膵臓癌における免疫微小環境に対する酸素欠乏予後モデルの影響

Jun 24, 2023

Scientific Reports volume 13、記事番号: 9104 (2023) この記事を引用

1 オルトメトリック

メトリクスの詳細

膵臓がんは世界で最も予後が悪いがんの 1 つであり、低酸素と免疫抑制を特徴とする腫瘍微小環境が膵臓がんの予後と進行に重要な役割を果たしていることが示唆されています。 我々は、GO/KEGG濃縮関連の低酸素経路とcox回帰を通じて、膵臓がんの低酸素症に関与する重要な遺伝子としてPLAU、LDHA、PKMを同定し、予後モデルを確立し、Rおよび関連オンラインデータベースを用いたバイオインフォマティクスを通じてそれらの免疫侵襲との関係を研究した。 私たちは、膵臓がん細胞におけるPLAU、LDHA、PKMの高発現をin vitroでのqPCRを用いて検証し、低酸素膵臓がん細胞におけるPLAU、LDHA、PKMの発現が正常な培養膵臓がん細胞とは異なることも発見しました。 最後に、我々の予後モデルは、低酸素症と免疫浸潤を伴う膵臓がん患者のポストレインを正確に予測することを発見しました。

膵臓がんの予後は世界で最悪の部類に入り、世界中でがん関連死亡原因の第 4 位となっています 1。腹腔内の膵臓の特定の位置により、初期段階で膵臓がんの特徴が隠蔽されます 2。膵臓がんには非常に感度の高い分子標的マーカーが存在しないため、早期診断が困難になります3,4。 膵臓がんは進行性が非常に高い5。 一度診断されると進行する可能性が高く、効果的な治療計画を見つけることが困難になります5。 すい臓がんは近年盛んに研究され、その診断、放射線治療技術、体系的な治療法などの研究成果が提案され続けていますが、生存率は大きく改善しておらず、すい臓がんによる死亡者数は依然として増加し続けています。上昇6.

膵臓がんでは、悪性細胞が占める割合はわずかです。 残りは主に線維芽細胞、細胞外基質、内皮細胞、造血細胞で構成され、これらの宿主成分が腫瘍微小環境を構成します7。 腫瘍の生物学的機能は、主にがん細胞とその微小環境との相互作用によって決定されます7、8。 これらの腫瘍微小環境細胞タイプは、高度に免疫抑制性、低酸素性、線維増殖性のがんに寄与しています7,9。 低酸素症は膵臓腫瘍の微小環境の重要な特徴の 1 つであり、広範な結合組織過形成と二次的な血管減少が原因です 10。 低酸素は膵臓がんの進行に寄与する要因の 1 つでもあり 11、細胞増殖、生存、血管新生、代謝、腫瘍増殖、浸潤、転移などのさまざまな細胞および生物学的事象において重要な役割を果たしています 12。 低酸素症は、膵臓がんの重要な微環境特性の 1 つです。 低酸素微小環境は、HIF-1α 因子リストの標的を誘導して、下流遺伝子を調節し、下流経路の活性化を促進する可能性があります。

膵臓がん（PAAD）の免疫環境は、一般に免疫抑制と考えられています13、14。 この免疫抑制は膵臓がんの予後不良と関連しており 15,16、腫瘍の免疫微小環境は免疫療法に対して非常に鈍感であるため、膵臓がんの予後不良の原因となります 17。

結論として、膵臓腫瘍の微小環境における低酸素と高い免疫抑制は腫瘍の進行と予後に重要な役割を果たしており、関連する予後モデルの開発はPAADの予後指針にとって非常に重要である。 現在、低酸素は膵臓がんの微環境における必須の要因であり、PAAD 患者の予後を予測するモデルは不可欠です。 この研究の目的は、バイオインフォマティクス手法を使用して膵臓癌の低酸素症に関連する特別な標的分子を調査し、膵臓癌の酸素欠乏性腫瘍微小環境におけるそれらの役割を調査し、関連する予後モデルを確立し、膵臓癌におけるモデルの重要な役割を調べることでした。免疫微小環境を研究し、膵臓がんの予後と治療に新しいアイデアを提供します。

1279 個の上方制御遺伝子と 116 個の下方制御遺伝子を含む、合計 9211 個の差次的に発現する遺伝子がスクリーニングされました (図 1A)。

GEPIA2 からの遺伝子発現差および濃縮分析、(A) GEPIA2 からの膵臓癌差動遺伝子、赤色で上方制御され、青色で下方制御されます。(B) GEPIA2 膵臓癌差動遺伝子からの GO/KEGG。

我々は、選択した 2615 個の遺伝子の GO/KEGG 分析を使用して、低酸素関連経路を特定しました。 彼らは、低酸素関連経路を特定しました：GO:0001666 (低酸素への応答、合計 45 個の遺伝子が特定されました) (図 1B)。

STRING データベースを通じて、hif1a に直接関連する 25 個の遺伝子をスクリーニングしました (図 2A、B)。 p < 0.05 の主要な低酸素症遺伝子は、単変量 COX 回帰分析によってスクリーニングされました (補足ファイル 1: 表 S1)。 次に、文字列内の関連遺伝子とHIF1Aとの関係および一変量COX回帰の結果に従って、PKM、PLAUおよびLDHAをLASSO回帰に使用し、LASSO回帰を使用して予後モデルを確立しました（図3A、B）。

低酸素経路に関連する遺伝子の視覚化。(A) GO:0001666 の PPI ネットワークと (B) GO:0001666 の 25 個の遺伝子は HIF1A に直接関連しています。

予後モデルのリスク スコア分析、予後パフォーマンス、および生存分析、(A)。 Lasso 10 倍交差検証によって実行された 3 つの低酸素関連遺伝子の LASSO 回帰モデル (B)。 LASSO 回帰モデルの係数分布 (C)。 TCGA-PAAD コホートにおける低酸素関連遺伝子のリスク スコアと生存時間の分布 (D)。 TCGA-PAAD コホートにおけるリスク群間の OS 生存率のカプラン・マイヤー分析 (E)。 TCGA-PAAD コホートにおける低酸素関連遺伝子の遺伝子発現のヒート マップ、(F)。 リスクスコアリングモデルの ROC 曲線は、TCGA-PAAD コホートにおける 1 年、3 年、および 5 年の OS を予測します。

トレーニング セット内のすべてのがんサンプルの予後モデル式を確立しました。

リスクスコア = 0.693079351003975* LDHA の発現レベル − 0.376224999076138* PKM の発現レベル + 0.169271183333193* PLAU の発現レベル。

私たちのモデルが膵臓がん患者の予後を正確に予測できるかどうかを検証するために、178 人の患者を高リスク (n = 89) グループと低リスク (n = 89) グループに分けました (図 3C)。 ログランク検定の結果は、リスク スコア グループ間の生存時間分布の差が統計的に有意であることを示唆しました (図 3D)。 予後は、リスクスコアが高いグループの方が悪かった。 同様に、PKM、LDHA、およびPLAUは高リスクグループではほとんど高度に発現され、低リスクグループではほとんど低発現であることがわかりました（図3E）。 時間依存性 ROC 解析の結果、1 年 OS の予後精度は 0.727 (95% CI 0.596 ～ 0.792)、3 年 OS の予後精度は 0.730 (95% CI 0.602 ～ 0.842) でした。 OS の 5 年予後精度は 0.822 (95% CI 0.708 ～ 0.968) でした (図 3F)。 これらの結果は、私たちのグループが開発した低酸素関連遺伝子予後モデルが膵臓癌患者の予後を予測できることを示しています。

確立された予後モデルの精度を検証するために、検証セットとして GSE85916 および ICGC-PACA-AU を使用し、174 人の GSE85916 および ICGC-PACA-AU 膵臓がん患者からデータを収集しました (79 人は GSE85916 から、95 人は ICGC-PACA からでした) AU)、トレーニング セットと同じ式を使用してリスク スコアを計算しました。 リスクスコア中央値に基づいて、検証セットを高リスクグループ（n = 87）と低リスクグループ（n = 87）に分割しました（図4A）。 トレーニングセットと同様に、ピークリスクグループでは生存時間が短いことが観察されました（図4B）。 時間依存性 ROC 分析により、1 年 OS の予後精度は 0.681 (95% CI 0.629 ～ 0.863)、3 年 OS の予後精度は 0.649 (95% CI 0.690 ～ 0.940) であることが明らかになりました。 OS の 5 年予後精度は 0.758 (95% CI 0.745 ～ 1.007) でした (図 4C)。

検証セットの予後モデルのリスク スコア、予後パフォーマンス、および生存分析の分析 (A)。 低酸素関連遺伝子のリスク スコアと生存時間分布は検証セットを構成します (B)。 検証セット内のリスクのあるグループ間の OS のカプラン・マイヤー生存分析 (C)。 検証では、1 年、3 年、および 5 年の OS を予測するリスク スコアリング モデルの ROC 曲線を設定しました。

さらに、我々は検量線を作成し、我々のモデルが PAAD 患者の実際の生存率とよく一致していることを示しました (図 5A)。 リスクスコアと従来の予後因子のノモグラムを確立したことに加えて (図 5C)、我々のモデルは従来の臨床因子よりも高い AUC 値を持つことを発見しました (図 5B)。

ノモグラムによる PAAD 患者の 1 年、3 年、および 5 年 OS の予後 (A)。 TCGA-PAAD コホートにおける 1 年、3 年、および 5 年の OS を予測するためのノモグラム検量線: (B) リスク スコアおよびその他の変数 (年齢、性別、T ステージ、M 期) による生存予測のための ROC 曲線ステージ、Nステージ、Gステージ）; (C) リスクスコアと従来の予後因子のノモグラム。

さらに、T 期、性別、年齢、組織学的グレードなど、PAAD 患者の予後に影響を与える可能性のあるリスク スコアと臨床因子について多変量 COX 回帰分析を実施しました。その結果、予後モデルのリスク スコアは次のとおりである可能性があることが示されました。多変量 COX の独立した危険因子として使用されます (補足ファイル 2: 表 S2)。

結論として、私たちのモデルは膵臓がん患者の予後を正確に予測することができます。

我々の確立した予後モデルのリスクスコアとTCGA-PAADの臨床的特徴との間の関係も調査された。 リスクスコアの分布は、T ステージ (図 6A)、N ステージ (図 6B)、年齢 (図 6C)、および腫瘍残存率 (図 6D) によって大きく異なりました。

TCGA-PAAD データセットにおける臨床的特徴とリスクスコア間の関連性。 TCGA-PAAD コホート データにおける臨床的特徴と予後モデル リスク スコア間の相関関係：（A）T 期（T1 および T2 対 T3 および T4）、（B）N 期（N0 対 N1）。 (C) 年齢 (65 歳未満 vs. 65 歳以上)。 (D) 残存腫瘍 (R0 対 R1 および R2)。

好中球、Th1細胞、マクロファージ、およびTh2細胞の浸潤度は高いが、PDCおよびTh17細胞の浸潤度は低いことが判明した(図7A)。 同様に、好中球、Th1 細胞、マクロファージ、および Th2 細胞はリスク スコアと正の相関があったのに対し、PDC および Th17 細胞はリスク因子と負の相関がありました (図 7B–G)。

TCGA-PAAD データセットにおける免疫浸潤とリスクスコアの関連、(A)。 箱ひげ図は、高リスク群と低リスク群の間の免疫細胞浸潤のレベルを示しています (B–G)。 リスクスコアに関連する免疫細胞浸潤の散布図、(H) ボックスプロットは、高リスク群と低リスク群の間の免疫チェックポイント発現レベルを示します。

私たちのモデルでは、CD276、TNFSF4、CD44、CD80、CD70、CD274、TNFSF9、TNFRSF9、CD86、NRP1、PDCD1LG2、HAVCR2、CD40、HHLA2、CD160が高リスク患者と低リスク患者の間で差次的に発現していることもわかりました。 。 CD160は低リスク群で高度に発現していましたが、他の群では逆に発現していました（図7H）。 さらに、CD160 はリスクスコアと負の相関があるのに対し、他のものは正の相関があることを特定しました（補足ファイル 5：図 S1A–O）。

RT-PCRの結果によると、PLAU、PKM、およびLDHAが、hTERT-HPNE細胞と比較してPANC-1細胞で高度に発現していることが観察されました（図8A〜C）。 PKM および PLAU の発現は、低酸素処理した PANC-1 細胞株の方が未処理の細胞よりも低かったのに対し、LDHA の発現は、低酸素処理した PANC-1 細胞株の方が未処理の細胞より高かった（図 8D–F）。

この遺伝子は、PANC-1 細胞と hTERT-HPNE 細胞 ((A) PLAU、(B) LDHA、および (C) PKM)、および低酸素処理した PANC-1 細胞と未処理の PANC-1 細胞 ((D)) で発現しました。 PLAU、(E) LDHA、および(F) PKM)。

膵臓がんは、最も致死率の高い悪性腫瘍の 1 つです18。 他の主要ながんの生存率は大幅​​に改善されましたが、膵臓がんの生存率は改善されていません19。 膵臓がんは通常、進行した段階で検出され、ほとんどの治療選択肢は効果がなく、予後不良となります5。 正確な予後情報の必要性は、患者だけでなく、臨床医も積極的な治療介入を選択し、重大な臨床上の利益を期待するために必要です。 したがって、膵臓がん患者の予後を予測するには、信頼できる予後モデルが必要です。

好気性器官の機能と維持には、正常な酸素濃度が必要です20。 組織内の好気性器官の正常な機能と維持には、正常な酸素濃度が必要です21。 しかし、腫瘍細胞や異常な腫瘍血管の制御されない成長と増殖により、腫瘍組織で大量の栄養素と酸素が消費され、低酸素状態が生じます22。 腫瘍組織では、血管網が効率的かつ迅速に形成できず、新生血管網には構造的および機能的異常があります23。 機能不全または機能障害のある血管の前述の多数の血管新生は、低酸素症のもう 1 つの重大な原因です 24。 低酸素誘導因子（HIF）転写因子ファミリーとその下流に関連するシグナル伝達経路は、主に低酸素条件下で腫瘍細胞で起こる適応プロセスの制御に関与しています25。

近年の研究の発展に伴い、PAAD バイオマーカー、予後マーカー、および予後モデルの研究がますます注目を集めています。 GEPIA2からの差次的遺伝子の濃縮分析を通じて、我々は低酸素関連遺伝子を同定し、PPIネットワークを通じて、腫瘍低酸素の過程で最も重要な役割を果たすHIF1Aに直接関連する遺伝子を特定した。 我々は、単一因子 Cox 回帰スクリーニングを使用して低酸素関連予後遺伝子 (PLAU、PKM、および LDHA) を選択し、Lasso 分析を使用して予後モデルを確立しました。 検証と分析の結果、私たちのモデルは膵臓がん患者の予後を正確に予測できることがわかりました。 私たちの研究によると、このモデルの予測有効性 (ROC 曲線下の面積) は、従来の臨床予後因子の予測有効性よりも優れていました。 また、我々の予後モデルは臨床的特徴と強く相関しており、T 期および N 期のリスクスコアが高く、腫瘍残存は比較的悪性の段階と過剰な腫瘍残存を示していることも明らかにしました。 これは、臨床医が膵臓がんの治療をより効果的かつ迅速に完了するために膵臓がん患者の予後判断を改善し、予後介入の選択を提供するのに私たちのモデルが役立つことを示しており、これにより患者の生存率と予後が大幅に改善されることが期待されています。効果。

HIF-1 は、血管新生と赤血球生成を促進することによって酸素供給を改善することに加えて、細胞内の酸素の必要性を減らすために代謝を調節することによって無酸素環境にも適応します。 グルコース代謝では、HIF-1 は解糖系の発現を促進することによって酸化代謝を解糖に変換します。酵素、酸素の必要性を減らす26。 PKM はグルコースからピルビン酸への変換における重要な酵素の 1 つであり、LDHA はピルビン酸から乳酸への変換を触媒できます 27,28。 これらの遺伝子には、エリスロポエチン エンハンサーの HIF-1 結合部位に類似した配列が含まれていることが判明しました 29。 低酸素条件下では、HIF-1 は酸化代謝を解糖に変換し、上記の遺伝子の発現を調節することで解糖を促進することで、酸素要求量を減らし、正常なエネルギー供給を維持すると同時に、低酸素誘発活性酸素種によって引き起こされる細胞損傷を抑制します。世代30。 PLAU は、プラスミノーゲンをプラスミナーゼに変換する分泌型セリン プロテアーゼをコードします 31。 PLAU はさまざまながんに関与しており、さまざまながんの予後不良と関連していることもわかっています 32。 いくつかの実験研究では、PLAU の過剰発現が PAAD の予後不良と関連しており、PAAD 耐性、浸潤、遊走に重要な役割を果たしていることが証明されています 33。 しかし、膵臓がんの酸素欠乏過程におけるPLAUの役割は十分に理解されておらず、我々の研究はこのギャップを埋めることを目的としている。

腫瘍の進行と予後は、腫瘍微小環境における免疫細胞浸潤と密接に関連しています17。 高リスク群では、マクロファージ、好中球、Th1 細胞、Th2 細胞、マクロファージの攻撃性がより高いのに対し、PDC 細胞と Th17 細胞の攻撃性は低いことがわかりました。 急速に進行する PAAD 患者における腫瘍免疫微小環境は、免疫細胞の不十分な浸潤と関連していることがよくあります 34。 マクロファージと好中球は、免疫抑制細胞の抑制を促進します35。 私たちの研究では、低酸素症のリスクが高い患者においてこれら 2 種類の細胞の浸潤が増加すると、免疫抑制性の腫瘍微小環境が増加し、予後不良に関連する膵臓がんの進行が促進される可能性があります。 免疫チェックポイントは、免疫細胞上に発現し、免疫活性化を調節する一連の分子です36。 免疫チェックポイントは、腫瘍の免疫抑制効果を促進することにより、発がんにおいて重要な役割を果たしています 37。 腫瘍は免疫チェックポイントの標的を刺激することで攻撃から身を守ることができます38。 私たちの研究では、免疫チェックポイントの PD-L1、PD-L2、CD276 も高低酸素リスクグループで上方制御されていました。 私たちのモデルは、膵臓がんの低酸素関連遺伝子から始まり、高リスクおよび低リスクの患者グループにおける関連する免疫浸潤を調べるために、モデルと免疫微小環境との関係を同時に調べました。 私たちは、低酸素関連遺伝子モデルが免疫微小環境と高度に相関しており、腫瘍微小環境に基づいて膵臓がんの予後を予測する新しい方法を提供することを確認しました。 免疫チェックポイントは、免疫細胞上に発現する一連の分子であり、免疫活性化の程度を調節し、自己免疫（免疫機能が異常を起こし、健康な細胞を攻撃する場合）の予防に重要な役割を果たします。

さらに、膵臓がん細胞と正常膵管上皮細胞における3つの遺伝子の発現の違いをRT-qPCR実験により検証し、低酸素前後の膵臓がん細胞において3つの遺伝子の発現が異なることも確認し、これら 3 つの遺伝子は、膵臓がんの低酸素関連予後マーカーとなる可能性があります。

私たちのモデルは、膵臓がんの腫瘍微小環境に関連する予後モデルとなる可能性があり、膵臓がんに対する腫瘍微小環境の影響に基づいて患者の予後を確実に予測できます。

ヒト膵臓癌細胞 PANC-1 は PROCELL から購入し、ヒト正常膵管細胞 hTERT-HPNE は CELL RESEARCH から購入しました。 両方の種類の細胞を青島大学付属病院のサンプルバンクに液体窒素で保存しました。細胞は、10％ウシ胎児血清および1％ペニシリン/ストレプトマイシン（Meilunbioから購入）を補充したDMEM高グルコース培地で湿式培養しました。 5% 二酸化炭素、37 °C のインキュベーター。 低酸素処理したPANC-1細胞を無酸素インキュベーター(Ruskinn Invivo2 400 Hypoxia workstation)内で24時間培養しました。

我々はオンラインデータベースGEPIA239を使用して膵臓癌の差次的に発現する遺伝子を同定し、差次的に発現する遺伝子のスクリーニング条件としてlog2FoldChange（logFC）およびP値を採用した。 P 値 < 0.05 と | をフィルター処理します。 log2FC |> 2 条件間の差異としての 1 遺伝子: アップレギュレートされた場合は log2FC > 2.5、ダウンレギュレートされた場合は log2FC < - 2.5。 その後、火山地図を使用してこれらの異なる遺伝子を視覚化しました。

遺伝子オントロジー (GO) と京都遺伝子とゲノム百科事典 (KEGG) は、遺伝子を強化して注釈を付け、関連する経路を見つけることができます。 ゲノムは、R を使用して濃縮および分析されました。メイン パッケージclusterProfiler [バージョン 3.14.3]。 org.Hs.eg.db パッケージ [バージョン 3.10.0]; および GOplot パッケージ [バージョン 1.0.2]。 低酸素関連の濃縮経路と濃縮された遺伝子を特定する。

私たちのトレーニング セットは、TCGA データベースからの 178 個の PAAD サンプルで構成されていました (補足ファイル 3: 表 S3)。

以前の研究では、HIF1A が低酸素症において重要な役割を果たしていることが示されています 40。 我々は、低酸素関連遺伝子のPPIネットワークを文字列でマッピングし、キー遺伝子としてHIF1Aに直接関連する遺伝子を探した。

単一因子 COX 回帰は、「survival」パッケージを使用して上記の主要な遺伝子に対して実行されました。 p < 0.05 の遺伝子では、最も低い p 値を持つ 2 つの遺伝子と、HIF1A と最も密接な関係を持つ (最大の複合スコアを持つ) 遺伝子が、予後モデルを確立するための遺伝子として選択されました。 予後モデルは LASSO 回帰 41 を使用して確立されました。

リスクスコアは、TCGA の標準化された PAAD mRNA 発現データに基づいて計算されました。

本研究では、R ソフトウェアパッケージ glmnet を使用して生存時間、生存状態、遺伝子発現データを統合し、lasso-cox 法を使用して回帰分析を実行しました。 さらに、最適なモデルを決定するために 10 倍の相互検証手順も実装しました。 PAAD 患者は、OS 生存分析のリスク スコア中央値に基づいて高リスク グループと低リスク グループに分類されました。 ROC 曲線は、モデルの予後効果を評価するために「timeROC」パッケージを使用して作成されました。

確立された予後モデルの精度を検証するために、GSE85916 と ICGC-PACA-AU を検証セットとして使用しました (補足ファイル 4: 表 S4)。

一方、「rms」および「survival」パッケージを使用して、実際の確率とさまざまな状況でモデルによって予測された確率をグラフにプロットすることで、実際の結果に対するモデルの予測の影響を評価します。

次に、「pROC」パッケージを使用してリスク スコアと関連する臨床変数の ROC 曲線をプロットし、当社のモデルが従来の臨床予後スコアリング システムと比較して予後予測能力が高いかどうかを判断しました。

リスクスコアリングシステムが独立した予測因子として使用できるかどうかを評価するために、組織学的グレードやTステージなどの臨床病理学的パラメーターに対して多変量コックス回帰分析が実行されました。 また、リスクスコアとTCGA-PAADコホート患者の臨床的特徴との関係も分析した。

R-package GSVA によって提供される ssGSEA アルゴリズムに基づいて、Immunity 論文 21 の 24 種類の免疫細胞マーカーを使用して、予後モデルに対応する免疫浸潤が計算されました。

同時に、膵臓がん患者における免疫チェックポイント関連分子の発現が測定されました。

PANC-1、hTERT-HPNE、および嫌気インキュベーターを使用して低酸素後に24時間培養したPANC-1から全RNAを抽出しました。 逆転写は、PrimeScrip RT-PCR キット (Takara、日本) を使用して実行され、RT-qPCR は、SYBR PreMix Ex Taq (Takara、日本) を備えた Roche 機器で実行されました。 この研究で使用したプライマー配列を以下に示します。PLAU フォワード: GGGAATGGTCACTTTTACCGAG、PLAU リバース: GGGCATGGTACGTTTGCTG; GAPDH フォワード: GGAGCGAGATCCCTCCAAAAT、GAPDH リバース: GGCTGTTGTCATACTTCTCATGG; PKM フォワード CTGAAGGCAGTGATGTGGCC、PKM リバース ACCCGGAGGTCCACGTCCTC; LDHA フォワード GGCCTGTGCCATCAGTA: LDHA リバース CAAGCCACGTAGGTCAA。

統計分析には、SPSS 24.0 ソフトウェア (IBM Corp.、ニューヨーク州、米国) および GraphPad Prism 8 (GraphPad、米国) を使用しました。 Student t 検定を使用して、遺伝子の違いを分析しました。 |logFC|> 1 および P < 0.05 を、差次的発現遺伝子の有意性を選択するための閾値として設定しました。 単変量および多変量 COX 分析、ログランク検定、およびロジスティック回帰分析が使用されました。

この研究中に使用および/または分析されたデータセットは、責任著者からの合理的な要求に応じて入手できます。

Midha, S.、Chawla, S.、および Garg, PK 膵臓がんの修正可能および修正不可能な危険因子: 総説。 キャンサーレット。 381(1)、269–277 (2016)。

論文 CAS PubMed Google Scholar

Huang, S. et al. インターフェロン α 誘導性タンパク質 27 (IFI27) は、包括的なバイオインフォマティクス分析に基づいた膵臓がんの予後マーカーです。 バイオエンジニアリング https://doi.org/10.1080/21655979.2021.1985858 (2021)。

記事 PubMed PubMed Central Google Scholar

Cao, F.、Li, J.、Li, A. & Li, F. 左側膵臓癌の治療における根治的順行性モジュラー膵脾摘出術と標準的手術との比較：系統的レビューとメタアナリシス。 BMC外科 17(1)、67 (2017)。

記事 PubMed PubMed Central Google Scholar

Koller、M.ら。 膵臓がんにおける分子ベースの治療的アプローチのターゲットのデータ主導の優先順位付けとレビュー。 Ｊ．Ｎｕｃｌ． 医学。 58(12)、1899–1903 (2017)。

論文 PubMed Google Scholar

アンサリ、D. et al. 膵臓がん：昨日、今日、そして明日。 未来のオンコル。 https://doi.org/10.2217/fon-2016-0010 (2016)。

論文 PubMed Google Scholar

グロスバーグ、AJ 他膵管腺癌における集学的標準治療と最近の進歩。 CA Cancer J. Clin. 70(5)、375–403 (2020)。

記事 PubMed PubMed Central Google Scholar

Dougan、SK 膵臓がんの微環境。 Cancer J. https://doi.org/10.1097/PPO.0000000000000288 (2017)。

論文 PubMed Google Scholar

Morrison、AH、Byrne、KT、Vonderheide、RH 免疫療法と膵臓がんの予防。 トレンド キャンサー 4(6)、418–428 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

フーバー、MBC 他膵臓がんにおける免疫微小環境。 内部。 Ｊ．Ｍｏｌ． 科学。 https://doi.org/10.3390/ijms21197307 (2020)。

記事 PubMed PubMed Central Google Scholar

DL シュワルツら。 放射線増感と間質イメージング反応は、膵臓がんにおける化学療法の有無にかかわらず投与された HIF-1 阻害剤 PX-478 と相関関係があります。 モル。 がんサー。 9(7)、2057–2067 (2010)。

論文 CAS PubMed PubMed Central Google Scholar

Huang, C. et al. ダーモカインは、膵臓がんにおけるシグナル伝達物質および転写活性化因子の活性化の増加を通じて上皮間葉転換に寄与します 3。 がん科学。 108(11)、2130–2141 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

Minchenko, OH、Tsuchihara, K.、Minchenko, DO、Bikfalvi, A. & Eumi, H. 膵臓癌細胞および胃癌細胞における PFKFB 発現の制御機構。 World J. Gastroenterol. 20(38)、13705–13717 (2014)。

論文 CAS PubMed PubMed Central Google Scholar

Mizrahi、JD、Surana、R.、Valle、JW、Shroff、RT 膵臓がん。 ランセット 395(10242)、2008–2020 (2020)。

論文 CAS PubMed Google Scholar

Neoptolemos, JP et al. 膵臓がんの治療開発：現在と将来の展望。 ナット。 胃腸ロール牧師。 ヘパトール。 15(6)、333–348 (2018)。

論文 PubMed Google Scholar

モハメッド、S.、ヴァン ビューレン、G. II。 & Fisher、WE 膵臓がん: 治療の進歩。 World J. Gastroenterol. 20(28)、9354–60 (2014)。

PubMed PubMed Central Google Scholar

マントヴァーニ、A.ら。 炎症における調節経路。 自己免疫。 改訂 7(1)、8 ～ 11 (2007)。

論文 CAS PubMed Google Scholar

Padoan, A.、Plebani, M. & Basso, D. 炎症と膵臓がん: 代謝、サイトカイン、免疫に焦点を当てます。 内部。 Ｊ．Ｍｏｌ． 科学。 20(3)、676 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

Vincent, A.、Herman, J.、Schulick, R.、Hruban, RH および Goggins, M. 膵臓がん。 ランセット 378(9791)、607–620 (2011)。

記事 PubMed PubMed Central Google Scholar

Colisson, EA、Bailey, P.、Chang, DK & Biankin, AV 膵臓がんの分子サブタイプ。 ナット。 胃腸ロール牧師。 ヘパトール。 16(4)、207–220 (2019)。

論文 PubMed Google Scholar

チェン、D.ら。 膵管腺癌の低酸素症および免疫関連の予後サインの開発と検証。 フロント。 イムノール。 12、728062 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Garcea, G.、Doucas, H.、Steward, WP、Dennison、AR & Berry, DP 膵臓癌における低酸素症と血管新生。 ANZ J. Surg. 76(9)、830–842 (2006)。

論文 PubMed Google Scholar

Hao, X.、Ren, Y.、Feng, M.、Wang, Q. & Wang, Y. 膵臓がんにおける低酸素による代謝再プログラミング: 腫瘍形成、免疫などへの影響。 バイオメッド。 薬剤師。 141、111798 (2021)。

論文 CAS PubMed Google Scholar

タオ、J.ら。 膵臓がんにおける低酸素腫瘍微小環境を標的とする。 Ｊ．Ｈｅｍａｔｏｌ． オンコル。 14(1)、14 (2021)。

記事 PubMed PubMed Central Google Scholar

フェイグ、C.ら。 膵臓がんの微環境。 クリン。 がん研究所 18(16)、4266–4276 (2012)。

論文 CAS PubMed PubMed Central Google Scholar

Shah, VM、Sheppard, BC、Sears, RC & Alani, AW 低酸素症: 膵臓がんにおける薬物送達の味方か敵か。 キャンサーレット。 492、63–70 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Albadari, N.、Deng, S. & Li, W. がん治療における転写因子 HIF-1 および HIF-2、およびそれらの新規阻害剤。 専門家の意見。 ドラッグディスコブ。 14(7)、667–682 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

Wang、XH、Jiang、ZH、Yang、HM、Zhang、Y.、Xu、LH 低酸素誘発性 FOXO4/LDHA 軸は胃癌細胞の解糖と進行を調節します。 クリン。 翻訳。 医学。 11(1)、e279 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

マッサリ、F.ら。 膀胱がんの代謝表現型。 がんの治療。 改訂 45、46–57 (2016)。

論文 CAS PubMed Google Scholar

Balamurugan, K. 低酸素症、炎症、癌の交差点にある HIF-1。 内部。 J. Cancer 138(5)、1058–1066 (2016)。

論文 CAS PubMed Google Scholar

コルベッキ、J.ら。 慢性および周期的低酸素症: HIF-1 および NF-κB の活性化を介した癌の慢性炎症のドライバー: 分子メカニズムの概説。 内部。 Ｊ．Ｍｏｌ． 科学。 22(19)、10701 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Gao, Y.、Ma, X.、Lu, H.、Xu, P. & Xu, C. PLAU は細胞の遊走と浸潤に関連しており、子宮頸がんでは転写因子 YY1 によって調節されています。 オンコル。 議員 https://doi.org/10.3892/or.2022.8462 (2023)。

記事 PubMed PubMed Central Google Scholar

Wang, H.、Lu, L.、Liang, X. & Chen, Y. 統合バイオインフォマティクス分析による膵臓腺癌免疫微小環境における予後遺伝子の同定。 がん免疫。 免疫力のない人。 71(7)、1757–1769 (2022)。

論文 CAS PubMed Google Scholar

ホーセン、SMZ et al. 膵管腺癌における転移表現型と免疫抑制性腫瘍微小環境：ウロキナーゼプラスミノーゲン活性化因子（PLAU）の重要な役割。 フロント。 イムノール。 13、1060957 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Balli, D.、Rech, AJ、Stanger, BZ & Vonderheide, RH 免疫細胞溶解活性は、ヒト膵臓がんの分子サブセットを階層化します。 クリン。 がん研究所 23(12)、3129–3138 (2017)。

論文 CAS PubMed Google Scholar

ビンデア、G. et al. 腫瘍内免疫細胞の時空間動態は、ヒトの癌における免疫状況を明らかにします。 イミュニティ 39(4)、782–795 (2013)。

論文 CAS PubMed Google Scholar

橋本 晋 ほか ARF6 と AMAP1 は、膵臓がんの浸潤、PD-L1 動態、および免疫回避を促進する KRAS および TP53 変異の主要な標的です。 手順国立アカド。 科学。 USA 116(35)、17450–17459 (2019)。

論文 ADS CAS PubMed PubMed Central Google Scholar

リー、Ｙら。 潜在的な免疫チェックポイントとしての LGALS1 と、明細胞腎癌における抗 PD1 療法に対する反応の予測因子としての LGALS1 の解明。 パソル。 オンコル。 解像度 26(3)、1451–1458 (2020)。

論文 CAS PubMed Google Scholar

Henriksen, A.、Dyhl-Polk, A.、Chen, I.、Nielsen, D. 膵臓がんにおけるチェックポイント阻害剤。 がんの治療。 改訂 78、17–30 (2019)。

論文 CAS PubMed Google Scholar

Tang、Z.ら。 GEPIA: がんおよび正常な遺伝子発現プロファイリングと対話型分析のための Web サーバー。 核酸研究所 45(W1)、W98–W102 (2017)。

論文 CAS PubMed PubMed Central Google Scholar

Semenza、GL HIF-1、および低酸素感知のメカニズム。 セル規則。 https://doi.org/10.1016/S0955-0674(00)00194-0 (2001)。

記事 Google Scholar

シェン、W.ら。 Sangerbox: 包括的でインタラクションフレンドリーな臨床バイオインフォマティクス分析プラットフォーム。 iMeta https://doi.org/10.1002/imt2.36 (2022)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、中国国家自然科学財団 (52075277) から資金提供を受けました。

青島大学附属病院肝胆膵外科、中華人民共和国山東省青島江蘇路16号

Yangdong Wu、Qingyan Kou、Xiao Hu

中国青島市青島大学附属病院ICU部

リン・スン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

YW はバイオインフォマティクス分析と RT-qPCR を実行しました。 YW と QK は原稿の本文を書き終えました。 LS は関連細胞株を培養しました。 XHは研究アイデアを提供し、主に研究をリードします。

Xiao Huへの対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Wu、Y.、Kou、Q.、Sun、L. 他膵臓癌における免疫微小環境に対する酸素欠乏予後モデルの影響。 Sci Rep 13、9104 (2023)。 https://doi.org/10.1038/s41598-023-36413-9

引用をダウンロード

受信日: 2023 年 3 月 11 日

受理日: 2023 年 6 月 3 日

公開日: 2023 年 6 月 5 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。