Efectos del modelo de pronóstico anóxico sobre el microambiente inmunitario en el cáncer de páncreas

Jun 24, 2023

Scientific Reports volumen 13, Número de artículo: 9104 (2023) Citar este artículo

1 Altmetric

Detalles de métricas

El cáncer de páncreas tiene uno de los peores pronósticos del mundo, lo que sugiere que el microambiente tumoral, que se caracteriza por la hipoxia y la inmunosupresión, juega un papel importante en el pronóstico y la progresión del cáncer de páncreas. Identificamos PLAU, LDHA y PKM como genes clave involucrados en la hipoxia del cáncer de páncreas a través de las vías de hipoxia relacionadas con el enriquecimiento GO/KEGG y la regresión de cox, establecimos modelos de pronóstico y estudiamos su relación con la invasión inmunitaria a través de la bioinformática utilizando R y bases de datos en línea relacionadas. Verificamos la alta expresión de PLAU, LDHA y PKM en células de cáncer de páncreas usando qPCR in vitro, y también descubrimos que la expresión de PLAU, LDHA y PKM en células de cáncer de páncreas hipóxicas difería de la de células de cáncer de páncreas cultivadas normales. Finalmente, descubrimos que nuestro modelo de pronóstico predijo con precisión el posentrenamiento en pacientes con cáncer de páncreas con hipoxia e infiltración inmunitaria.

El pronóstico del cáncer de páncreas se encuentra entre los peores del mundo, y es la cuarta causa principal de muerte relacionada con el cáncer en todo el mundo1. La posición específica del páncreas en la cavidad abdominal provoca características ocultas del cáncer de páncreas en sus etapas iniciales2, la ausencia de marcadores dirigidos molecularmente extremadamente sensibles para el cáncer de páncreas dificulta el diagnóstico precoz3,4. El cáncer de páncreas es muy agresivo5. Una vez diagnosticada, es probable que esté avanzada, lo que dificulta encontrar un plan de tratamiento eficaz5. Aunque el cáncer de páncreas se ha estudiado ampliamente en los últimos años y se han propuesto continuamente resultados de investigación sobre su diagnóstico, tecnología de radioterapia y tratamiento sistemático, la tasa de supervivencia de la enfermedad no ha mejorado significativamente y el número de muertes relacionadas con la enfermedad sigue aumentando. subida6.

En el cáncer de páncreas, las células malignas representan solo una pequeña proporción; el resto está compuesto principalmente por fibroblastos, matriz extracelular, células endoteliales y células hematopoyéticas, y estos componentes del huésped constituyen el microambiente tumoral7. La función biológica de los tumores está determinada principalmente por la interacción entre las células cancerosas y su microambiente7,8. Estos tipos de células del microambiente tumoral contribuyen a un cáncer altamente inmunosupresor, hipóxico y profibroproliferativo7,9. La hipoxia es una de las características significativas del microambiente del tumor pancreático, que se debe a una amplia gama de hiperplasia del tejido conectivo y disminución vascular secundaria10. La hipoxia también es uno de los factores que contribuyen a la progresión del cáncer de páncreas11, y ha jugado un papel clave en una variedad de células y eventos biológicos, incluida la proliferación celular, la supervivencia, la angiogénesis, el metabolismo, el crecimiento tumoral, la invasión y la metástasis12. La hipoxia es una de las características microambientales importantes del cáncer de páncreas. El microambiente de hipoxia puede inducir el objetivo de la lista de factores HIF-1α para regular los genes aguas abajo y promover la activación de la vía aguas abajo.

El entorno inmunitario del cáncer de páncreas (PAAD) generalmente se considera inmunosupresión13,14. Esta inmunosupresión se asocia a un mal pronóstico en el cáncer de páncreas15,16, y el microambiente inmunitario del tumor es muy insensible a la inmunoterapia, lo que provoca un mal pronóstico en el cáncer de páncreas17.

En conclusión, la hipoxia y la alta inmunosupresión en el microambiente de los tumores pancreáticos juegan un papel importante en la progresión y el pronóstico del tumor, y el desarrollo de modelos pronósticos relevantes es de gran importancia para la guía pronóstica de PAAD. En la actualidad, la hipoxia es un factor esencial en el microambiente del cáncer de páncreas, y un modelo para predecir el pronóstico de los pacientes con PAAD es una necesidad imperativa. El propósito de este estudio fue investigar moléculas diana especiales relacionadas con la hipoxia en el cáncer de páncreas utilizando métodos bioinformáticos, investigar su papel en el microambiente tumoral anóxico del cáncer de páncreas, establecer modelos pronósticos relacionados y examinar el importante papel de los modelos en el microambiente inmune a fin de proporcionar nuevas ideas para el pronóstico y tratamiento del cáncer de páncreas.

Se seleccionaron un total de 9211 genes expresados ​​diferencialmente, incluidos 1279 genes regulados al alza y 116 genes regulados a la baja (Fig. 1A).

Expresión diferencial de genes y análisis de enriquecimiento de GEPIA2, (A) gen diferencial de cáncer de páncreas de GEPIA2, regulado al alza en rojo y regulado a la baja en azul, (B) GO/KEGG del gen diferencial de cáncer de páncreas GEPIA2.

Utilizamos el análisis GO/KEGG de 2615 genes seleccionados para identificar vías relacionadas con la hipoxia. Identificaron vías relacionadas con la hipoxia: GO: 0001666 (respuesta a la hipoxia, se identificaron un total de 45 genes) (Fig. 1B).

Seleccionamos 25 genes directamente relacionados con hif1a a través de la base de datos STRING (Fig. 2A, B). Los genes clave de hipoxia con p < 0,05 se seleccionaron mediante un análisis de regresión COX univariado (Archivo complementario 1: Tabla S1). Luego, de acuerdo con la relación entre los genes relacionados y HIF1A en la cadena y los resultados de la regresión COX univariada, se usaron PKM, PLAU y LDHA para la regresión LASSO, y se estableció un modelo pronóstico usando la regresión LASSO (Fig. 3A, B).

Visualización de genes asociados con vías de hipoxia, (A) La red PPI en GO:0001666 y (B) 25 genes en GO:0001666 están directamente relacionados con HIF1A.

Análisis de puntuación de riesgo, rendimiento pronóstico y análisis de supervivencia de modelos pronósticos, (A). El modelo de regresión LASSO de los 3 genes relacionados con la hipoxia realizado por validación cruzada Lasso-ten-fold, (B). La distribución de coeficientes en el modelo de regresión LASSO, (C). Puntuaciones de riesgo y distribución del tiempo de supervivencia de los genes relacionados con la hipoxia en la cohorte TCGA-PAAD, (D). Análisis de Kaplan-Meier de la supervivencia del sistema operativo entre los grupos de riesgo en la cohorte TCGA-PAAD, (E). Mapa de calor de la expresión génica de los genes asociados a la hipoxia en la cohorte TCGA-PAAD, (F). Las curvas ROC del modelo de puntuación de riesgo predicen una SG de 1 año, 3 años y 5 años en la cohorte TCGA-PAAD.

Establecimos una fórmula modelo de pronóstico para todas las muestras de cáncer en el conjunto de entrenamiento:

Puntuación de riesgo = 0,693079351003975* nivel de expresión de LDHA − 0,376224999076138* nivel de expresión de PKM + 0,169271183333193* nivel de expresión de PLAU.

Para verificar si nuestro modelo puede predecir con precisión el pronóstico de los pacientes con cáncer de páncreas, 178 pacientes se dividieron en grupos de alto riesgo (n = 89) y bajo riesgo (n = 89) (Fig. 3C). Los resultados de la prueba de rango logarítmico sugirieron que la diferencia en la distribución del tiempo de supervivencia entre los grupos de puntuación de riesgo fue estadísticamente significativa (Fig. 3D). El pronóstico fue peor en el grupo con una puntuación de alto riesgo. De manera similar, descubrimos que PKM, LDHA y PLAU se expresaron en su mayoría de manera alta en el grupo de alto riesgo y en su mayoría de baja expresión en el grupo de bajo riesgo (Fig. 3E). El análisis ROC dependiente del tiempo mostró que la precisión del pronóstico de la SG a 1 año fue de 0,727 (IC del 95 %: 0,596–0,792) y la de la SG a los 3 años fue de 0,730 (IC del 95 %: 0,602–0,842). La precisión pronóstica a 5 años de la SG fue de 0,822 (IC del 95 %: 0,708–0,968) (fig. 3F). Estos resultados indican que el modelo de pronóstico de genes relacionados con la hipoxia desarrollado por nuestro grupo puede predecir el pronóstico de los pacientes con cáncer de páncreas.

Para verificar la precisión del modelo de pronóstico establecido, usamos GSE85916 e ICGC-PACA-AU como conjunto de verificación, recopilamos datos de 174 pacientes con cáncer de páncreas GSE85916 e ICGC-PACA-AU (79 eran de GSE85916 y 95 de ICGC-PACA- AU) y calculó las puntuaciones de riesgo utilizando la misma fórmula que en el conjunto de entrenamiento. Dividimos el conjunto de verificación en un grupo de alto riesgo (n = 87) y un grupo de bajo riesgo (n = 87) según la mediana de la puntuación de riesgo (Fig. 4A). Al igual que con el conjunto de entrenamiento, observamos tiempos de supervivencia más cortos en el grupo de riesgo máximo (Fig. 4B). El análisis ROC dependiente del tiempo reveló que la precisión pronóstica de la SG a 1 año fue de 0,681 (IC del 95 %: 0,629–0,863), y la SG a los 3 años fue de 0,649 (IC del 95 %, 0,690–0,940). La precisión pronóstica a 5 años de la SG fue de 0,758 (IC del 95 %: 0,745–1,007) (fig. 4C).

Análisis de la puntuación de riesgo, el rendimiento pronóstico y el análisis de supervivencia del modelo de pronóstico del conjunto de validación (A). Las puntuaciones de riesgo y la distribución del tiempo de supervivencia de los genes relacionados con la hipoxia comprenden el conjunto de verificación (B). Análisis de supervivencia de Kaplan-Meier de OS entre grupos en riesgo en el conjunto de verificación, (C). Las curvas ROC del conjunto de verificación del modelo de puntuación de riesgo que predicen la SG a 1, 3 y 5 años.

Además, construimos una curva de calibración, que mostró que nuestro modelo concordaba bien con la supervivencia real de los pacientes con PAAD (Fig. 5A). Además de establecer un nomograma de puntuaciones de riesgo y factores pronósticos tradicionales (fig. 5C), descubrimos que nuestro modelo tenía un valor de AUC superior al de los factores clínicos tradicionales (fig. 5B).

Pronóstico de SG a 1, 3 y 5 años en pacientes con PAAD por nomograma (A). curvas de calibración del nomograma para predecir la SG a 1, 3 y 5 años en cohortes TCGA-PAAD: (B) curvas ROC para la predicción de la supervivencia según la puntuación de riesgo y otras variables (edad, sexo, estadio T, M etapa, etapa N, etapa G); (C) nomograma de puntuaciones de riesgo y factores pronósticos tradicionales.

Además, llevamos a cabo análisis de regresión COX multivariable sobre las puntuaciones de riesgo y los factores clínicos que pueden afectar el pronóstico de los pacientes con PAAD, como el estadio T, el sexo, la edad y el grado histológico, y los resultados indicaron que las puntuaciones de riesgo de nuestro modelo de pronóstico podrían ser utilizados como factores de riesgo independientes en la COX multivariable (Archivo complementario 2: Tabla S2).

En conclusión, nuestro modelo es capaz de predecir con precisión el pronóstico de los pacientes con cáncer de páncreas.

También se investigó la relación entre la puntuación de riesgo de nuestro modelo de pronóstico establecido y las características clínicas de TCGA-PAAD. La distribución de las puntuaciones de riesgo varió significativamente según el estadio T (Fig. 6A), el estadio N (Fig. 6B), la edad (Fig. 6C) y el tumor residual (Fig. 6D).

Asociación entre las características clínicas y las puntuaciones de riesgo en el conjunto de datos TCGA-PAAD; correlación entre las características clínicas y las puntuaciones de riesgo del modelo de pronóstico en los datos de la cohorte TCGA-PAAD: (A) estadio T (T1 y T2 frente a T3 y T4), (B) estadio N (N0 frente a N1); (C) EDAD (edad <65 frente a edad ≧65); (D) Tumor residual (R0 frente a R1 y R2).

Se determinó que los neutrófilos, las células Th1, los macrófagos y las células Th2 tenían un alto grado de invasión, mientras que las células PDC y Th17 tenían un bajo grado de invasión (Fig. 7A). De manera similar, los neutrófilos, las células Th1, los macrófagos y las células Th2 se correlacionaron positivamente con sus puntajes de riesgo, mientras que las células PDC y Th17 se correlacionaron negativamente con sus factores de riesgo (Fig. 7B-G).

Infiltración inmune y asociación de puntuación de riesgo en el conjunto de datos TCGA-PAAD, (A). El diagrama de caja muestra el nivel de infiltración de células inmunitarias entre los grupos de alto y bajo riesgo (B–G). Gráfico de dispersión de la infiltración de células inmunitarias asociada con la puntuación de riesgo, (H) El diagrama de caja muestra el nivel de expresión del punto de control inmunitario entre los grupos de alto y bajo riesgo.

En nuestro modelo, también encontramos que CD276, TNFSF4, CD44, CD80, CD70, CD274, TNFSF9, TNFRSF9, CD86, NRP1, PDCD1LG2, HAVCR2, CD40, HHLA2 y CD160 se expresan de manera diferencial entre pacientes de alto y bajo riesgo. . CD160 se expresó altamente en el grupo de bajo riesgo, mientras que los otros se expresaron de manera inversa (Fig. 7H). Además, identificamos que CD160 se correlacionó negativamente con una puntuación de riesgo, mientras que los otros se correlacionaron positivamente (Archivo complementario 5: Fig. S1A-O).

De acuerdo con los resultados de la RT-PCR, observamos que PLAU, PKM y LDHA se expresaron mucho en las células PANC-1 en comparación con las células hTERT-HPNE (Fig. 8A-C). Las expresiones de PKM y PLAU fueron más bajas en las líneas celulares PANC-1 tratadas con hipóxico que en las células no tratadas, mientras que las expresiones de LDHA fueron más altas en las líneas celulares PANC-1 tratadas con hipóxico que en las células no tratadas (Fig. 8D-F).

El gen se expresó en células PANC-1 y hTERT-HPNE ((A) PLAU, (B) LDHA y (C) PKM), y en células PANC-1 tratadas con hipoxia y células PANC-1 no tratadas ((D) PLAU, (E) LDHA y (F) PKM).

El cáncer de páncreas es una de las neoplasias malignas más mortales18. Si bien las tasas de supervivencia para otros cánceres importantes han mejorado sustancialmente, las tasas de supervivencia del cáncer de páncreas no han mejorado19. El cáncer de páncreas generalmente se detecta en una etapa avanzada y la mayoría de las opciones de tratamiento son ineficaces, lo que resulta en un mal pronóstico5. La necesidad de información pronóstica precisa no es solo para los pacientes sino también para que los médicos elijan intervenciones de tratamiento activas y anticipen un beneficio clínico significativo. Por lo tanto, se requiere un modelo de pronóstico confiable para predecir el pronóstico de los pacientes con cáncer de páncreas.

Las concentraciones normales de oxígeno son necesarias para el funcionamiento y mantenimiento de los órganos aeróbicos20. Se requiere una concentración normal de oxígeno para el funcionamiento y mantenimiento normal de los órganos aeróbicos dentro de una organización21. Sin embargo, debido al crecimiento y proliferación descontrolados de células tumorales y vasos sanguíneos tumorales anormales, se consume una gran cantidad de nutrientes y oxígeno en los tejidos tumorales, lo que resulta en hipoxia22. En los tejidos tumorales, la red vascular no puede formarse de manera eficiente y rápida, y la red de neovascularización presenta anomalías estructurales y funcionales23. El mencionado gran número de neovascularizaciones de vasos sanguíneos no funcionales o funcionalmente deteriorados es otra causa importante de hipoxia24. La familia de factores de transcripción del factor inducido por hipoxia (HIF) y sus vías de señalización relacionadas aguas abajo son los principales responsables de regular el proceso adaptativo que ocurre en las células tumorales en condiciones hipóxicas25.

Con el desarrollo de la investigación en los últimos años, el estudio de los biomarcadores PAAD, los marcadores pronósticos y los modelos pronósticos ha recibido una atención creciente. A través del análisis de enriquecimiento de genes diferenciales de GEPIA2, identificamos genes relacionados con la hipoxia y, a través de la red PPI, determinamos el gen directamente relacionado con HIF1A, que desempeña el papel más crítico en el proceso de hipoxia tumoral. Seleccionamos los genes pronósticos relacionados con la hipoxia (PLAU, PKM y LDHA) mediante el cribado de regresión de Cox de un solo factor y establecimos modelos pronósticos mediante el análisis de Lasso. Después de la validación y el análisis, descubrimos que nuestro modelo puede predecir con precisión el pronóstico de los pacientes con cáncer de páncreas. La eficacia predictiva de este modelo (área bajo la curva ROC) fue mayor que la de los factores pronósticos clínicos tradicionales, según nuestro estudio. También revelamos que nuestro modelo de pronóstico estaba fuertemente correlacionado con las características clínicas, con puntajes de riesgo más altos en los estadios T y N y tumor residual que indica estadios relativamente malignos y tumor residual excesivo. Esto indica que nuestro modelo es útil para que los médicos mejoren su juicio de pronóstico de los pacientes con cáncer de páncreas a fin de completar el tratamiento del cáncer de páncreas de manera más efectiva y rápida, y para proporcionar una selección de intervenciones de pronóstico, que se prevé mejoren significativamente la supervivencia del paciente y el pronóstico. efectos

Además de mejorar el suministro de oxígeno al promover la angiogénesis y la eritropoyesis, HIF-1 también se adapta a entornos anóxicos al regular el metabolismo para reducir la necesidad de oxígeno en las células. En el metabolismo de la glucosa, HIF-1 convierte el metabolismo oxidativo en glucólisis al promover la expresión de glicolíticos enzimas, reduciendo la necesidad de oxígeno26. La PKM es una de las enzimas clave en la conversión de glucosa en piruvato, y la LDHA puede catalizar la conversión de piruvato en ácido láctico27,28. Se encontró que estos genes contenían secuencias similares a los sitios de unión de HIF-1 en los potenciadores de eritropoyetina29. En condiciones de hipoxia, HIF-1 puede transformar el metabolismo oxidativo en glucólisis y mejorar la glucólisis mediante la regulación de la expresión de los genes anteriores, a fin de reducir la demanda de oxígeno y mantener el suministro de energía normal, al tiempo que inhibe el daño celular causado por las especies reactivas de oxígeno inducidas por la hipoxia. generación30. PLAU codifica una serina proteasa secretora que convierte el plasminógeno en plasminasa31. También se ha encontrado que PLAU está involucrado en una variedad de cánceres y está asociado con un mal pronóstico en una variedad de cánceres32; Algunos estudios experimentales han demostrado que la sobreexpresión de PLAU se asocia con mal pronóstico de PAAD y juega un papel importante en la resistencia, invasión y migración de PAAD33. Sin embargo, el papel de PLAU en el proceso de anoxia del cáncer de páncreas no se ha entendido bien, y nuestro estudio pretende llenar este vacío.

La progresión y el pronóstico del tumor están estrechamente relacionados con la infiltración de células inmunitarias en el microambiente tumoral17. Encontramos que los macrófagos, neutrófilos, células Th1, células Th2 y macrófagos fueron más agresivos en el grupo de alto riesgo, mientras que las células PDC y Th17 fueron menos agresivas. El microambiente inmunitario del tumor en pacientes con PAAD de progresión rápida a menudo se asocia con una infiltración inadecuada de células inmunitarias34. Los macrófagos y los neutrófilos promueven la supresión de las células inmunosupresoras35. En nuestro estudio, el aumento de la infiltración de estos dos tipos de células en pacientes con alto riesgo de hipoxia puede aumentar el microambiente tumoral inmunosupresor y promover la progresión del cáncer de páncreas, que se asocia a un mal pronóstico. Un punto de control inmunitario es una serie de moléculas expresadas en las células inmunitarias que regulan la activación inmunitaria36. Los puntos de control inmunológico juegan un papel crucial en la carcinogénesis al promover el efecto inmunosupresor de los tumores37. Los tumores pueden protegerse del ataque estimulando los objetivos del punto de control inmunitario38. Los puntos de control inmunitarios PD-L1, PD-L2 y CD276 también aumentaron en el grupo de riesgo de hiperhipoxia en nuestro estudio. Nuestro modelo comenzó con genes relacionados con la hipoxia en el cáncer de páncreas y simultáneamente examinó la relación entre el modelo y el microambiente inmunitario para examinar la infiltración inmunitaria asociada en grupos de pacientes de alto y bajo riesgo. Determinamos que nuestro modelo genético relacionado con la hipoxia está altamente correlacionado con el microambiente inmunitario, lo que proporciona un método novedoso para predecir el pronóstico del cáncer de páncreas en función del microambiente tumoral. Los puntos de control inmunitario son una serie de moléculas expresadas en las células inmunitarias que regulan el grado de activación inmunitaria y juegan un papel importante en la prevención de la autoinmunidad (cuando la función inmunitaria falla y ataca a las células sanas).

Además, verificamos la diferencia de expresión de los tres genes en células de cáncer de páncreas y células epiteliales ductales pancreáticas normales mediante experimentos de RT-qPCR, y también confirmamos que la expresión de los tres genes difería en células de cáncer de páncreas antes y después de la hipoxia, lo que indica que estos tres genes tienen el potencial de convertirse en marcadores pronósticos relacionados con la hipoxia del cáncer de páncreas.

Nuestro modelo tiene el potencial de ser un modelo de pronóstico relacionado con el microambiente tumoral del cáncer de páncreas y puede predecir de forma fiable el pronóstico de los pacientes en función del impacto del microambiente tumoral en el cáncer de páncreas.

Las células de cáncer de páncreas humano PANC-1 se adquirieron de PROCELL y las células ductales pancreáticas normales humanas hTERT-HPNE se adquirieron de CELL RESEARCH. Ambos tipos de células se almacenaron en el banco de muestras del Hospital Afiliado de la Universidad de Qingdao con nitrógeno líquido. incubadora con dióxido de carbono al 5% a 37 °C. Las células PANC-1 tratadas con hipoxia se cultivaron durante 24 h en una incubadora anóxica (Ruskinn Invivo2 400 Hypoxia workstation).

Utilizamos la base de datos en línea GEPIA239 para identificar los genes expresados ​​diferencialmente del cáncer de páncreas y tomamos log2FoldChange (logFC) y los valores P como condiciones de detección para los genes expresados ​​diferencialmente. Filtramos por valor P < 0.05 y | log2FC |> 1 gen como diferencia entre 2 condiciones: log2FC > 2,5 para regulación positiva, log2FC < − 2,5 para regulación negativa. Posteriormente, se utilizaron mapas de volcanes para visualizar estos genes diferenciales.

La ontología génica (GO) y la Enciclopedia de genes y genomas de Kioto (KEGG) pueden enriquecer y anotar genes y encontrar vías relacionadas. Los genomas se enriquecieron y analizaron utilizando R. Main package clusterProfiler [versión 3.14.3]; paquete org.Hs.eg.db [versión 3.10.0]; y el paquete GOplot [versión 1.0.2]. Identificar las vías de enriquecimiento relacionadas con la hipoxia y los genes enriquecidos.

Nuestro conjunto de entrenamiento constaba de 178 muestras PAAD de las bases de datos TCGA (Archivo complementario 3: Tabla S3).

Investigaciones anteriores indicaron que HIF1A juega un papel crucial en la hipoxia40. Mapeamos la red PPI de genes relacionados con la hipoxia por cadena y buscamos genes directamente asociados con HIF1A como genes clave.

Se realizó una regresión COX de factor único para los genes clave anteriores utilizando el paquete de "supervivencia". En p < 0.05 genes, los dos genes con el valor de p más bajo y el gen con la relación más cercana con HIF1A (con la puntuación combinada más alta) fueron seleccionados como los genes para establecer el modelo pronóstico. El modelo pronóstico se estableció mediante regresión LASSO41.

Las puntuaciones de riesgo se calcularon en función de los datos de expresión de ARNm de PAAD estandarizados en TCGA.

En este estudio, se utilizó el paquete de software R glmnet para integrar el tiempo de supervivencia, el estado de supervivencia y los datos de expresión génica, y el análisis de regresión se realizó mediante el método de lasso-cox. Además, también implementamos un procedimiento de validación cruzada de diez veces para determinar el modelo óptimo. Los pacientes con PAAD se dividieron en grupos de alto y bajo riesgo en función de la mediana de la puntuación de riesgo para el análisis de supervivencia de OS. Se desarrolló una curva ROC utilizando el paquete "timeROC" para evaluar el efecto pronóstico del modelo.

Para verificar la precisión del modelo de pronóstico establecido, utilizamos GSE85916 e ICGC-PACA-AU como conjunto de verificación (Archivo complementario 4: Tabla S4).

Mientras tanto, usamos los paquetes "rms" y "survival" para evaluar el efecto de la predicción del modelo en el resultado real al trazar la probabilidad real y la probabilidad predicha por el modelo en diferentes situaciones en el gráfico.

Luego se usó el paquete "pROC" para trazar las curvas ROC para la puntuación de riesgo y las variables clínicas asociadas con el fin de determinar si nuestro modelo tiene mayor poder predictivo para el pronóstico en comparación con los sistemas tradicionales de puntuación de pronóstico clínico.

Se realizaron análisis de regresión de Cox multivariados para parámetros clinicopatológicos como el grado histológico y el estadio T para evaluar si el sistema de puntuación de riesgo podría usarse como predictor independiente. También analizamos la relación entre la puntuación de riesgo y las características clínicas de los pacientes de la cohorte TCGA-PAAD.

Sobre la base del algoritmo ssGSEA proporcionado por el R-package GSVA, la infiltración inmune correspondiente al modelo de pronóstico se calculó utilizando 24 tipos de marcadores de células inmunes del artículo Immunity21.

Al mismo tiempo, se determinó la expresión de moléculas relacionadas con el punto de control inmunitario en pacientes con cáncer de páncreas.

El ARN total se extrajo de PANC-1, hTERT-HPNE y PANC-1 cultivados durante 24 h después de la hipoxia usando la incubadora anaeróbica. La transcripción inversa se realizó con el kit PrimeScrip RT-PCR (Takara, Japón) y la RT-qPCR se realizó en un instrumento Roche con SYBR PreMix Ex Taq (Takara, Japón). Las secuencias de cebadores utilizadas en este estudio se muestran a continuación: PLAU adelante: GGGAATGGTCACTTTTACCGAG, PLAU atrás: GGGCATGGTACGTTTGCTG; GAPDH Adelante: GGAGCGAGATCCCTCCAAAAT, GAPDH Inverso: GGCTGTTGTCATACTTCTCATGG; PKM hacia adelante CTGAAGGCAGTGATGTGGCC, PKM hacia atrás ACCCGGAGGTCCACGTCCTC; LDHA Adelante GGCCTGTGCCATCAGTA: LDHA Inversa CAAGCCACGTAGGTCAA.

Se utilizó el software SPSS 24.0 (IBM Corp., NY, EE. UU.) y GraphPad Prism 8 (GraphPad, EE. UU.) para el análisis estadístico. Se usó la prueba t de Student para analizar la diferencia en los genes. |logFC|> 1 y P < 0,05 se establecieron como umbrales para elegir la importancia del gen de expresión diferencial. Se emplearon análisis COX univariante y multivariante, la prueba de rango logarítmico y análisis de regresión logística.

Los conjuntos de datos utilizados y/o analizados durante este estudio están disponibles previa solicitud razonable del autor correspondiente.

Midha, S., Chawla, S. & Garg, PK Factores de riesgo modificables y no modificables para el cáncer de páncreas: una revisión. Cáncer Lett. 381(1), 269–277 (2016).

Artículo CAS PubMed Google Académico

Huang, S. et al. La proteína 27 inducible por interferón alfa (IFI27) es un marcador de pronóstico para el cáncer de páncreas basado en un análisis bioinformático integral. Bioingeniería https://doi.org/10.1080/21655979.2021.1985858 (2021).

Artículo PubMed PubMed Central Google Académico

Cao, F., Li, J., Li, A. y Li, F. Pancreatoesplenectomía modular anterógrada radical versus procedimiento estándar en el tratamiento del cáncer de páncreas del lado izquierdo: revisión sistémica y metanálisis. Cirugía BMC. 17(1), 67 (2017).

Artículo PubMed PubMed Central Google Académico

Koller, M. et al. Priorización basada en datos y revisión de objetivos para enfoques teranósticos de base molecular en el cáncer de páncreas. J. Nucl. Medicina. 58(12), 1899–1903 (2017).

Artículo PubMed Google Académico

Ansari, D. et al. Cáncer de páncreas: ayer, hoy y mañana. Futuro oncol. https://doi.org/10.2217/fon-2016-0010 (2016).

Artículo PubMed Google Académico

Grossberg, AJ et al. Estándares multidisciplinarios de atención y avances recientes en el adenocarcinoma ductal pancreático. CA Cáncer J. Clin. 70(5), 375–403 (2020).

Artículo PubMed PubMed Central Google Académico

Dougan, SK El microambiente del cáncer de páncreas. Cáncer J. https://doi.org/10.1097/PPO.0000000000000288 (2017).

Artículo PubMed Google Académico

Morrison, AH, Byrne, KT & Vonderheide, RH Inmunoterapia y prevención del cáncer de páncreas. Trends Cancer 4(6), 418–428 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Huber, MBC et al. El microambiente inmune en el cáncer de páncreas. En t. J. Mol. ciencia https://doi.org/10.3390/ijms21197307 (2020).

Artículo PubMed PubMed Central Google Académico

Schwartz, DL et al. La radiosensibilización y la respuesta de imágenes del estroma se correlacionan con el inhibidor de HIF-1 PX-478 administrado con o sin quimioterapia en el cáncer de páncreas. mol. Cáncer Ther. 9(7), 2057–2067 (2010).

Artículo CAS PubMed PubMed Central Google Scholar

Huang, C. et al. Dermokine contribuye a la transición epitelial-mesenquimatosa mediante una mayor activación del transductor de señales y el activador de la transcripción 3 en el cáncer de páncreas. Ciencia del cáncer. 108(11), 2130–2141 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Minchenko, OH, Tsuchihara, K., Minchenko, DO, Bikfalvi, A. y Esumi, H. Mecanismos de regulación de la expresión de PFKFB en células de cáncer pancreático y gástrico. Mundo J. Gastroenterol. 20(38), 13705–13717 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Mizrahi, JD, Surana, R., Valle, JW y Shroff, RT Cáncer de páncreas. Lancet 395(10242), 2008–2020 (2020).

Artículo CAS PubMed Google Académico

Neoptolemos, JP et al. Desarrollos terapéuticos en cáncer de páncreas: Perspectivas actuales y futuras. Nat. Rev. Gastroenterol. Hepatol. 15(6), 333–348 (2018).

Artículo PubMed Google Académico

Mohammed, S., Van Buren, G. II. & Fisher, WE Cáncer de páncreas: Avances en el tratamiento. Mundo J. Gastroenterol. 20(28), 9354–60 (2014).

PubMed PubMed Central Google Académico

Mantovani, A. et al. Vías reguladoras en la inflamación. Autoinmune Rev. 7(1), 8–11 (2007).

Artículo CAS PubMed Google Académico

Padoan, A., Plebani, M. & Basso, D. Inflamación y cáncer de páncreas: Centrarse en el metabolismo, las citoquinas y la inmunidad. En t. J. Mol. ciencia 20(3), 676 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Vincent, A., Herman, J., Schulick, R., Hruban, RH y Goggins, M. Cáncer de páncreas. Lancet 378 (9791), 607–620 (2011).

Artículo PubMed PubMed Central Google Académico

Collisson, EA, Bailey, P., Chang, DK y Biankin, AV Subtipos moleculares de cáncer de páncreas. Nat. Rev. Gastroenterol. Hepatol. 16(4), 207–220 (2019).

Artículo PubMed Google Académico

Chen, D. et al. Desarrollo y verificación de la firma pronóstica asociada a la hipoxia y la inmunidad para el adenocarcinoma ductal pancreático. Frente. inmunol. 12, 728062 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Garcea, G., Doucas, H., Steward, WP, Dennison, AR & Berry, DP Hipoxia y angiogénesis en el cáncer de páncreas. ANZ J. Surg. 76(9), 830–842 (2006).

Artículo PubMed Google Académico

Hao, X., Ren, Y., Feng, M., Wang, Q. y Wang, Y. Reprogramación metabólica debido a la hipoxia en el cáncer de páncreas: implicaciones para la formación de tumores, inmunidad y más. biomedicina Farmacéutico. 141, 111798 (2021).

Artículo CAS PubMed Google Académico

Tao, J. et al. Dirigirse al microambiente tumoral hipóxico en el cáncer de páncreas. J. Hematol. oncol. 14(1), 14 (2021).

Artículo PubMed PubMed Central Google Académico

Feig, C. et al. El microambiente del cáncer de páncreas. clin. Cáncer Res. 18(16), 4266–4276 (2012).

Artículo CAS PubMed PubMed Central Google Scholar

Shah, VM, Sheppard, BC, Sears, RC y Alani, AW Hipoxia: amigo o enemigo de la administración de fármacos en el cáncer de páncreas. Cáncer Lett. 492, 63–70 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Albadari, N., Deng, S. & Li, W. Los factores transcripcionales HIF-1 y HIF-2 y sus nuevos inhibidores en la terapia del cáncer. Opinión de experto. Descubrimiento de drogas 14(7), 667–682 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Wang, XH, Jiang, ZH, Yang, HM, Zhang, Y. & Xu, LH El eje FOXO4/LDHA inducido por hipoxia modula la glucólisis y la progresión de las células de cáncer gástrico. clin. Traducir Medicina. 11(1), e279 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Massari, F. et al. Fenotipo metabólico del cáncer de vejiga. Tratamiento del cáncer. Rev. 45, 46–57 (2016).

Artículo CAS PubMed Google Académico

Balamurugan, K. HIF-1 en la encrucijada de hipoxia, inflamación y cáncer. En t. J. Cancer 138(5), 1058–1066 (2016).

Artículo CAS PubMed Google Académico

Korbecki, J. et al. Hipoxia crónica y cíclica: impulsores de la inflamación crónica del cáncer a través de la activación de HIF-1 y NF-kappaB: una revisión de los mecanismos moleculares. En t. J. Mol. ciencia 22(19), 10701 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Gao, Y., Ma, X., Lu, H., Xu, P. y Xu, C. PLAU está asociado con la migración e invasión celular y está regulado por el factor de transcripción YY1 en el cáncer de cuello uterino. oncol. Rep. https://doi.org/10.3892/or.2022.8462 (2023).

Artículo PubMed PubMed Central Google Académico

Wang, H., Lu, L., Liang, X. & Chen, Y. Identificación de genes pronósticos en el microambiente inmune del adenocarcinoma pancreático mediante análisis bioinformático integrado. Inmunología del cáncer. Inmunotro. 71(7), 1757–1769 (2022).

Artículo CAS PubMed Google Académico

Hosen, SMZ et al. Fenotipo metastásico y microambiente tumoral inmunosupresor en el adenocarcinoma ductal pancreático: papel clave del activador del plasminógeno uroquinasa (PLAU). Frente. inmunol. 13, 1060957 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Balli, D., Rech, AJ, Stanger, BZ & Vonderheide, RH La actividad citolítica inmune estratifica los subconjuntos moleculares del cáncer de páncreas humano. clin. Cáncer Res. 23(12), 3129–3138 (2017).

Artículo CAS PubMed Google Académico

Bindea, G. et al. La dinámica espaciotemporal de las células inmunitarias intratumorales revela el panorama inmunitario en el cáncer humano. Inmunidad 39(4), 782–795 (2013).

Artículo CAS PubMed Google Académico

Hashimoto, S. et al. ARF6 y AMAP1 son objetivos principales de las mutaciones de KRAS y TP53 para promover la invasión, la dinámica de PD-L1 y la evasión inmunitaria del cáncer de páncreas. proc. nacional Academia ciencia EE. UU. 116(35), 17450–17459 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Li, Y. et al. Desentrañar LGALS1 como un punto de control inmunológico potencial y un predictor de la respuesta a la terapia Anti-PD1 en el carcinoma renal de células claras. Patol. oncol. Res. 26(3), 1451–1458 (2020).

Artículo CAS PubMed Google Académico

Henriksen, A., Dyhl-Polk, A., Chen, I. y Nielsen, D. Inhibidores de puntos de control en el cáncer de páncreas. Tratamiento del cáncer. Rev. 78, 17–30 (2019).

Artículo CAS PubMed Google Académico

Tang, Z. et al. GEPIA: un servidor web para perfiles de expresión génica normales y de cáncer y análisis interactivos. Ácidos Nucleicos Res. 45(W1), W98–W102 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Semenza, GL HIF-1 y mecanismos de detección de hipoxia. Regulación celular https://doi.org/10.1016/S0955-0674(00)00194-0 (2001).

Artículo Google Académico

Shen, W. et al. Sangerbox: una plataforma de análisis de bioinformática clínica completa y fácil de interactuar. iMeta https://doi.org/10.1002/imt2.36 (2022).

Artículo Google Académico

Descargar referencias

Este trabajo fue financiado por la Fundación Nacional de Ciencias Naturales de China, 52075277.

Departamento de Cirugía Pancreática Hepatobiliar, Hospital Afiliado de la Universidad de Qingdao, 16 Jiangsu Road, Qingdao, Shandong, República Popular de China

Yangdong Wu, Qingyan Kou y Xiao Hu

Departamento de UCI, Hospital Afiliado de la Universidad de Qingdao, Qingdao, China

lin sol

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

YW realizó análisis de bioinformática, así como RT-qPCR; YW y QK terminaron de escribir el texto principal del manuscrito; líneas celulares relacionadas cultivadas con LS; XH proporciona ideas de investigación y lidera principalmente la investigación.

Correspondencia a Xiao Hu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wu, Y., Kou, Q., Sun, L. et al. Efectos del modelo de pronóstico anóxico sobre el microambiente inmunitario en el cáncer de páncreas. Informe científico 13, 9104 (2023). https://doi.org/10.1038/s41598-023-36413-9

Descargar cita

Recibido: 11 de marzo de 2023

Aceptado: 03 junio 2023

Publicado: 05 junio 2023

DOI: https://doi.org/10.1038/s41598-023-36413-9

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.