NK/T细胞淋巴瘤致癌网络构建和hub基因筛选

今天跟大家分享的是三月份发表在frontiers in Oncology（IF:4.137）上的一篇文章

Oncogenic Network and Hub Genes for Natural Killer/T-Cell Lymphoma Utilizing WGCNA

利用WGCNA分析NK/T细胞淋巴瘤的致癌网络和Hub基因

NK/T细胞淋巴瘤（NKTCL）是起源于NK/T细胞的淋巴系统恶性肿瘤，属于非霍奇金淋巴瘤的一种亚型，鼻腔是最常见的原发部位，具有侵袭性且预后较差。这篇文章主要是用SRA的数据（SRP049695）对NKTCL的基本分子特征进行了研究。文章关键结果是用WGCNA结合两套GEO数据验证得到了两个hub基因（LMO3和GRB14），可能是诊断和治疗NKTCL的潜在癌基因和生物标志物。

 

SRA原始数据处理流程

SRA数据（SRP049695）是包括3个正常NK细胞样本和15个NKTCL样本的RNA-Seq原始数据。文章中用TrimGalore过滤低质量的原始读数：（1）去除引物；（2）去除末端低质量的序列；（3）去除<35bp的序列。用HISAT2组装（hg19）。用Cufflinks计算mRNA和lncRNA的FPKM。

结果

1.差异表达基因的GO功能和KEGG通路的富集分析

文章使用Cuffdiff筛选正常NK细胞和NKTCL样本之间的差异表达基因（DEG）（阈值：p <0.05；log 2FC> 1或log 2FC < -1；q <0.05）。总共6680个mRNA在NKTCL中显示出差异表达，包括5664个上调的和1016个下调的。

通过R包Cluster Profiler对DEG进行了GO（BP）和KEGG的富集分析。GO的结果显示上调的DEGs显著富集在胞外结构组织，循环系统过程，血液循环，细胞外基质（ECM）组织等功能（图1B），而下调的DEGs则显著富集在T细胞活化，淋巴细胞分化，造血调节，细胞粘附，髓样细胞分化等功能（图1C）。 KEGG结果显示，上调的DEGs富集在核糖体，ECM-受体相互作用和细胞粘附分子（CAMs）等通路（图1D），而下调的DEGs富集到T细胞受体信号，趋化因子信号，和FoxO信号等通路（图1E）。

 图1.转录组概况和差异基因功能

2.NK/T细胞淋巴瘤的GSEA分析

文章还将SRP049695的所有表达数据集进行了基因集富集分析（GSEA），肿瘤样本在补体系统，ECM受体相互作用和局灶性黏附通路中富集（图2A）。对照样本在T细胞受体，NK细胞介导的细胞毒性和脂肪细胞因子信号通路中丰富（图2B）。

 图2.GSEA结果

3.PPI网

文章用STRING得到了DEGs的相互作用蛋白和基因并构建了PPI网络（图3A）。用MCODE计算基因的k-core和挖掘核心模块。发现40个最高的k-core基因组成两个重要的网络，一个是G蛋白偶联受体信号通路，另一个是ECM受体信号通路（图3B），这可能暗示了NKTCL发病的潜在机制。

图3.DEGs 的PPI网络

4.WGCNA

为了阐明NKTCL中的关键模块和基因，文章用R包WGCNA分析了NKTCL的高度相关的基因和共表达网络。首先排除了低质量的两个样本（图4A），β的幂自动设置为14以确保无标度网络（图4B）。另外模块基因的最小数量设置为30，层次聚类树状图用不同的颜色概括了基因模块，通过聚类树状图鉴定出18个基因模块。最后分析了基因模块之间的相互作用，并使用相应的分层聚类树状图和模块生成基因网络的TOM图展示（图4D）。

 图4.WGCNA结果

 

5.识别NK/T细胞淋巴瘤的Hub基因

为了从WGCNA生成的巨大的基因网络中找到hub 基因，文章设置边的权重> 0.6来缩小网络，结果得到了包括325个节点和6,900个边的网络，其中图5A显示了两个关键的子网。通过分析基因节点的度和k-core发现一些可能是构成网络核心的mRNA和LncRNA，例如LMO3，PEG3，GRB14，ASB9和lnc-FRG2-13，lnc-F11-2，lnc-GALNT9-4，LINC01206。以k-core>60为阈值得到了57个核心基因并在火山图中标注了前10个（图5B），另外作者还绘制了最大的FC值和最显著的P值的两个基因LMO3和PEG3的共表达基因网络。

 图5.识别Hub基因

6.Hub基因的验证

为了验证从WGCNA筛选出的可能的hub基因，文章用GSE69406数据验证上文的k-core前10的基因（小编：前文中的10个hub包含一个LncRNA，这里验证的是9个mRNA），即LMO3，PEG3，ASB9，GRB14，REEP1，SLC30A3，LY6K，TMEM59L和LDHAL6B。发现在NKTCL中LMO3，PEG3，GRB14和LDHAL6B被显著上调，而ASB9等基因在NKTCL与对照组之间则没有显著变化（图6A）。另外为了揭示这些基因的表达与预后之间的关系，文章用GSE90597数据集绘制了Kaplan–Meier生存曲线。发现，LMO3（p = 0.044）和GRB14（p = 0.027）的过表达与较短的OS显著相关。

 图6.GEO数据验证

总之，文章用了一套SRA数据分析了NKTCL的差异基因及其功能，并利用互作网络分析得到了一些核心基因，为NKTCL诊断和治疗提供了潜在的生物标志物。

在小编看来这篇文章思路清晰且对NKTCL的研究有重要意义。美中不足的是文章书写上出现若干小失误，希望对作者和读者们有所帮助。感谢阅读！