结肠癌免疫相关基因筛选和预后模型建立

齐荣暄; 刘格良; 穆俊芳; 李晨龙; 李渊; 贺培凤; 于琦

doi:10.7619/jcmp.20231576

结肠癌免疫相关基因筛选和预后模型建立

齐荣暄^{1, 2},
刘格良^{1, 2},
穆俊芳^{1, 2},
李晨龙^{2, 3},
李渊^{1, 2},
贺培凤²,
于琦^{1, 2, ,}

1.
山西医科大学管理学院, 山西太原, 030001
2.
山西省临床决策研究大数据重点实验室, 山西太原, 030001
3.
山西医科大学基础医学院, 山西太原, 030001

基金项目:

山西省重点研发计划项目 202102130501003

山西省重点研发计划项目 201903D311011

山西省回国留学人员科研资助项目 HGKY2019057

山西医科大学省级博士基金项目 SD2229

山西省研究生教育创新项目 2022Y426

详细信息

通讯作者:
于琦, E-mail: yuqi@sxmu.edu.cn

中图分类号: R735.3;R730.7
计量
- 文章访问数: 504
- HTML全文浏览量: 117
- PDF下载量: 46
出版历程
- 收稿日期: 2023-05-15
- 修回日期: 2023-06-23
- 网络出版日期: 2023-07-30

Screening of immune-related genes and establishment of prognostic model for colon cancer

QI Rongxuan^{1, 2},
LIU Geliang^{1, 2},
MU Junfang^{1, 2},
LI Chenlong^{2, 3},
LI Yuan^{1, 2},
HE Peifeng²,
YU Qi^{1, 2, ,}

1.
School of Management, Shanxi Medical University, Taiyuan, Shanxi, 030001
2.
Shanxi Key Laboratory of Big Data for Clinical Decision Research, Taiyuan, Shanxi, 030001
3.
School of Basic Medical Sciences, Shanxi Medical University, Taiyuan, Shanxi, 030001

摘要

摘要:
目的
筛选结肠癌(CC)关键预后相关免疫基因(KIGs), 构建免疫相关预后模型。
方法
从癌症基因组图谱(TCGA)数据库中下载CC患者的基因表达数据和临床数据, 基于免疫分型筛选差异表达基因(DEGs), 将DEGs与ImmPort数据库中免疫基因取交集得到差异表达免疫基因(DEIGs)。通过单因素Cox回归分析、Lasso-Cox回归分析筛选出KIGs, 建立免疫相关预后模型，并验证预后模型的预测性能。分析风险评分与临床特征、免疫浸润细胞、肿瘤突变负荷、微卫星不稳定性的相关性。应用单因素和多因素Cox回归分析筛选CC的独立预后因素，进一步构建用于预测CC患者总生存率(OS)的列线图。
结果
基于免疫分型筛选出1 439个DEGs, DEGs与ImmPort数据库免疫基因取交集得到379个DEIGs, 通过单因素Cox回归分析、Lasso-Cox回归分析筛选出12个KIGs, 构建免疫相关预后模型。高风险评分(高风险组)患者和低风险评分(低风险组)患者的OS差异有统计学意义(P < 0.05);预后模型预测1、3、5年OS的受试者工作特征曲线的曲线下面积(AUC)分别为0.735、0.725、0.699, 表明预后模型的预测效果较好。不同疾病分期、不同TNM分期患者的风险评分比较，差异有统计学意义(P < 0.05);KIGs与众多免疫浸润细胞均存在相关性(P < 0.05);高风险组与低风险组的肿瘤突变负荷比较，差异有统计学意义(P < 0.05);高风险组的微卫星不稳定性比低风险组更强。单因素和多因素Cox回归分析发现，风险评分是CC的独立预后因素(P < 0.001), 进一步构建的列线图对CC患者生存状态具有良好的预测能力和准确性。
结论
本研究构建了基于12个KIGs的免疫相关预后模型，并建立了可用于预测CC患者OS的列线图，有助于医生做出个体化治疗决策。
- 结肠癌 /
- 癌症基因组图谱 /
- 转录组 /
- 免疫基因 /
- 肿瘤微环境 /
- 预后模型
Abstract:
Objective
To screen key prognosis-related immune genes(KIGs) in colon cancer(CC) and construct immune-related prognostic model.
Methods
The gene expression data and clinical data of CC patients were downloaded from the Cancer Genome Atlas (TCGA), differential expressed genes (DEGs) were screened based on immune typing, and the intersection of DEGs and immune genes of ImmPort database was used to obtain differentially expressed immune genes (DEIGs). Univariate Cox analysis and Lasso-Cox analysis were used to screen KIGs to establish immune-related prognostic models. Next, the predictive performance of the prognostic model was verified. The correlations of risk score with clinical features, immune infiltrating cells, tumor mutation burden, and microsatellite instability were analyzed. Independent prognostic factors of CC were screened by univariate and multivariate Cox analysis, and a nomogram related to overall survival rate (OS) was constructed to predict the overall survival rate of CC patients.
Results
A total of 1, 439 DEGs were screened out based on immune typing, and 379 DEIGs were obtained by the intersection of DEGs and immune genes of ImmPort database. A total of 12 KIGs were screened out by univariate Cox analysis and Lasso-Cox analysis, and an immune-related prognostic model was constructed. There was a significant difference in OS between high-risk score patients(high-risk group) and low-risk score patients (low-risk group)(P < 0.05). The area under the receiver operating characteristic curve (AUC) for 1-, 3- and 5-year were 0.735, 0.725 and 0.699, respectively, which showed that the model had a good predictive effect. There were significant differences in risk scores of patients with different disease stages and different TNM stages (P < 0.05); KIGs was correlated with numerous immune infiltrating cells (P < 0.05); micro-satellite instability was greater in the high-risk group than in the low-risk group. Univariate and multivariate Cox regression analysis showed that risk score was an independent prognostic factor for CC (P < 0.001), and the further constructed nomogram had good predictive power and accuracy for the survival status of CC patients.
Conclusion
An immune-related prognostic model based on 12 KIGs is constructed in the study, and a nomogram is developed to predict overall survival in CC patients, which could help physicians make individualized treatment decisions.
- colon cancer /
- cancer genome atlas /
- transcriptome /
- immune genes /
- tumor microenvironment /
- prognosis model

HTML全文

高尿酸血症(HUA)是尿酸生成过多和/或排泄减少引起的代谢异常综合征, HUA与高血压、心脑血管疾病、代谢综合征、慢性肾脏疾病(CKD)密切相关^[1]。同时，CKD患者SUA水平升高较为常见，并可随着肾小球滤过率的下降而升高。本文采用横断面研究设计，探讨体检人群SUA与肾小球滤过率的相关性，现将结果报告如下。

1. 资料与方法

1.1 一般资料

选取2009—2010年在本院进行体检者2 753例为研究对象，收集受试者的性别、年龄、身高、体质量、血压等基本信息，记录该人群SUA、肌酐(SCr)、尿素氮、空腹血糖、总胆固醇、甘油三酯、低密度脂蛋白、高密度脂蛋白等生化指标。排除标准: ①合并肾囊肿、泌尿系感染及结石、肾移植、血液腹膜透析、血液系统疾病、恶性肿瘤及急性感染中毒的患者; ②近期服用影响尿酸代谢药物(如噻嗪类利尿剂、阿司匹林、吡嗪酰胺等)的患者; ③心脏、肺、肝脏等主要脏器功能中度以上受损者; ④检查项目不全者。

1.2 研究方法

1.2.1 调查资料

收集体质量、体质量指数(BMI)、身高、血压、SUA、SCr、尿素氮、血糖、血脂等生化指标^[2]。

1.2.2 SUA检测

采用尿酸酶过氧化物酶法。正常参考值范围: 155~357 μmol/L。SUA≥420 μmol/L定为HUA^[3]。根据SUA水平的四分位数将研究人群分为4组，即Ⅰ组的SUA≤246.65 μmol/L, Ⅱ组的SUA>246.65~309.30 μmol/L, Ⅲ组的SUA>309.30~365.55 μmol/L, Ⅳ组的SUA>365.55 μmol/L。

1.2.3 估算的肾小球滤过率(eGFR)

采用2009年慢性肾病流行病学合作研究组(CKD-EPI)公式计算eGFR^[4]。男性SCr≤0.9 mg/dL时, eGFr=141×(SCr/0.9)^-0.411×0.993^年龄; SCr>0.9 mg/dL时, eGFr=141×(SCr/0.9)^-1.209×0.993^年龄。女性SCr≤0.7 mg/dL时, eGFr=144×(SCr/0.7)^-0.329×0.993^年龄; SCr>0.7 mg/dL时, eGFr=144×(SCr/0.7)^-1.209×0.993^年龄。《内科学(第9版)》^[5]中CKD的定义: 各种原因引起的肾脏结构或功能异常≥3个月，包括出现肾脏损伤标志(白蛋白尿、尿沉渣异常、肾小管相关病变、组织学检查异常及影像学检查异常)或有肾移植病史，伴或不伴肾小球滤过率下降; 或不明原因的eGFR下降( <60 mL/min)≥3个月。

1.3 统计学方法

采用SPSS 22.0统计软件进行统计分析。对研究对象进行一般描述和假设检验，计量资料的描述采用均数(x±s)标准差表示，组间比较采用t检验或单因素方差分析。计数资料的描述采用[n(%)]表示，组间比较采用卡方χ²检验。多个均数的两两比较采用SNK-q检验。采用Pearson相关分析评估SUA水平与eGFR的相关性。采用多因素Logistic回归分析探讨不同水平SUA与CKD的相关性。P <0.05为差异有统计学意义。

2. 结果

2.1 一般情况

本研究共纳入2 753例受试者，平均年龄(62.27±11.65)岁，其中男1 878例(68.22%), 平均年龄(62.36±12.25)岁，女875例(31.78%), 平均年龄(62.08±10.23)岁; 合并HUA者283例，其中男258例，女25例, HUA总患病率为10.28%, 男性患病率为13.73%, 女性为2.86%, 男性患病率高于女性，差异有统计学意义(P <0.001); 40岁以上各年龄组男性HUA患病率均高于女性，差异有统计学意义(P <0.05), 其中31~40岁年龄组男性HUA患病率最高，为21.15%, 41~50岁年龄组次之，为19.69%; >70岁年龄组女性HUA患病率最高，为7.21%。见表 1。

表 1 不同性别、年龄组HUA患病率比较

年龄段	男性			女性			χ²	P
年龄段	人数	检出人数	检出率/%	人数	检出人数	检出率/%	χ²	P
21~30岁	37	2	5.41	10	0	0	0.565	0.452
31~40岁	52	11	21.15	5	0	0	1.311	0.252
41~50岁	127	25	19.69	36	1	2.78	5.981	0.014
51~60岁	676	63	9.32	405	3	0.74	32.514	0.025
61~70岁	451	78	17.29	211	6	2.84	27.097	< 0.001
> 70岁	535	79	14.77	208	15	7.21	7.735	0.005
总计	1 878	258	13.73	857	25	2.86	76.622	< 0.001
趋势性χ²		24.800			21.187
P		< 0.001			0.001

下载: 导出CSV

| 显示表格

2.2 不同SUA水平下的体检指标比较

根据HUA水平的四分位数将研究对象分为Ⅰ组、Ⅱ组、Ⅲ组、Ⅳ组，结果显示, 4组患者的男性比率、年龄、BMI、收缩压、舒张压、甘油三酯、低密度脂蛋白、尿素氮、SCr随SUA水平升高而升高，高密度脂蛋白、eGFR随SUA水平升高而下降，差异有统计学意义(P <0.001)。不同HUA水平下，空腹血糖、总胆固醇水平不同，差异有统计学意义(P <0.001)。4组进行两两比较，结果显示男性比率、BMI、甘油三酯、血尿素氮、SCr的差异均有统计学意义(P <0.001)。见表 2。

表 2 不同SUA水平下的体检指标比较(x±s)[n(%)]

变量	Ⅰ组(n=688)	Ⅱ组(n=689)	Ⅲ组(n=688)	Ⅳ组(n=688)	χ²/ F	P
SUA/(μmol/L)	197.20±47.06	278.10±18.12	337.06±16.62	421.17±47.75	4 826.15	< 0.001
男	315(45.78)	433(62.84)	523(76.02)	607(88.23)	315.21	< 0.001
年龄/岁	61.13±10.41	61.51±11.94	62.63±10.67	63.81±13.19	7.45	< 0.001
BMI/(kg/m²)	23.07±2.84	23.87±3.08	24.80±2.81	25.13±2.96	69.56	< 0.001
收缩压/mmHg	123.84±19.75	125.44±21.43	129.87±18.20	130.92±17.62	21.54	< 0.001
舒张压/mmHg	76.16±11.94	77.3±12.43	80.44±10.84	81.06±10.87	29.24	< 0.001
总胆固醇/(mmol/L)	5.07±1.33	5.34±0.93	5.26±1.00	5.36±0.98	10.49	< 0.001
甘油三酯/(mmol/L)	1.29±0.84	1.45±0.79	1.63±0.87	1.86±1.45	40.75	< 0.001
高密度脂蛋白/(mmol/L)	1.30±0.41	1.33±0.31	1.21±0.28	1.19±0.28	29.29	< 0.001
低密度脂蛋白/(mmol/L)	3.11±0.91	3.29±0.68	3.30±0.74	3.33±0.73	10.96	< 0.001
空腹血糖/(mmol/L)	5.49±1.65	5.68±1.18	5.80±1.18	5.67±0.89	6.97	< 0.001
尿素氮/(mmol/L)	5.25±1.60	5.57±1.47	5.82±1.32	6.06±1.87	33.43	< 0.001
SCr/(μmol/L)	64.32±30.26	72.04±14.85	79.63±15.11	89.49±41.92	101.88	< 0.001
eGFR/[mL/(min·1.73 m²)]	94.16±23.40	93.44±17.83	86.66±17.28	80.87±18.37	71.94	< 0.001
分组标准: Ⅰ组SUA≤246.65 μmol/L, Ⅱ组SUA>246.65~309.30 μmol/L, Ⅲ组SUA>309.30~365.55 μmol/L, Ⅳ组SUA>365.55 μmol/L。SUA: 血尿酸; BMI: 体质量指数; eGFR: 估算的肾小球滤过率。组间两两比较采用SNK法。

下载: 导出CSV

| 显示表格

2.3 SUA与eGFR的相关性分析

将eGFR与年龄、BMI、收缩压、舒张压、SUA、总胆固醇、甘油三酯、低密度脂蛋白、高密度脂蛋白、空腹血糖、尿素氮、SCr进行Pearson相关性分析，结果显示, SUA与eGFR呈显著负相关(r=-0.186, P <0.001), 见表 3。

表 3 eGFR与体检指标的相关性分析

变量	总人群(n=2 753)
变量	r	P
年龄	-0.564	< 0.001
体质量指数	-0.089	< 0.001
收缩压	-0.197	< 0.001
舒张压	-0.017	0.381
总胆固醇	0.154	< 0.001
甘油三酯	-0.007	0.721
高密度脂蛋白	0.216	< 0.001
低密度脂蛋白	0.130	< 0.001
空腹血糖	0.056	0.004
尿素氮	-0.229	< 0.001
肌酐	-0.449	< 0.001
血尿酸	-0.186	< 0.001

下载: 导出CSV

| 显示表格

2.4 SUA水平与eGFR <60 mL/(min·1.73 m²) 的相关性分析

以eGFR <60 mL/(min·1.73 m²)为因变量, SUA为自变量，进行多因素Logistics回归分析，不校正混杂因素显示，与Ⅰ组相比, Ⅱ、Ⅳ组患CKD的OR值分别是0.487(95%CI为0.265~0.897, P <0.05)、2.621(95%CI为1.712~4.013, P <0.01), 提示SUA在246.66~309.30 μmol/L时，其为CKD的保护性因素; 当SUA>365.55 μmol/L时，其为CKD的危险因素。在模型a中, SUA在246.66~309.30 μmol/L时，其仍为CKD的保护性因素; SUA>365.55 μmol/L时，其仍为CKD的危险因素。在模型b中，与Ⅰ组相比, Ⅱ、Ⅳ组患CKD的OR值分别是0.622(95%CI为0.305~1.272, P>0.05)、3.089(95%CI为1.735~5.500, P <0.01), 当SUA>365.55 μmol/L时，其仍为CKD的危险因素，而SUA在246.66~309.30 μmol/L时，其对CKD无保护作用。见表 4。

表 4 SUA水平与eGFR <60 mL/(min·1.73 m²)的Logistic回归分析

变量	Ⅰ组(n=688)	Ⅱ组(n=689)	Ⅲ组(n=688)	Ⅳ组(n=688)
SUA/(μmol/L)	≤246.65	> 246.65~309.30	> 309.30~365.55	> 365.55
CKD	32	16	40	78
未校正	1.000	0.487(0.265~0.897) ^*	1.265(0.785~2.040)	2.621(1.712~4.013) ^**
模型a	1.000	0.396(0.209~0.748) ^**	1.207(0.728~1.999)	2.101(1.302~3.390) ^**
模型b	1.000	0.622(0.305~1.272)	1.748(0.971~3.148)	3.089(1.735~5.500) ^**
模型a: 校正年龄和性别; 模型b: 校正年龄、性别、BMI、舒张压、总胆固醇、高密度脂蛋白、低密度脂蛋白、尿素氮。与Ⅰ组比较, P <0.05, *P <0.01。

下载: 导出CSV

| 显示表格

3. 讨论

近年来，随着社会发展和饮食结构的变化，中国HUA的患病率呈明显上升和年轻化趋势^[3]。中国HUA的总体患病率为13.3%^[6], 不同性别、年龄、地区、种族、文化程度、家庭收入的人群的HUA患病率不同^[7-12]。WU J等^[7]调查显示, 2011年中国6个省成年居民的HUA患病率为13.0%(男性为18.5%, 女性为8.0%)。另一项调查^[8]显示, 2015年中国15个省份18~59岁居民HUA患病率为9.8%(男性为15.1%, 女性为5.8%)。王丹晨等^[9]研究显示, 2017年北京协和医院体检人群HUA患病率为17.4%(男性为25.6%, 女性为8.5%)。卢永新等^[10]调查发现，云南高原地区城区居民HUA患病率为25.9%(男性为34.1%, 女性为15.5%)。2014年爱尔兰≥18岁居民的HUA患病率为24.5%(男性为25.0%, 女性为24.1%)^[11]。2016年美国≥20岁成年人群HUA患病率为20.1%(男性为20.2%, 女性为20.0%)^[12]。本研究人群HUA患病率为10.28%, 略低于国内总患病率，显著低于国外报道的患病率，可能与本研究人群中年轻女性比率低、本研究所在地区与其他人群特点如地域、种族、饮食习惯不同等因素有关。本研究男性、女性患病率分别为13.73%、2.86%, 且男性在31~40岁患病率最高，为21.15%, 41~50岁次之，为19.69%, 青中年患病率相对较高，推测与青中年男性雄性激素分泌多、尿酸重吸收多以及青中年男性存在饮酒多、进食富含嘌呤食物多等诸多不良生活行为有关^[13]。雌激素可促进尿酸排泄，女性随年龄升高，雌激素水平下降，肾小球滤过率降低，肾脏排泄尿酸减少^[14], 这是导致本研究老年女性患病率高的重要原因。

CKD患者中HUA常见，尿酸主要经过肾脏进行排泄，由于CKD患者的肾小球滤过率降低及存在肾间质功能障碍，导致尿酸在肾脏的排泄减少，从而引起HUA^[15]。中国CKD人群中HUA的患病率为36.6%~50.0%^[16]。胡艳等^[17]研究显示, CKD 1~5期HUA的患病率分别为31.0%、37.0%、53.2%、68.4%、59.4%, CKD患者HUA患病率显著高于普通人群。爱尔兰的一项队列研究^[11]显示，随着CKD的进展，HUA患病率增加。KORATALA A等^[18]研究提示SUA水平与肾小球滤过率呈负相关，与本研究一致。

HUA可引起内皮功能障碍、血管损伤和炎症、肾小球高血压、肾小管细胞的上皮间充质转化和肾间质炎症浸润，导致肾小球硬化、全身性高血压和肾纤维化，从而引起慢性肾功能不全^[15]。HUA作为独立危险因素参与CKD的发生与发展^[19-20]。OH T R等^[21]研究显示，SUA水平每升高1 mg/dL，发生肾功能不全的风险增加28%。LI L等^[22]进行的Meta分析表明，HUA患者新发CKD的风险增加了2倍。卢永新等^[10]、TSUJI T等^[23]研究证实，积极有效的降尿酸治疗有利于减少CKD发生，延缓CKD进展及降低死亡率。2019年中国HUA与痛风诊疗指南^[3]建议，当SUA≥540 μmol/L或SUA≥480 μmol/L且伴有高血压、糖尿病、冠心病、CKD等合并症时，应开始给予降尿酸治疗。SIVERA F等^[24]综述了1998—2010年欧美国家多项研究，建议降尿酸治疗时SUA水平最低控制目标应 <360 μmol/L，2017年《中国慢性肾脏病患者合并高尿酸血症诊治专家共识》^[16]采用了这一控制目标。本研究中，当SUA>365.55 μmol/L时，患CKD的风险为基础的2.6倍，在校正相关混杂因素后，患CKD的风险为基础的3.1倍，故建议对本地区人群SUA>365.55 μmol/L时，考虑起始降尿酸治疗，以降低患CKD的风险。

2020年KUWABARA M等^[25]研究发现，SUA与肾功能不全呈U型关系，稍低于生理浓度的SUA可作为CKD发展的独立保护因素^[15]。本研究中，当SUA在246.66~309.30 μmol/L时，在未校正混杂因素及校正年龄和性别后，其可作为患CKD的保护性因素; 而校正混杂因素后，其CKD的保护性作用消失，考虑与研究人群中eGFR <60 mL/(min·1.73 m²)的例数(n=166)较少且Ⅱ组中eGFR <60 mL/(min·1.73 m²)的例数(n=16)更少有关。今后可通过扩大研究人群以进一步证实这一保护作用，这对本地区SUA水平控制在最佳目标值范围具有积极作用。2018年BELLOMO G等^[26]亦提出，降尿酸治疗时应将SUA控制在一定范围(5.0~6.0 mg/dL), 而非越低越好。

总之，临床工作中无症状HUA患者的降尿酸治疗越来越受到重视，无论是饮食控制还是早期药物干预，均显示出重要作用，但针对何时开始干预治疗及SUA最佳控制目标值范围的研究仍较少，这也为后续的研究指出了方向。

图 1 层次聚类分析结果

A: 样本分为高免疫和低免疫这2种亚型; B: TCGA-COAD中的肿瘤微环境热图和免疫特征; C: 高免疫组和低免疫组免疫评分、基质评分、综合评分比较; D: 高免疫组和低免疫组的免疫细胞浸润分析; E: tSNE算法验证分型结果; F: 高免疫与低免疫亚型的HLA基因表达差异。

下载: 全尺寸图片幻灯片

图 2 DEGs、DEIGs和PIGs的鉴定及富集分析

A: DEGs与免疫基因的交集; B: DEGs热图; C: DEIGs热图; D: DEGs火山图; E: 基于单因素Cox风险回归分析的PIGs及其风险比; F: DEGs的Hallmark基因集富集分析; G: DEGs的KEGG基因集富集分析。

下载: 全尺寸图片幻灯片

图 3 预后模型的构建和验证

A: 在Lasso模型中调整参数进行10倍交叉验证(2条虚线之间的区域表示合理值); B: 12个KIGs在Lasso模型中的coef系数剖面图; C、D: TCGA-COAD、GEO GSE39582数据集中CC患者风险评分的分布和中位值; E、F: TCGA-COAD、GEO GSE39582数据集中CC患者生存状态、生存时间和风险评分的分布情况; G、H: TCGA-COAD、GEO GSE39582数据集中不同生存风险患者的Kaplan-Meier生存曲线; I、J: 预后模型在TCGA-COAD、GEO GSE39582数据集中预测1、3、5年OS的ROC曲线。

下载: 全尺寸图片幻灯片

图 4 风险评分与临床特征、KIGs、TMB、MSI的相关性分析

A~D: 风险评分与疾病分期、TNM分期的相关性(不同分期比较所得数据为P值); E: KIGs与免疫浸润细胞的相关性; F: 风险评分与TMB的相关性; G: 高风险组与低风险组TMB比较; H: 高风险组与低风险组Kaplan-Meier生存曲线分析; I: 前30个突变基因瀑布图; J: 高风险组与低风险组MSI比较; K: 不同微卫星稳定性状态的风险评分比较(不同状态比较所得数据为P值)。

下载: 全尺寸图片幻灯片

图 5 列线图的建立和验证

A: 单因素Cox分析; B: 多因素Cox分析; C: 基于风险评分和临床特征构建列线图; D: 列线图预测1、3、5年OS的ROC曲线; E: 列线图的校准图。

下载: 全尺寸图片幻灯片

表 1 GEO GSE39582数据集556例CC患者的临床特征

特征	分类	例数	占比/%
年龄	>65岁	337	60.6
	≤65岁	218	39.2
	未知	1	0.2
性别	男	304	54.7
	女	252	45.3
疾病分期	0期	4	0.7
	Ⅰ期	32	5.8
	Ⅱ期	262	47.1
	Ⅲ期	199	35.8
	Ⅳ期	59	10.6
T分期	T₀期	1	0.2
	T₁期	11	2.0
	T₂期	44	7.9
	T₃期	360	64.8
	T₄期	117	21.0
	Tis期	3	0.5
	未知	20	3.6
M分期	M₀期	474	85.2
	M₁期	60	10.8
	M_X期	2	0.4
	未知	20	3.6
N分期	N₀期	299	53.8
	N₁期	133	23.9
	N₂期	98	17.6
	N₃期	6	1.1
	未知	20	3.6

下载: 导出CSV

表 2 TCGA-COAD中446例CC患者的临床特征

特征	分类	例数	占比/%
年龄	>65岁	263	59.0
	≤65岁	183	41.0
性别	男	234	52.5
	女	212	47.5
疾病分期	Ⅰ期	75	16.8
	Ⅱ期	175	39.2
	Ⅲ期	124	27.8
	Ⅳ期	61	13.7
	未知	11	2.5
T分期	T₁期	10	2.3
	T₂期	76	17.0
	T₃期	303	67.9
	T₄期	56	12.6
	Tis期	1	0.2
M分期	M₀期	329	73.8
	M₁期	61	13.7
	M_X期	49	10.9
	未知	7	1.6
N分期	N₀期	265	59.4
	N₁期	102	22.9
	N₂期	79	17.7

下载: 导出CSV

参考文献(35)

[1]	SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. doi: 10.3322/caac.21660
[2]	陈卓林, 龚时文, 黄东, 等. 新辅助化疗对结直肠癌肝转移患者术前的临床效果[J]. 中国肿瘤临床与康复, 2019, 26(10): 1200-1203. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGZK201910014.htm
[3]	ANGELL H K, BRUNI D, BARRETT J C, et al. The immunoscore: colon cancer and beyond[J]. Clin Cancer Res, 2020, 26(2): 332-339. doi: 10.1158/1078-0432.CCR-18-1851
[4]	吴介恒, 杨安钢, 温伟红. PD-1/PD-L1参与肿瘤免疫逃逸的研究进展[J]. 细胞与分子免疫学杂志, 2014, 30(7): 777-780. https://www.cnki.com.cn/Article/CJFDTOTAL-XBFM201407028.htm
[5]	TAURIELLO D V F, PALOMO-PONCE S, STORK D, et al. TGFβ drives immune evasion in genetically reconstituted colon cancer metastasis[J]. Nature, 2018, 554(7693): 538-543. doi: 10.1038/nature25492
[6]	O′CONNELL J, BENNETT M W, NALLY K, et al. Altered mechanisms of apoptosis in colon cancer: Fas resistance and counterattack in the tumor-immune conflict[J]. Ann N Y Acad Sci, 2000, 910: 178-192; discussion 193-195.
[7]	刘革新, 刘盼, 陈维顺. 胃癌免疫相关LncRNA预后风险模型的建立与分析[J]. 现代消化及介入诊疗, 2021, 26(7): 849-853. doi: 10.3969/j.issn.1672-2159.2021.07.011
[8]	WANG Z Q, ZHU L P, LI L, et al. Identification of an immune gene-associated prognostic signature in patients with bladder cancer[J]. Cancer Gene Ther, 2022, 29(5): 494-504. doi: 10.1038/s41417-022-00438-5
[9]	LEI X, LEI Y, LI J K, et al. Immune cells within the tumor microenvironment: biological functions and roles in cancer immunotherapy[J]. Cancer Lett, 2020, 470: 126-133. doi: 10.1016/j.canlet.2019.11.009
[10]	GALON J, FRIDMAN W H, PAGE S F. The adaptive immunologic microenvironment in colorectal cancer: a novel perspective[J]. Cancer Res, 2007, 67(5): 1883-1886. doi: 10.1158/0008-5472.CAN-06-4806
[11]	SHEN C, LUO C, XU Z J, et al. Molecular patterns based on immunogenomic signatures stratify the prognosis of colon cancer[J]. Front Bioeng Biotechnol, 2022, 10: 820092. doi: 10.3389/fbioe.2022.820092
[12]	SLATTERY M L, LUNDGREEN A, KADLUBAR S A, et al. JAK/STAT/SOCS-signaling pathway and colon and rectal cancer[J]. Mol Carcinog, 2013, 52(2): 155-166. doi: 10.1002/mc.21841
[13]	DING H, YANG X, WEI Y Z. Fusion proteins of NKG2D/NKG2DL in cancer immunotherapy[J]. Int J Mol Sci, 2018, 19(1): 177. doi: 10.3390/ijms19010177
[14]	LU H M, MA Y C, WANG M Y, et al. B7-H3 confers resistance to Vγ9Vδ2 T cell-mediated cytotoxicity in human colon cancer cells via the STAT3/ULBP2 axis[J]. Cancer Immunol Immunother, 2021, 70(5): 1213-1226. doi: 10.1007/s00262-020-02771-w
[15]	ZHENG X, LIU R, ZHOU C C, et al. ANGPTL4-mediated promotion of glycolysis facilitates the colonization of Fusobacterium nucleatum in colorectal cancer[J]. Cancer Res, 2021, 81(24): 6157-6170. doi: 10.1158/0008-5472.CAN-21-2273
[16]	KIM S H, PARK Y Y, KIM S W, et al. ANGPTL4 induction by prostaglandin E2 under hypoxic conditions promotes colorectal cancer progression[J]. Cancer Res, 2011, 71(22): 7010-7020. doi: 10.1158/0008-5472.CAN-11-1262
[17]	LU X J. Structure and function of ligand CX3CL1 and its receptor CX3CR1 in cancer[J]. Curr Med Chem, 2022, 29(41): 6228-6246. doi: 10.2174/0929867329666220629140540
[18]	ZHENG J, YANG M, SHAO J H, et al. Chemokine receptor CX3CR1 contributes to macrophage survival in tumor metastasis[J]. Mol Cancer, 2013, 12(1): 141. doi: 10.1186/1476-4598-12-141
[19]	OLSEN R S, NIJM J, ANDERSSON R E, et al. Circulating inflammatory factors associated with worse long-term prognosis in colorectal cancer[J]. World J Gastroenterol, 2017, 23(34): 6212-6219. doi: 10.3748/wjg.v23.i34.6212
[20]	LIU S J, WU D, FAN Z Y, et al. FABP4 in obesity-associated carcinogenesis: novel insights into mechanisms and therapeutic implications[J]. Front Mol Biosci, 2022, 9: 973955. doi: 10.3389/fmolb.2022.973955
[21]	TIAN W Y, ZHANG W J, ZHANG Y, et al. FABP4 promotes invasion and metastasis of colon cancer by regulating fatty acid transport[J]. Cancer Cell Int, 2020, 20: 512. doi: 10.1186/s12935-020-01582-4
[22]	HE X F, CHEN H J, ZHONG X Y, et al. BST2 induced macrophage M2 polarization to promote the progression of colorectal cancer[J]. Int J Biol Sci, 2023, 19(1): 331-345. doi: 10.7150/ijbs.72538
[23]	FOLLI C, CALDERONE V, RAMAZZINA I, et al. Ligand binding and structural analysis of a human putative cellular retinol-binding protein[J]. J Biol Chem, 2002, 277(44): 41970-41977. doi: 10.1074/jbc.M207124200
[24]	HUANG X X, KE K, JIN W W, et al. Identification of genes related to 5-fluorouracil based chemotherapy for colorectal cancer[J]. Front Immunol, 2022, 13: 887048. doi: 10.3389/fimmu.2022.887048
[25]	ELMASRY M, BRANDL L, ENGEL J, et al. RBP7 is a clinically prognostic biomarker and linked to tumor invasion and EMT in colon cancer[J]. J Cancer, 2019, 10(20): 4883-4891. doi: 10.7150/jca.35180
[26]	STREEL G D, LUCAS S. Targeting immunosuppression by TGF-β1 for cancer immunotherapy[J]. Biochem Pharmacol, 2021, 192: 114697. doi: 10.1016/j.bcp.2021.114697
[27]	JIN Q N, JIN X, LIU T, et al. A disintegrin and metalloproteinase 8 induced epithelial-mesenchymal transition to promote the invasion of colon cancer cells via TGF-β/Smad2/3 signalling pathway[J]. J Cell Mol Med, 2020, 24(22): 13058-13069. doi: 10.1111/jcmm.15907
[28]	GULUBOVA M, ALEKSANDROVA E, VLAYKOVA T. Promoter polymorphisms in TGFB1 and IL10 genes influence tumor dendritic cells infiltration, development and prognosis of colorectal cancer[J]. J Gene Med, 2018, 20(2/3): e3005.
[29]	CHEN W, CHEN Y W, SU J, et al. CaMKII mediates TGFβ1-induced fibroblasts activation and its cross talk with colon cancer cells[J]. Dig Dis Sci, 2022, 67(1): 134-145. doi: 10.1007/s10620-021-06847-0
[30]	陈清梅, 陈睿, 邓阳. 肝细胞癌组织中APOBEC3s类胞苷脱氨酶基因家族成员的表达观察[J]. 山东医药, 2018, 58(47): 15-19. doi: 10.3969/j.issn.1002-266X.2018.47.004
[31]	BOCCARELLI A, DEL BUONO N, ESPOSITO F. Colorectal cancer in Crohn's disease evaluated with genes belonging to fibroblasts of the intestinal mucosa selected by NMF[J]. Pathol Res Pract, 2022, 229: 153728. doi: 10.1016/j.prp.2021.153728
[32]	PICARD E, VERSCHOOR C P, MA G W, et al. Relationships between immune landscapes, genetic subtypes and responses to immunotherapy in colorectal cancer[J]. Front Immunol, 2020, 11: 369. doi: 10.3389/fimmu.2020.00369
[33]	张娟学, 叶玉伟, 张军, 等. 免疫检查点抑制剂治疗结直肠肿瘤相关研究进展[J]. 现代消化及介入诊疗, 2022, 27(6): 781-785. https://www.cnki.com.cn/Article/CJFDTOTAL-XDXH202206027.htm
[34]	CHEN J J, APIZI A, WANG L, et al. TCGA database analysis of the tumor mutation burden and its clinical significance in colon cancer[J]. J Gastrointest Oncol, 2021, 12(5): 2244-2259. doi: 10.21037/jgo-21-661
[35]	SAMSTEIN R M, LEE C H, SHOUSHTARI A N, et al. Tumor mutational load predicts survival after immunotherapy across multiple cancer types[J]. Nat Genet, 2019, 51(2): 202-206. doi: 10.1038/s41588-018-0312-8

施引文献(2)

期刊类型引用(2)

1.	徐晓明. 某医院对健康体检人群尿酸水平及其影响因素的分析. 智慧健康. 2024(19): 16-18 . 百度学术
2.	张超，常岭迪，冯伟，韩东晖，李宇，彭诗元，杨力军，张杰，张克英，秦卫军. 高尿酸血症发病机制与治疗策略的研究进展. 空军军医大学学报. 2024(10): 1184-1190 . 百度学术

其他类型引用(0)

资源附件(0)

图(5) / 表(2)

计量

文章访问数: 504
HTML全文浏览量: 117
PDF下载量: 46
被引次数: 2

1. 资料与方法
1.1 一般资料
1.2 研究方法
1.2.1 调查资料
1.2.2 SUA检测
1.2.3 估算的肾小球滤过率(eGFR)
1.3 统计学方法
2. 结果
2.1 一般情况
2.2 不同SUA水平下的体检指标比较
2.3 SUA与eGFR的相关性分析
2.4 SUA水平与eGFR <60 mL/(min·1.73 m2) 的相关性分析
3. 讨论

1. 资料与方法
1.1 一般资料
1.2 研究方法
1.2.1 调查资料
1.2.2 SUA检测
1.2.3 估算的肾小球滤过率(eGFR)
1.3 统计学方法
2. 结果
2.1 一般情况
2.2 不同SUA水平下的体检指标比较
2.3 SUA与eGFR的相关性分析
2.4 SUA水平与eGFR <60 mL/(min·1.73 m²) 的相关性分析
3. 讨论

参考文献(35)

施引文献

资源附件(0)

结肠癌免疫相关基因筛选和预后模型建立

通讯作者: 于琦, E-mail: yuqi@sxmu.edu.cn

计量

出版历程