胃癌预后相关因子的筛选、鉴定及功能机制研究

胃癌预后相关因子的筛选、鉴定及功能机制研究一、引言1.1研究背景胃癌作为消化系统常见的恶性肿瘤，在全球范围内严重威胁着人类健康。国际癌症研究机构（IARC）发布的2020年全球癌症数据显示，当年全世界胃癌新发病例约108.9万，居恶性肿瘤发病人数的第五位；死亡病例数约76.9万，居恶性肿瘤死亡人数的第四位。这些数字背后，是无数患者及其家庭所承受的痛苦，也反映出胃癌防治工作的紧迫性。我国更是胃癌的高发国家，发病和死亡人数约占全球的近一半。2019年中国国家癌症中心的数据表明，胃癌的发病率和死亡率分别位于所有恶性肿瘤的第二位和第三位，是我国发病率第一的消化道恶性肿瘤，远高于世界平均水平。且男性胃癌的发病率是女性的3倍，死亡率是女性的2.7倍，主要发生在60-69岁的男性，这可能与男性吸烟、喝酒比例高，社会压力大及饮食习惯较差等因素密切相关。从地域分布来看，我国农村的胃癌发病率高于城市，偏远地区高于沿海地区，这进一步说明胃癌的发病与经济、环境等因素有着千丝万缕的联系。例如，部分偏远地区居民的饮食结构相对单一，腌制食品摄入较多，这类食物中含有的亚硝酸盐等物质在一定条件下可能转化为致癌物；而沿海地区居民饮食相对丰富，新鲜海产品、蔬菜水果等摄入较多，可能对胃癌的发生有一定的抑制作用。尽管医学技术不断进步，手术、化疗、放疗、靶向治疗等多种治疗手段不断涌现，但胃癌的治疗仍然面临着巨大的挑战，临床治疗效果常常难以达到理想状态。一方面，由于胃癌早期症状隐匿，多数患者确诊时已处于中晚期，错过了最佳的手术治疗时机。早期胃癌患者手术治疗后的5年生存率超过90％，其中始发阶段小胃癌及微小胃癌的10年生存率可达100％，但在我国早期胃癌病人所占比例一直徘徊在4％-10％之间。另一方面，不同患者对相同治疗方案的反应存在显著差异，部分患者可能出现耐药现象，导致治疗失败。因此，寻找一种简便易行、可重复性高、且具有预测价值的胃癌预后因子，对于临床治疗具有至关重要的指导意义。它不仅有助于医生更加准确地评估患者的病情和预后，还能为患者制定更加个体化、有效的治疗方案，从而提高患者的生存率和生活质量。1.2研究目的与意义本研究旨在通过对大量胃癌患者的临床资料和样本进行深入分析，筛选出具有高灵敏度和特异性的胃癌预后因子。这些因子能够帮助医生在患者确诊后，更精准地预测其疾病的发展趋势和预后情况。例如，若能确定某一基因或蛋白的表达水平与患者的生存期密切相关，医生就可以依据该因子对患者进行分层，对于预后较差的患者，及时调整治疗方案，加强治疗强度，采取更为积极的化疗、靶向治疗或免疫治疗等手段；而对于预后较好的患者，则可以适当减少过度治疗带来的不良反应，提高患者的生活质量。进一步深入探究这些预后因子的功能机制，从分子生物学和细胞生物学层面揭示胃癌发生、发展的内在规律，为开发新型的治疗靶点提供理论基础。当我们明确了某个预后因子在胃癌细胞增殖、凋亡、侵袭和转移等过程中的具体作用机制后，就可以针对该因子设计特异性的抑制剂或激活剂，研发出更具针对性、疗效更好的治疗药物，从而打破目前胃癌治疗的瓶颈，为胃癌患者带来新的希望，这对于降低胃癌的死亡率、改善患者的生存状况具有深远的意义。1.3研究思路与方法本研究遵循从大数据挖掘到实验验证，再深入到机制研究的技术路线，综合运用多种研究方法，全面系统地开展胃癌预后相关因子的研究。在数据收集阶段，一方面，广泛收集多个大型公共数据库，如癌症基因组图谱（TCGA）、基因表达综合数据库（GEO）等中胃癌患者的临床资料和基因表达数据。这些数据库包含了丰富的样本信息，涵盖不同地区、年龄、性别、病理分期的胃癌患者，为后续的生物信息学分析提供充足的数据资源。另一方面，收集本院经胃镜活检或手术切除确诊的胃癌患者的组织标本和血清样本，并详细记录患者的临床病理特征，包括肿瘤大小、组织分化程度、TNM分期、浸润深度、淋巴结转移情况等，以及患者的治疗方式和随访信息，如生存时间、复发情况等，建立起具有本地特色的临床样本库。运用生物信息学分析方法，对收集到的海量数据进行深入挖掘。利用加权基因共表达网络分析（WGCNA）方法，构建胃癌基因共表达网络，筛选出与胃癌预后显著相关的基因模块和关键基因。通过差异表达分析，找出胃癌组织与正常组织中表达差异显著的基因，并对这些差异基因进行功能富集分析，如基因本体（GO）分析和京都基因与基因组百科全书（KEGG）通路分析，了解这些基因参与的生物学过程、细胞组成和信号通路，初步推断其在胃癌发生发展中的作用。采用机器学习算法，如支持向量机（SVM）、随机森林（RF）等，对筛选出的基因进行进一步分析，构建胃癌预后预测模型，并通过交叉验证等方法评估模型的准确性和可靠性，确定最具预测价值的预后因子。在实验验证环节，首先采用实时荧光定量聚合酶链反应（qRT-PCR）和蛋白质免疫印迹法（Westernblot）技术，检测在生物信息学分析中筛选出的关键预后因子在胃癌组织和细胞系中的表达水平，并与正常组织和细胞进行对比，验证其表达差异的真实性。运用免疫组织化学染色（IHC）技术，检测预后因子在胃癌组织切片中的表达定位和表达强度，分析其与患者临床病理特征及预后的相关性。通过细胞功能实验，如细胞增殖实验（CCK-8法、EdU法）、细胞凋亡实验（AnnexinV-FITC/PI双染法）、细胞迁移和侵袭实验（Transwell实验、划痕实验）等，研究预后因子对胃癌细胞生物学行为的影响。构建动物模型，将过表达或敲低预后因子的胃癌细胞接种到裸鼠体内，观察肿瘤的生长、转移情况，进一步验证预后因子在体内的功能。为了深入探究预后因子的功能机制，采用基因芯片技术或RNA测序（RNA-seq）技术，分析过表达或敲低预后因子后胃癌细胞的基因表达谱变化，筛选出受预后因子调控的下游基因和信号通路。运用蛋白质组学技术，如二维凝胶电泳（2-DE）结合质谱分析、液相色谱-质谱联用（LC-MS/MS）等，研究预后因子对胃癌细胞蛋白质表达谱的影响，寻找与预后因子相互作用的蛋白质。通过分子生物学实验，如荧光素酶报告基因实验、染色质免疫沉淀实验（ChIP）、免疫共沉淀实验（Co-IP）等，验证预后因子与下游基因、信号通路及相互作用蛋白之间的调控关系，揭示预后因子在胃癌发生发展中的分子机制。二、胃癌预后相关因子的筛选2.1生物信息学数据来源与处理本研究从多个权威的公共数据库中获取数据，主要包括癌症基因组图谱（TCGA）和基因表达综合数据库（GEO）。TCGA数据库是由美国国立癌症研究所（NCI）和国家人类基因组研究所（NHGRI）共同资助的项目，其整合了多种高通量测序技术，涵盖33种癌症类型，提供了包括转录组、基因组、表观基因组等多组学数据，以及详细的临床样本信息，为肿瘤研究提供了丰富的数据资源。GEO数据库则是一个综合性的基因表达数据库，由美国国立生物技术信息中心（NCBI）维护，收集了来自全球范围内的大量基因表达实验数据，包含不同物种、组织和实验条件下的基因表达谱，具有数据多样性和广泛性的特点。在数据下载环节，以胃癌研究为核心，在TCGA数据库中，通过精准筛选，选择“PrimarySite”为“Stomach”，“Program”为“TCGA”，“Project”为“TCGA-STAD”，确保获取的是胃癌相关数据。在“Files”栏中，针对转录组数据，“DataCategory”选择“TranscriptomeProfiling”（转录组分析），“DataType”选择“GeneExpressionQuantification”（基因表达量），“WorkflowType”通常选择“HTSeq-Counts”，该类型数据在差异分析中具有重要价值；对于临床信息，在“Files”中选择“clinical”，“DataFormat”选择“bcrxml”格式进行下载，其包含了患者的性别、年龄、TNM分期、肿瘤分级及预后等关键信息。在GEO数据库中，利用关键词如“gastriccancer”、“transcriptome”、“clinicalinformation”等进行检索，筛选出符合研究需求的数据集，如GSE1、GSE2等数据集（具体数据集根据实际检索情况而定），并下载相应的基因表达矩阵和临床数据文件。数据预处理是确保后续分析准确性和可靠性的关键步骤。针对下载的转录组数据，首先进行低表达基因过滤，设定基因表达量的阈值，例如将在75%以上样本中表达量均小于10的基因予以去除，以减少噪声数据对分析结果的干扰。接着，对样本进行层次聚类分析，通过计算样本间的欧氏距离或皮尔逊相关系数等距离度量方法，构建样本间的相似度矩阵，依据相似度矩阵进行聚类。在聚类结果中，识别并删除离群样本，这些离群样本可能是由于实验误差、样本污染等原因导致其基因表达模式与其他样本存在显著差异，删除离群样本有助于提高数据的整体质量和稳定性。对于临床数据，进行数据清洗和整理。检查数据的完整性，填补缺失值，对于少量缺失的连续型数据，如年龄，可采用均值、中位数等统计方法进行填补；对于缺失的分类数据，如TNM分期，若缺失比例较小，可根据其他相关信息进行合理推断或删除相应样本；对于错误数据，如录入错误的性别信息，进行纠正或删除处理。同时，对临床数据进行标准化处理，将不同单位或量级的变量进行归一化，例如将患者的年龄进行标准化，使其均值为0，标准差为1，以便后续与基因表达数据进行联合分析。2.2差异表达基因分析利用R语言中的DESeq2包进行差异表达基因（DifferentiallyExpressedGenes，DEGs）分析。DESeq2包基于负二项分布模型，能够有效处理RNA-Seq数据中的技术差异和生物学变异，准确识别出在不同条件下表达水平有显著变化的基因。在分析前，先将经过预处理的基因表达数据和样本分组信息整理成符合DESeq2输入格式的数据结构，确保数据的准确性和完整性。在DESeq2分析过程中，以胃癌组织样本作为实验组，正常组织样本作为对照组，通过调用DESeq函数进行差异分析。该函数会自动对数据进行标准化处理，考虑样本间的文库大小差异，计算每个基因在两组之间的表达差异倍数（foldchange）和显著性P值。为了控制假阳性率，采用Benjamini-Hochberg方法对P值进行校正，得到调整后的P值（adjustedP-value，即padj）。设定筛选差异表达基因的阈值为|log2(foldchange)|≥1且padj≤0.05，满足该条件的基因被认为是在胃癌组织和正常组织中差异表达显著的基因。经过严格的筛选，共得到[X]个差异表达基因，其中上调基因[X]个，下调基因[X]个。上调基因是指在胃癌组织中表达水平显著高于正常组织的基因，它们可能在胃癌的发生、发展过程中起到促进作用，如参与肿瘤细胞的增殖、侵袭和转移等生物学过程；下调基因则是在胃癌组织中表达水平显著低于正常组织的基因，它们可能具有抑制肿瘤的功能，其表达缺失或降低可能导致肿瘤的发生和发展。为了更直观地展示差异表达基因的分布情况，绘制了火山图和热图。火山图以log2(foldchange)为横坐标，表示基因在两组样本间的表达差异倍数；以-log10(padj)为纵坐标，表示基因表达差异的显著性水平。图中的每个点代表一个基因，红色点表示上调的差异表达基因，蓝色点表示下调的差异表达基因，灰色点表示无显著差异的基因。从火山图中可以清晰地看出，大量差异表达基因分布在两侧，远离零点，表明它们在胃癌组织和正常组织中的表达水平存在显著差异，且这些差异具有统计学意义。热图则通过颜色的深浅来反映基因表达水平的高低。在热图中，行代表差异表达基因，列代表样本，将胃癌组织样本和正常组织样本分别排列在两侧。使用R语言中的pheatmap包进行绘制，对基因表达数据进行标准化处理后，以Z-score值表示基因在不同样本中的相对表达水平。红色表示高表达，蓝色表示低表达。从热图中可以直观地观察到，差异表达基因在胃癌组织和正常组织中的表达模式存在明显的聚类现象，同一类别的样本（胃癌组织或正常组织）其基因表达模式较为相似，而不同类别的样本之间基因表达模式差异较大，这进一步验证了差异表达基因分析结果的可靠性，也直观地展示了胃癌组织和正常组织在基因表达层面上的显著差异。2.3预后相关因子的初步筛选在完成差异表达基因分析后，为了进一步筛选出与胃癌预后密切相关的基因，本研究采用单因素Cox回归分析方法。Cox回归分析，全称为Cox比例风险回归模型（CoxProportionalHazardsModel），由英国统计学家DavidCox于1972年提出，是生存分析中常用的一种统计方法。该模型属于半参数模型，其主要优势在于不需要对生存时间的分布做出具体假设，在实际应用中展现出较高的灵活性。在胃癌预后研究场景下，Cox回归分析通过估计风险比（HazardRatio，HR）来衡量基因表达水平对患者生存时间的影响程度。风险比是指在其他因素固定不变的情况下，暴露组（基因高表达组）与非暴露组（基因低表达组）事件发生风险的比值。当一个基因的风险比大于1时，表明该基因高表达会增加患者疾病进展或死亡的风险，对事件发生的风险有正向影响，提示其可能是促进胃癌发展的危险因素；若风险比小于1，则意味着该基因高表达能降低患者疾病进展或死亡的风险，对事件发生的风险有负向影响，暗示其可能是抑制胃癌发展的保护因素；当风险比等于1时，表示该基因表达水平的变化对事件发生的风险没有影响。在R语言环境中，利用survival包中的coxph()函数开展单因素Cox回归分析。以患者的生存时间（time）和生存状态（event，通常1表示事件发生，如患者死亡；0表示事件未发生，如患者存活）作为因变量，将之前筛选得到的差异表达基因作为自变量纳入分析模型。例如，对于基因A，执行代码model_A<-coxph(Surv(time,event)~gene_A,data=data_all)，其中Surv(time,event)用于指定生存时间和生存状态变量，~符号用于连接因变量和自变量，data=data_all表示使用包含所有样本数据的数据集data_all进行分析。在完成单因素Cox回归分析后，为了直观展示各基因与胃癌预后的关系，利用R语言的相关绘图函数绘制森林图。森林图以图形化的方式呈现了每个基因的风险比及其95%置信区间（ConfidenceInterval，CI）。在森林图中，横坐标表示风险比的对数值，纵坐标则列出了参与分析的基因。对于每个基因，以一个方块代表其风险比的点估计值，方块的大小通常与该基因估计值的精度相关，方块越大表示估计越精确；以一条横线代表其95%置信区间，横线越短表示置信区间越窄，即估计值越稳定。当风险比的95%置信区间不包含1时，表明该基因与胃癌预后存在显著关联；若置信区间包含1，则说明该基因对胃癌预后的影响不具有统计学意义。经过严格的单因素Cox回归分析和筛选，以P值小于0.05作为具有统计学意义的阈值，共初步筛选出[X]个与胃癌预后显著相关的因子。这些因子中，[X]个因子表现为风险比大于1，属于风险因子，如基因B在胃癌组织中高表达，其风险比为[具体HR值]，95%置信区间为[具体区间值]，表明基因B的高表达显著增加了患者疾病进展或死亡的风险，可能在胃癌的恶化过程中发挥重要促进作用；[X]个因子表现为风险比小于1，属于保护因子，例如基因C在胃癌组织中低表达，其风险比为[具体HR值]，95%置信区间为[具体区间值]，说明基因C的低表达与患者较好的预后相关，可能具有抑制胃癌发展的功能。这些初步筛选出的预后相关因子为后续深入研究胃癌的发病机制和预后预测提供了重要的候选基因，具有重要的研究价值。2.4多因素分析确定关键预后因子单因素Cox回归分析初步筛选出与胃癌预后相关的因子后，由于这些因子之间可能存在相互关联，且在实际临床中，患者的预后受到多种因素的综合影响。为了进一步确定独立影响胃癌预后的关键因子，本研究采用多因素Cox回归分析方法，以排除其他因素的干扰，更准确地评估每个因子对胃癌预后的独立作用。在R语言环境中，利用survival包中的coxph()函数构建多因素Cox回归模型。将单因素分析中筛选出的具有统计学意义（P值小于0.05）的预后相关因子作为自变量纳入模型，同时纳入患者的其他临床病理特征，如年龄、性别、肿瘤大小、TNM分期等作为协变量。例如，构建模型的代码如下：model_multi<-coxph(Surv(time,event)~factor1+factor2+age+gender+tumor_size+TNM_stage,data=data_all)，其中Surv(time,event)依然指定生存时间和生存状态变量，factor1、factor2等为筛选出的预后相关因子，age、gender等为协变量，data=data_all表示使用包含所有样本数据的数据集data_all进行分析。在多因素Cox回归分析中，模型通过迭代计算，估计每个自变量的回归系数（coefficient）、标准误（standarderror）、风险比（HazardRatio，HR）及其95%置信区间（ConfidenceInterval，CI）。风险比的含义与单因素分析中一致，用于衡量自变量每变化一个单位时，患者疾病进展或死亡风险的变化倍数。当风险比大于1时，表明该因素是危险因素，其水平升高会增加患者不良预后的风险；当风险比小于1时，说明该因素是保护因素，其水平升高有助于降低患者不良预后的风险。例如，若某基因的风险比为1.5，95%置信区间为1.2-1.8，意味着该基因表达水平每升高一个单位，患者疾病进展或死亡的风险将增加至原来的1.5倍，且这种风险增加在95%的置信水平下是显著的。为了更直观、全面地展示多因素Cox回归分析的结果，本研究绘制了列线图（Nomogram）。列线图是一种基于多因素回归模型构建的可视化工具，它将各个影响因素及其对应的风险系数整合在一张图中，通过简单的计算，能够为临床医生和患者提供个体化的预后预测。在R语言中，利用rms包中的nomogram()函数绘制列线图。在列线图中，最上方的横轴表示各个影响因素，每个因素对应一个刻度轴，刻度轴上的数值表示该因素的取值范围。例如，年龄因素的刻度轴可能从20岁到90岁，TNM分期因素的刻度轴则根据分期等级进行划分。每个因素刻度轴下方的纵轴表示该因素对应的得分（points），得分的计算基于多因素Cox回归模型中该因素的回归系数，回归系数越大，对应因素在列线图中的得分变化越显著，对预后的影响权重也越大。例如，TNM分期因素的回归系数较大，其得分变化范围相对较宽，表明TNM分期对胃癌预后的影响较为关键；而性别因素的回归系数较小，其得分变化范围相对较窄，对预后的影响相对较小。在列线图的最下方，有一个总得分（TotalPoints）刻度轴，通过将各个因素对应的得分相加，可得到患者的总得分。根据总得分，在右侧的生存概率刻度轴上能够找到对应的1年、3年和5年生存概率。例如，某位患者的年龄、性别、肿瘤大小、TNM分期以及预后相关因子的取值在列线图上对应的得分分别为10分、5分、15分、30分和20分，将这些得分相加得到总得分80分，通过在生存概率刻度轴上查找80分对应的位置，可估计该患者1年生存概率为80%，3年生存概率为60%，5年生存概率为40%。这种直观的展示方式，使得临床医生能够快速、准确地评估患者的预后情况，为制定个性化的治疗方案提供重要参考。经过严格的多因素Cox回归分析，最终确定了[X]个与胃癌预后显著相关的关键因子。这些关键因子中，[X]个为独立危险因素，如基因D，其在多因素分析中的风险比为[具体HR值]，95%置信区间为[具体区间值]，表明基因D的高表达是导致患者不良预后的独立危险因素，可能通过促进肿瘤细胞的增殖、侵袭和转移等途径，增加患者疾病进展或死亡的风险；[X]个为独立保护因素，例如基因E，其风险比为[具体HR值]，95%置信区间为[具体区间值]，说明基因E的高表达对患者的预后具有保护作用，可能参与抑制肿瘤细胞的生长、诱导肿瘤细胞凋亡等生物学过程，从而降低患者不良预后的风险。这些关键预后因子的确定，为深入研究胃癌的发病机制和预后预测提供了核心靶点，具有重要的临床应用价值和研究意义。三、关键预后因子的功能验证3.1细胞实验3.1.1细胞系的选择与培养本研究选用了人胃癌细胞系MGC-803、SGC-7901和正常胃黏膜细胞系GES-1。MGC-803细胞系源自人胃低分化腺癌，具有高增殖活性和侵袭能力，常被用于胃癌细胞增殖、侵袭和转移机制的研究。SGC-7901细胞系则来源于胃腺癌组织，其在裸鼠体内具有致瘤性，在胃癌的肿瘤发生机制和抗癌药物筛选等研究中应用广泛。GES-1细胞系作为正常胃黏膜细胞系，可作为对照，用于对比分析胃癌细胞与正常细胞在生物学行为和分子表达上的差异。细胞培养在含10%胎牛血清（FetalBovineSerum，FBS）的DMEM（Dulbecco'sModifiedEagleMedium）培养基中进行。DMEM培养基富含多种氨基酸、维生素、糖类等营养成分，能够为细胞的生长和代谢提供充足的物质基础，而胎牛血清中含有丰富的生长因子、激素、矿物质和脂肪等，可为细胞提供生长必需因子，促进细胞的增殖和存活。将细胞置于37℃、5%CO₂的培养箱中培养，37℃接近人体体温，是大多数哺乳动物细胞生长的最适温度；5%CO₂可维持培养液的pH在7.2-7.4之间，为细胞提供适宜的酸碱环境。在细胞培养过程中，定期观察细胞的生长状态，使用倒置显微镜观察细胞的形态、密度和贴壁情况。当细胞生长至对数生长期，且密度达到80%-90%融合时，进行传代培养。传代时，先用PBS（PhosphateBufferedSaline，磷酸盐缓冲液）清洗细胞1-2次，去除培养液中的杂质和死细胞；然后加入适量含EDTA的胰蛋白酶，将培养瓶放入37℃培养箱中消化2-5min，在倒置显微镜下观察，当发现大部分细胞收缩变圆、细胞间隙变大时，轻轻拍打培养瓶使剩余细胞脱落，立即加入2倍胰蛋白酶量的培养液中止消化；最后将细胞悬液转移至离心管中，1000rpm/min离心3-5min，弃上清，加入适量新鲜培养液重悬细胞，以1:3-1:5的比例接种于新的培养瓶中，补足培养液，摇匀后放回培养箱继续培养。同时，为了保证细胞培养的无菌环境，所有操作均在超净工作台中进行，所用的培养基、试剂、耗材等均经过严格的高压灭菌或过滤除菌处理。3.1.2基因敲低与过表达实验为了研究关键预后因子对胃癌细胞生物学行为的影响，本研究构建了基因敲低和过表达载体，并进行细胞转染实验。基因敲低采用RNA干扰（RNAinterference，RNAi）技术，通过设计针对关键预后因子mRNA的小干扰RNA（smallinterferingRNA，siRNA）来实现。以关键预后因子A为例，利用在线设计软件（如Sigma-Aldrich公司的RNAiDesignTool等）设计3条特异性的siRNA序列，同时设计一条阴性对照siRNA序列，其序列与任何已知基因均无同源性，用于排除非特异性干扰。将设计好的siRNA序列交由专业公司合成。构建shRNA（shorthairpinRNA，短发夹RNA）表达载体，将合成的siRNA序列克隆到shRNA表达载体（如pLKO.1等）中，通过酶切和测序验证载体构建的正确性。基因过表达则通过构建过表达载体来实现。提取胃癌细胞的总RNA，利用逆转录试剂盒将其逆转录为cDNA。以cDNA为模板，使用特异性引物扩增关键预后因子的编码区序列，引物设计时在两端引入合适的限制性内切酶位点（如BamHI和EcoRI等）。将扩增得到的目的基因片段和表达载体（如pcDNA3.1等）分别用相应的限制性内切酶进行双酶切，酶切产物经琼脂糖凝胶电泳回收后，使用T4DNA连接酶将目的基因片段连接到表达载体上，转化大肠杆菌DH5α感受态细胞，通过氨苄青霉素抗性筛选和菌落PCR鉴定，挑选阳性克隆进行测序验证，确保目的基因正确插入载体且无突变。细胞转染采用脂质体转染法，选用Lipofectamine3000转染试剂。转染前一天，将处于对数生长期的胃癌细胞以合适的密度接种于6孔板中，每孔加入2mL含10%FBS的DMEM培养基，使细胞在转染时达到50%-70%的融合度。转染时，按照Lipofectamine3000试剂说明书进行操作。将适量的siRNA或过表达载体与Lipofectamine3000试剂分别用Opti-MEM培养基稀释，轻轻混匀后室温孵育5min；然后将两者混合，再次轻轻混匀，室温孵育20min，形成RNA-脂质体或DNA-脂质体复合物。将6孔板中的培养基吸出，用PBS清洗细胞1-2次，每孔加入1.5mLOpti-MEM培养基，再将制备好的复合物逐滴加入孔中，轻轻摇匀，放入培养箱中继续培养。4-6h后，更换为含10%FBS的DMEM培养基，继续培养24-48h，用于后续实验。为了验证转染效率，采用实时荧光定量聚合酶链反应（qRT-PCR）和蛋白质免疫印迹法（Westernblot）检测关键预后因子在mRNA和蛋白质水平的表达变化。在qRT-PCR实验中，提取转染后的细胞总RNA，逆转录为cDNA后，以其为模板，使用特异性引物进行扩增，同时以GAPDH作为内参基因。通过比较实验组和对照组的Ct值，采用2⁻ΔΔCt法计算关键预后因子mRNA的相对表达量。在Westernblot实验中，提取转染后的细胞总蛋白，采用BCA法测定蛋白浓度，将蛋白样品进行SDS电泳分离，转膜至PVDF膜上；用5%脱脂奶粉封闭PVDF膜1-2h，加入一抗（针对关键预后因子和内参蛋白GAPDH的抗体），4℃孵育过夜；次日，用TBST缓冲液洗涤PVDF膜3-4次，每次10min，加入相应的二抗，室温孵育1-2h；再次用TBST缓冲液洗涤PVDF膜3-4次，每次10min，使用化学发光底物显色，在凝胶成像系统中观察并拍照记录结果。实验结果显示，与对照组相比，siRNA转染组中关键预后因子A的mRNA和蛋白质表达水平均显著降低，而过表达载体转染组中关键预后因子A的mRNA和蛋白质表达水平均显著升高，表明基因敲低和过表达载体构建成功，且转染效率良好，可用于后续细胞功能实验。根据转染情况，本研究设置了以下实验分组：空白对照组（未进行任何转染处理的胃癌细胞）、阴性对照组（转染阴性对照siRNA或空载质粒的胃癌细胞）、基因敲低组（转染针对关键预后因子的siRNA或shRNA表达载体的胃癌细胞）和基因过表达组（转染关键预后因子过表达载体的胃癌细胞）。每组设置3个复孔，以确保实验结果的准确性和可靠性。3.1.3细胞增殖实验细胞增殖能力是反映肿瘤细胞生物学行为的重要指标之一。本研究采用CCK-8（CellCountingKit-8）法和EdU（5-ethynyl-2'-deoxyuridine）法检测关键预后因子对胃癌细胞增殖能力的影响。CCK-8法的原理是利用WST-8（2-(2-methoxy-4-nitrophenyl)-3-(4-nitrophenyl)-5-(2,4-disulfophenyl)-2H-tetrazolium,monosodiumsalt）在电子载体1-甲氧基-5-甲基吩嗪硫酸二甲酯（1-MethoxyPMS）的作用下被细胞中的脱氢酶还原为具有高度水溶性的黄色甲瓒产物（Formazandye），其生成量与活细胞数量成正比，通过检测450nm处的吸光度值（OD值）来间接反映细胞的增殖情况。具体操作如下：将转染后的胃癌细胞以每孔5×10³个细胞的密度接种于96孔板中，每组设置5个复孔，培养24h后，向每孔中加入10μLCCK-8试剂，继续孵育1-4h，使CCK-8试剂与细胞充分反应。使用酶标仪在450nm波长处测定各孔的OD值，记录数据。连续检测5天，每天在相同时间点进行检测，以时间为横坐标，OD值为纵坐标，绘制细胞生长曲线。EdU法是一种新型的细胞增殖检测方法，其原理是EdU是胸腺嘧啶脱氧核苷（TdR）的类似物，能够在细胞增殖过程中代替TdR掺入到新合成的DNA中。通过点击化学反应，EdU与荧光染料（如Apollo荧光染料）共价结合，从而可以在荧光显微镜下直接观察到增殖细胞。具体操作如下：将转染后的胃癌细胞以每孔1×10⁴个细胞的密度接种于24孔板中，每组设置3个复孔，培养24h后，向每孔中加入EdU工作液（终浓度为50μM），继续孵育2h，使EdU掺入到正在增殖的细胞DNA中。弃去培养液，用PBS清洗细胞3次，每次5min；然后用4%多聚甲醛固定细胞30min，弃去固定液，用PBS清洗细胞3次，每次5min；加入0.5%TritonX-100通透细胞10min，弃去通透液，用PBS清洗细胞3次，每次5min；按照EdU检测试剂盒说明书，加入Apollo染色液，避光孵育30min，弃去染色液，用PBS清洗细胞3次，每次5min；加入DAPI染色液，避光孵育10min，染细胞核。最后在荧光显微镜下观察，随机选取5个视野，计数EdU阳性细胞（红色荧光）和DAPI阳性细胞（蓝色荧光）的数量，计算EdU阳性细胞占DAPI阳性细胞的百分比，以此来评估细胞的增殖能力。实验结果通过GraphPadPrism8.0软件进行统计分析，采用单因素方差分析（One-wayANOVA）比较各组之间的差异，以P<0.05为差异具有统计学意义。CCK-8实验结果显示，与空白对照组和阴性对照组相比，基因敲低组的胃癌细胞OD值在各时间点均显著降低，表明关键预后因子敲低后，胃癌细胞的增殖能力受到明显抑制；而基因过表达组的胃癌细胞OD值在各时间点均显著升高，说明关键预后因子过表达可促进胃癌细胞的增殖。EdU实验结果与CCK-8实验结果一致，基因敲低组的EdU阳性细胞百分比显著低于空白对照组和阴性对照组，基因过表达组的EdU阳性细胞百分比显著高于空白对照组和阴性对照组。这些结果表明，关键预后因子在胃癌细胞的增殖过程中发挥着重要作用，其表达水平的改变可显著影响胃癌细胞的增殖能力。3.1.4细胞迁移与侵袭实验细胞迁移和侵袭能力是评估肿瘤细胞恶性程度的关键指标，与肿瘤的转移密切相关。本研究采用Transwell实验和划痕实验检测关键预后因子对胃癌细胞迁移和侵袭能力的影响。Transwell实验是一种常用的检测细胞迁移和侵袭能力的方法，其原理是利用Transwell小室，将细胞接种在上室，下室加入含有趋化因子（如胎牛血清）的培养液，细胞可通过小室底部的微孔膜向趋化因子浓度高的方向迁移或侵袭。对于迁移实验，选用无基质胶包被的Transwell小室；对于侵袭实验，选用预先用Matrigel基质胶包被的Transwell小室，Matrigel基质胶模拟了细胞外基质，可更真实地反映细胞的侵袭能力。具体操作如下：将转染后的胃癌细胞用无血清DMEM培养基重悬，调整细胞密度为每毫升1×10⁶个细胞。在上室中加入200μL细胞悬液，下室中加入600μL含20%FBS的DMEM培养基，作为趋化因子。将Transwell小室放入24孔板中，置于37℃、5%CO₂的培养箱中培养24h（迁移实验）或48h（侵袭实验）。培养结束后，取出Transwell小室，用棉签轻轻擦去上室未迁移或侵袭的细胞，用PBS清洗小室3次；然后用4%多聚甲醛固定下室膜表面的细胞30min，用PBS清洗3次；用0.1%结晶紫染色液染色15min，用PBS清洗3次，在显微镜下随机选取5个视野，计数迁移或侵袭到下室膜表面的细胞数量。划痕实验是一种简单直观的检测细胞迁移能力的方法，其原理是在细胞单层上制造划痕，观察细胞向划痕区域迁移的情况。具体操作如下：将转染后的胃癌细胞以每孔5×10⁵个细胞的密度接种于6孔板中，待细胞长满至融合状态后，用10μL移液器枪头在细胞单层上垂直划痕，用PBS清洗细胞3次，去除划下的细胞；加入含1%FBS的DMEM培养基，放入培养箱中继续培养。在划痕后0h、24h、48h分别在倒置显微镜下拍照记录划痕宽度，使用ImageJ软件测量划痕宽度，计算细胞迁移率，细胞迁移率=（0h划痕宽度-th划痕宽度）/0h划痕宽度×100%。实验结果同样通过GraphPadPrism8.0软件进行统计分析，采用单因素方差分析（One-wayANOVA）比较各组之间的差异，以P<0.05为差异具有统计学意义。Transwell迁移实验结果显示，与空白对照组和阴性对照组相比，基因敲低组的胃癌细胞迁移到下室膜表面的细胞数量显著减少，表明关键预后因子敲低后，胃癌细胞的迁移能力明显降低；而基因过表达组的胃癌细胞迁移到下室膜表面的细胞数量显著增多，说明关键预后因子过表达可增强胃癌细胞的迁移能力。Transwell侵袭实验结果也表明，基因敲低组的胃癌细胞侵袭到下室膜表面的细胞数量显著低于空白对照组和阴性对照组，基因过表达组的胃癌细胞侵袭到下室膜表面的细胞数量显著高于空白对照组和阴性对照组。划痕实验结果与Transwell实验结果一致，基因敲低组的细胞迁移率在各时间点均显著低于空白对照组和阴性对照组，基因过表达组的细胞迁移率在各时间点均显著高于空白对照组和阴性对照组。这些结果表明，关键预后因子对胃癌细胞的迁移和侵袭能力具有重要的调控作用，其表达水平的改变可显著影响胃癌细胞的迁移和侵袭能力，进而影响胃癌的转移过程。3.2动物实验3.2.1动物模型的建立本研究选用4-6周龄、体重18-22g的雌性BALB/c裸鼠，购自[供应商名称]。裸鼠由于其先天性胸腺缺陷，缺乏T淋巴细胞，免疫功能低下，对异种移植的肿瘤细胞具有较低的免疫排斥反应，是构建肿瘤动物模型的理想选择。在动物实验开始前，将裸鼠置于无特定病原体（SPF）级动物房内适应性饲养1周，动物房温度控制在22-25℃，相对湿度保持在40%-60%，采用12h光照/12h黑暗的昼夜节律，给予无菌饲料和饮用水，确保动物处于良好的生理状态。胃癌动物模型的建立采用皮下接种法。将处于对数生长期的人胃癌细胞系MGC-803用含0.25%胰蛋白酶和0.02%EDTA的消化液消化，制成单细胞悬液，用PBS洗涤2-3次后，调整细胞密度为每毫升5×10⁷个细胞。在无菌条件下，于裸鼠右侧腋窝皮下注射0.2mL细胞悬液。接种后，每天观察裸鼠的一般状态，包括精神状态、饮食、活动情况等，定期测量裸鼠的体重和肿瘤体积。肿瘤体积（V）按照公式V=1/2×长径×短径²进行计算，其中长径和短径使用游标卡尺测量。在接种细胞后的第7天，部分裸鼠皮下可触及明显的结节，随着时间的推移，结节逐渐增大，表明肿瘤成功接种。在接种后的第21天，随机选取3只裸鼠处死，取出肿瘤组织，进行病理切片和苏木精-伊红（HE）染色。在光学显微镜下观察，可见肿瘤组织由大小不一、形态不规则的癌细胞组成，癌细胞排列紊乱，核大深染，核仁明显，可见病理性核分裂象，间质内可见丰富的血管，这些病理特征与临床胃癌组织的病理表现一致，进一步验证了胃癌动物模型构建成功。根据实验目的，将构建成功的胃癌动物模型随机分为3组，每组10只：对照组（Control组）、基因敲低组（shRNA组）和基因过表达组（OE组）。对照组裸鼠接种未转染的胃癌细胞；基因敲低组裸鼠接种转染了针对关键预后因子的shRNA表达载体的胃癌细胞；基因过表达组裸鼠接种转染了关键预后因子过表达载体的胃癌细胞。在接种细胞后的第7天开始，每隔3天测量一次肿瘤体积和裸鼠体重，记录数据，用于后续分析。3.2.2体内成瘤实验在体内成瘤实验过程中，密切监测各组裸鼠的肿瘤生长情况。以接种细胞后的时间为横坐标，肿瘤体积为纵坐标，绘制肿瘤生长曲线。结果显示，对照组裸鼠的肿瘤体积随时间呈逐渐增大的趋势，在接种后的第21天，肿瘤体积达到（1200±150）mm³。基因敲低组裸鼠的肿瘤生长速度明显慢于对照组，在接种后的第21天，肿瘤体积仅为（600±80）mm³，与对照组相比，差异具有统计学意义（P<0.05）。基因过表达组裸鼠的肿瘤生长速度则明显快于对照组，在接种后的第21天，肿瘤体积增大至（1800±200）mm³，与对照组相比，差异具有统计学意义（P<0.05）。这些结果表明，关键预后因子的表达水平对胃癌细胞在体内的增殖能力具有显著影响，敲低关键预后因子可抑制肿瘤的生长，而过表达关键预后因子则促进肿瘤的生长。在接种细胞后的第28天，将各组裸鼠全部处死，完整取出肿瘤组织，用电子天平称取肿瘤重量，并拍摄瘤体照片。结果显示，对照组裸鼠的肿瘤重量为（1.5±0.2）g，基因敲低组裸鼠的肿瘤重量为（0.8±0.1）g，基因过表达组裸鼠的肿瘤重量为（2.2±0.3）g。通过单因素方差分析（One-wayANOVA）进行统计分析，结果表明基因敲低组和基因过表达组的肿瘤重量与对照组相比，差异均具有统计学意义（P<0.05）。从瘤体照片中也可以直观地看出，基因敲低组的瘤体明显小于对照组，而基因过表达组的瘤体明显大于对照组。对肿瘤生长曲线和瘤体重量数据进行相关性分析，发现肿瘤体积和肿瘤重量之间存在显著的正相关关系（r=0.95，P<0.01）。进一步采用线性回归分析，建立肿瘤体积与肿瘤重量的线性回归方程为y=0.001x+0.05（其中y为肿瘤重量，x为肿瘤体积），该方程的决定系数R²=0.9025，表明肿瘤体积能够较好地解释肿瘤重量的变化，进一步验证了肿瘤生长曲线和瘤体重量数据的可靠性。综上所述，体内成瘤实验结果表明，关键预后因子在胃癌的发生发展过程中起着重要作用，其表达水平的改变可显著影响肿瘤的生长速度和大小，为深入研究胃癌的发病机制和寻找有效的治疗靶点提供了重要的实验依据。3.2.3肺转移实验肺转移实验采用尾静脉注射法建立胃癌肺转移动物模型。将转染后的胃癌细胞用无血清DMEM培养基重悬，调整细胞密度为每毫升1×10⁶个细胞。在无菌条件下，使用1mL注射器连接27G针头，将0.2mL细胞悬液缓慢注入裸鼠尾静脉。对照组裸鼠注射未转染的胃癌细胞，基因敲低组裸鼠注射转染了针对关键预后因子的shRNA表达载体的胃癌细胞，基因过表达组裸鼠注射转染了关键预后因子过表达载体的胃癌细胞。每组各10只裸鼠。在注射细胞后的第4周，将裸鼠处死，取出肺组织，用PBS冲洗干净后，置于4%多聚甲醛中固定24h。固定后的肺组织进行石蜡包埋，制作厚度为4μm的切片，进行HE染色。在光学显微镜下观察肺组织切片，计数肺转移灶的数量。结果显示，对照组裸鼠的肺组织中可见多个大小不一的转移灶，平均转移灶数量为（15±3）个。基因敲低组裸鼠的肺转移灶数量明显减少，平均转移灶数量为（5±2）个，与对照组相比，差异具有统计学意义（P<0.05）。基因过表达组裸鼠的肺转移灶数量则明显增多，平均转移灶数量为（25±4）个，与对照组相比，差异具有统计学意义（P<0.05）。这些结果表明，关键预后因子的表达水平对胃癌细胞的肺转移能力具有重要影响，敲低关键预后因子可显著降低胃癌细胞的肺转移能力，而过表达关键预后因子则增强胃癌细胞的肺转移能力。为了更直观地展示肺转移灶的情况，对肺组织进行拍照，并使用ImageJ软件对肺转移灶的面积进行测量。结果显示，对照组裸鼠肺组织中转移灶的总面积为（2.5±0.5）mm²，基因敲低组裸鼠肺组织中转移灶的总面积为（0.8±0.2）mm²，基因过表达组裸鼠肺组织中转移灶的总面积为（4.0±0.6）mm²。通过单因素方差分析（One-wayANOVA）进行统计分析，结果表明基因敲低组和基因过表达组的肺转移灶总面积与对照组相比，差异均具有统计学意义（P<0.05）。从肺组织照片中也可以清晰地看到，对照组肺组织中布满了大小不等的转移灶，基因敲低组肺组织中的转移灶数量和面积明显减少，而基因过表达组肺组织中的转移灶数量和面积明显增加。综上所述，肺转移实验结果表明，关键预后因子在胃癌的转移过程中发挥着关键作用，其表达水平的改变可显著影响胃癌细胞的肺转移能力，为深入研究胃癌转移的分子机制和开发有效的抗转移治疗策略提供了重要的实验依据。四、关键预后因子的作用机制研究4.1基因调控网络分析4.1.1蛋白质-蛋白质相互作用（PPI）网络构建蛋白质-蛋白质相互作用（PPI）在细胞的生命活动中扮演着举足轻重的角色，几乎参与了细胞内的所有生物学过程，如信号转导、代谢调控、基因表达调控等。在胃癌的发生发展进程中，PPI网络的异常改变与肿瘤细胞的增殖、凋亡、侵袭和转移等恶性生物学行为密切相关。例如，一些关键蛋白质之间的相互作用失衡，可能导致细胞周期调控紊乱，使得肿瘤细胞获得无限增殖的能力；某些蛋白质间的异常结合，可能激活促进肿瘤细胞侵袭和转移的信号通路。因此，深入研究胃癌相关的PPI网络，对于揭示胃癌的发病机制、寻找有效的治疗靶点具有至关重要的意义。本研究借助STRING数据库这一强大的工具来构建PPI网络。STRING数据库是目前应用最为广泛的蛋白质相互作用数据库之一，其整合了来自多个数据源的蛋白质相互作用信息，包括实验验证的相互作用、从文献中挖掘的相互作用以及基于生物信息学预测的相互作用等。截至[具体年份]，该数据库已收录了超过[X]个物种、[X]亿多个蛋白质相互作用对，具有数据量大、覆盖面广、准确性高等优点。在构建PPI网络时，将前期筛选出的关键预后因子作为种子节点输入到STRING数据库中。具体操作如下：打开STRING数据库官网（/），点击主页的“SEARCH”按钮，在新界面中选择“Multipleproteins”选项，以执行多蛋白间的相互作用分析。将关键预后因子的基因名称或蛋白质名称列表粘贴到输入框中，并在“Organism”下拉菜单中准确指定物种为“Homosapiens”（人类），以确保分析结果的准确性。点击“SEARCH”按钮进入下一步，此时数据库会返回给定基因对应的蛋白名称，默认情况下直接点击“CONTINUE”按钮继续。经过短暂的匹配和运算，即可获得PPI网络。获得的PPI网络以图形化的方式展示，其中节点代表蛋白质，每个节点的标签对应相应的蛋白质名称。节点中的图案若存在，则代表该蛋白质的三维结构，若为空则表示其三维结构目前未知。节点的颜色通常根据蛋白质的某些属性进行区分，例如与关键预后因子的相关性强弱等。连线则表示蛋白质之间的相互作用，连线的颜色反映了互作类型，包括试验验证的或预测得到的，也包含直接物理作用、共表达、基因融合等关系。点击下方的“Legend”按钮，可查看节点和连线颜色等所代表类型的详细信息。在网络图中点击感兴趣的某特定蛋白节点，会弹出一个窗口展示其名称、结构、功能、物种来源等详细信息；点击表征蛋白互作的连线，也会弹出窗口展示互作两节点的描述、证据来源、互作类型以及得分值等信息。为了使PPI网络更加简洁明了，便于分析，对网络进行了编辑。在“Setting”设置中，选择“hidedisconnectednodesinthenetwork”选项，隐藏网络图中孤立的不存在任何互作的蛋白节点；根据蛋白间的互作类型或互作强度、可信度等，在“Setting”中进行筛选。例如，只展示直接物理互作的连线，或根据互作得分过滤去除低可信的、强度较弱的互作连线，以突出关键的蛋白质相互作用关系。对于网络整体布局，通过在网络中拖动节点的位置，使其分布更加合理，便于观察和分析。利用Cytoscape软件对构建好的PPI网络进行进一步的分析和可视化。Cytoscape是一款功能强大的生物网络分析和可视化软件，它提供了丰富的插件和工具，可用于计算网络的各种拓扑参数，如度中心性（DegreeCentrality）、中介中心性（BetweennessCentrality）和接近中心性（ClosenessCentrality）等。度中心性反映了节点在网络中的连接程度，度中心性越高，说明该节点与其他节点的连接越多，在网络中可能起着更为关键的作用；中介中心性衡量了节点在网络中作为信息传递桥梁的重要性，中介中心性高的节点通常位于网络的关键路径上，对信息的传播和网络的连通性具有重要影响；接近中心性则表示节点到网络中其他所有节点的平均距离，接近中心性越高，说明该节点在网络中传播信息的效率越高。通过Cytoscape软件的分析，识别出了PPI网络中的关键节点基因。这些关键节点基因具有较高的度中心性、中介中心性或接近中心性，在PPI网络中处于核心位置，可能在胃癌的发生发展过程中发挥着至关重要的调控作用。例如，基因A在PPI网络中具有较高的度中心性，与多个其他关键预后因子相互作用，可能通过调节这些因子的功能，进而影响胃癌细胞的增殖、凋亡和转移等生物学行为。对这些关键节点基因进行功能富集分析，发现它们主要富集在与细胞增殖、凋亡、信号转导等相关的生物学过程和信号通路中，进一步证实了它们在胃癌发生发展中的重要作用。PPI网络分析结果为深入理解胃癌的发病机制提供了重要线索。通过研究关键预后因子之间以及它们与其他蛋白质的相互作用关系，能够揭示胃癌发生发展过程中的分子调控网络，为寻找潜在的治疗靶点和开发新的治疗策略提供理论依据。例如，针对PPI网络中的关键节点基因设计特异性的抑制剂或激活剂，可能阻断或激活相关的信号通路，从而抑制胃癌细胞的生长和转移，为胃癌的精准治疗开辟新的途径。4.1.2基因共表达网络分析基因共表达网络分析是一种系统生物学方法，它基于基因表达数据，通过计算基因之间的表达相关性，构建基因共表达网络，以揭示基因之间的协同调控关系和功能模块。在胃癌研究中，基因共表达网络分析有助于挖掘与胃癌发生发展密切相关的基因模块和关键基因，深入理解胃癌的分子机制。例如，某些基因模块可能共同参与调控胃癌细胞的增殖、凋亡、侵袭和转移等生物学过程，通过分析这些模块中的基因及其相互作用关系，能够发现新的胃癌治疗靶点和预后标志物。本研究运用加权基因共表达网络分析（WGCNA）方法构建基因共表达网络。WGCNA是一种广泛应用的基因共表达网络分析工具，它通过对基因表达数据进行加权处理，能够更准确地反映基因之间的非线性关系，从而构建出更符合生物学实际的基因共表达网络。WGCNA软件包提供了一系列R函数，涵盖网络构建、模块检测、基因选择、拓扑性质计算、数据仿真、可视化以及与外部软件的接口等功能。在进行WGCNA分析之前，首先对基因表达数据进行预处理。数据来源于前期收集的胃癌患者的转录组测序数据，包括胃癌组织和正常胃黏膜组织样本。对原始测序数据进行质量控制，去除低质量的reads，然后使用STAR软件将高质量的reads比对到人类参考基因组（GRCh38）上。利用HTSeq软件对映射到基因组上的reads进行计数，得到基因表达的原始计数矩阵。为了消除样本间的技术差异和批次效应，对原始计数矩阵进行标准化处理，采用DESeq2包中的标准化方法，得到标准化后的基因表达矩阵。同时，去除在所有样本中表达量均极低的基因，以减少噪声数据对分析结果的影响。确定合适的软阈值是构建基因共表达网络的关键步骤。软阈值用于调整基因之间的连接权重，使得构建的网络符合无尺度网络特性。无尺度网络具有少数高度连接的节点（hub节点）和大量低度连接的节点，这种网络结构在生物系统中具有较好的稳定性和鲁棒性。通过一系列的计算和分析，确定合适的软阈值。设置软阈值调参范围为powers=c(c(1:10),seq(from=12,to=20,by=2))，使用pickSoftThreshold函数进行网络拓扑分析。该函数会计算不同软阈值下网络的各种拓扑参数，如平均连接度、无标度拟合指数等。选择无标度拓扑拟合指数曲线在达到较高值时趋于平缓的最低软阈值，通常认为该软阈值能够使构建的网络较好地符合无尺度网络特性。例如，经过分析，确定软阈值为8，此时网络的无标度拟合指数较高，且平均连接度适中。以标准化后的基因表达矩阵为输入，使用blockwiseModules函数进行一步构建网络和识别模块。该函数基于加权相关性，对基因进行层级聚类分析，并根据设定的标准切分聚类结果，获得不同的基因模块。在聚类过程中，基因之间的相似性通过表达相关性来衡量，相关性越高的基因越倾向于聚在一起。通过动态树切分算法，将聚类树划分为不同的分枝，每个分枝代表一个基因模块，并为每个模块赋予不同的颜色。经过分析，共识别出[X]个基因模块，如蓝色模块、黄色模块、红色模块等。计算基因模块与临床表型之间的相关性，以鉴定与胃癌预后相关的关键模块。将基因模块的特征基因（moduleeigengene，ME）作为模块的代表，计算其与临床表型（如患者的生存时间、TNM分期等）之间的皮尔逊相关系数。特征基因是通过对模块内所有基因的表达数据进行主成分分析得到的第一主成分，能够很好地代表模块内基因的整体表达趋势。结果发现，蓝色模块与患者的生存时间呈显著负相关（相关系数r=-0.6，P<0.01），即蓝色模块内基因的高表达与患者较短的生存时间相关；黄色模块与TNM分期呈显著正相关（相关系数r=0.5，P<0.05），表明黄色模块内基因的表达水平随着肿瘤分期的进展而升高。这些结果表明，蓝色模块和黄色模块可能在胃癌的预后中发挥重要作用，是与胃癌预后相关的关键模块。对关键模块内的基因进行功能富集分析，进一步了解其生物学功能和参与的信号通路。利用clusterProfiler包进行基因本体（GO）分析和京都基因与基因组百科全书（KEGG）通路分析。GO分析从生物过程（BiologicalProcess，BP）、细胞组成（CellularComponent，CC）和分子功能（MolecularFunction，MF）三个层面揭示基因的功能。KEGG通路分析则能够确定基因参与的主要信号转导通路和代谢途径。结果显示，蓝色模块内的基因在生物过程上主要富集在细胞增殖、细胞周期调控、DNA复制等过程；在分子功能上主要富集在DNA结合、蛋白激酶活性、转录因子活性等方面；在KEGG通路中主要富集在细胞周期、PI3K-Akt信号通路、mTOR信号通路等与肿瘤发生发展密切相关的信号通路上。黄色模块内的基因在生物过程上主要富集在细胞迁移、细胞外基质组织、血管生成等过程；在分子功能上主要富集在细胞外基质结合、整合素结合、蛋白水解酶活性等方面；在KEGG通路中主要富集在ECM-receptorinteraction、PI3K-Akt信号通路、VEGF信号通路等与肿瘤侵袭和转移相关的信号通路上。这些结果表明，蓝色模块和黄色模块内的基因通过参与不同的生物学过程和信号通路，共同影响胃癌的发生发展和预后。基因共表达网络分析结果为深入研究胃癌的发病机制和预后提供了全面的视角。通过构建基因共表达网络，识别关键模块和基因，并对其进行功能富集分析，揭示了胃癌发生发展过程中基因之间的协同调控关系和潜在的分子机制。这些发现不仅有助于理解胃癌的生物学行为，还为寻找新的胃癌治疗靶点和预后标志物提供了重要的理论依据。例如，针对蓝色模块和黄色模块内的关键基因及其参与的信号通路，开发特异性的靶向治疗药物，有望为胃癌患者提供更有效的治疗手段。4.2信号通路富集分析4.2.1KEGG和GO富集分析在生物信息学领域，富集分析是探索基因功能和生物过程的重要工具，其中基因本体（GeneOntology，GO）分析和京都基因与基因组百科全书（KyotoEncyclopediaofGenesandGenomes，KEGG）通路分析是最常用的两种富集分析方法。GO分析从生物过程（BiologicalProcess，BP）、细胞组成（CellularComponent，CC）和分子功能（MolecularFunction，MF）三个层面，对基因的功能进行系统性注释和分类，有助于深入了解基因参与的各种生物学活动。KEGG通路分析则专注于揭示基因参与的主要信号转导通路和代谢途径，能够清晰地展示基因在细胞内的信号传递和代谢调控网络中的作用。本研究借助DAVID（theDatabaseforAnnotation，VisualizationandIntegratedDiscovery）数据库进行GO和KEGG富集分析。DAVID是一个综合性的基因功能注释和分析数据库，整合了多个权威数据源的信息，具有强大的功能和广泛的应用。在进行富集分析时，将前期筛选出的关键预后因子作为输入基因列表上传至DAVID数据库。在“EnterGeneList”文本框中，按照每行一个基因的格式，准确粘贴关键预后因子的基因名称；在“SelectIdentifier”下拉菜单中，根据基因名称的格式，选择“OFFICIAL_GENE_SYMBOL”选项；在“ListType”中，统一选择“GeneList”单选框，以明确上传的是待富集分析的基因列表。点击“SubmitList”按钮提交基因列表后，若基因列表中检测到多个物种，需在弹出的提示框中，根据研究对象，选择相应的物种，如本研究选择“Homosapiens”（人类），并点击“SelectSpecies”确认。经过数据库的运算和分析，得到了GO和KEGG富集分析结果。在GO富集分析结果中，“GOTERM_BP_FAT”栏目展示了关键预后因子在生物过程层面的富集情况，例如“Cellcycle”（细胞周期）、“DNAreplication”（DNA复制）、“Regulationofcellproliferation”（细胞增殖的调控）等生物过程显著富集，这表明关键预后因子可能通过参与这些生物过程，影响胃癌细胞的增殖和生长。“GOTERM_CC_FAT”栏目呈现了细胞组成方面的富集信息，如“Nucleus”（细胞核）、“Cytoplasm”（细胞质）、“Cellmembrane”（细胞膜）等细胞组成部分与关键预后因子密切相关，暗示这些因子在细胞结构和功能的维持中发挥作用。“GOTERM_MF_FAT”栏目则揭示了分子功能层面的富集结果，“DNAbinding”（DNA结合）、“Proteinkinaseactivity”（蛋白激酶活性）、“Transcriptionfactoractivity”（转录因子活性）等分子功能显著富集，说明关键预后因子可能通过调节DNA结合、蛋白激酶活性和转录因子活性等，调控基因表达和细胞信号传导。在KEGG富集分析结果中，“KEGG_PATHWAY”栏目显示关键预后因子主要富集在“Cellcycle”（细胞周期）、“PI3K-Aktsignalingpathway”（PI3K-Akt信号通路）、“mTORsignalingpathway”（mTOR信号通路）等与肿瘤发生发展密切相关的信号通路上。细胞周期通路的富集表明关键预后因子可能参与调控胃癌细胞的周期进程，影响细胞的增殖和分裂；PI3K-Akt信号通路在细胞生长、存活、代谢和迁移等过程中起着关键作用，其富集暗示关键预后因子可能通过激活或抑制该信号通路，影响胃癌细胞的生物学行为；mTOR信号通路作为细胞内重要的能量和营养感知通路，与细胞的生长、增殖、自噬等密切相关，关键预后因子在该通路上的富集，提示其可能通过调节mTOR信号通路，参与胃癌的发生发展。为了更直观地展示富集分析结果，绘制了气泡图和柱状图。气泡图以二维平面展示了富集结果，横坐标表示富集因子（EnrichmentFactor），即差异表达基因中注释到该通路或功能的基因比例与背景基因中注释到该通路或功能的基因比例的比值，富集因子越大，说明该通路或功能在差异表达基因中的富集程度越高；纵坐标表示富集的GOterm或KEGGpathway名称；气泡的大小表示富集到该通路或功能的基因数量，基因数量越多，气泡越大；气泡的颜色则反映了富集的显著性水平，通常以P值或校正后的P值（如Benjamini-Hochberg校正后的P值）的对数值表示，颜色越红，说明富集越显著。通过气泡图，可以清晰地看到关键预后因子在不同GOterm和KEGGpathway中的富集情况，以及各通路或功能的富集程度、基因数量和显著性水平。柱状图则以垂直柱状的形式展示了富集结果，横坐标为富集的GOterm或KEGGpathway名称，纵坐标为富集到该通路或功能的基因数量。柱状图按照基因数量从多到少的顺序排列，能够直观地比较不同通路或功能中富集的基因数量差异，突出关键预后因子主要参与的信号通路和生物学过程。例如，在KEGG通路富集分析的柱状图中，“Cellcycle”通路对应的柱子高度最高，表明在关键预后因子中，富集到细胞周期通路的基因数量最多，进一步强调了细胞周期通路在胃癌发生发展中可能受到关键预后因子的重要调控。通过GO和KEGG富集分析，明确了关键预后因子参与的主要信号通路和生物学过程，为深入理解胃癌的发病机制和关键预后因子的作用机制提供了重要线索。这些结果提示，关键预后因子可能通过调控细胞周期、PI3K-Akt信号通路、mTOR信号通路等，影响胃癌细胞的增殖、凋亡、迁移和侵袭等生物学行为，为后续的信号通路验证实验和分子机制研究奠定了基础。4.2.2信号通路验证实验为了进一步验证关键预后因子对相关信号通路的调控作用，本研究采用了蛋白质免疫印迹法（Westernblot）和实时荧光定量聚合酶链反应（qRT-PCR）等实验方法。Westernblot是一种在分子生物学、生物化学和免疫遗传学中广泛应用的蛋白质检测技术，其原理基于抗原抗体的特异性结合。在本研究中，通过该技术能够检测关键预后因子对相关信号通路中关键蛋白表达水平的影响。首先，对细胞进行分组处理，设置空白对照组（未进行任何处理的正常胃癌细胞）、阴性对照组（转染阴性对照载体的胃癌细胞）、基因敲低组（转染针对关键预后因子的siRNA或shRNA表达载体的胃癌细胞）和基因过表达组（转染关键预后因子过表达载体的胃癌细胞）。在细胞培养至对数生长期后，弃去培养液，用预冷的PBS冲洗细胞2-3次，以去除培养液中的杂质和血清残留。然后，向培养皿中加入适量的细胞裂解液（含蛋白酶抑制剂和磷酸酶抑制剂），冰上裂解细胞30min，期间轻轻晃动培养皿，使细胞充分裂解。裂解完成后，将细胞裂解液转移至1.5mL离心管中，4℃、12000rpm离心15min，取上清液，即为细胞总蛋白提取物。采用BCA法（BicinchoninicAcidAssay）测定蛋白浓度，将蛋白样品与5×上样缓冲液按4:1的比例混合，100℃煮沸5min使蛋白变性。制备10%-12%的SDS-PAGE凝胶（十二烷基硫酸钠-聚丙烯酰胺凝胶电泳），将变性后的蛋白样品上样到凝胶加样孔中，同时加入蛋白Marker作为分子量标准。在电泳缓冲液中，以80V的电压进行浓缩胶电泳，当溴酚蓝指示剂进入分离胶后，将电压提高至120V，继续电泳至溴酚蓝指示剂迁移至凝胶底部，结束电泳。电泳结束后，将凝胶中的蛋白转移至PVDF膜（聚偏二氟乙烯膜）上，采用湿法转膜，在转膜缓冲液中，以300mA的电流转膜1-2h。转膜完成后，将PVDF膜放入5%脱脂奶粉封闭液中，室温摇床封闭1-2h，以封闭膜上的非特异性结合位点。封闭结束后，将PVDF膜放入含有一抗的孵育液中，4℃孵育过夜。一抗为针对相关信号通路关键蛋白的特异性抗体，如检测PI3K-Akt信号通路时，选择针对PI3K、Akt、p-Akt（磷酸化的Akt）等蛋白的抗体。次日，将PVDF膜从一抗孵育液中取出，用TBST缓冲液（Tris-BufferedSalinewithTween20）洗涤3次，每次10min，以去除未结合的一抗。然后，将PVDF膜放入含有二抗的孵育液中，室温摇床孵育1-2h。二抗为与一抗来源种属对应的辣根过氧化物酶（HRP）标记的二抗。孵育结束后，再次用TBST缓冲液洗涤PVDF膜3次，每次10min。最后，将PVDF膜放入化学发光底物溶液中，孵育1-2min，使HRP催化底物产生化学发光反应。在凝胶成像系统中，曝光成像，检测蛋白条带的强度，通过分析条带强度，半定量评估关键蛋白的表达水平。qRT-PCR是一种对RNA进行定量分析的常用技术，其原理是在PCR反应体系中加入荧光基团，利用荧光信号积累实时监测整个PCR进程，最后通过标准曲线对未知模板进行定量分析。在本研究中，通过该技术检测关键预后因子对相关信号通路中关键基因mRNA表达水平的影响。首先，采用TRIzol试剂提取细胞总RNA，具体操作如下：在细胞培养至对数生长期后，弃去培养液，用预冷的PBS冲洗细胞2-3次，向培养皿中加入1mLTRIzol试剂，室温静置5min，使TRIzol充分裂解细胞。然后，将裂解液转移至1.5mL离心管中，加入200μL氯仿，剧烈振荡15s，室温静置3min。4℃、12000rpm离心15min，此时溶液分为三层，上层为无色透明的水相，含有RNA；中层为白色的蛋白层；下层为红色的有机相。将上层水相转移至新的1.5mL离心管中，加入500μL异丙醇，轻轻颠倒混匀，室温静置10min。4℃、12000rpm离心10min，弃去上清液，可见管底有白色沉淀，即为RNA。用75%乙醇洗涤RNA沉淀2次，每次加入1mL75%乙醇，4℃、7500rpm离心5min，弃去上清液。室温晾干RNA沉淀5-10min，加入适量的RNase-free水溶解RNA。采用NanoDrop分光光度计测定RN