Effets du modèle pronostique anoxique sur le microenvironnement immunitaire dans le cancer du pancréas

Jun 24, 2023

Scientific Reports volume 13, Numéro d’article: 9104 (2023) Citer cet article

1 Altmetric

Détails des métriques

Le cancer du pancréas a l’un des pires pronostics au monde, ce qui suggère que le microenvironnement tumoral, caractérisé par l’hypoxie et l’immunosuppression, joue un rôle important dans le pronostic et la progression du cancer du pancréas. Nous avons identifié PLAU, LDHA et PKM comme des gènes clés impliqués dans l’hypoxie du cancer du pancréas par les voies d’hypoxie liées à l’enrichissement GO/KEGG et la régression de Cox, établi des modèles pronostiques et étudié leur relation avec l’invasion immunitaire par bioinformatique en utilisant R et des bases de données en ligne connexes. Nous avons vérifié l’expression élevée de PLAU, LDHA et PKM dans les cellules cancéreuses du pancréas en utilisant qPCR in vitro, et nous avons également découvert que l’expression de PLAU, LDHA et PKM dans les cellules cancéreuses hypoxiques du pancréas différait de celle des cellules cancéreuses du pancréas en culture normale. Enfin, nous avons découvert que notre modèle pronostique prédisait avec précision la tension chez les patients atteints d’un cancer du pancréas présentant une hypoxie et une infiltration immunitaire.

Le pronostic du cancer du pancréas est parmi les pires au monde et il s’agit de la quatrième cause de décès liés au cancer dans le monde1. La position spécifique du pancréas dans la cavité abdominale provoque des caractéristiques cachées du cancer du pancréas à ses débuts2, et l’absence de marqueurs moléculairement ciblés extrêmement sensibles pour le cancer du pancréas rend difficile un diagnostic précoce3,4. Le cancer du pancréas est très agressif5. Une fois diagnostiquée, elle est susceptible d’être avancée, ce qui rend difficile la recherche d’un plan de traitement efficace5. Bien que le cancer du pancréas ait fait l’objet d’études approfondies ces dernières années et que les résultats de la recherche sur son diagnostic, la technologie de radiothérapie et le traitement systématique aient été continuellement proposés, le taux de survie de la maladie ne s’est pas amélioré de manière significative et le nombre de décès liés à la maladie continue d’augmenter6.

Dans le cancer du pancréas, les cellules malignes ne représentent qu’une faible proportion; Le reste est composé principalement de fibroblastes, de matrice extracellulaire, de cellules endothéliales et de cellules hématopoïétiques, et ces composants hôtes constituent le microenvironnement tumoral7. La fonction biologique des tumeurs est principalement déterminée par l’interaction entre les cellules cancéreuses et leur microenvironnement7,8. Ces types de cellules du microenvironnement tumoral contribuent à un cancer hautement immunosuppresseur, hypoxique et pro-fibroprolifératif7,9. L’hypoxie est l’une des caractéristiques importantes du microenvironnement tumoral pancréatique, qui est due à un large éventail d’hyperplasie du tissu conjonctif et de diminution vasculaire secondaire10. L’hypoxie est également l’un des facteurs qui contribuent à la progression du cancer du pancréas11, et elle a joué un rôle clé dans une variété de cellules et d’événements biologiques, y compris la prolifération cellulaire, la survie, l’angiogenèse, le métabolisme, la croissance tumorale, l’invasion et les métastases12. L’hypoxie est l’une des caractéristiques microenvironnementales importantes du cancer du pancréas. Le microenvironnement de l’hypoxie peut induire une cible de la liste des facteurs HIF-1α pour réguler les gènes en aval et favoriser l’activation de la voie en aval.

L’environnement immunitaire du cancer du pancréas (PAAD) est généralement considéré comme immunosuppresseur13,14. Cette immunosuppression est associée à un mauvais pronostic avec le cancer du pancréas15,16, et le microenvironnement immunitaire de la tumeur est très insensible à l’immunothérapie, ce qui provoque un mauvais pronostic pour le cancer du pancréas17.

En conclusion, l’hypoxie et l’immunosuppression élevée dans le microenvironnement des tumeurs pancréatiques jouent un rôle important dans la progression et le pronostic de la tumeur, et le développement de modèles pronostiques pertinents est d’une grande importance pour l’orientation pronostique de PAAD. À l’heure actuelle, l’hypoxie est un facteur essentiel dans le microenvironnement du cancer du pancréas, et un modèle pour prédire le pronostic des patients atteints de PAAD est une nécessité impérative. Le but de cette étude était d’étudier des molécules cibles spéciales liées à l’hypoxie dans le cancer du pancréas en utilisant des méthodes bioinformatiques, d’étudier leur rôle dans le microenvironnement tumoral anoxique du cancer du pancréas, d’établir des modèles pronostiques connexes et d’examiner le rôle important des modèles dans le microenvironnement immunitaire afin de fournir de nouvelles idées pour le pronostic et le traitement du cancer du pancréas.

Au total, 9211 gènes exprimés différentiellement ont été examinés, dont 1279 gènes régulés à la hausse et 116 gènes régulés à la baisse (Fig. 1A).

Analyse de l’expression différentielle et de l’enrichissement génique de GEPIA2, (A) gène différentiel du cancer du pancréas de GEPIA2, régulé à la hausse en rouge et régulé à la baisse en bleu, (B) GO/KEGG du gène différentiel du cancer du pancréas GEPIA2.

Nous avons utilisé l’analyse GO/KEGG de 2615 gènes sélectionnés pour identifier les voies liées à l’hypoxie. Ils ont identifié des voies liées à l’hypoxie: GO:0001666 (réponse à l’hypoxie, un total de 45 gènes ont été identifiés) (Fig. 1B).

Nous avons sélectionné 25 gènes directement liés à hif1a dans la base de données STRING (Fig. 2A,B). Les gènes clés de l’hypoxie avec p < 0,05 ont été examinés par une analyse de régression COX univariée (fichier supplémentaire 1 : tableau S1). Ensuite, selon la relation entre les gènes apparentés et HIF1A dans la chaîne et les résultats de la régression COX univariée, PKM, PLAU et LDHA ont été utilisés pour la régression LASSO, et un modèle pronostique a été établi en utilisant la régression LASSO (Fig. 3A,B).

Visualisation des gènes associés aux voies d’hypoxie, (A) Le réseau PPI dans GO:0001666 et les (B) 25 gènes dans GO:0001666 sont directement liés à HIF1A.

Analyse du score de risque, performance pronostique et analyse de survie des modèles pronostiques (A). Le modèle de régression LASSO des 3 gènes liés à l’hypoxie réalisé par validation croisée Lasso-dix fois, (B). La distribution des coefficients dans le modèle de régression LASSO, (C). Scores de risque et distribution temporelle de survie des gènes liés à l’hypoxie dans la cohorte TCGA-PAAD, (D). Analyse de Kaplan-Meier de la survie à la SG entre les groupes à risque de la cohorte TCGA-PAAD (E). Carte thermique de l’expression génique des gènes associés à l’hypoxie dans la cohorte TCGA-PAAD (F). Les courbes ROC du modèle de notation des risques prédisent la SG de 1 an, 3 ans et 5 ans dans la cohorte TCGA-PAAD.

Nous avons établi une formule modèle pronostique pour tous les échantillons de cancer de l’ensemble d’entraînement :

Score de risque = 0,693079351003975* niveau d’expression de LDHA − 0,376224999076138* niveau d’expression de PKM + 0,169271183333193* niveau d’expression de PLAU.

Afin de vérifier si notre modèle peut prédire avec précision le pronostic des patients atteints d’un cancer du pancréas, 178 patients ont été divisés en groupes à haut risque (n = 89) et à faible risque (n = 89) (Fig. 3C). Les résultats du test log-rank suggèrent que la différence dans la distribution du temps de survie entre les groupes de score de risque était statistiquement significative (Fig.3D). Le pronostic était pire dans le groupe avec un score à haut risque. De même, nous avons découvert que les PKM, les LDHA et les PLAU étaient principalement fortement exprimés dans le groupe à haut risque et principalement faiblement exprimés dans le groupe à faible risque (Fig. 3E). L’analyse ROC dépendante du temps a montré que la précision du pronostic de la SG à 1 an était de 0,727 (IC à 95 % 0,596-0,792) et celle de la SG à 3 ans était de 0,730 (IC à 95 % 0,602-0,842). La précision pronostique de la SG sur 5 ans était de 0,822 (IC à 95 % 0,708-0,968) (Fig. 3F). Ces résultats indiquent que le modèle de pronostic génique hypoxique développé par notre groupe peut prédire le pronostic des patients atteints de cancer du pancréas.

Pour vérifier l’exactitude du modèle pronostique établi, nous avons utilisé GSE85916 et ICGC-PACA-AU comme ensemble de vérification, recueilli des données auprès de 174 patients atteints de cancer du pancréas GSE85916 et ICGC-PACA-AU (79 provenaient de GSE85916 et 95 de ICGC-PACA-AU) et calculé les scores de risque en utilisant la même formule que dans l’ensemble d’entraînement. Nous avons divisé l’ensemble de vérification en un groupe à risque élevé (n = 87) et un groupe à faible risque (n = 87) en fonction du score de risque médian (Fig. 4A). Comme pour l’ensemble d’entraînement, nous avons observé des temps de survie plus courts dans le groupe à risque maximal (Fig. 4B). L’analyse ROC dépendante du temps a révélé que la précision pronostique de la SG à 1 an était de 0,681 (IC à 95 % 0,629-0,863) et la SG à 3 ans était de 0,649 (IC à 95 % 0,690-0,940). La précision pronostique de la SG sur 5 ans était de 0,758 (IC à 95 % 0,745-1,007) (Fig. 4C).

Analyse du score de risque, de la performance pronostique et de l’analyse de survie du modèle pronostique défini de validation (A). Les scores de risque et la distribution du temps de survie des gènes liés à l’hypoxie constituent l’ensemble de vérification, (B). Analyse de survie de Kaplan-Meier de la SG entre les groupes à risque dans l’ensemble de vérification, (C). La vérification a défini les courbes ROC du modèle de notation des risques prédisant le système d’exploitation à 1 an, 3 ans et 5 ans.

De plus, nous avons construit une courbe d’étalonnage, qui a montré que notre modèle était en bon accord avec la survie réelle des patients atteints de PAAD (Fig. 5A). En plus d’établir un nomogramme des scores de risque et des facteurs pronostiques traditionnels (Fig. 5C), nous avons découvert que notre modèle avait une valeur ASC plus élevée que les facteurs cliniques traditionnels (Fig. 5B).

Pronostic de la SG à 1 an, 3 ans et 5 ans chez les patients atteints de PAAD par nomogramme, (A). courbes d’étalonnage des nomogrammes pour prédire la SG à 1 an, 3 ans et 5 ans dans les cohortes TCGA-PAAD : (B) courbes ROC pour la prédiction de la survie par le score de risque et d’autres variables (âge, sexe, stade T, stade M, stade N, stade G); (C) nomogramme des scores de risque et des facteurs pronostiques traditionnels.

De plus, nous avons effectué des analyses de régression multivariées de la COX sur les scores de risque et les facteurs cliniques susceptibles d’affecter le pronostic des patients atteints de PAAD, tels que le stade T, le sexe, l’âge et le grade histologique, et les résultats ont indiqué que les scores de risque de notre modèle pronostique pourraient être utilisés comme facteurs de risque indépendants dans la COX multivariée (dossier supplémentaire 2 : Tableau S2).

En conclusion, notre modèle est capable de prédire avec précision le pronostic des patients atteints d’un cancer du pancréas.

La relation entre le score de risque de notre modèle pronostique établi et les caractéristiques cliniques de TCGA-PAAD a également été étudiée. La distribution des scores de risque variait significativement selon le stade T (Fig. 6A), le stade N (Fig. 6B), l’âge (Fig. 6C) et le résidu tumoral (Fig. 6D).

Association entre les caractéristiques cliniques et les scores de risque dans l’ensemble de données TCGA-PAAD; corrélation entre les caractéristiques cliniques et les scores de risque du modèle pronostique dans les données de cohorte TCGA-PAAD : (A) stade T (T1 et T2 vs T3 et T4), (B) stade N (N0 vs N1); C) ÂGE (âge < 65 ans contre ≧65 ans); (D) Tumeur résiduelle (R0 vs R1 et R2).

Il a été déterminé que les neutrophiles, les cellules Th1, les macrophages et les cellules Th2 avaient un degré élevé d’invasion, tandis que les cellules PDC et Th17 avaient un faible degré d’invasion (Fig. 7A). De même, les neutrophiles, les cellules Th1, les macrophages et les cellules Th2 étaient positivement corrélés avec leurs scores de risque, tandis que les cellules PDC et Th17 étaient négativement corrélées avec leurs facteurs de risque (Fig. 7B-G).

Infiltration immunitaire et association du score de risque dans l’ensemble de données TCGA-PAAD, (A). Le diagramme en boîte montre le niveau d’infiltration des cellules immunitaires entre les groupes à haut risque et à faible risque (B-G). Nuage de points de l’infiltration des cellules immunitaires associée au score de risque, (H) Le diagramme en boîte montre le niveau d’expression du point de contrôle immunitaire entre les groupes à risque élevé et à faible risque.

Dans notre modèle, nous avons également constaté que CD276, TNFSF4, CD44, CD80, CD70, CD274, TNFSF9, TNFRSF9, CD86, NRP1, PDCD1LG2, HAVCR2, CD40, HHLA2 et CD160 sont exprimés différemment entre les patients à haut risque et à faible risque. CD160 était fortement exprimé dans le groupe à faible risque, tandis que les autres étaient exprimés inversement (Fig. 7H). De plus, nous avons constaté que CD160 était négativement corrélé avec un score de risque, alors que les autres étaient positivement corrélés (Fichier supplémentaire 5 : Fig. S1A à O).

Selon les résultats de la RT-PCR, nous avons observé que PLAU, PKM et LDHA étaient fortement exprimés dans les cellules PANC-1 par rapport aux cellules hTERT-HPNE (Fig. 8A-C). Les expressions de PKM et de PLAU étaient plus faibles dans les lignées cellulaires PANC-1 traitées hypoxique que dans les cellules non traitées, tandis que les expressions de LDHA étaient plus élevées dans les lignées cellulaires PANC-1 traitées hypoxique que dans les cellules non traitées (Fig. 8D–F).

Le gène a été exprimé dans les cellules PANC-1 et hTERT-HPNE ((A) PLAU, (B) LDHA et (C) PKM), et dans les cellules PANC-1 traitées hypoxique et les cellules PANC-1 non traitées ((D) PLAU, (E) LDHA et (F) PKM).

Le cancer du pancréas est l’une des tumeurs malignes les plus mortelles18. Bien que les taux de survie pour d’autres grands cancers se soient considérablement améliorés, les taux de survie au cancer du pancréas ne se sont pas améliorés19. Le cancer du pancréas est habituellement détecté à un stade avancé, et la plupart des options de traitement sont inefficaces, ce qui entraîne un mauvais pronostic5. Le besoin d’informations pronostiques précises n’est pas seulement pour les patients, mais aussi pour les cliniciens de choisir des interventions thérapeutiques actives et d’anticiper un bénéfice clinique significatif. Par conséquent, un modèle pronostique fiable est nécessaire pour prédire le pronostic des patients atteints de cancer du pancréas.

Des concentrations normales d’oxygène sont nécessaires au fonctionnement et au maintien des organes aérobies20. Une concentration normale d’oxygène est nécessaire au fonctionnement normal et au maintien des organes aérobies au sein d’une organisation21. Cependant, en raison de la croissance incontrôlée et de la prolifération des cellules tumorales et des vaisseaux sanguins tumoraux anormaux, une grande quantité de nutriments et d’oxygène est consommée dans les tissus tumoraux, entraînant une hypoxie22. Dans les tissus tumoraux, le réseau vasculaire ne peut pas se former efficacement et rapidement, et le réseau de néovascularisation présente des anomalies structurelles et fonctionnelles23. Le grand nombre de néovascularisations de vaisseaux sanguins non fonctionnels ou fonctionnellement altérés susmentionnés est une autre cause importante d’hypoxie24. La famille de facteurs de transcription induits par l’hypoxie (HIF) et ses voies de signalisation en aval sont principalement responsables de la régulation du processus adaptatif qui se produit dans les cellules tumorales dans des conditions hypoxiques25.

Avec le développement de la recherche au cours des dernières années, l’étude des biomarqueurs PAAD, des marqueurs pronostiques et des modèles pronostiques a reçu une attention croissante. Grâce à l’analyse d’enrichissement des gènes différentiels de GEPIA2, nous avons identifié des gènes liés à l’hypoxie et, grâce au réseau PPI, nous avons déterminé le gène directement lié à HIF1A, qui joue le rôle le plus critique dans le processus d’hypoxie tumorale. Nous avons sélectionné les gènes pronostiques liés à l’hypoxie (PLAU, PKM et LDHA) à l’aide d’un criblage par régression de Cox à facteur unique et de modèles pronostiques établis à l’aide de l’analyse Lasso. Après validation et analyse, nous avons découvert que notre modèle peut prédire avec précision le pronostic des patients atteints d’un cancer du pancréas. L’efficacité prédictive de ce modèle (aire sous la courbe ROC) était supérieure à celle des facteurs pronostiques cliniques traditionnels, selon notre étude. Nous avons également révélé que notre modèle pronostique était fortement corrélé avec les caractéristiques cliniques, avec des scores de risque plus élevés aux stades T et N et des tumeurs résiduelles indiquant des stades relativement malins et des résidus tumoraux excessifs. Cela indique que notre modèle est utile pour les cliniciens afin d’améliorer leur jugement pronostique des patients atteints d’un cancer du pancréas afin de compléter le traitement du cancer du pancréas plus efficacement et plus rapidement et de fournir une sélection d’interventions pronostiques, ce qui devrait améliorer considérablement la survie des patients et les effets pronostiques.

En plus d’améliorer l’apport d’oxygène en favorisant l’angiogenèse et l’érythropoïèse, HIF-1 s’adapte également aux environnements anoxiques en régulant le métabolisme pour réduire le besoin en oxygène dans les cellules. Dans le métabolisme du glucose, HIF-1 convertit le métabolisme oxydatif en glycolyse en favorisant l’expression des enzymes glycolytiques, réduisant ainsi le besoin d’oxygène26. Le PKM est l’une des enzymes clés dans la conversion du glucose en pyruvate, et le LDHA peut catalyser la conversion du pyruvate en acide lactique27,28. On a découvert que ces gènes contenaient des séquences similaires aux sites de liaison HIF-1 dans les activateurs d’érythropoïétine29. Dans des conditions d’hypoxie, HIF-1 peut transformer le métabolisme oxydatif en glycolyse et améliorer la glycolyse en régulant l’expression des gènes ci-dessus, de manière à réduire la demande en oxygène et à maintenir un approvisionnement énergétique normal, tout en inhibant les dommages cellulaires causés par la génération d’espèces réactives de l’oxygène induite par l’hypoxie30. PLAU code une sérine protéase sécrétoire qui convertit le plasminogène en plasminase31. On a également constaté que l’UAP est impliquée dans divers cancers et qu’elle est associée à un mauvais pronostic dans divers cancers32; Certaines études expérimentales ont prouvé que la surexpression de l’UAP est associée à un mauvais pronostic de la PAAD et joue un rôle important dans la résistance, l’invasion et la migration de la PAAD33. Cependant, le rôle de PLAU dans le processus anoxique du cancer du pancréas n’a pas été bien compris, et notre étude vise à combler cette lacune.

La progression tumorale et le pronostic sont étroitement liés à l’infiltration des cellules immunitaires dans le microenvironnement tumoral17. Nous avons constaté que les macrophages, les neutrophiles, les cellules Th1, les cellules Th2 et les macrophages étaient plus agressifs dans le groupe à haut risque, tandis que les cellules PDC et Th17 étaient moins agressives. Le microenvironnement immunitaire tumoral chez les patients atteints de PAAD à progression rapide est souvent associé à une infiltration inadéquate des cellules immunitaires34. Les macrophages et les neutrophiles favorisent la suppression des cellules immunosuppressives35. Dans notre étude, l’infiltration accrue de ces deux types de cellules chez les patients à haut risque d’hypoxie peut augmenter le microenvironnement tumoral immunosuppresseur et favoriser la progression du cancer du pancréas, associé à un mauvais pronostic. Un point de contrôle immunitaire est une série de molécules exprimées sur des cellules immunitaires qui régulent l’activation immunitaire36. Les points de contrôle immunitaires jouent un rôle crucial dans la cancérogenèse en favorisant l’effet immunosuppresseur des tumeurs37. Les tumeurs peuvent se protéger contre les attaques en stimulant les cibles de point de contrôle immunitaire38. Les points de contrôle immunitaires-L1,-L2 et CD276 ont également été régulés à la hausse dans le groupe de risque hyperhypoxique de notre étude. Notre modèle a commencé avec des gènes liés à l’hypoxie dans le cancer du pancréas et a simultanément examiné la relation entre le modèle et le microenvironnement immunitaire afin d’examiner l’infiltration immunitaire associée dans les groupes de patients à risque élevé et faible. Nous avons déterminé que notre modèle génétique hypoxique est fortement corrélé avec le microenvironnement immunitaire, fournissant une nouvelle méthode pour prédire le pronostic du cancer du pancréas basé sur le microenvironnement tumoral. Les points de contrôle immunitaires sont une série de molécules exprimées sur les cellules immunitaires qui régulent le degré d’activation immunitaire et jouent un rôle important dans la prévention de l’auto-immunité (lorsque la fonction immunitaire tourne mal et attaque les cellules saines).

De plus, nous avons vérifié la différence d’expression des trois gènes dans les cellules cancéreuses du pancréas et les cellules épithéliales canalaires pancréatiques normales par des expériences RT-qPCR, et avons également confirmé que l’expression des trois gènes différait dans les cellules cancéreuses du pancréas avant et après l’hypoxie, indiquant que ces trois gènes ont le potentiel de devenir des marqueurs pronostiques liés à l’hypoxie du cancer du pancréas.

Notre modèle a le potentiel d’être un modèle pronostique lié au microenvironnement tumoral du cancer du pancréas et peut prédire de manière fiable le pronostic des patients en fonction de l’impact du microenvironnement tumoral sur le cancer du pancréas.

Les cellules cancéreuses du pancréas humain PANC-1 ont été achetées auprès de PROCELL et les cellules canalaires pancréatiques normales humaines hTERT-HPNE ont été achetées auprès de CELL RESEARCH. Les deux types de cellules ont été stockés dans la banque d’échantillons de l’hôpital affilié de l’Université de Qingdao par de l’azote liquide. Les cellules ont été cultivées dans un milieu DMEM à haute teneur en glucose complété par 10% de sérum bovin fœtal et 1% de pénicilline / streptomycine (acheté par Meilunbio) dans un incubateur humide avec 5% de dioxyde de carbone à 37 ° C. Des cellules PANC-1 traitées par hypoxie ont été cultivées pendant 24 heures dans un incubateur anoxique (station de travail Ruskinn Invivo2 400 Hypoxia).

Nous avons utilisé la base de données en ligne GEPIA239 pour identifier les gènes exprimés différentiellement du cancer du pancréas et avons pris les valeurs log2FoldChange (logFC) et P comme conditions de dépistage des gènes exprimés différentiellement. Nous filtrons pour la valeur de p < 0,05 et | log2FC |> 1 gène comme différence entre 2 conditions : log2FC > 2,5 pour les régulés à la hausse, log2FC < − 2,5 pour les régulés à la baisse. Par la suite, des cartes volcaniques ont été utilisées pour visualiser ces gènes différentiels.

L’ontologie des gènes (GO) et l’Encyclopédie des gènes et des génomes de Kyoto (KEGG) peuvent enrichir et annoter les gènes et trouver des voies connexes. Les génomes ont été enrichis et analysés à l’aide de R. Main package clusterProfiler [version 3.14.3]; Org. Hs.eg.db package [version 3.10.0]; et GOplot package [version 1.0.2]. Identifier les voies d’enrichissement liées à l’hypoxie et les gènes enrichis.

Notre ensemble de formation comprenait 178 échantillons PAAD provenant des bases de données TCGA (dossier supplémentaire 3 : tableau S3).

Des recherches antérieures ont indiqué que HIF1A joue un rôle crucial dans l’hypoxie40. Nous avons cartographié le réseau PPI de gènes liés à l’hypoxie par chaîne et recherché les gènes directement associés à HIF1A en tant que gènes clés.

Une régression COX à facteur unique a été réalisée pour les gènes clés ci-dessus à l’aide du package de « survie ». Dans les gènes p < 0,05, les deux gènes avec la valeur p la plus faible et le gène avec la relation la plus étroite avec HIF1A (avec le score combiné le plus élevé) ont été sélectionnés comme gènes pour établir le modèle pronostique. Le modèle pronostique a été établi à l’aide de la régression LASSO41.

Les scores de risque ont été calculés sur la base des données normalisées d’expression de l’ARNm PAAD dans TCGA.

Dans cette étude, le progiciel R glmnet a été utilisé pour intégrer le temps de survie, l’état de survie et les données d’expression génique, et une analyse de régression a été effectuée à l’aide de la méthode lasso-cox. En outre, nous avons également mis en place une procédure de validation croisée décuplée pour déterminer le modèle optimal. Les patients PAAD ont été divisés en groupes à haut risque et à faible risque en fonction du score de risque médian pour l’analyse de survie à la SG. Une courbe ROC a été développée à l’aide du package « timeROC » pour évaluer l’effet pronostique du modèle.

Pour vérifier l’exactitude du modèle pronostique établi, nous avons utilisé GSE85916 et ICGC-PACA-AU comme ensemble de vérification (fichier supplémentaire 4 : Tableau S4).

Pendant ce temps, nous utilisons les packages « rms » et « survival » pour évaluer l’effet de la prédiction du modèle sur le résultat réel en traçant la probabilité réelle et la probabilité prédite par le modèle dans différentes situations du graphique.

Le package « pROC » a ensuite été utilisé pour tracer les courbes ROC pour le score de risque et les variables cliniques associées afin de déterminer si notre modèle a un pouvoir prédictif plus élevé pour le pronostic par rapport aux systèmes de notation du pronostic clinique traditionnels.

Des analyses de régression de Cox multivariées ont été effectuées pour des paramètres clinicopathologiques tels que le grade histologique et le stade T afin d’évaluer si le système de notation du risque pouvait être utilisé comme prédicteur indépendant. Nous avons également analysé la relation entre le score de risque et les caractéristiques cliniques des patients de la cohorte TCGA-PAAD.

Sur la base de l’algorithme ssGSEA fourni par le R-package GSVA, l’infiltration immunitaire correspondant au modèle pronostique a été calculée à l’aide de 24 types de marqueurs de cellules immunitaires de l’article Immunité21.

Parallèlement, l’expression de molécules liées au point de contrôle immunitaire chez les patients atteints d’un cancer du pancréas a été déterminée.

L’ARN total a été extrait de PANC-1, hTERT-HPNE et PANC-1 cultivé pendant 24 heures après hypoxie à l’aide de l’incubateur anaérobie. La transcription inverse a été réalisée à l’aide du kit PrimeScrip RT-PCR (Takara, Japon), et la RT-qPCR a été réalisée sur un instrument Roche avec SYBR PreMix Ex Taq (Takara, Japon). Les séquences d’amorce utilisées dans cette étude sont les suivantes : PLAU avant : GGGAATGGTCACTTTTACCGAG, PLAU inverse : GGGCATGGTACGTTTGCTG; GAPDH Avant: GGAGCGAGATCCCTCCAAAAT, GAPDH Revers: GGCTGTTGTCATACTTCTCATGG; PKM avant CTGAAGGCAGTGATGTGGCC, PKM Reverse ACCCGGAGGTCCACGTCCTC; LDHA Forward GGCCTGTGCCATCAGTA: LDHA Reverse CAAGCCACGTAGGTCAAA.

Le logiciel SPSS 24.0 (IBM Corp., NY, États-Unis) et GraphPad Prism 8 (GraphPad, États-Unis) ont été utilisés pour l’analyse statistique. Le test t de Student a été utilisé pour analyser la différence dans les gènes. |logFC|> 1 et P < 0,05 ont été fixés comme seuils pour choisir la signification du gène d’expression différentielle. L’analyse COX univariée et multivariée, le test log-rank et l’analyse de régression logistique ont été utilisés.

Les ensembles de données utilisés et/ou analysés au cours de cette étude sont disponibles sur demande raisonnable de l’auteur correspondant.

Midha, S., Chawla, S. & Garg, P. K. Facteurs de risque modifiables et non modifiables pour le cancer du pancréas: une revue. Cancer Lett. 381(1), 269-277 (2016).

Article CAS PubMed Google Scholar

Huang, S. et al. La protéine 27 inductible par l’interféron alpha (IFI27) est un marqueur pronostique du cancer du pancréas fondé sur une analyse bioinformatique exhaustive. Bioengineered https://doi.org/10.1080/21655979.2021.1985858 (2021).

Article PubMed PubMed Central Google Scholar

Cao, F., Li, J., Li, A. & Li, F. Pancréatosplénectomie modulaire antégrade radicale versus procédure standard dans le traitement du cancer du pancréas gauche: une revue systémique et une méta-analyse. BMC Surg. 17(1), 67 (2017).

Article PubMed PubMed Central Google Scholar

Koller, M. et al. Hiérarchisation et examen des cibles pour les approches théranostiques moléculaires dans le cancer du pancréas. J. Nucl. Médi. 58(12), 1899-1903 (2017).

Article PubMed Google Scholar

Ansari, D. et al. Cancer du pancréas : hier, aujourd’hui et demain. Futur Oncol. https://doi.org/10.2217/fon-2016-0010 (2016).

Article PubMed Google Scholar

Grossberg, A. J. et coll. Normes de soins multidisciplinaires et progrès récents dans l’adénocarcinome canalaire pancréatique. CA Cancer J. Clin. 70(5), 375–403 (2020).

Article PubMed PubMed Central Google Scholar

Dougan, S. K. Le microenvironnement du cancer du pancréas. Cancer J. https://doi.org/10.1097/PPO.0000000000000288 (2017).

Article PubMed Google Scholar

Morrison, A. H., Byrne, K. T. & Vonderheide, R. H. Immunothérapie et prévention du cancer du pancréas. Trends Cancer 4(6), 418-428 (2018).

Article CAS PubMed PubMed Central Google Scholar

Huber, M. B. C. et coll. Le microenvironnement immunitaire dans le cancer du pancréas. Int. J. Mol. Sci. https://doi.org/10.3390/ijms21197307 (2020).

Article PubMed PubMed Central Google Scholar

Schwartz, D. L. et coll. La radiosensibilisation et la réponse par imagerie stromale sont corrélées pour l’inhibiteur du HIF-1 PX-478 administré avec ou sans chimiothérapie dans le cancer du pancréas. Mol. Cancer Ther. 9(7), 2057–2067 (2010).

Article CAS PubMed PubMed Central Google Scholar

Huang, C. et al. La dermokine contribue à la transition épithéliale-mésenchymateuse par une activation accrue du transducteur de signal et de l’activateur de la transcription 3 dans le cancer du pancréas. Cancer Sci. 108(11), 2130-2141 (2017).

Article CAS PubMed PubMed Central Google Scholar

Minchenko, O. H., Tsuchihara, K., Minchenko, D. O., Bikfalvi, A. & Esumi, H. Mécanismes de régulation de l’expression de PFKFB dans les cellules cancéreuses du pancréas et gastriques. Monde J. Gastroenterol. 20(38), 13705–13717 (2014).

Article CAS PubMed PubMed Central Google Scholar

Mizrahi, J. D., Surana, R., Valle, J. W. & Shroff, R. T. Cancer du pancréas. Lancet 395(10242), 2008-2020 (2020).

Article CAS PubMed Google Scholar

Neoptolemos, J. P. et al. Développements thérapeutiques dans le cancer du pancréas: perspectives actuelles et futures. Nat. Rev. Gastroenterol. Hépatol. 15(6), 333–348 (2018).

Article PubMed Google Scholar

Mohammed, S., Van Buren, G. II. & Fisher, W. E. Cancer du pancréas: Progrès dans le traitement. Monde J. Gastroenterol. 20(28), 9354–60 (2014).

PubMed PubMed Central Google Scholar

Mantovani, A. et al. Voies de régulation dans l’inflammation. Auto-immun. 7(1), 8-11 (2007).

Article CAS PubMed Google Scholar

Padoan, A., Plebani, M. & Basso, D. Inflammation et cancer du pancréas: Focus sur le métabolisme, les cytokines et l’immunité. Int. J. Mol. Sci. 20(3), 676 (2019).

Article CAS PubMed PubMed Central Google Scholar

Vincent, A., Herman, J., Schulick, R., Hruban, R. H. & Goggins, M. Cancer du pancréas. Lancet 378(9791), 607-620 (2011).

Article PubMed PubMed Central Google Scholar

Collisson, E. A., Bailey, P., Chang, D. K. & Biankin, A. V. Sous-types moléculaires du cancer du pancréas. Nat. Rev. Gastroenterol. Hépatol. 16(4), 207–220 (2019).

Article PubMed Google Scholar

Chen, D. et coll. Développement et vérification de la signature pronostique hypoxique et immuno-associée pour l’adénocarcinome canalaire pancréatique. Devant. Immunol. 12, 728062 (2021).

Article CAS PubMed PubMed Central Google Scholar

Garcea, G., Doucas, H., Steward, W. P., Dennison, A. R. & Berry, D. P. Hypoxie et angiogenèse dans le cancer du pancréas. ANZ J. Surg. 76(9), 830-842 (2006).

Article PubMed Google Scholar

Hao, X., Ren, Y., Feng, M., Wang, Q. & Wang, Y. Reprogrammation métabolique due à l’hypoxie dans le cancer du pancréas: implications pour la formation de tumeurs, immunité, et plus. Biomed. Pharmacother. 141, 111798 (2021).

Article CAS PubMed Google Scholar

Tao, J. et al. Cibler le microenvironnement tumoral hypoxique dans le cancer du pancréas. J. Hématol. Oncol. 14(1), 14 (2021).

Article PubMed PubMed Central Google Scholar

Feig, C. et al. Le microenvironnement du cancer du pancréas. Clin. 18(16), 4266-4276 (2012).

Article CAS PubMed PubMed Central Google Scholar

Shah, V. M., Sheppard, B. C., Sears, R. C. & Alani, A. W. Hypoxia: Friend or foe for drug delivery in pancreatic cancer. Cancer Lett. 492, 63-70 (2020).

Article CAS PubMed PubMed Central Google Scholar

Albadari, N., Deng, S. & Li, W. Les facteurs transcriptionnels HIF-1 et HIF-2 et leurs nouveaux inhibiteurs dans le traitement du cancer. Avis d’expert. Drogue Discov. 14(7), 667–682 (2019).

Article CAS PubMed PubMed Central Google Scholar

Wang, X. H., Jiang, Z. H., Yang, H. M., Zhang, Y. & Xu, L. H. L’axe FOXO4/LDHA induit par l’hypoxie module la glycolyse et la progression des cellules cancéreuses gastriques. Clin. Traduction Med. 11(1), e279 (2021).

Article CAS PubMed PubMed Central Google Scholar

Massari, F. et al. Phénotype métabolique du cancer de la vessie. Traitement du cancer. 45, 46-57 (2016).

Article CAS PubMed Google Scholar

Balamurugan, K. HIF-1 au carrefour de l’hypoxie, de l’inflammation et du cancer. J. Int. Cancer 138(5), 1058-1066 (2016).

Article CAS PubMed Google Scholar

Korbecki, J. et al. Hypoxie chronique et cyclique: facteurs de l’inflammation chronique du cancer par activation HIF-1 et NF-kappaB: une revue des mécanismes moléculaires. Int. J. Mol. Sci. 22(19), 10701 (2021).

Article CAS PubMed PubMed Central Google Scholar

Gao, Y., Ma, X., Lu, H., Xu, P. & Xu, C. PLAU est associé à la migration et à l’invasion cellulaire et est régulé par le facteur de transcription YY1 dans le cancer du col de l’utérus. Oncol. Rép. https://doi.org/10.3892/or.2022.8462 (2023).

Article PubMed PubMed Central Google Scholar

Wang, H., Lu, L., Liang, X. & Chen, Y. Identification of prognostic genes in the pancreatic adenocarcinoma immune microenvironment by integrated bioinformatics analysis. Cancer Immunol. Immunother. 71(7), 1757–1769 (2022).

Article CAS PubMed Google Scholar

Hosen, S. M. Z. et coll. Phénotype métastatique et microenvironnement tumoral immunosuppresseur dans l’adénocarcinome canalaire pancréatique : rôle clé de l’activateur du plasminogène urokinase (PLAU). Devant. Immunol. 13, 1060957 (2022).

Article CAS PubMed PubMed Central Google Scholar

Balli, D., Rech, A. J., Stanger, B. Z. & Vonderheide, R. H. L’activité cytolytique immunitaire stratifie les sous-ensembles moléculaires du cancer du pancréas humain. Clin. 23(12), 3129-3138 (2017).

Article CAS PubMed Google Scholar

Bindea, G. et al. La dynamique spatio-temporelle des cellules immunitaires intratumorales révèle le paysage immunitaire du cancer humain. Immunité 39(4), 782 à 795 (2013).

Article CAS PubMed Google Scholar

Hashimoto, S. et al. ARF6 et AMAP1 sont des cibles majeures des mutations KRAS et TP53 pour favoriser l’invasion, la dynamique-L1 et l’évasion immunitaire du cancer du pancréas. Proc. Natl. Acad. Sci. U. S. A. 116(35), 17450–17459 (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Li, Y. et al. Démêler LGALS1 en tant que point de contrôle immunitaire potentiel et prédicteur de la réponse au traitement anti-PD1 dans le carcinome rénal à cellules claires. Pathol. Oncol. 26(3), 1451-1458 (2020).

Article CAS PubMed Google Scholar

Henriksen, A., Dyhl-Polk, A., Chen, I. & Nielsen, D. Checkpoint inhibitors in pancreatic cancer. Traitement du cancer. 78, 17-30 (2019).

Article CAS PubMed Google Scholar

Tang, Z. et coll. GEPIA: A web server for cancer and normal gene expression profiling and interactive analyses. 45(W1), W98–W102 (2017).

Article CAS PubMed PubMed Central Google Scholar

Semenza, G. L. HIF-1 et mécanismes de détection de l’hypoxie. Régulation cellulaire. https://doi.org/10.1016/S0955-0674(00)00194-0 (2001).

Article Google Scholar

Shen, W. et al. Sangerbox: A complete, interaction-friendly clinical bioinformatics analysis platform. iMeta https://doi.org/10.1002/imt2.36 (2022).

Article Google Scholar

Télécharger les références

Ce travail a été financé par la Fondation nationale des sciences naturelles de Chine, 52075277.

Département de chirurgie hépatobiliaire pancréatique, Hôpital affilié de l’Université de Qingdao, 16 Jiangsu Road, Qingdao, Shandong, République populaire de Chine

Yangdong Wu, Qingyan Kou et Xiao Hu

Département des soins intensifs, Hôpital affilié de l’Université de Qingdao, Qingdao, Chine

Lin Sun

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Y.W. a effectué des analyses bioinformatiques, ainsi que RT-qPCR; Y.W. et Q.K. ont terminé la rédaction du texte manuscrit principal; L.S. lignées cellulaires apparentées cultivées; X.H. fournit des idées de recherche et dirige principalement la recherche.

Correspondance avec Xiao Hu.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l’utilisation, le partage, l’adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous donniez le crédit approprié au(x) auteur(s) original(s) et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou autres éléments de tiers contenus dans cet article sont inclus dans la licence Creative Commons de l’article, sauf indication contraire dans une ligne de crédit du matériel. Si le matériel n’est pas inclus dans la licence Creative Commons de l’article et que votre utilisation prévue n’est pas autorisée par la réglementation légale ou dépasse l’utilisation autorisée, vous devrez obtenir la permission directement du détenteur des droits d’auteur. Pour consulter une copie de ce permis, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Wu, Y., Kou, Q., Sun, L. et al. Effets du modèle pronostique anoxique sur le microenvironnement immunitaire dans le cancer du pancréas. Sci Rep 13, 9104 (2023). https://doi.org/10.1038/s41598-023-36413-9

Télécharger la citation

Reçu: 11 mars 2023

Acceptée: 03 juin 2023

Publication : 5 juin 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n’est actuellement disponible pour cet article.

Fourni par l’initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos Conditions et les Règles de la communauté. Si vous trouvez quelque chose d’abusif ou qui n’est pas conforme à nos conditions ou directives, veuillez le signaler comme inapproprié.