摘要：本文使用的乳酸化修饰基因集，本质上是乳酸代谢相关基因，并不是可能被修饰的乳酸化相关基因。这限制了文章的上限。如果使用乳酸化修饰基因集，最后得到的基因是可能被修饰的基因。进行实验验证机制的话，有希望发10+文章。进行相关生信分析，可以咨询小编。

影响因子：5.7

蛋白修饰方向，包括乳酸化修饰，是近两年的热点。相关实验文章大都发表在10+杂志上。小编做的乳酸化修饰相关生信，也发到了JTM和FII等五六分的杂志。

本文使用的乳酸化修饰基因集，本质上是乳酸代谢相关基因，并不是可能被修饰的乳酸化相关基因。这限制了文章的上限。如果使用乳酸化修饰基因集，最后得到的基因是可能被修饰的基因。进行实验验证机制的话，有希望发10+文章。进行相关生信分析，可以咨询小编。

研究概述：胃癌（GC），尤其是胃腺癌（STAD），已成为全球重要的公共卫生问题。分子生物学和基因表达谱的整合逐渐揭示了STAD发病机制的多样性，并据此将胃癌分为不同分子亚型，每个亚型具有独特的预后和治疗意义。乳酸化作为一种较新的PTM，已被证明在代谢、免疫反应和基因表达调控等细胞过程中的重要性。探索STAD中的乳酸化相关基因集，有助于发现胃癌病理生理学的新层面，并识别出有潜力的治疗靶点。因此，本研究旨在通过全面的生物信息学分析来探讨乳酸化相关基因表达与线粒体相关基因的关联，并识别在胃癌中具有预后意义的基因。作者以TCGA数据集作为主要训练集构建预后模型，随后使用多个GEO数据集进行验证以评估研究结果的稳健性和普适性；识别新的预后标志物和治疗靶点。通过应用scRNA-seq和空间转录组学等技术，剖析胃癌微环境中的复杂相互作用，提供关于肿瘤行为和治疗响应的全新视角。具体研究如下：

研究结果：

靶基因集的特征描述

作者首先研究了332个乳酸化相关基因与170个线粒体相关基因集之间的相关性（图A）。总共识别出304个与乳酸化相关的基因，它们与肿瘤微环境调控、免疫反应调节、细胞增殖和凋亡、代谢重编程有关。随后，作者使用TCGA、GSE55696和GSE79973数据集分析了这些基因在肿瘤与相邻正常组织中的表达差异（图B）。接下来，生成了这些差异基因在TCGA、GSE55696和GSE79973中的表达相关性热图（图2C）。最终，这些基因在TCGA中进行了单因素Cox分析，并在五个额外的GEO验证数据集进行了分析，构建了森林图（图2D）。最终，作者选出了12个具有预后意义的基因（这些基因在至少三个数据集中显示出显著的预后相关性）。

功能表征和分子分型

作者使用NMF算法对12个预后基因进行聚类。聚类结果表明，分为三组C1-3是最合适的，其中C1组与较差的预后相关（图A）。作者进一步分析比较了三个组之间的年龄、性别、阶段和病理分级等临床指标的构成，发现差异无统计学意义（图B）。作者还进行了TCGA免疫亚型与NMF分组的比较（图C）。由于C1和C3之间存在显著的生存差异，因此作者对C1和C3进行了差异基因分析（图D）。对C1和C3中上调和下调的基因分别进行了基因富集分析，结果发现平滑肌肉相关通路富集（图E）。最后作者计算了这些基因的ssGSEA评分，并进行了相关性热图分析（图F）。

单细胞和空间转录组学

作者利用单细胞数据的细胞并且使用AUCell包计算每个细胞中的乳酸化评分。结果发现基质的细胞（包括成纤维细胞和肿瘤微环境中的其他支持组织类型）与上皮细胞相比，表现出更高的乳酸化评分。接着作者使用AUCell包中的AUCell_exploreThresholds功能确定阈值，并将细胞分为两组。对这两组细胞进行了差异基因和富集分析，以探索它们之间的功能差异（图A）。接着空间转录组分析结果提示，免疫细胞、上皮细胞和基质细胞的分布存在差异。并且在空间转录组样本中作者也计算了乳酸化评分，发现高乳酸化区域主要在基质区域，与单细胞结果一致（图B）。上皮细胞与乳酸化评分呈负相关，而免疫细胞和基质细胞则呈正相关。随后，对高乳酸化组进行了功能富集分析（图C）。

基于差异基因的预后模型开发

利用上文筛选出的12个预后基因，作者使用了101种算法构建模型；训练集是TCGA，测试集是五个GEO数据集。通过五个测试集的C指数确定的最佳模型被识别为RSF+SuperPC（图A）。作者还使用六个数据集计算了1年、3年和5年的AUC值（图B）；并展示了最优模型在不同数据集中C指数的条形图（图C）。六个数据集的生存分析结果表明，预后模型高风险组的预后较差（图D）。

预后模型比较

作者列举出了这6个数据集的生存风险和PCA图（图A- B）。随后，风险评分与其他临床指标进行了比较，发现作者自己构建的风险评分的C指数优于大多数临床指标（图C）。作者进一步收集了最近1-2年发表的15个预后模型，并比较了它们的C指数。结果提示：虽然作者的预后模型在TCGA队列中并不是表现最好的，但在其余五个测试数据集中，它通常优于大多数其他模型（图D）。

Nomogram的开发

作者对预后模型以及临床指标进行了单变量和多变量分析结果（图7A），并展示了一个结合风险评分和临床指标的诺模图（图B）。决策曲线分析（DCA）显示，与其它临床指标相比，诺模图和风险评分的结果表现出优越的性能（图C）。1年、3年和5年的校准曲线提示风险评分有着不错的预测效能（图D）。使用诺模图评分进行的生存分析发现，较高的评分与较差的预后相关（图E）。

肿瘤免疫浸润和TMB分析

作者将前文的C1-3组进行风险评分，结果显示出显著的差异。随后进行了风险评分与MSigDB数据库中的“50个肿瘤标记基因集”之间的相关性分析（这些基因集代表不同的生物学状态和过程）（图A）。作者还使用突变数据计算了肿瘤突变负荷（TMB），发现不同风险组之间存在显著差异（图A）。最后作者使用CIBERSORT、MCP-counter、TIMER等算法描绘了两组之间免疫细胞浸润的变化（图B）。

免疫治疗分析和药物敏感性分析

作者使用TCGA数据集，利用肿瘤免疫功能障碍和排除（TIDE）算法预测了免疫治疗反应。结果显示，两个风险组的反应组成存在显著差异，无反应组的风险评分更高。结合免疫表型评分（IPS）的结果表明，低风险组的IPS评分更高（图A）。在众多免疫治疗数据集GSE91061（肺腺癌）、GSE78220（肺腺癌）、IMvigor210（尿路上皮癌，UC）和Braun（肾细胞癌，RCC）在内的生存分析结果和两个免疫反应组的风险评分均提示，作者构建的预后评分可以有效区分高低风险患者（图B）。随后药物敏感性分析显示，Bortezomib_1191和Dactinomycin_1911在低风险组中敏感，而Dasatinib_1079和BMS-754807_2171在高风险组中敏感（图C）。对肺腺癌和尿路上皮癌的GEO数据集的分析显示，与乳酸化相关基因表达相关的免疫细胞浸润和反应性的变化趋势相似，表明这些变化可能在STAD之外的其他癌症类型中也具有更广泛的影响。

单细胞高风险和低风险细胞的差异细胞通讯

作者在单细胞RNA测序数据集GSE184198中，为每个细胞计算了基于风险模型的风险评分，并使用中位数值对细胞进行分组。然后，进行了CellChat细胞通讯研究，比较了两组之间的差异（下图）。其中高风险和低风险组之间在上皮细胞、髓系细胞以及T和NK细胞之间的通讯存在显著差异。

PTMA基因沉默抑制了胃癌细胞的恶性行为

基于前文的基因表达差异分析，PTMA基因被确定为在胃癌组织中显著过表达，与邻近非癌组织相比。在12个已鉴定的预后基因中，大多数是最初304个乳酸化相关和线粒体相关基因的一部分。然而，PTMA虽然未被包括在最初的332个乳酸化相关基因或170个线粒体相关基因中，但因其与线粒体功能障碍的显著关联以及在胃癌中的作用，通过单变量Cox分析被确定为12个预后标记物之一。随后从临床样本中提取的RNA确认了肿瘤组织中PTMA的高表达。因此，作者进行实验对其进行验证。功能实验表明，PTMA基因沉默可以减少胃癌细胞的增殖、增加凋亡、并降低迁移和侵袭能力，与其在生物信息学分析中预测的调节肿瘤行为的角色一致。为了探索PTMA基因在STAD中的作用，作者选择了两个细胞系，MKN45和NCI-N87，并敲低了PTMA基因（图A）。两个胃癌细胞系的增殖能力在PTMA基因沉默后的所有时间点都显著降低（图B-C）。肿瘤细胞的凋亡率在PTMA基因沉默后显著增加（图D）。此外，PTMA基因沉默显著提高了促进凋亡的蛋白Bax和c-caspase3的表达，同时降低了抑制凋亡的蛋白Bcl-2的表达（图E）。这表明PTMA基因沉默促进了胃癌细胞的凋亡。

在Transwell侵袭和迁移实验中（图A），MKN45细胞的PTMA基因沉默表现出显著降低的侵袭和迁移能力。划痕实验（图B）也显示了PTMA基因沉默后迁移能力的显著降低。Western blot数据显示，PTMA基因沉默表达与Vimentin蛋白表达的降低和E-cadherin蛋白表达的增加相关（图C）。这些结果表明: 抑制PTMA表达与胃癌细胞的恶性行为呈负相关。

研究总结：

本研究思路比较简单，生信分析加湿实验。首先综合分析了胃癌腺癌中乳酸化相关基因集和线粒体功能，利用转录组、单细胞、空间转录组等技术，揭示了这些因素在胃癌预后和治疗策略中的重要性。研究发现，特定乳酸化相关基因与线粒体功能相关，并能显著影响STAD的预后，同时通过分析肿瘤微环境中的细胞异质性，构建了预后模型，展现出优越的预测能力。此外，研究还发现乳酸化变化可能影响免疫细胞的浸润和治疗反应，并通过实验验证了PTMA基因在胃癌中的高表达及其在抑制胃癌细胞恶性行为中的潜在作用，为STAD的靶向治疗和预后评估提供了新的方向。

来源：科学平头哥