Los subtipos moleculares asociados con la infiltración de células inmunes y la firma genética predicen el pronóstico de los pacientes con osteosarcoma

ML se asoció con el pronóstico de los pacientes con OS

En nuestro estudio, se realizaron el algoritmo anti-MCP y el análisis de regresión de Cox univariado y univariado para identificar células inmunes asociadas con la supervivencia. Los resultados del análisis de regresión de Cox univariante mostraron que ML era una célula inmune asociada con la supervivencia de los pacientes con OS (Figura 1A). Además, el análisis de Kaplan-Meier indicó que un nivel bajo de ML se asoció con un mal pronóstico de los pacientes con SG (p = 0,033, Figura 1b).

Análisis de DEG y posibles vías de señalización entre dos subgrupos.

Se identificaron un total de 435 DEG después del análisis de DEG (Figura 2A, B). En comparación con LML, 101 genes estaban regulados positivamente y 334 genes estaban regulados positivamente en el grupo HML. En el término procesos biológicos (BP), estos DEG estuvieron involucrados en la regulación de la activación de linfocitos, activación de células T, regulación positiva de la activación de células T, regulación de la activación de células T, adhesión de células leucocitarias, etc. En términos de componentes celulares (CC), los DEG estuvieron involucrados en el lado externo de la membrana plasmática, la membrana de los gránulos secretores, los gránulos ricos en ficolina-1, la sinapsis inmune, el complejo NADPH oxidasa, etc. En el término funciones moleculares (MF), los DEG se enriquecieron significativamente en la unión a carbohidratos, la unión a receptores de citocinas, la unión a citocinas, la actividad del receptor de citocinas, la actividad del receptor de citocinas CC, etc. En el término KEGG, los DEG se enriquecieron principalmente en el linaje de células hematopoyéticas, la diferenciación osteogénica, la interacción citocina-receptor de citocina, la vía de señalización del receptor de células B, etc. (Figura 3).

Identificación de DEG entre los subgrupos LML y HML. (a) Gráfico de volcán que representa los DEG entre los subgrupos LML y HML. Los puntos verdes representan genes regulados negativamente, mientras que los puntos rojos representan genes regulados positivamente. (B) El gráfico de mapa de calor muestra las 50 puntuaciones principales entre los subgrupos LML y HML.

Análisis de enriquecimiento de DEG. (a) Los gráficos de burbujas representaron los resultados de GO y KEGG. El diagrama de red muestra los términos GO-BP asociados con la inmunidad y la inflamación (B) y vías KEGG (C). Los nodos azules representan términos de las vías GO-BP o KEGG, y los nodos rojos representan genes implicados en las vías.

Infiltración de células inmunes

Analizamos el estado inmunológico entre los subgrupos LML y HML para descifrar el microambiente inmunológico en OS. Como se muestra en la Figura 4A, en comparación con el grupo HML, la puntuación estromal, la puntuación inmune y la puntuación de clasificación disminuyeron en el grupo LML (s<0,01), mientras que la pureza del tumor aumentó significativamente en el grupo LML (s<0,01). En comparación con el grupo HML, los niveles de células endoteliales, células dendríticas mieloides, linaje de monocitos, linaje B, células T y células T CD8 disminuyeron significativamente en el grupo LML (s<0,05) (Figura 4b).

Vista de los niveles de infiltración de células inmunitarias en los dos subgrupos. (a) Comparaciones de puntuación estromal, puntuación inmunológica, puntuación estimada y pureza tumoral entre los subgrupos LML y HML. (B) Comparaciones de niveles de infiltración de células inmunitarias entre los subgrupos LML y HML. *s< 0,05, **s<0,01 y ***s<0,001.

Construcción y evaluación de un modelo de riesgo de pronóstico.

Después del análisis de regresión de Cox univariado, examinamos 122 genes asociados con la supervivencia (Tabla S1). A continuación, el análisis de regresión de LASSO Cox identificó ocho genes (CCDC26, TERT, GJA5, KRT18P28, LILRA6, PDE1B, CD180 e IL2RA) para el análisis de regresión de Cox multivariado (Figura 5A, B). Finalmente, se examinaron y utilizaron tres importantes genes asociados a la supervivencia (TERT, IL2RA y CCDC26) para crear el modelo de pronóstico (Figura 5C).

Cree un modelo de pronóstico relacionado con ML. (a, B) Análisis de regresión de Lasso. (C) Análisis de regresión de Cox multivariado.

En el conjunto de datos TARGET, el nivel de expresión de TERT y CCDC26 estaba regulado negativamente en el grupo de bajo riesgo, mientras que la expresión de IL2RA estaba regulada negativamente en el grupo de bajo riesgo. Además, el grupo de alto riesgo tuvo una menor proporción de supervivientes (Figura 6A). Los pacientes con OS en el grupo de bajo riesgo mostraron una supervivencia general más larga que aquellos en el grupo de alto riesgo (Figura 6B, s<0,001). El AUC de este modelo de pronóstico fue de 0,8 al año, 0,87 a los 3 años y 0,85 a los 5 años (Figura 6C), y este resultado indicó que el modelo de pronóstico tuvo un buen rendimiento diagnóstico para los pacientes con SG. También utilizamos el conjunto de datos GSE21257 para verificar las características de diagnóstico y pronóstico del modelo de riesgo. Como se muestra en la Figura 7A, el nivel de expresión de TERT y CCDC26 se reguló negativamente en el grupo de bajo riesgo, mientras que la expresión de IL2RA se reguló negativamente en el grupo de bajo riesgo. Además, el grupo en riesgo tenía una proporción menor de personas vivas. Los pacientes con OS en el grupo de bajo riesgo mostraron una supervivencia general más larga que aquellos en el grupo de alto riesgo (s= 0,025) (Figura 7b). El AUC para este modelo de pronóstico fue de 0,84 al año, 0,67 a los 3 años y 0,68 a los 5 años (Figura 7C). Estos resultados fueron consistentes con los resultados del conjunto de datos TARGET.

Evaluación del modelo de pronóstico en la base de datos TARGET. (a) Nivel de expresión de TERT, CCDC26 e IL2RA (abajo), estado de supervivencia (medio) y distribución de puntuaciones de riesgo entre grupos de riesgo bajo y alto (arriba). (B) El análisis de supervivencia mostró la diferencia entre los grupos de bajo y alto riesgo. (C) Análisis de curvas ROC dependientes del tiempo del modelo de pronóstico.

Validación del modelo de pronóstico en el conjunto de datos GSE21257. (a) Nivel de expresión de TERT, CCDC26 e IL2RA (abajo), estado de supervivencia (medio) y distribución de puntuaciones de riesgo entre grupos de riesgo bajo y alto (arriba). (B) El análisis de supervivencia mostró la diferencia entre los grupos de bajo y alto riesgo. (C) Análisis de curvas ROC dependientes del tiempo del modelo de pronóstico.

Además, se creó un nomograma para ayudar aún más a predecir el pronóstico de los pacientes con OS (Figura 8A). Los resultados de predicción del nomograma fueron muy consistentes con los pacientes con SG observados según la curva de calibración del nomograma (Figura 8b).

Crea el gráfico. (a) Se utilizaron metástasis y puntuación de riesgo para crear el nomograma. (B) Gráfico de la curva de calibración.

Análisis de interacción de genes pronósticos.

Utilizando la base de datos GeneMANIA, logramos construir una red de interacción de proteínas para genes característicos (TERT e IL2RA). A través de este análisis, detectamos un total de 20 genes que participan en interacciones con genes característicos (Figura 9A). Se realizó un análisis de enriquecimiento funcional en estos 22 genes. Los resultados obtenidos del análisis de enriquecimiento mostraron que estos genes están asociados principalmente con la regulación de los telómeros, el mantenimiento de los telómeros, la infección por el virus de la leucemia de células T humana 1, la diferenciación de las células Th1 y Th2, etc. (Figura 9B).

Análisis de la interacción entre genes característicos. (a) Red de coexpresión de genes característicos. (B) Análisis de enriquecimiento funcional de genes expresados ​​por GO y KEGG.

Relación entre genes asociados a modelos de riesgo y microambiente tumoral (TME)

Realizamos un análisis de los niveles de expresión de los genes TERT e IL2RA en células asociadas con el microambiente tumoral dentro del sistema operativo, utilizando la base de datos TISCH. Nuestros resultados mostraron que IL2RA mostró un mayor nivel de infiltración en células cDC1, monocitos y células M2 (Figura 10).

Los genes asociados con patrones de riesgo se expresaron en células relevantes para el microambiente del tumor. Niveles de expresión de TERT (a) y IL2RA (B) en celdas asociadas con el microentorno del sistema operativo utilizando el mapa de calor en el conjunto de datos GSE162454.

El modelo de pronóstico tiene el potencial de discriminar pacientes con OS metastásico

Como se muestra en la Figura 11a, en comparación con el grupo de alto riesgo (TARGET, 58,54 % y GSE21257, 17,25 %), no se observaron casos de metástasis (TARGET, 90,25 % y GSE21257, 58,34 %) en el grupo de bajo riesgo. Además, en comparación con el grupo metastásico, la puntuación de riesgo fue menor en el grupo no metastásico (s< 0,01, Figura 11b,c). Además, los resultados del análisis ROC mostraron que el rendimiento diagnóstico del modelo de pronóstico para predecir metástasis fue de 0,659 y 0,705 para TARGET y GSE21257, respectivamente (Figura 11D,E). Estos resultados mostraron que el modelo de riesgo puede predecir la malignidad en pacientes con OS.

Evaluar la capacidad de un modelo de pronóstico para predecir malignidad en pacientes con OS. (a) Comparaciones de la incidencia de metástasis y no metástasis en grupos de bajo y alto riesgo. (B) Comparaciones de la puntuación de riesgo en grupos metastásicos y no metastásicos. (C) Análisis ROC del rendimiento diagnóstico en la predicción de metástasis en OS.