大家好，今天跟大家分享的题为Identif ying squalene epoxi dase as a metaboli cvulner ability in high-risk osteos arcoma using anartificial intelligence-derived prognostic index（应用人工智能衍生的预后指数鉴定角鲨烯环氧化物酶在高危骨肉瘤中的代谢易损性）肌肉侵袭性尿路上皮癌(MUC)具有高度侵袭性和显著异质性的特点，目前缺乏高度精准的个体化治疗方案。
01
研究背景
骨肉瘤 （OSA） 具有临床挑战，5 年生存率较低。目前，由于缺乏先进的分层模型，个性化治疗变得困难。本研究旨在确定新的生物标志物，以对高危OSA患者进行分层并指导治疗。
我们将 10 种机器学习算法组合成 101 种组合，从中建立了基于 254 个样本的转录组学谱预测总生存期的最佳模型。评估了转录组学、基因组学和表观基因组景观的改变，以阐明导致预后不良的机制。单细胞RNA测序（scRNA-seq）揭示了OSA细胞中过表达的基因作为潜在的治疗靶点，其中之一通过组织染色、敲低和药理学抑制进行了验证。我们表征了多种表型的变化，包括增殖、集落形成、迁移、侵袭、细胞凋亡、化学敏感性和体内致瘤性。RNA-seq和Western blotting阐明了角鲨烯环氧化物酶（SQLE）抑制对信号通路的影响。
AIDPI 是一种强大的生物标志物，用于识别 OSA 患者的高危亚群。SQLE蛋白在这些患者中成为一种代谢脆弱性，提供了一个具有翻译潜力的靶标。
见图一
人工智能衍生预后指数 （AIDPI） 的开发和验证。
图一
（A） 从三个队列中的各种机器学习算法组合得出的多个模型的 C 指数。
（B-D 和 H-J）跨多个队列的 AIDPI 的时间依赖性 ROC 曲线分析。
（E-G 和 K-M）Kaplan-Meier 对多个队列的 AIDPI 生存分析。
（N） AIDPI 和先前发表的预后特征的单变量 Cox 回归分析结果。
（O） AIDPI的C指数与Xu等人建立的签名的比较，ns：p > .05;*p < .05;p < .0001 通过 Z 检验。
见图二
基于人工智能衍生的预后指数 （AIDPI） 和临床特征的生存预测。
图二
（A） AIDPI 与临床病理特征之间关于预后价值关系的单变量 Cox 回归分析。
（B 和 D） 显示指定队列中不同 Huvos 等级的 AIDPI 分布的箱线图。
（C 和 E） 用于评估 AIDPI 预测新辅助化疗反应能力的 ROC 曲线，。
（F-G） 多变量 Cox 回归分析，有或没有 Huvos 等级的积分。
（H） 从宏骨肉瘤 （OSA） 得出列线图。
（I） 列线图的校准曲线。
（J） 已建立列线图的时间依赖性 ROC 曲线分析。
（K） 比较各种因素的预测性能。
（L） 决策曲线分析强调了列线图相对于其他指标的优越净收益。*p < .05;p < .0001 通过 Wilcoxon 秩和检验（B 和 D）。
见图三
识别高人工智能衍生预后指数 （AIDPI） 患者的失调通路。
图三
（A） 热图阐明了 AIDPI 基因的表达及其与免疫评分的相关性。括号前的星号表示根据差分表达式分析 （DEA） 调整后的 p 值，而括号内的数字和星号表示相关系数和相关的 p 值 ns：p > .05;*p < .05;**p < .01;p < .001;p < .0001。
（B） 基因集富集分析 （GSEA） 结果突出了与高（红色）或低（蓝色）AIDPI 显着相关的生物过程。
（C） 气泡图显示了基于差异表达基因 （DEG） 的 KEGG 富集分析的结果。
（D）富集图将富集的术语排列成一个网络，将具有共享基因的术语连接起来。
（E） 箱线图对比了两个 AIDPI 组之间的平均 DNA 甲基化水平。
（F） 条形图显示基于表观基因组数据的经验贝叶斯 GSEA 结果。nREP，该通路中富集的基因数。
见图四
确定高人工智能衍生预后指数 （AIDPI） 患者的治疗靶点。
图四
（A） 热图显示预测骨肉瘤 （OSA） 细胞中推断的 CNA。
（B） 九种注释细胞类型的均匀流形近似和投影 （UMAP） 图。
（C） 气泡图显示九个已识别细胞簇中的标记基因表达，
（D） 在曼哈顿图中，精确定位在特定细胞簇中高度表达的基因。
（E） 甜甜圈图显示两个 AIDPI 组之间差异表达基因 （DEGs） 的细胞来源。
（F） 维恩图显示指示基因组之间的共享实体，以及 （G） 特征图显示指示基因在单个细胞中的归一化表达。
见图五
角鲨烯环氧化酶 （SQLE） 在骨肉瘤 （OSA） 中的过表达与肿瘤进展相关。
图五
（A-C）箱线图显示了 SQLE mRNA 水平、OSA 组织与其相邻正常对应物 （A）、OSA 细胞系 （OSACell） 与成骨细胞 （OB） 和间充质干细胞 （MSC） （B） 的对比、具有不同 Huvos 等级和耐甲氨蝶呤 Saos2 （Saos2/MTX） 与其亲本细胞系 （C） 的样品。
（D 和 E）散点图显示了OSA样品和OSA细胞系中SQLE的拷贝数与mRNA水平之间的关系。
（F 和 G）MYC 和 SQLE 的基因水平拷贝数之间的相关性通过 OSA 样本和 OSA 细胞系中的散点图进行描绘。
（H） 散点图显示了所示数据集中 MYC 和 SQLE 的 mRNA 表达之间的相关性。
（I-P）在多个人类和犬类 OSA 队列中对 SQLE mRNA 水平进行 Kaplan-Meier 生存分析。
（Q） TMA 中 SQLE 免疫组织化学 （IHC） 染色的代表性图像。
（R） 由 26 名低 SQLE 表达的 OSA 患者和 51 名高 SQLE 表达的 OSA 患者组成的组织微阵列 （TMA） 的 Kaplan-Meier 生存分析。
（S） 森林图显示了多变量 Cox 回归分析的结果。CN， 拷贝数;Exp，表达式。*p < .05;**p < .01;第 < .001;p < .0001，通过 Wilcoxon 秩和检验（A 和 C）并使用 Holm 方法 （B） 进行调整。
见图六
角鲨烯环氧氧化酶 （SQLE） 敲低可阻碍骨肉瘤 （OSA） 在体外和体内的进展。
图六
（A） 转染 shSQLE 或 shControl 后的 SQLE 蛋白丰度通过蛋白质印迹在标记的细胞组中描述。
（B-E）标记细胞群中细胞增殖 （B）、克隆生长 （C）、迁移 （D） 和侵袭 （E） 的测定。
（F 和 G）采用膜联蛋白 V-APC/7-AAD 染色的流式细胞术分析可定量标记细胞组中的凋亡细胞，无论是未经处理的 （F） 还是阿霉素 （ADM） 暴露后的凋亡细胞 （G）。凋亡细胞在右上和右下象限内表现出膜联蛋白 V-APC 阳性。
（H-J）条形图对比了指示细胞组与指示药物的敏感性。
（K） 使用携带 shControl 或 shSQLE 的 U2OS 细胞建立的皮下异种移植模型的分离肿瘤图像。
（L） 所示组的肿瘤生长曲线。
（M） 肿瘤肿块的体重和胆固醇水平以条形图表示。
（N） 来自异种移植模型的肿瘤中 SQLE 和 Ki-67 染色的免疫组化代表性图像。
（O） 条形图对比了 SQLE 丰度和 Ki-67 阳性细胞的百分比。AOD：平均光密度。*p < .05;**p < .01;p < .001;p < .0001，通过条形图的学生 t 检验，或细胞增殖和肿瘤生长曲线的 Tukey HSD 检验。
见图七
角鲨烯环氧化物酶 （SQLE） 沉默通过降低胆固醇和抑制 FAK/PI3K/Akt/mTOR 通路来阻止骨肉瘤 （OSA）。
图七
（A 和 D）基因集富集分析 （GSEA） 图说明了指定基因集的富集趋势。基因根据其 log2FoldChange 值按降序排列。
（B） 条形图显示标记细胞群中的细胞内胆固醇水平。
（C） 差异表达基因 （DEGs） 的 KEGG 富集结果以气泡图表示。
（E） 散点图显示 SQLE mRNA 水平与靶向 PI3K/mTOR 信号级联的三种特异性抑制剂的剂量-反应曲线 （AAC） 值上方区域之间的相关性。
（F 和 G）显示标记细胞组中的蛋白质表达谱以及这些谱的后续定量。
（H-K）显示了所指示细胞组的实验结果，包括细胞增殖 （H）、克隆生成潜力 （I）、迁移 （J） 和侵袭能力 （K）。Cho：胆固醇。对于涉及多个组的实验，shSQLE组的平均值可作为与其他组的比较基准。
见图八
药理学角鲨烯环氧化酶 （SQLE） 抑制可抑制骨肉瘤 （OSA） 进展并增强化疗效果。
图八
（A 和 B）实验证明了与载体控制相比，两种浓度的FR194738对细胞增殖 （A） 和集落形成能力 （B） 的影响。
（C） 用载体或FR194738治疗的皮下异种移植模型中分离的肿瘤图像。
（D） 指定组的肿瘤生长曲线。
（E） 肿瘤肿块的体重和胆固醇水平以条形图表示。
（F） 所示组的体重曲线。
（G） 肿瘤切片中 Ki-67 和裂解 caspase-3 染色的免疫组化代表性图像。
（H） 条形图对比了 Ki-67 和裂解的半胱天冬酶 3 阳性细胞的百分比。
（I） 热图提供了 MNNG 对一系列药物组合的剂量反应可视化。
（J 和 K）当与指定的药物共同施用针对指定的 OSA 细胞系的FR194738时，热图显示了协同评分。（从左到右）散点图显示所指示的 OSA 细胞系中的敏感度指标和协同指标。
（N）示意图显示了在临床实践中应用人工智能衍生预后指数（AIDPI）的可能方法。
02
研究结论
总之，本研究将 AIDPI 作为识别 OSA 患者高危亚群的潜在工具，并揭示了 SQLE 蛋白是这些患者的代谢脆弱性。通过降低胆固醇和破坏 FAK/PI3K/Akt/mTOR 信号通路，使用 FR194738 抑制 SQLE 提供了一条有前途的治疗途径，代表了高危 OSA 患者的潜在补充治疗。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
01
研究背景
骨肉瘤 （OSA） 具有临床挑战，5 年生存率较低。目前，由于缺乏先进的分层模型，个性化治疗变得困难。本研究旨在确定新的生物标志物，以对高危OSA患者进行分层并指导治疗。
我们将 10 种机器学习算法组合成 101 种组合，从中建立了基于 254 个样本的转录组学谱预测总生存期的最佳模型。评估了转录组学、基因组学和表观基因组景观的改变，以阐明导致预后不良的机制。单细胞RNA测序（scRNA-seq）揭示了OSA细胞中过表达的基因作为潜在的治疗靶点，其中之一通过组织染色、敲低和药理学抑制进行了验证。我们表征了多种表型的变化，包括增殖、集落形成、迁移、侵袭、细胞凋亡、化学敏感性和体内致瘤性。RNA-seq和Western blotting阐明了角鲨烯环氧化物酶（SQLE）抑制对信号通路的影响。
AIDPI 是一种强大的生物标志物，用于识别 OSA 患者的高危亚群。SQLE蛋白在这些患者中成为一种代谢脆弱性，提供了一个具有翻译潜力的靶标。
见图一
人工智能衍生预后指数 （AIDPI） 的开发和验证。
图一
（A） 从三个队列中的各种机器学习算法组合得出的多个模型的 C 指数。
（B-D 和 H-J）跨多个队列的 AIDPI 的时间依赖性 ROC 曲线分析。
（E-G 和 K-M）Kaplan-Meier 对多个队列的 AIDPI 生存分析。
（N） AIDPI 和先前发表的预后特征的单变量 Cox 回归分析结果。
（O） AIDPI的C指数与Xu等人建立的签名的比较，ns：p > .05;*p < .05;p < .0001 通过 Z 检验。
见图二
基于人工智能衍生的预后指数 （AIDPI） 和临床特征的生存预测。
图二
（A） AIDPI 与临床病理特征之间关于预后价值关系的单变量 Cox 回归分析。
（B 和 D） 显示指定队列中不同 Huvos 等级的 AIDPI 分布的箱线图。
（C 和 E） 用于评估 AIDPI 预测新辅助化疗反应能力的 ROC 曲线，。
（F-G） 多变量 Cox 回归分析，有或没有 Huvos 等级的积分。
（H） 从宏骨肉瘤 （OSA） 得出列线图。
（I） 列线图的校准曲线。
（J） 已建立列线图的时间依赖性 ROC 曲线分析。
（K） 比较各种因素的预测性能。
（L） 决策曲线分析强调了列线图相对于其他指标的优越净收益。*p < .05;p < .0001 通过 Wilcoxon 秩和检验（B 和 D）。
见图三
识别高人工智能衍生预后指数 （AIDPI） 患者的失调通路。
图三
（A） 热图阐明了 AIDPI 基因的表达及其与免疫评分的相关性。括号前的星号表示根据差分表达式分析 （DEA） 调整后的 p 值，而括号内的数字和星号表示相关系数和相关的 p 值 ns：p > .05;*p < .05;**p < .01;p < .001;p < .0001。
（B） 基因集富集分析 （GSEA） 结果突出了与高（红色）或低（蓝色）AIDPI 显着相关的生物过程。
（C） 气泡图显示了基于差异表达基因 （DEG） 的 KEGG 富集分析的结果。
（D）富集图将富集的术语排列成一个网络，将具有共享基因的术语连接起来。
（E） 箱线图对比了两个 AIDPI 组之间的平均 DNA 甲基化水平。
（F） 条形图显示基于表观基因组数据的经验贝叶斯 GSEA 结果。nREP，该通路中富集的基因数。
见图四
确定高人工智能衍生预后指数 （AIDPI） 患者的治疗靶点。
图四
（A） 热图显示预测骨肉瘤 （OSA） 细胞中推断的 CNA。
（B） 九种注释细胞类型的均匀流形近似和投影 （UMAP） 图。
（C） 气泡图显示九个已识别细胞簇中的标记基因表达，
（D） 在曼哈顿图中，精确定位在特定细胞簇中高度表达的基因。
（E） 甜甜圈图显示两个 AIDPI 组之间差异表达基因 （DEGs） 的细胞来源。
（F） 维恩图显示指示基因组之间的共享实体，以及 （G） 特征图显示指示基因在单个细胞中的归一化表达。
见图五
角鲨烯环氧化酶 （SQLE） 在骨肉瘤 （OSA） 中的过表达与肿瘤进展相关。
图五
（A-C）箱线图显示了 SQLE mRNA 水平、OSA 组织与其相邻正常对应物 （A）、OSA 细胞系 （OSACell） 与成骨细胞 （OB） 和间充质干细胞 （MSC） （B） 的对比、具有不同 Huvos 等级和耐甲氨蝶呤 Saos2 （Saos2/MTX） 与其亲本细胞系 （C） 的样品。
（D 和 E）散点图显示了OSA样品和OSA细胞系中SQLE的拷贝数与mRNA水平之间的关系。
（F 和 G）MYC 和 SQLE 的基因水平拷贝数之间的相关性通过 OSA 样本和 OSA 细胞系中的散点图进行描绘。
（H） 散点图显示了所示数据集中 MYC 和 SQLE 的 mRNA 表达之间的相关性。
（I-P）在多个人类和犬类 OSA 队列中对 SQLE mRNA 水平进行 Kaplan-Meier 生存分析。
（Q） TMA 中 SQLE 免疫组织化学 （IHC） 染色的代表性图像。
（R） 由 26 名低 SQLE 表达的 OSA 患者和 51 名高 SQLE 表达的 OSA 患者组成的组织微阵列 （TMA） 的 Kaplan-Meier 生存分析。
（S） 森林图显示了多变量 Cox 回归分析的结果。CN， 拷贝数;Exp，表达式。*p < .05;**p < .01;第 < .001;p < .0001，通过 Wilcoxon 秩和检验（A 和 C）并使用 Holm 方法 （B） 进行调整。
见图六
角鲨烯环氧氧化酶 （SQLE） 敲低可阻碍骨肉瘤 （OSA） 在体外和体内的进展。
图六
（A） 转染 shSQLE 或 shControl 后的 SQLE 蛋白丰度通过蛋白质印迹在标记的细胞组中描述。
（B-E）标记细胞群中细胞增殖 （B）、克隆生长 （C）、迁移 （D） 和侵袭 （E） 的测定。
（F 和 G）采用膜联蛋白 V-APC/7-AAD 染色的流式细胞术分析可定量标记细胞组中的凋亡细胞，无论是未经处理的 （F） 还是阿霉素 （ADM） 暴露后的凋亡细胞 （G）。凋亡细胞在右上和右下象限内表现出膜联蛋白 V-APC 阳性。
（H-J）条形图对比了指示细胞组与指示药物的敏感性。
（K） 使用携带 shControl 或 shSQLE 的 U2OS 细胞建立的皮下异种移植模型的分离肿瘤图像。
（L） 所示组的肿瘤生长曲线。
（M） 肿瘤肿块的体重和胆固醇水平以条形图表示。
（N） 来自异种移植模型的肿瘤中 SQLE 和 Ki-67 染色的免疫组化代表性图像。
（O） 条形图对比了 SQLE 丰度和 Ki-67 阳性细胞的百分比。AOD：平均光密度。*p < .05;**p < .01;p < .001;p < .0001，通过条形图的学生 t 检验，或细胞增殖和肿瘤生长曲线的 Tukey HSD 检验。
见图七
角鲨烯环氧化物酶 （SQLE） 沉默通过降低胆固醇和抑制 FAK/PI3K/Akt/mTOR 通路来阻止骨肉瘤 （OSA）。
图七
（A 和 D）基因集富集分析 （GSEA） 图说明了指定基因集的富集趋势。基因根据其 log2FoldChange 值按降序排列。
（B） 条形图显示标记细胞群中的细胞内胆固醇水平。
（C） 差异表达基因 （DEGs） 的 KEGG 富集结果以气泡图表示。
（E） 散点图显示 SQLE mRNA 水平与靶向 PI3K/mTOR 信号级联的三种特异性抑制剂的剂量-反应曲线 （AAC） 值上方区域之间的相关性。
（F 和 G）显示标记细胞组中的蛋白质表达谱以及这些谱的后续定量。
（H-K）显示了所指示细胞组的实验结果，包括细胞增殖 （H）、克隆生成潜力 （I）、迁移 （J） 和侵袭能力 （K）。Cho：胆固醇。对于涉及多个组的实验，shSQLE组的平均值可作为与其他组的比较基准。
见图八
药理学角鲨烯环氧化酶 （SQLE） 抑制可抑制骨肉瘤 （OSA） 进展并增强化疗效果。
图八
（A 和 B）实验证明了与载体控制相比，两种浓度的FR194738对细胞增殖 （A） 和集落形成能力 （B） 的影响。
（C） 用载体或FR194738治疗的皮下异种移植模型中分离的肿瘤图像。
（D） 指定组的肿瘤生长曲线。
（E） 肿瘤肿块的体重和胆固醇水平以条形图表示。
（F） 所示组的体重曲线。
（G） 肿瘤切片中 Ki-67 和裂解 caspase-3 染色的免疫组化代表性图像。
（H） 条形图对比了 Ki-67 和裂解的半胱天冬酶 3 阳性细胞的百分比。
（I） 热图提供了 MNNG 对一系列药物组合的剂量反应可视化。
（J 和 K）当与指定的药物共同施用针对指定的 OSA 细胞系的FR194738时，热图显示了协同评分。（从左到右）散点图显示所指示的 OSA 细胞系中的敏感度指标和协同指标。
（N）示意图显示了在临床实践中应用人工智能衍生预后指数（AIDPI）的可能方法。
02
研究结论
总之，本研究将 AIDPI 作为识别 OSA 患者高危亚群的潜在工具，并揭示了 SQLE 蛋白是这些患者的代谢脆弱性。通过降低胆固醇和破坏 FAK/PI3K/Akt/mTOR 信号通路，使用 FR194738 抑制 SQLE 提供了一条有前途的治疗途径，代表了高危 OSA 患者的潜在补充治疗。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
