Abstract
目的
肾细胞癌(renal cell carcinoma，RCC)是临床高发的肾皮质肿瘤，谷胱甘肽过氧化物酶(glutathione peroxidases，GPXs)基因对RCC的影响及作用机制尚不清楚。本研究旨在通过生物信息学分析探讨GPXs基因在RCC中的表达水平及其对患者预后的影响。
方法
下载癌症基因组图谱(The Cancer Genome Atlas，TCGA)数据库的公开数据，获取GPXs家族基因mRNA表达数据，采用非参数检验-K多个独立样本检验(Kruskal-Wallis检验)分析RCC患者和正常人群样本中GPXs家族基因的mRNA表达差异；利用UALCAN数据库分析肾透明细胞癌不同患者特征样本与正常人群样本中GPXs家族基因的蛋白质表达差异，评估GPXs家族基因在RCC中的作用；采用Kaplan-Meier Plotter在线分析不同类型RCC与总生存期(overall survival，OS)、无疾病生存期(disease-free survival，DFS)、疾病特异性生存期(disease-specific survival，DSS)和无进展生存期(progression-free survival，PFS)的关系，根据GPX8基因表达水平绘制Kaplan-Meier生存曲线进一步研究GPX8基因表达水平与RCC患者预后的关系，基于多因素Cox回归分析结果，引入筛选的GPX8基因建立RCC的Nomogram列线图预测评分模型。
结果
GPXs家族中GPX1、GPX4 mRNA在肾嫌色细胞癌、肾透明细胞癌和肾乳头状细胞癌患者中均显著高表达(均P<0.01)，GPX7和GPX8在肾乳头状细胞癌和肾透明细胞癌患者中均显著高表达(均P<0.01)；与正常人群组相比，肾透明细胞癌人群样本GPX1、GPX2、GPX7、GPX8的蛋白质表达水平均显著升高(均P<0.01)，GPX3、GPX4的蛋白质表达均显著降低(均P<0.01)，在肾透明细胞癌不同肿瘤分级患者样本中GPX1、GPX2、GPX7、GPX8的蛋白质表达水平均显著提高(均P<0.01)，GPX3、GPX4的蛋白质表达均显著降低(均P<0.01)。生存分析结果显示：与肾乳头细胞癌和肾嫌色细胞癌相比，肾透明细胞癌患者的OS、DFS、DSS和PFS均缩短；根据GPX8的表达水平将患者分为低、中、高表达组，与GPX8低表达组相比，高表达组RCC患者OS(P<0.01)、DFS(P=0.03)、DDS(P<0.01)和PFS(P=3.18×10-7)均显著缩短；单因素Cox比例回归分析显示GPX8高表达与3种类型RCC的不良OS相关；多因素分析显示GPX8是影响肾乳头状细胞癌患者OS的独立因素，种族、肿瘤原发灶淋巴结远处转移(post tumor node metastasis，pTNM)分型是影响肾透明细胞癌OS的独立因素，GPX8、pTNM分型是影响肾嫌色细胞癌患者OS的独立因素。构建3种类型细胞癌患者OS列线图风险模型，采用一致性指数(consistency index，C-index)和校准曲线对模型的判别和校准进行评价，肾乳头状细胞癌患者列线图风险模型C-index为0.62(95% CI：0.51~1.00，P=0.03)，受试者工作特征(receiver operating characteristic，ROC)曲线分析结果显示曲线下面积(area under the curve，AUC)为0.88。肾透明细胞癌患者列线图风险模型C-index为0.72 (95%CI：0.52~1.00，P=0.03)，AUC为0.90。肾嫌色细胞癌患者列线图风险模型C-index为0.90(95% CI：0.85~1.00，P<0.01)，AUC为0.59。
结论
GPXs家族基因特别是GPX8是RCC不良预后的潜在标志物，可通过GPXs家族基因的表达情况在临床实践中预测RCC的发生和发展。
Keywords: 肾细胞癌, 谷胱甘肽过氧化物酶, 预后, 列线图
Abstract
Objective
Renal cell carcinoma (RCC) is a renal cortical tumor with high clinical incidence. The effect of glutathione peroxidases (GPXs) on RCC and the possible mechanism are still unclear. This study aims to explore the expression level of GPXs gene in RCC and its effect on the clinical prognosis of patients with RCC via bioinformatics analysis.
Methods
The mRNA expressions of GPXs family genes were obtained from the public data of The Cancer Genome Atlas (TCGA) database. The Kruskal-Wails test was used to analyze the differences in mRNA expression of GPXs family genes between samples from patients with RCC and the normal population. UALAN databases were used to analyze the differences in protein expression of GPXs family genes between samples from patients with renal clear cell carcinoma and the normal population, and to evaluate the role of GPXs family genes in RCC. The Kaplan-Meier Plotter was used to analyze the correlation between different types of RCC and overall survival (OS), disease-free survival (DFS), disease-specific survival (DSS), and progression-free survival (PFS). Kaplan-Meier survival curve was drawn based on the GPX8 gene expression to study the relationship between GPX8 gene expression and prognosis of RCC patients. Based on the results of multivariate Cox regression analysis, a Nomogram scoring model for RCC prediction was established by introducing GPX8 gene.
Results
The mRNA expressions of GPX1 and GPX4 were higher in the sample of renal chromophobe cell carcinoma, renal clear cell carcinoma, and renal papillary cell carcinoma than those in the normal population (all P<0.01), and GPX7 and GPX8 were significantly over-expressed in patients with renal papillary cell carcinoma and renal clear cell carcinoma (all P<0.01). Compared with the normal group, the protein expressions of GPX1, GPX2, GPX7, and GPX8 were increased significantly in renal clear cell carcinoma (all P<0.01), while GPX3 and GPX4 expressions were decreased significantly (both P<0.01). The protein expressions of GPX1, GPX2, GPX7, and GPX8 were increased significantly in patients with renal clear cell carcinoma at different tumor grades (all P<0.01), while GPX3 and GPX4 expressions were decreased significantly (both P<0.01). Survival analysis showed that OS, DFS, DSS, and PFS were all decreased in patients with clear cell carcinoma compared with patients with papillary cell carcinoma and chromophobe cell carcinoma. According to the GPX8 level, patients were assigned into the low, medium, and high expression groups. Compared with the low GPX8 level group, the OS (P<0.01), DFS (P=0.03), DSS (P<0.01), and PFS (P=3.18×10-7) were significantly decreased in the high level group. Univariate Cox proportional regression analysis showed that the high level of GPX8 was associated with poor OS of 3 different types of renal cancer. Multifactorial analysis showed that GPX8 was an independent factor affecting the OS of patients with renal papillary cell carcinoma. Race and post tumor node metastasis (pTNM) typing were independent factors influencing the OS of patients with renal clear cell carcinoma. GPX8 and pTMN were independent factors influencing the OS of patients with renal chromophobe cell carcinoma. Based on these variables, the Nomogram risk models of 3 types of cell carcinoma were established, and the discrimination and calibration of the models were evaluated using the Consistency index (C-index) and calibration curves. The C-index of the risk model of renal papillary cell carcinoma was 0.62 (95% CI 0.51 to 1.00, P=0.03). The results of receiver operating characteristic (ROC) curve showed that the area under the curve (AUC) was 0.88. The C-index of the risk model of renal clear cell carcinoma was 0.72 (95% CI 0.52 to 1.00, P=0.03). The results of ROC curve showed that the AUC was 0.90. The C-index of the risk model of chromophobe cell carcinoma of kidney was 0.90 (95% CI 0.85 to 1.00, P<0.01). The results of ROC curve showed that the AUC was 0.59.
Conclusion
GPXs family genes, especially GPX8, are potential markers for poor prognosis of RCC, and the occurrence and development of RCC can be predicted in clinical practice based on the expressions of GPXs family genes.
Keywords: renal cell carcinoma, glutathione peroxidases, prognosis, histogram
肾细胞癌(renal cell carcinoma，RCC)是临床高发的肾皮质肿瘤，属于异源性疾病，主要由肾透明细胞癌(clear cell renal cell carcinoma，ccRCC)、肾嫌色细胞癌(chromophobe renal cell carcinoma，chRCC)和肾乳头状细胞癌(renal papillary carcinoma，RPC)组成[1]。据统计[2]，2015年RCC新发病例达6.68万例，死亡2.34万例，其发病数占成年人恶性肿瘤的2%~3%，是泌尿系统中病死率最高的恶性肿瘤。RCC患者早期无症状，往往在诊断时已转移，预后较差。由于RCC的生物学特性和多重耐药性，大多数类型对于化学治疗(以下简称化疗)和放射治疗不敏感。因此，研究导致RCC发病的相关基因，探索RCC的发病机制，对于寻找疾病治疗有关的靶点基因和蛋白质具有重大的临床意义。
谷胱甘肽过氧化物酶(glutathione peroxidases，GPXs)基因属于抗氧化剂家族，是人体主要的硒蛋白，在机体中有助于控制炎症部位细胞内自由基的过度产生，从而降低氧化物对细胞的氧化损伤[3]。GPXs包含8种类型(GPX1~GPX8)，他们在化学形式、位置、功能和作用模式等方面具有不同的特性。研究[4]发现GPXs是调控RCC发生和发展的重要基因。GPX3和GPX4沉默可显著减少几种肾癌细胞系的细胞数量，在ccRCC肿瘤中GPX4表达上调，同时GPX4低表达诱导肿瘤细胞发生铁死亡，提高肿瘤细胞对化疗药物的敏感性[5]。肿瘤的发生与氧化应激反应有关，GPX1可通过降解活性氧(reactive oxygen species，ROS)保护细胞免受氧化应激损伤；GPX1在3种RCC中的表达均上调，其中GPX1的高表达与chRCC和ccRCC患者不良预后有关，而GPX1高表达的RPC患者显示预后较好[6]。研究[7]提示GPX3基因启动子区域甲基化与原发性ccRCC肿瘤的不良预后有关，GPX7的异常表达调控细胞的氧化应激和基因甲基化水平，从而影响多种肿瘤的发生和发展[8]。目前，GPXs家族基因对RCC的影响及作用机制尚不清楚。
随着基因表达数据库的建立及对癌症基因组图谱(the Cancer Genome Atlas，TCGA)研究的深入，生物信息学分析广泛应用于各类疾病发病机制及治疗靶点的研究。其中，TCGA是由美国国家癌症研究所(National Cancer Institute，NCI)和国家人类基因组研究所(National Human Genome Research Institute，NHGRI)合作创立的迄今世界上最大的癌症基因信息数据库，提供33种(包含10种罕见肿瘤)不同类型癌症的临床数据以及DNA、RNA、蛋白质等多层次数据[9]。UALCAN数据库是一个基于TCGA数据库的复杂网络数据资源，它包含多种癌症类型的RNA-seq和临床数据，可用来分析癌症组学数据[10]。
本研究拟从TCGA数据库获取883例RCC患者的临床数据和GPXs家族基因表达谱，采用生物信息学技术整合和分析GPXs在正常人群和RCC样本中的差异性表达情况，通过Kaplan-Meier生存分析GPXs基因对患者预后的影响，基于多因素Cox回归进一步分析和筛选RCC危险因素来建立Nomogram列线图预测评分模型，旨在为临床实践中预测RCC的发生和发展提供依据，为疾病的机制研究提供理论基础。
1. 资料与方法
1.1. 数据来源
从TCGA官方网站(https://cancergenome.nih.gov/)查询并下载共883例RCC患者基因表达数据和临床信息，下载GPX1~GPX8 mRNA在RCC患者和正常人群中的表达数据。基于TCGA数据库的UALCAN数据库选取110例ccRCC组织和配对的84例正常组织作为对照，分析GPX1~GPX8蛋白质表达的差异。
1.2. GPXsmRNA在RCC患者中的表达分析
使用R软件的Limma和Aroma.affymetrix软件包对从TCGA官方网站获取的883例RCC患者的基因表达数据进行提取和标准化处理，并去除潜在的批次效应，确保数据的真实性和可靠性。采用调整后的P值(Adjusted P)评估假阳性率，采用Kruskal-Wallis检验进行差异性分析。
1.3. GPXs蛋白质在ccRCC患者中的表达分析
通过UALCAN数据库(http://ualcan.path.uab.edu/index.html)采用临床蛋白质组学肿瘤分析联盟(Clinical Proteomic Tumor Analysis Consortium，CPTAC)验证数据集，获取并分析ccRCC不同肿瘤分级患者样本和匹配的正常人群样本中GPX1、GPX2、GPX3、GPX4、GPX7、GPX8蛋白质表达的差异。
1.4. RCC生存预后分析
采用TCGA数据库中Kaplan-Meier Plotter在线分析883例RCC患者的临床数据，探讨不同类型RCC与总生存期(overall survival，OS)、无疾病生存期(disease-free survival，DFS)、疾病特异性生存期(disease-specific survival，DSS)和无进展生存期(progression-free survival，PFS)的关系。根据GPX8在RCC中的表达水平将研究对象分为低、中、高表达组，通过Kaplan-Meier生存分析评估GPX8不同表达组之间是否存在生存差异，以log-rank法检验Kaplan-Meier生存分析。
1.5. 生存预后影响因素分析
基于上述分析得到的影响因素作为Cox风险回归模型的协变量进行多因素Cox回归分析，获取RCC OS的独立预测因素。
1.6. 预测模型的建立及验证
基于多因素Cox回归分析，确定最终的独立影响因素，构建RCC GPX8表达的相关列线图风险模型，预测RCC患者1年及5年的预后情况，量化患者的风险评估，进而预测患者的临床预后。用一致性系数(consistency index，C-index)评估列线图模型的预测性能，校准曲线评估列线图模型的符合度。C-index范围为0.5(无预测能力)~1.0(预测能力极好)，C-index> 0.7时，表示模型具有较高的准确性。
1.7. 统计学处理
采用SPSS 19.0和R软件包分析所有数据，计数资料用例数或率表示，采用χ 2检验进行比较；不同组别计量资料间比较采用Kruskal-Wallis 检验，以P<0.05为差异有统计学意义。
2. 结 果
2.1. 基本特征
纳入3种类型的RCC患者队列共计883例(表1)。其中ccRCC病例数(530例，60.02%)最多，RCC患者中男性占67.38%，欧罗巴人种占81.65%，存活者占74.29%。RCC原发肿瘤T1期(490例，55.50%)最常见，肿瘤TNM分期主要为I期(464例，52.55%)。
表1.
3种类型肾细胞癌患者人口统计资料和临床病理特征(n=883)
Table 1 Demographic and clinicopathological characteristics of patients with 3 types of renal cell carcinoma (n=883)
| 变量 | 合计 | 肾嫌色细胞癌(n=65) | 肾透明细胞癌(n=530) | 肾乳头状细胞癌(n=288) | χ 2 | P |
|---|---|---|---|---|---|---|
| 存活情况/[例(%)] | 33.37 | <0.01 | ||||
| 存活 | 656(74.29) | 55(84.62) | 357(67.36) | 244(84.72) | ||
| 死亡 | 227(25.71) | 10(15.38) | 173(32.64) | 44(15.28) | ||
| 性别/[例(%)] | 8.18 | 0.02 | ||||
| 女 | 288(32.62) | 26(40.00) | 186(35.09) | 76(26.39) | ||
| 男 | 595(67.38) | 39(60.00) | 344(64.91) | 212(73.61) | ||
| 人群/[例(%)] | 28.27 | <0.01 | ||||
| 亚洲人 | 16(1.81) | 2(3.08) | 8(1.51) | 6(2.08) | ||
| 尼格罗人种 | 120(13.59) | 4(6.15) | 56(10.57) | 60(20.84) | ||
| 欧罗巴人种 | 721(81.65) | 57(87.69) | 459(86.60) | 205(71.18) | ||
| 美洲印第安人 | 2(0.23) | — | — | 2(0.69) | ||
| 其他 | 24(2.72) | 2(3.08) | 7(1.32) | 15(5.21) | ||
| 原发肿瘤T分期/[例(%)] | 77.19 | <0.01 | ||||
| T1 | 490(55.50) | 20(30.76) | 271(51.13) | 199(69.10) | ||
| T2 | 130(14.72) | 25(38.46) | 69(13.02) | 36(12.50) | ||
| T3 | 244(27.63) | 18(27.70) | 179(33.77) | 47(16.32) | ||
| T4 | 15(1.70) | 2(3.08) | 11(2.08) | 2(0.69) | ||
| TX | 4(0.45) | — | — | 4(1.39) | ||
| 肿瘤TNM分期/[例(%)] | 71.24 | <0.01 | ||||
| I | 464(52.55) | 20(30.77) | 265(50.00) | 179(62.15) | ||
| II | 107(12.12) | 25(38.46) | 57(10.75) | 25(8.68) | ||
| III | 188(21.29) | 14(21.54) | 123(23.21) | 51(17.71) | ||
| IV | 103(11.66) | 6(9.23) | 82(15.47) | 15(5.21) | ||
| 其他 | 21(2.38) | 0(0.00) | 3(0.57) | 18(6.25) | ||
| 吸烟情况/[例(%)] | 20.23 | <0.01 | ||||
| 不吸烟 | 210(23.78) | 47(72.31) | 47(8.87) | 116(57.64) | ||
| 吸烟 | 182(20.61) | 12(18.46) | 40(7.55) | 130(45.14) | ||
| 不详 | 491(55.61) | 6(9.23) | 443(83.58) | 42(14.58) |
2.2. RCC GPXs 家族基因mRNA表达情况
比较chRCC(65例)、ccRCC(530例)、RPC(288例)和配对的正常人群(113例)组中GPXs RNA-seq的表达情况(图1)，分析显示：在chRCC、ccRCC、RPC患者中GPX1(P=1.60×10-94)、GPX4(P=9.00×10-66)呈高表达状态，GPX2(P=2.40×10-42)、GPX3(P=2.50×10-65)呈低表达状态；GPX7(P=9.40×10-42)、GPX8(P=7.80×10-62)在ccRCC和RPC患者中呈高表达状态。
图1.
肾嫌色细胞癌(G1)、肾透明细胞癌(G2)及肾乳头细胞癌(G3)患者样本中 GPXs 家族基因mRNA表达情况
Figure 1 mRNA expression of GPXs family genes in samples from patients with chromophobe renal cell carcinoma (G1), clear cell renal cell carcinoma (G2), and renal papillary carcinoma (G3)
*P<0.05, **P<0.01, ***P<0.001, nsP>0.05.
2.3. ccRCC GPXs蛋白质表达情况
利用UALCAN数据库获取ccRCC不同肿瘤分级患者样本和匹配的正常人群样本GPXs基因蛋白质表达数据。结果显示：110例ccRCC原发性肿瘤样本与84例配对的正常人群样本相比，ccRCC原发性肿瘤中GPX1、GPX2、GPX7、GPX8的蛋白质表达水平均明显升高(均P<0.01)，GPX3、GPX4的蛋白质表达水平均明显降低(均P<0.01，图2)。进一步分析ccRCC患者不同肿瘤分级中的蛋白质表达情况，结果显示：与正常人群组相比，不同肿瘤级别的ccRCC中GPX1、GPX2、GPX7、GPX8的蛋白质表达水平均明显升高(均P<0.01)，GPX3、GPX4的蛋白质表达水平均明显降低(均P<0.01；图2，3)。
图2.
GPXs 家族基因在正常人群和肾透明细胞癌组人群样本中的蛋白质表达情况
Figure 2 Protein expression of GPXs family genes in normal population and clear cell renal cell carcinoma group
Protein expression of GPX1 (A), GPX2 (B), GPX3 (C), GPX4 (D), GPX7 (E), and GPX8 (F) in clear cell RCC at different groups. **P<0.01 between the 2 groups.
图3.
GPXs 家族基因在肾透明细胞癌患者不同肿瘤分级中的蛋白质表达情况
Figure 3 Protein expression of GPXs family genes in patients with clear cell renal cell carcinoma at different tumor grades
Protein expression of GPX1 (A), GPX2 (B), GPX3 (C), GPX4 (D), GPX7 (E) and GPX8 (F) at different tumor grades. **P<0.01 vs the normal group; ††P<0.01 vs the grade 1 group; ‡‡P<0.01 vs the grade 2 group.
2.4. RCC的生存分析
Kaplan-Meier Plotter生存分析结果显示：883例RCC患者中位OS为7.5年，中位DFS为8.6年，中位PFS为8.6~10.3年。与另2种类型RCC相比，ccRCC患者的OS(P=0.92)、DFS(P=0.02)、DSS(P=0.72)、PFS(P=0.69)均缩短，其中DFS明显缩短(图4)。
图4.
3种类型肾癌患者DFS(A)、DSS(B)、OS(C)及PFS(D)的预后差异
Figure 4 Prognosis of differences of DFS (A), DSS (B), OS (C), and PFS (D) among patients with 3 types of renal cancer
G1: Chromophobe renal cell carcinoma; G2: Clear cell renal cell carcinoma; G3: Renal papillary carcinoma.
2.5. RCC GPX8mRNA表达与预后的关系
将GPX8低、中、高表达水平绘制成Kaplan-Meier生存曲线，采用log-rank法比较各组患者生存曲线是否有差异。结果显示：GPX8高表达的RCC患者的病情比低表达更容易进展，预后更差。GPX8高表达组与低、中表达组患者比较，其OS(P<0.01)、DFS(P=0.03)、DSS(P<0.01)、PFS(P=3.18×10-7)明显缩短(图5)。
图5.
GPX8 mRNA表达水平与肾细胞癌DFS(A)、DSS(B)、OS(C)、PFS(D)的关系
Figure 5 Relationship between GPX8 gene mRNA expression and DFS (A), DSS (B), OS (C), and PFS (D) of renal cell carcinoma
2.6. 生存预后影响因素分析
单因素Cox回归分析显示：GPX8高表达与3种类型肾细胞癌不良OS相关(均P<0.05，图6A，7A，8A)；多因素Cox分析显示：GPX8是影响肾乳头细胞癌患者OS的独立因素(P<0.05，图6A)，种族、肿瘤原发灶淋巴结远处转移(post tumor node metastasis，pTNM)分型是影响肾透明细胞癌OS的独立因素(均 P<0.05，图7A)，GPX8、pTNM分型是影响肾嫌色细胞癌患者OS的独立因素(均P<0.05，图8A)。
图6.
肾乳头细胞癌1年及5年相关OS预后预测模型图
Figure 6 Prognostic models of 1-year and 5-year associated OS for renal papillary cell carcinoma
A: Univariate and multivariate Cox regression analysis of prognostic factors; B: Nomogram for predicting 1-year and 5-year survival; C: Nomogram calibration diagram; D: ROC curve.
图7.
肾透明细胞癌1年及5年相关OS预后预测模型图
Figure 7 Prognostic models of 1-year and 5-year associated OS for clear cell renal cell carcinoma
A: Univariate and multivariate Cox regression analysis of prognostic factors; B: Nomogram for predicting 1-year and 5-year survival; C: Nomogram calibration diagram; D: ROC curve.
图8.
肾嫌色细胞癌1年及5年相关OS预后预测模型图
Figure 8 Prognostic models of 1-year and 5-year associated OS for chromophobe renal cell carcinoma
A: Univariate and multivariate Cox regression analysis of prognostic factors; B: Nomogram for predicting 1-year and 5-year survival; C: Nomogram calibration diagram; D: ROC curve.
2.7. RCC预后预测评分模型的建立
基于多因素Cox回归分析结果建立相关列线图模型，用C-index评估其预测性能(图6B，7B，8B)，用列线校准图评估其符合度(图6C，7C，8C)。在RPC患者列线图风险模型中，C-index为0.62，(95% CI：0.51~1.00，P=0.03)，受试者工作特征(receiver operating characteristic，ROC)曲线下面积(area under the curve，AUC)为0.88(图6D)。在ccRCC患者列线图风险模型中C-index为0.72(95% CI：0.52~1.00，P=0.03)，AUC为0.90(图7D)，说明建立的RPC、ccRCC模型预测的准确度良好。列线校准图显示：模型1年及5年OS的实际观察值与预测值一致性良好(图6C，7C)。在chRCC患者列线图风险模型中，C-index为0.90(95% CI：0.85~1.00，P<0.01)，AUC为0.59(图8D)，预测模型的准确度较低。
3. 讨 论
RCC是最常见的10种癌症之一，每年影响全世界近30万人，造成10万多人死亡。在RCC典型的 3种亚型中，ccRCC是最常见的亚型(75%)[11]，其次是RPC和chRCC，本研究从TCGA数据库获取的883例RCC患者的构成情况与此相似。在过去的12年中，RCC的治疗发生了巨大的变化，由传统的非特异性免疫途径治疗转变为靶向治疗和新的免疫治疗[12]，目前缺乏有效和可靠的预后生物学标志物和预测模型是治疗和改善RCC患者临床结局面临的主要挑战。
RCC的不良预后可能与DNA高甲基化和肿瘤细胞内抗氧化途径的过度表达有关[13]，ROS导致的氧化损伤可诱发癌症，谷胱甘肽作为ROS的清除剂其水平升高被确定为RCC发生的标志[14]。GPXs家族是机体抗氧化系统的重要成员，它们在恢复ROS诱导的损伤，保护DNA、蛋白质和脂质免受氧化损伤[3]，调节肿瘤抑制因子和DNA甲基化水平[15]方面发挥重要作用。虽然GPXs家族基因都作用于氢过氧化物，但它们的生理功能并不完全相同。在GPXs中，GPX1、GPX3、GPX4和GPX7在不同类型的癌症中起重要作用：GPX2可能是癌基因，与多种癌症的侵袭、转移、凋亡和预后有关；GPX3甲基化与多种癌症相关，在预测疾病预后[16-17]方面具有潜在价值，也被认为是一种肿瘤抑制因子[18-19]；GPX4调节恶性肿瘤细胞死亡，并与癌细胞[5]的抗治疗作用有关；GPX5在肿瘤的发生、发展过程中的作用较为复杂，其在乳腺癌患者中呈现低表达[20]，而在非小细胞肺癌患者中呈现高表达并缩短患者的生存期[21]；GPX6与肿瘤的形成有关[22]；GPX7具有抑癌作用[8, 23]；GPX8则通过多种信号通路调控细胞内生物过程，影响肿瘤的发生和发展[8]。
本研究通过对肿瘤“大数据”的重新整合和利用，发现GPXs家族基因在正常人群和RCC患者中表达不同，说明GPXs家族基因在RCC的发生、发展过程中发挥重要作用。通过对883例RCC患者进行Kaplan-Meier生存分析，发现ccRCC患者的预后比RPC和chRCC患者差，ccRCC患者OS、DFS、DSS和PFS明显缩短。为进一步证实GPXs家族基因与RCC之间的关系，根据GPX8的表达情况将患者分为高、中、低表达组进行Kaplan-Meier生存分析，结果发现GPX8高表达组RCC患者的OS、DFS、DSS、PFS均显著缩短，说明GPX8可促进RCC进展。为进一步证实该结论，将GPXs基因表达水平作为连续变量分别进行单因素Cox比例风险回归分析，发现GPX8的高表达是3种类型RCC患者死亡的主要危险因素。
可靠的生物标志物不仅可以作为肿瘤患者预后的预测工具，对未来治疗的反应及肿瘤复发的监测也有一定的临床指导意义。在明确了GPX8基因与RCC的关系后，本研究基于单因素Cox比例风险分析结果，将P<0.05的GPX8基因及3种类型RCC患者队列样本临床变量数据分别引入进行Cox单因素和多因素分析，建立RCC预测评分模型。结果显示种族人群和pTNM分型是影响ccRCC OS的独立因素，GPX8是影响RPC患者OS的独立因素，GPX8和pTNM分型是影响chRCC患者OS的独立因素。为进一步建立可应用于预测RCC患者OS的直接定量方法，本研究根据得到的多因素Cox回归模型，构建RCC独立因素相关预测1年及5年OS的列线图，帮助临床医生量化癌症死亡风险并根据预测来制订个体化的治疗策略。
综上所述，本研究通过公开可靠的数据库进行分析，发现GPXs家族基因可能是RCC不良预后的潜在标志物，可通过GPXs家族基因的表达情况在临床实践中预测RCC的发生和发展。但本研究尚缺乏临床实践数据佐证，应结合本次研究开展临床大样本的数据研究和体内外实验验证，进一步证实GPXs家族基因在RCC中的表达和临床价值。
基金资助
富硒产业研究院富硒专项(2020FXZX05-01)；陕西中医药大学慢性非传染性疾病病因及机制研究创新团队(132041933)。
This work was supported by the Special Selenium Enrichment Project of Selenium Industry Research Institute (2020FXZX05-01) and the Shaanxi University of Chinese Medicine Innovation Group on the Etiology and Mechanism of Chronic Non-communicable Diseases (132041933), China.
利益冲突声明
作者声称无任何利益冲突。
作者贡献
李娟 论文构想、撰写和修订，数据采集和分析；霍生杰 论文撰写和修订；张荣强 论文构想和修订，数据采集和分析，基金资助；史传道、孙娜 数据采集和统计分析；刘启玲 数据分析，论文修订。所有作者阅读并同意最终的文本。
原文网址
http://xbyxb.csu.edu.cn/xbwk/fileup/PDF/202205562.pdf
参考文献
- 1. Linehan WM, Ricketts CJ, et al. The Cancer Genome Atlas of renal cell carcinoma: findings and clinical implications[J]. Nat Rev Urol, 2019, 16(9): 539-552. 10.1038/s41585-019-0211-5. [DOI] [PubMed] [Google Scholar]
- 2. Chen WQ, Zheng RS, Baade PD, et al. Cancer statistics in China, 2015[J]. CA Cancer J Clin, 2016, 66(2): 115-132. 10.3322/caac.21338. [DOI] [PubMed] [Google Scholar]
- 3. Margis R, Dunand C, Teixeira FK, et al. Glutathione peroxidase family-an evolutionary overview[J]. FEBS J, 2008, 275(15): 3959-3970. 10.1111/j.1742-4658.2008.06542.x. [DOI] [PubMed] [Google Scholar]
- 4. Miess H, Dankworth B, Gouw AM, et al. The glutathione redox system is essential to prevent ferroptosis caused by impaired lipid metabolism in clear cell renal cell carcinoma[J]. Oncogene, 2018, 37(40): 5435-5450. 10.1038/s41388-018-0315-z. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 5. Cardoso BR, Hare DJ, Bush AI, et al. Glutathione peroxidase 4: a new player in neurodegeneration? [J]. Mol Psychiatry, 2017, 22(3): 328-335. 10.1038/mp.2016.196. [DOI] [PubMed] [Google Scholar]
- 6. Chen SH, Su XT, Mi H, et al. Comprehensive analysis of glutathione peroxidase-1 (GPX1) expression and prognostic value in three different types of renal cell carcinoma[J]. Transl Androl Urol, 2020, 9(6): 2737-2750. 10.21037/tau-20-1398. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 7. Liu QL, Jin J, Ying JM, et al. Frequent epigenetic suppression of tumor suppressor gene glutathione peroxidase 3 by promoter hypermethylation and its clinical implication in clear cell renal cell carcinoma[J]. Int J Mol Sci, 2015, 16(5): 10636-10649. 10.3390/ijms160510636. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 8. Chen Z, Hu TL, Zhu SM, et al. Glutathione peroxidase 7 suppresses cancer cell growth and is hypermethylated in gastric cancer[J]. Oncotarget, 2017, 8(33): 54345-54356. 10.18632/oncotarget.17527. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 9. 李瑞华, 田国祥, 郭晓娟, 等. 如何利用TCGA数据库实现医学数据共享[J]. 中国循证心血管医学杂志, 2019, 11(3): 280-283, 291. 10.3969/j.issn.1674-4055.2019.03.04. [DOI] [Google Scholar]; LI Ruihua, TIAN Guoxiang, GUO Xiaojuan, et al. How to use the TCGA database to realize medical data sharing[J]. Chinese Journal of Evidence-Based Cardiovascular Medicine, 2019, 11(3): 280-283, 291. 10.3969/j.issn.1674-4055.2019.03.04. [DOI] [Google Scholar]
- 10. Espinoza I, Agarwal S, Reddy A, et al. Expression of trefoil factor 3 is decreased in colorectal cancer[J]. Oncol Rep, 2021, 45(1): 254-264. 10.3892/or.2020.7829. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 11. Moch H, Cubilla AL, Humphrey PA, et al. The 2016 WHO classification of tumours of the urinary system and male genital organs-part A: renal, penile, and testicular tumours[J]. Eur Urol, 2016, 70(1): 93-105. 10.1016/j.eururo.2016.02.029. [DOI] [PubMed] [Google Scholar]
- 12. Barata PC, Rini BI, et al. Treatment of renal cell carcinoma: current status and future directions[J]. CA Cancer J Clin, 2017, 67(6): 507-524. 10.3322/caac.21411. [DOI] [PubMed] [Google Scholar]
- 13. Akhtar M, Al-Bozom IA, Al Hussain T, et al. Papillary renal cell carcinoma (PRCC): an update[J]. Adv Anat Pathol, 2019, 26(2): 124-132. 10.1097/PAP.0000000000000220. [DOI] [PubMed] [Google Scholar]
- 14. Xiao Y, Meierhofer D. Glutathione metabolism in renal cell carcinoma progression and implications for therapies[J]. Int J Mol Sci, 2019, 20(15): 3672. 10.3390/ijms20153672. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15. Jiao Y, Wang YR, Guo SC, et al. Glutathione peroxidases as oncotargets[J]. Oncotarget, 2017, 8(45): 80093-80102. 10.18632/oncotarget.20278. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 16. Lin YB, Zhang Y, Chen YL, et al. Promoter methylation and clinical significance of GPX3 in esophageal squamous cell carcinoma[J]. Pathol Res Pract, 2019, 215(11): 152676. 10.1016/j.prp.2019.152676. [DOI] [PubMed] [Google Scholar]
- 17. Zhou C, Hu HC, Zheng ZH, et al. Association between GPX3 promoter methylation and malignant tumors: a meta-analysis[J]. Pathol Res Pract, 2019, 215(7): 152443. 10.1016/j.prp.2019.152443. [DOI] [PubMed] [Google Scholar]
- 18. An BC, Choi YD, Oh IJ, et al. GPx3-mediated redox signaling arrests the cell cycle and acts as a tumor suppressor in lung cancer cell lines[J/OL]. PLoS One, 2018, 13(9): e0204170 [2018-09-27]. 10.1371/journal.pone.0204170. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 19. Cai MJ, Sikong YH, Wang Q, et al. Gpx3 prevents migration and invasion in gastric cancer by targeting NFкB/Wnt5a/JNK signaling[J]. Int J Clin Exp Pathol, 2019, 12(4): 1194-1203. [PMC free article] [PubMed] [Google Scholar]
- 20. Rusolo F, Capone F, Pasquale R, et al. Comparison of the seleno-transcriptome expression between human non-cancerous mammary epithelial cells and two human breast cancer cell lines[J]. Oncol Lett, 2017, 13(4): 2411-2417. 10.3892/ol.2017.5715. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 21. Liu K, Jin M, Xiao L, et al. Distinct prognostic values of mRNA expression of glutathione peroxidases in non-small cell lung cancer[J]. Cancer Manag Res, 2018, 10: 2997-3005. 10.2147/CMAR.S163432. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 22. Varlamova EG, Goltyaev MV, Fesenko EE, et al. Expression of human selenoprotein genes selh, selk, selm, sels, selv, and gpx-6 in various tumor cell lines[J]. Dokl Biochem Biophys, 2016, 468(1): 203-205. 10.1134/S1607672916030121. [DOI] [PubMed] [Google Scholar]
- 23. Buday K, Conrad M, et al. Emerging roles for non-selenium containing ER-resident glutathione peroxidases in cell signaling and disease[J]. Biol Chem, 2020, 402(3): 271-287. 10.1515/hsz-2020-0286. [DOI] [PubMed] [Google Scholar]