中有91种与ccRCC预后相关的基因(均 P<0.05)。联合临床预后数据采用LASSO-Cox回归分析从中筛选出8种与肾透明细胞癌预后相关甲基化驱动基因EPB41L4B、GOLGA6L2、HHLA2、HOXA2、LINC00944、SPINT2、ZNF382、ZNF888，并联合8种甲基化驱动基因构建预后分子标签：分子标签得分＝0.130004056×EXPEPB41L4B＋0.110026099×EXPGOLGA6L2-0.116610796×EXPHHLA2＋0.438033838×EXPHOXA2＋0.180898961×EXPLINC00944-0.168803405×EXPSPINT2-0.326061874×EXPZNF3821-0.152001589×EXPZNF888。生存曲线分析结果显示，构建的分子标签值在训练组、测试组、全部数据组与ccRCC患者的生存期均显著相关(均 P<0.05)，分子标签值越高患者预后越差。 结论:通过对TCGA数据库的挖掘，筛选得到188种肾透明细胞癌甲基化驱动基因，从中筛选出由8种基因联合组成的预后分子标签与肾透细胞癌患者的预后有显著性关联，为肾透细胞癌精准治疗提供了新的预后模型。

目的:探讨信号传导及转录激活蛋白3（STAT3）与肿瘤相关成纤维细胞（CAF）共同影响卵巢上皮性癌（卵巢癌）化疗耐药的机制及对患者预后的影响。方法:收集2009年9月—2017年10月在中国医学科学院肿瘤医院接受手术治疗且术中留取肿瘤组织标本的高级别卵巢浆液性癌患者共119例，其临床病理资料及随访资料完整，采用多因素Cox回归模型对预后影响因素进行分析。制备本院患者的卵巢癌组织芯片，采用免疫组化EnVision二步法检测组织芯片中STAT3、CAF活化的特异性标志物——成纤维细胞活化蛋白（FAP）、CAF分泌的Ⅰ型胶原蛋白（COL1A1）的表达水平，分析STAT3、FAP、COL1A1蛋白表达与卵巢癌化疗耐药及患者预后的关系，并分析3种蛋白之间表达的相关性；结合国际公共数据库——基因表达综合（GEO）数据库中GSE26712数据集收录的人卵巢癌组织的基因表达及患者预后信息，对本院卵巢癌患者的检测结果进行验证。结果:（1）本院资料的多因素Cox回归模型分析显示，化疗耐药是影响卵巢癌患者总生存时间（OS）的独立危险因素（ P<0.001）。（2）本院化疗耐药患者的卵巢癌组织中STAT3、FAP、COL1A1蛋白的表达水平均显著高于化疗敏感者（ P均<0.05）。本院的卵巢癌组织芯片中STAT3、FAP、COL1A1蛋白高表达患者的OS均显著短于低表达患者（ P均<0.05）；对GEO数据库中GSE26712数据集收录的卵巢癌资料的分析显示，高表达STAT3、FAP、COL1A1基因的卵巢癌患者的OS也均显著短于低表达患者（ P均<0.05），其验证结果与本院卵巢癌患者的检测结果均一致。（3）相关性分析表明，本院的卵巢癌组织芯片中，STAT3蛋白与FAP、COL1A1蛋白的表达均呈显著正相关（ r=0.47， P<0.001； r=0.30， P=0.006）；对GEO数据库中GSE26712数据集收录的卵巢癌资料的分析显示，STAT3基因与FAP、COL1A1基因的表达也均呈显著正相关（ r=0.31， P<0.001； r=0.52， P<0.001）。 结论:STAT3与CAF共同作用，可能促进卵巢癌的化疗耐药，进而导致卵巢癌患者的预后较差。

目的:探讨转录因子En1在食管鳞状细胞癌（ESCC）细胞中的功能及机制。方法:利用癌症基因组图谱数据库（TCGA）中9 397例泛癌患者的En1表达和总生存资料、4 349例泛癌患者的En1表达和无进展生存资料，分析泛癌中En1表达水平与患者预后的关系。利用基因表达综合数据库（GEO）的53对和国家基因组科学数据中心-组学原始数据归档库（NGDC-GSA）的155对ESCC组织和配对癌旁组织的基因表达资料分析ESCC组织中En1的表达水平。以慢病毒系统介导ESCC细胞KYSE180和KYSE450中En1基因敲降，采用细胞计数试剂盒8法和克隆形成实验检测细胞的增殖能力，Transwell实验检测细胞的迁移能力，采用裸鼠皮下移植瘤实验检测En1对ESCC细胞体内肿瘤生长的影响。采用实时荧光定量聚合酶链反应（RT-qPCR）检测细胞中En1及Hedgehog通路主要调控因子胶质瘤相关癌基因家族锌指1（GLI1）、GLI2和平滑蛋白（SMO）的表达。结果:来自TCGA数据库的泛癌样本资料显示，En1低表达患者的总生存时间和无进展生存时间均比En1高表达患者更长（均 P＜0.001）。来自GEO和NGDC-GSA数据库的资料显示，ESCC组织中En1的表达水平高于配对癌旁组织（均 P＜0.001）。功能研究显示，与shNC组相比，敲降En1能显著抑制KYSE180和KYSE450细胞的增殖（均 P＜0.001）、抑制克隆形成［KYSE180细胞：shEn1#1组和shEn1#2组的克隆形成数分别为（138.33±23.07）个和（127.00±19.70）个，均低于shNC组的（340.67±12.06）个（均 P＜0.001）；KYSE450细胞：shEn1#1组和shEn1#2组的克隆形成数分别为（65.33±2.52）个和（9.00±3.00）个，均低于shNC组的（139.00±13.00）个（均 P＜0.001）］、抑制迁移［KYSE180细胞：shEn1#1组和shEn1#2组的迁移细胞数分别为（66.67±12.66）和（71.33±11.02）个，均低于shNC组的（334.67±16.56）个（均 P＜0.001）；KYSE450细胞：shEn1#1组和shEn1#2组的迁移细胞数分别为（112.33±14.57）和（54.33±5.51）个，均低于shNC组的（253.33±21.03）个（均 P＜0.001）］。裸鼠皮下移植瘤实验显示，敲降En1肿瘤的生长速度减慢，shEn1#1组和shEn1#2组小鼠的移植瘤重量分别为（0.046±0.026）g和（0.047±0.025）g，均低于shNC组［（0.130±0.038）g，均 P＜0.001］。RT-qPCR检测结果显示，shEn1#1组和shEn1#2组KYSE180细胞中GLI1 mRNA表达量分别为0.326±0.162和0.322±0.133，shEn1#1组和shEn1#2组KYSE450细胞中GLI1 mRNA表达量分别为0.131±0.006和0.352±0.050，均低于shNC组（均 P＜0.01）。在敲降En1的KYSE450细胞中过表达GLI1，能减弱敲降En1对细胞增殖（ P＜0.001）、克隆形成［shEn1#1-GLI1组的克隆形成数为（151.00±9.54）个，高于shEn1#1-vector组的（102.33±10.02）个（ P=0.004）］和迁移［shEn1#1-GLI1组的迁移细胞数为（193.67±10.07）个，高于shEn1#1-vector组的（109.33±11.50）个（ P＜0.001）］的抑制作用。ESCC组织中GLI1、GLI2、GLI3、音猬因子、SMO和补缀同源物1的表达水平均高于配对癌旁组织，Hedgehog通路被激活。 结论:En1在ESCC组织中高表达，其通过调节Hedgehog信号通路在促进ESCC细胞增殖和迁移中发挥重要作用。

目的:基于生物信息学技术研究，挖掘前列腺癌（PCa）淋巴结转移相关的分子标志物并进行临床验证。方法:从基因表达综合数据库（GEO）数据筛选出淋巴结转移PCa的差异表达基因，构建基因共表达网络枢纽基因，将枢纽基因纳入支持向量机模型评估PCa淋巴结转移预测效能。在癌症基因组图谱（TCGA）数据集中对枢纽基因进行验证并进行免疫浸润分析。收集2019年1月至2022年12月就诊于河北医科大学第四医院的80例PCa患者的临床资料，采用logistic风险模型评估枢纽基因对PCa淋巴转移预测效能。结果:共鉴别出5个枢纽基因（GSK3B、TP53、PSMC6、SUMO1、PIK3CA），其构建的支持向量机模型有着良好的预测价值（准确率83.87%）。TCGA验证结果显示仅PSMC6在存在淋巴结转移PCa组织中表达差异有统计学意义（ P<0.001）。免疫浸润分析结果显示PSMC6的表达量与9种免疫细胞（B细胞、树突状细胞、成熟树突状细胞等）有关联。临床信息分析示PSMC6的表达量与淋巴结转移、前列腺特异性抗原（PSA）、T分期、Gleason评分有相关性（ P<0.01）。单因素logistic回归分析结果显示T分期（ OR=3.230，95% CI：1.192~8.757， P=0.021）、Gleason评分（ OR=4.627，95% CI：2.212~9.677， P<0.001）、PSMC6（ OR=25.235，95% CI：5.326~119.560，， P<0.001）可作为淋巴结转移的预测因素。多因素logistic回归分析结果显示，PSMC6（ OR=16.537，95% CI：2.928~93.393， P=0.001）可作为预测PCa淋巴结转移的危险因素。 结论:PSMC6可能可以作为判断PCa患者淋巴结转移情况潜在分子标志物。

本研究利用综合生物信息学方法寻找能够预测哮喘严重程度的新生物标志物。于2022年6至12月，在武汉大学中南医院过敏反应科开展并完成该临床医学研究。从高通量基因表达（Gene Expression Omnibus，GEO）数据库中筛选并下载基因芯片数据集GSE43696，使用R语言“affy”包和“rma”算法完成基因芯片数据预处理。利用“edgeR”包和“limma”包筛选出正常对照者、轻中度哮喘患者和重度哮喘患者两两之间的差异表达基因（differentially expressed genes，DEGs），然后用“clusterProfiler”包对差异表达基因进行GO功能富集分析和KEGG通路富集分析，最后用STRING网站构建差异表达基因的蛋白-蛋白互作（protein-protein interaction，PPI）网络，进一步筛选差异表达基因。使用R语言“WGCNA”包对数据集GSE43696进行加权基因共表达网络分析（weighted gene co-expression network analysis，WGCNA），筛选出与哮喘严重程度显著相关的模块，将WGCNA分析结果与PPI筛选的差异表达基因取交集得到关键（hub）基因。利用数据集GSE43696和GSE63142对hub基因表达量进行验证，依据ROC曲线评估诊断价值，并通过基因集富集分析（gene set enrichment analysis，GSEA）进一步明确数据集GSE43696中hub基因的潜在功能。结果显示，共筛选出251个DEGs，其中正常组和轻中度哮喘组39个，正常组和重度哮喘组178个，轻中度哮喘组和重度哮喘组34个，主要参与对有毒物质的反应、对氧化应激的反应、细胞外结构组织、细胞外基质组织等生物过程。筛选出两个与哮喘严重程度显著相关的模块（red模块， P=7e-6， r=0.43；pink模块， P=5e-8， r=-0.51），最终得到6个hub基因，包括 B3GNT6、 CEACAM5、 CCK、 ERBB2、 CSH1和 DPPA5。通过数据集GSE43696和GSE63142的基因表达水平比较和ROC曲线分析进一步验证了这6个hub基因，可能与o-聚糖生物合成、α-亚麻酸代谢、亚油酸代谢和戊糖葡萄糖酸的相互转化等过程相关。综上，通过多种生物信息学分析方法，本研究鉴定出与哮喘严重程度显著相关的6个hub基因，为哮喘的病情预测和靶向治疗提供了可能的新方向。

目的:运用生物信息学方法挖掘农药慢性暴露诱导的差异表达基因（DEGs）及其富集的信号通路，探索其潜在致病机制和关键基因。方法:于2021年7月，从基因表达综合数据库（GEO）中下载与农药毒效应相关的高通量基因表达谱数据，样本来源为长期接触农药的美洲男性农场工人和其他行业工人，获取DEGs；利用R软件clusterProfiler包对所选择的DEGs进行GO、KEGG及基因集富集分析（GSEA）；采用STRING、Cytoscape等工具对其进行蛋白质相互作用网络的构建及可视化分析；借助MCODE及Cytohubba等分析得到基因功能模块，从而筛选出核心基因。结果:共筛选出GSE30335数据集的DEGs 189个，其中上调基因101个，下调基因88个。GO、KEGG及GSEA结果显示，DEGs主要富集于神经元投射发育调控、运动调节、核糖体蛋白合成等生物学功能及以帕金森病为代表的复杂神经系统疾病相关的通路上。综合筛选发现，KLF1为农药暴露的核心基因，其差异表达倍数为0.456（ t=-3.82， P=0.021）。 结论:长期农药暴露可造成接触人群多个基因的差异表达，可能通过下调KLF1并经由其介导的一系列生物学途径参与神经系统的病理学改变。

目的:对利用生物信息学方法筛选的肾上腺皮质癌（ACC）肿瘤微环境（TME）相关基因构建的预后模型进行验证，为ACC的诊疗提供临床指导和相关生物标志物。方法:从癌症基因组图谱（TCGA）数据库中收集79例ACC患者的转录组数据和临床病理数据。采用ESTIMATE算法计算免疫评分、基质评分（二者即反映TME）和ESTIMATE评分，应用VennDiagram包对免疫评分及基质评分高、低评分组（以中位值进行分组）间差异表达基因进行选择，采用基因本体（GO）数据库和京都基因与基因组百科全书（KEGG）数据库对选择的基因进行功能富集分析，探索基因潜在功能与通路。采用单因素Cox回归、lasso回归和多因素Cox回归分析筛选与ACC TME相关的基因，并建立ACC患者预后的风险评分（RS）模型，用受试者工作特征（ROC）曲线评价构建的模型预测ACC患者预后的价值。以基因表达综合（GEO）数据库的数据集GSE33371和GSE19750作为外部验证集，对建立的预后模型进行验证。从TCGA数据库中提取79例ACC患者资料，将临床病理因素与所构建预后模型的RS纳入Cox回归分析，获得ACC患者预后影响因素。结果:根据免疫评分和基质评分，用VennDiagram包筛选得到1 205个二者交集的差异表达基因，其中上调833个，下调372个。对差异表达基因进行各回归分析筛选后，最终构建成功包含9个TME相关基因（GREB1、POU4F1、HIC1、HOXC9、CACNB2、RAB27B、ZIC2、C3、CYP2D6）的ACC预后模型，即RS=GREB1×0.223 6+POU4F1×0.671 7+HIC1×0.167 5+HOXC9×0.211 3+CACNB2×0.156 0+RAB27B×0.956 5+ZIC2×0.582 7+C3×（-0.003 1）+CYP2D6×0.819 3。该模型在TCGA数据库中预测79例ACC患者1、3、5年总生存的ROC曲线下面积（AUC）分别为0.876、0.919、0.917，在GEO验证集中预测45例ACC患者1、3、5年总生存的AUC分别为0.689、0.704、0.708，表明模型对ACC患者生存具有较高的预测准确性。对TCGA数据库中79例ACC患者资料进行Cox回归分析显示，TME相关基因预后模型RS是ACC患者预后的独立影响因素（ HR=1.011，95% CI 1.005~1.016， P<0.01）。 结论:构建的ACC TME相关基因预后模型可用于预测ACC患者的预后。模型中包含的9个基因有可能作为研究ACC发病机制和免疫治疗的新靶点，值得进一步研究。