Desentrañar el papel de la respuesta mitocondrial a las proteínas desplegadas en el cáncer colorrectal.

El cáncer colorrectal (CCR) es uno de los cánceres más comunes en todo el mundo y la tercera causa principal de muerte relacionada con el cáncer [^[1],^[2]]. A pesar de los importantes avances en las estrategias de diagnóstico y tratamiento, el pronóstico de los pacientes con CCR sigue siendo un desafío, especialmente para aquellos con enfermedad avanzada o metastásica [^[3]]. La heterogeneidad del CCR, impulsada por diversos factores genéticos, epigenéticos y microambientales, complica el desarrollo de estrategias de tratamiento eficaces [^[4]]. Por lo tanto, identificar nuevos biomarcadores y dianas terapéuticas es crucial para mejorar los resultados de los pacientes.

Funcionando como centros centrales de la actividad celular, las mitocondrias integran la producción de energía, la señalización metabólica y la regulación de la muerte celular en los sistemas eucariotas [^[5]]. La respuesta mitocondrial al estrés del plegamiento (UPRmt) representa una vía conservada de respuesta al estrés que mantiene la integridad y la función mitocondrial en diversas condiciones de estrés [^[6]]. La respuesta mitocondrial al estrés del plegamiento (UPRmt) se activa mediante la acumulación de polipéptidos mal plegados, lo que inicia la regulación al alza de la transcripción de los genes que codifican las chaperonas y proteasas mitocondriales para restablecer el equilibrio proteostático [^[6],^[7]]. La desregulación de la UPRmt se ha asociado con una variedad de enfermedades, incluido el cáncer, donde puede influir en la progresión tumoral, la metástasis y la resistencia a la terapia.

Las investigaciones recientes han subrayado la importancia de la UPRmt en la biología del cáncer, particularmente en la modulación de la supervivencia, la proliferación de las células tumorales y la respuesta a la quimioterapia [^[8]]. En el CCR, el microambiente tumoral (MET) representa un ecosistema altamente intrincado que abarca las células cancerosas, las células inmunitarias, las células del estroma y la matriz extracelular [^[9]]. La interacción dinámica entre las células tumorales y el MET influye significativamente en la progresión tumoral y la respuesta terapéutica. La evidencia emergente sugiere que la UPR puede desempeñar un papel fundamental en la configuración del MET al regular la infiltración y la función de las células inmunitarias, lo que afecta a la inmunidad tumoral y la respuesta a la inmunoterapia [^[10]].

En este estudio, nuestro objetivo fue explorar el papel de los genes relacionados con la UPR (MRG) en el CCR, centrándonos en su valor pronóstico, el impacto en el microambiente inmunitario y el potencial como dianas terapéuticas. Mediante el análisis de perfiles transcripcionales y datos clínicos de pacientes con CCR, identificamos distintos subtipos moleculares basados en la expresión de los MRG, lo que se correlacionó con el pronóstico del paciente, la infiltración de células inmunitarias y la sensibilidad a los fármacos. Además, desarrollamos una firma pronóstica basada en los MRG clave, que demostró un sólido poder predictivo para la supervivencia del paciente y la respuesta a la terapia. Además, investigamos la distribución espacial de los MRG dentro de los tejidos tumorales, lo que reveló sus patrones de expresión heterogéneos y su posible impacto en la biología tumoral. Nuestros hallazgos dilucidan el papel de la UPR en el CCR y subrayan su potencial como diana para la terapia contra el cáncer personalizada.

Métodos

Fuentes de datos

Obtuvimos datos de secuenciación de ARN junto con la información clínica correspondiente de pacientes con cáncer colorrectal (CCR) de dos bases de datos principales. Los datos del Proyecto del Genoma del Cáncer (TCGA) se descargaron del Portal de datos del Centro de datos genómicos (GDC), que proporcionó un conjunto de datos completo de muestras de CCR [^[11],^[12]]. Utilizamos el conjunto de datos SCP1162 del portal de conjuntos de datos de células individuales para analizar la localización de la expresión de los genes relacionados con la respuesta del plegamiento de proteínas (UPRG). Además, utilizamos el conjunto de datos GSE39582 del Geo (GEO) como conjunto de validación. Estos conjuntos de datos contenían perfiles de expresión génica y parámetros clínicos, como la información de supervivencia del paciente, el grado histológico y el estadio tumoral, que fueron cruciales para nuestro análisis.

Análisis de la expresión génica

Se realizó un análisis de expresión génica diferencial para investigar los cambios transcripcionales relacionados con la UPRmt. En primer lugar, normalizamos los datos de expresión génica utilizando algoritmos adecuados. A continuación, se realizó un análisis de expresión diferencial entre los tejidos de cáncer colorrectal y los tejidos normales correspondientes. Se seleccionaron los genes con diferencias significativas en los niveles de expresión en función de un umbral predefinido.

Análisis de enriquecimiento funcional

Para los genes UPR relacionados (UPRG) expresados de forma diferencial, realizamos un análisis de enriquecimiento funcional. Este análisis tuvo como objetivo identificar las vías significativamente enriquecidas, incluidas las vías Hallmark y Reactome. Nos centramos en las vías asociadas con la UPR, como la vía Hallmark de la respuesta del plegamiento de proteínas y las vías Reactome de la respuesta del plegamiento de proteínas.

Análisis de agrupamiento por consenso

Utilizamos el paquete R “ConsensusClusterPlus” para realizar un análisis de agrupamiento por consenso sobre los perfiles de expresión de los UPRG. Este análisis tuvo como objetivo identificar distintos subgrupos de pacientes con CCR en función de los patrones de expresión de los UPRG. Determinamos el número óptimo de grupos evaluando exhaustivamente la función de distribución acumulativa (CDF) de consenso, el diagrama de área delta y la matriz de consenso.

Análisis de la infiltración de células inmunitarias

Se utilizó el algoritmo bioinformático TIMER para cuantificar la abundancia de células inmunitarias infiltrantes tumorales mediante la deconvolución transcriptómica de las muestras de tejido de CCR. El algoritmo nos permite estimar la abundancia de una variedad de células inmunitarias, incluidas las células granulocíticas, las células dendríticas, los monocitos, los macrófagos, las células cebadas, las células asesinas naturales, las células linfoides innatas, las células B, las células plasmáticas, las células T CD4+, las células T CD8+ y las células ?? T. Además, determinamos las puntuaciones inmunitarias, las puntuaciones del estroma y las puntuaciones del microambiente para cada muestra, con el fin de explorar más a fondo las asociaciones entre los UPRG y el MET.

Predicción de la sensibilidad a los fármacos

Utilizamos la base de datos de genómica de la sensibilidad a los fármacos contra el cáncer (GDSC) para predecir la sensibilidad de los pacientes con diferentes grupos de cáncer colorrectal a múltiples agentes de quimioterapia. Se utilizó el paquete R denominado “prophytic” para calcular la concentración máxima de inhibición a la mitad del fármaco para cada población de pacientes. Este análisis nos ayudó a comprender las posibles diferencias en las respuestas a los fármacos entre los diferentes subgrupos de pacientes en función de la expresión de los UPRG.

Construcción del modelo de riesgo pronóstico

Construimos un modelo de riesgo pronóstico para seleccionar posibles UPRG pronósticos utilizando el análisis de regresión de Cox univariante. A continuación, se utilizó el análisis de regresión del operador de contracción y selección absoluta mínima (LASSO) para seleccionar los genes pronósticos más significativos y construir el modelo de riesgo. La puntuación de riesgo pronóstico se calculó como la suma de la combinación de los coeficientes de regresión de cada gen pronóstico multiplicados por sus valores de abundancia transcripcional estandarizados. Los pacientes se clasificaron en grupos de bajo riesgo, riesgo intermedio y alto riesgo en función de las puntuaciones de riesgo calculadas.

Validación del modelo

Validamos el modelo de riesgo pronóstico utilizando el conjunto de datos GSE39582. El rendimiento predictivo del modelo se evaluó utilizando el análisis de la curva de características operativas del receptor (ROC) y se calculó el área bajo la curva (AUC) para la supervivencia a 1 año, 3 años y 5 años. Se utilizaron las curvas de Kaplan-Meier para comparar las diferencias de supervivencia entre los diferentes grupos de riesgo en los conjuntos de datos de entrenamiento (TCGA) y validación (GSE39582).

Fuentes de datos

Obtuvimos datos de secuenciación de ARN junto con la información clínica correspondiente de pacientes con cáncer colorrectal (CCR) de dos bases de datos principales. Los datos del Proyecto del Genoma del Cáncer (TCGA) se descargaron del Portal de datos del Centro de datos genómicos (GDC), que proporcionó un conjunto de datos completo de muestras de CCR [^[11],^[12]]. Utilizamos el conjunto de datos SCP1162 del portal de conjuntos de datos de células individuales para analizar la localización de la expresión de los genes relacionados con la respuesta del plegamiento de proteínas (UPRG). Además, utilizamos el conjunto de datos GSE39582 del Geo (GEO) como conjunto de validación. Estos conjuntos de datos contenían perfiles de expresión génica y parámetros clínicos, como la información de supervivencia del paciente, el grado histológico y el estadio tumoral, que fueron cruciales para nuestro análisis.

Análisis de la expresión génica

Se realizó un análisis de expresión génica diferencial para investigar los cambios transcripcionales relacionados con la UPRmt. En primer lugar, normalizamos los datos de expresión génica utilizando algoritmos adecuados. A continuación, se realizó un análisis de expresión diferencial entre los tejidos de cáncer colorrectal y los tejidos normales correspondientes. Se seleccionaron los genes con diferencias significativas en los niveles de expresión en función de un umbral predefinido.

Análisis de enriquecimiento funcional

Para los genes UPR relacionados (UPRG) expresados de forma diferencial, realizamos un análisis de enriquecimiento funcional. Este análisis tuvo como objetivo identificar las vías significativamente enriquecidas, incluidas las vías Hallmark y Reactome. Nos centramos en las vías asociadas con la UPR, como la vía Hallmark de la respuesta del plegamiento de proteínas y las vías Reactome de la respuesta del plegamiento de proteínas.

Análisis de agrupamiento por consenso

Utilizamos el paquete R “ConsensusClusterPlus” para realizar un análisis de agrupamiento por consenso sobre los perfiles de expresión de los UPRG. Este análisis tuvo como objetivo identificar distintos subgrupos de pacientes con CCR en función de los patrones de expresión de los UPRG. Determinamos el número óptimo de grupos evaluando exhaustivamente la función de distribución acumulativa (CDF) de consenso, el diagrama de área delta y la matriz de consenso.

Análisis de la infiltración de células inmunitarias

Se utilizó el algoritmo bioinformático TIMER para cuantificar la abundancia de células inmunitarias infiltrantes tumorales mediante la deconvolución transcriptómica de las muestras de tejido de CCR. El algoritmo nos permite estimar la abundancia de una variedad de células inmunitarias, incluidas las células granulocíticas, las células dendríticas, los monocitos, los macrófagos, las células cebadas, las células asesinas naturales, las células linfoides innatas, las células B, las células plasmáticas, las células T CD4+, las células T CD8+ y las células ?? T. Además, determinamos las puntuaciones inmunitarias, las puntuaciones del estroma y las puntuaciones del microambiente para cada muestra, con el fin de explorar más a fondo las asociaciones entre los UPRG y el MET.

Predicción de la sensibilidad a los fármacos

Utilizamos la base de datos de genómica de la sensibilidad a los fármacos contra el cáncer (GDSC) para predecir la sensibilidad de los pacientes con diferentes grupos de cáncer colorrectal a múltiples agentes de quimioterapia. Se utilizó el paquete R denominado “prophytic” para calcular la concentración máxima de inhibición a la mitad del fármaco para cada población de pacientes. Este análisis nos ayudó a comprender las posibles diferencias en las respuestas a los fármacos entre los diferentes subgrupos de pacientes en función de la expresión de los UPRG.

Construcción del modelo de riesgo pronóstico

Construimos un modelo de riesgo pronóstico para seleccionar posibles UPRG pronósticos utilizando el análisis de regresión de Cox univariante. A continuación, se utilizó el análisis de regresión del operador de contracción y selección absoluta mínima (LASSO) para seleccionar los genes pronósticos más significativos y construir el modelo de riesgo. La puntuación de riesgo pronóstico se calculó como la suma de la combinación de los coeficientes de regresión de cada gen pronóstico multiplicados por sus valores de abundancia transcripcional estandarizados. Los pacientes se clasificaron en grupos de bajo riesgo, riesgo intermedio y alto riesgo en función de las puntuaciones de riesgo calculadas.

Validación del modelo

Validamos el modelo de riesgo pronóstico utilizando el conjunto de datos GSE39582. El rendimiento predictivo del modelo se evaluó utilizando el análisis de la curva de características operativas del receptor (ROC) y se calculó el área bajo la curva (AUC) para la supervivencia a 1 año, 3 años y 5 años. Se utilizaron las curvas de Kaplan-Meier para comparar las diferencias de supervivencia entre los diferentes grupos de riesgo en los conjuntos de datos de entrenamiento (TCGA) y validación (GSE39582).

Resultado

Expresión y enriquecimiento funcional de los genes relacionados con la UPR en el CCR

Primero, enriquecimos algunas vías relacionadas con la tumorigénesis del CCRC. A través del análisis de enriquecimiento de conjuntos de genes (GSEA), encontramos que las vías asociadas con la respuesta del retículo endoplásmico (UPR) estaban altamente enriquecidas (Fig. 1A). Además, a través del análisis de componentes principales (PCA), encontramos que los genes relacionados con estas dos vías se originaban principalmente en dos subgrupos: normal y CCRC (Fig. 1B). A través del análisis diferencial y el cribado, descubrimos que un total de 48 genes estaban significativamente elevados en los tumores, y los 48 genes expresados diferencialmente (DEGs) se visualizaron (logFC>0,5, p < 0,05) (Fig. 1C y D). A continuación, incorporamos el conjunto de datos de secuenciación unicelular SCP1162 de los conjuntos de datos del portal de células individuales para analizar la localización de la expresión de los UPRGs. Los resultados revelaron que la diferencia en los niveles de expresión de los UPRGs entre los tejidos normales y el CCRC era predominantemente significativa en el subgrupo de células tumorales (Fig. 1E y F). Esto sugiere aún más el papel crucial de los UPRGs en la tumorigénesis dentro de las células tumorales.

Identificación de grupos basados en UPRGs y su asociación con el pronóstico

Utilizando el análisis de agrupamiento por consenso sobre los perfiles de expresión de los UPRGs, identificamos con éxito dos grupos distintos, designados como C1 y C2 (Fig. 2A). Al mismo tiempo, evaluamos las puntuaciones de enriquecimiento de los dos subgrupos, C1 y C2, y encontramos que existían marcadas discrepancias en las puntuaciones de enriquecimiento entre estos dos subgrupos (Fig. 2B). Además, el análisis de componentes principales (PCA) demostró diferencias significativas en los perfiles de transcripción de los UPRGs entre estos dos grupos (Fig. 2C). Además, se realizó un análisis de Kaplan-Meier (KM) para evaluar la importancia pronóstica de estos grupos. Los resultados mostraron que los pacientes en C2 tenían una supervivencia global (OS) significativamente peor en comparación con los de C1, con una razón de riesgo (HR) de 3,209 y un valor de p de 0,039. Esto indica que la agrupación basada en UPRGs puede estratificar eficazmente a los pacientes con CCRC según su pronóstico (Fig. 2D).

Predicción de la sensibilidad a los fármacos basada en los grupos relacionados con UPRG

Para evaluar el potencial de los UPRGs en la predicción de la sensibilidad a los fármacos, analizamos la sensibilidad y la relevancia de los pacientes con CCRC en diferentes grupos con respecto a múltiples fármacos quimioterapéuticos. Los resultados mostraron que C1 y C2 presentaban diferencias significativas en la sensibilidad a los fármacos. Para la mayoría de los fármacos probados, los pacientes en C2 mostraron diferentes niveles de sensibilidad en comparación con los de C1, y algunas de estas diferencias alcanzaron una alta significación estadística (Fig. 3A y B). Estos hallazgos sugieren que la agrupación basada en UPRG puede proporcionar información valiosa para la quimioterapia personalizada en pacientes con CCRC.

Infiltración de células inmunitarias y UPRGs en el CCRC

Investigamos más a fondo la relación entre los UPRGs y la infiltración de células inmunitarias en el CCRC. Se analizaron los niveles de infiltración de varias células inmunitarias, incluidas las células granulocíticas, las células dendríticas, los monocitos, los macrófagos, las células cebadas, las células asesinas naturales, las células linfoides innatas, las células B, las células plasmáticas, las células T CD4+, las células T CD8+ y las células γδ T (Fig. 4A y B). Encontramos que los niveles de infiltración de la mayoría de las células inmunitarias eran significativamente diferentes entre los grupos C1 y C2. Al mismo tiempo, encontramos que los dos subgrupos, C1 y C2, presentaban diferencias significativas en la puntuación inmune y la puntuación del estroma (Fig. 4C). Además, exploramos la correlación entre la puntuación de enriquecimiento de UPR y la puntuación inmune, la puntuación del estroma y la puntuación del microambiente. Los resultados mostraron notables correlaciones negativas. Específicamente, el coeficiente de correlación (R) entre la puntuación de enriquecimiento de UPR y la puntuación inmune fue de -0,18 con un valor de p de 0,0018, y se observó la misma correlación con la puntuación del estroma (R = -0,18, p = 0,0018) (Fig. 4D). Finalmente, también analizamos las puntuaciones de enriquecimiento de URP utilizando conjuntos de datos de células individuales. Se encontró que, en los subconjuntos de células tumorales con alta expresión de UPR, las puntuaciones de enriquecimiento aumentaron significativamente (Fig. 4E y F). Además, descubrimos que la UPR se expresaba significativamente en menor medida tanto en los macrófagos como en los monocitos (Fig. 4G). Esto sugiere que los UPRGs pueden influir en el microambiente tumoral al regular la infiltración de células inmunitarias.

Desarrollo y validación de un modelo de riesgo pronóstico

Basándonos en el análisis univariado, encontramos que CEBPB, CHAC1, IGFBP1 y STC2 en UPRG fueron factores asociados con el pronóstico. Por lo tanto, realizamos una regresión LASSO para un análisis más profundo (Fig. 5A y B). La puntuación de riesgo pronóstico, calculada a partir de la expresión de múltiples genes, segregó eficazmente a los pacientes en grupos de bajo riesgo, riesgo intermedio y alto riesgo (Fig. 5C y D). Las curvas de Kaplan-Meier ilustraron que los pacientes en el grupo de alto riesgo tenían una supervivencia global (OS) considerablemente peor en comparación con los del grupo de bajo riesgo, tanto en el conjunto de entrenamiento como en el conjunto de validación (Fig. 5E y G). En el conjunto de entrenamiento de los conjuntos de datos de TCGA, el análisis de la curva de características operativas del receptor (ROC) mostró que el área bajo la curva (AUC) para la supervivencia a 1 año fue de 0,76, para la supervivencia a 3 años fue de 0,74 y para la supervivencia a 5 años fue de 0,74 (Fig. 5F). En el conjunto de validación de los conjuntos de datos de GSE39582, el AUC para la supervivencia a 1 año fue de 0,57, para la supervivencia a 3 años fue de 0,60 y para la supervivencia a 5 años fue de 0,60 (Fig. 5H). Estos resultados indican que el modelo de riesgo pronóstico construido tiene un buen rendimiento predictivo para la supervivencia de los pacientes con CCRC.

Construcción y validación de un nomograma de supervivencia para la predicción del pronóstico

Construimos un nomograma de supervivencia que integraba la puntuación de riesgo, el estadio, el sexo y la edad del análisis multivariado. El nomograma predijo las probabilidades de supervivencia global (OS) a 1 año, 3 años y 5 años, y se compararon con la OS observada (Fig. 6A y 6B). Los gráficos de calibración reflejaron una buena concordancia entre la OS predicha y la observada. El análisis de beneficio neto demostró que, dentro de un rango de umbral de riesgo razonable, el nomograma podría aportar un cierto beneficio neto (Fig. 6C). Además, dividimos a los pacientes en grupos de bajo riesgo, riesgo intermedio y alto riesgo según la puntuación total. En el conjunto de entrenamiento, se encontraron diferencias considerables en la supervivencia global entre los tres grupos (Fig. 6D). Los pacientes en el grupo de bajo riesgo mostraron los mejores resultados, mientras que los del grupo de alto riesgo demostraron el peor pronóstico. También se encontraron las mismas diferencias significativas en la supervivencia global en el conjunto de validación, lo que indica la excelente capacidad predictiva y generalizabilidad de nuestro modelo (Fig. 6E).

Análisis de la expresión y el enriquecimiento de vías del pronóstico

Realizamos un análisis de ARN-seq de células individuales del CCRC y encontramos distintos microambientes tumorales entre el CCRC y los tejidos normales (Fig. 7A). Además, analizamos cuatro UPRGs que se relacionan con el pronóstico del CCRC en los tejidos normales y el CCRC, y el resultado mostró que los de los UPRGs, especialmente CEBPB, se expresaban en gran medida en los tejidos tumorales (Fig. 7B). Además, analizamos cuatro UPRGs que se relacionan con el pronóstico del CCRC en los grados histológicos, los estadios AJCC T y la metástasis linfática basándonos en la información de GSE39592, y los resultados mostraron que los de los UPRGs, especialmente CEBPB, se expresaban en gran medida en los grados histológicos altos, el estadio T4 y los tejidos metastásicos (Fig. 7B–E). Todos estos resultados ilustran que los UPRGs contribuyen sustancialmente a la tumorigénesis y el desarrollo tumoral.

Dado que encontramos que CEBPB desempeña el papel más crucial en la tumorigénesis del CCRC, también realizamos un GSEA para explorar los procesos biológicos en los pacientes con alta expresión de CEBPB. Los resultados revelaron que el enriquecimiento de la vía Hallmark de la respuesta del retículo endoplásmico en los grupos positivo y negativo de CEBPB era significativamente diferente (Fig. 7F–H). Otras vías, como GOBP Proliferación de células epiteliales (Fig. 7I, valor de p = 0,0067), Hallmark Señalización Wnt-Beta-Catenina (Fig. 7J, valor de p = 0,0091), GOBP Señalización célula-célula por Wnt (Fig. 7K, valor de p = 0,0041) y WP Señalización Wnt (Fig. 7L, valor de p = 0,0139), también mostraron diferencias significativas en el enriquecimiento entre los grupos positivo y negativo de CEBPB (Fig. 7I–L). Estos resultados sugieren que estos factores relacionados con el pronóstico pueden estar implicados en múltiples procesos y vías biológicas en el CCRC.

Expresión y análisis de enriquecimiento de vías de los genes relacionados con UPR en el CCRC

Primero, enriquecimos algunas vías relacionadas con la tumorigénesis del CCRC. A través del análisis de enriquecimiento de conjuntos de genes (GSEA), encontramos que las vías asociadas con la respuesta del retículo endoplásmico (UPR) estaban altamente enriquecidas (Fig. 1A). Además, a través del análisis de componentes principales (PCA), encontramos que los genes relacionados con estas dos vías se originaban principalmente en dos subgrupos: normal y CCRC (Fig. 1B). A través del análisis diferencial y el cribado, descubrimos que un total de 48 genes estaban significativamente elevados en los tumores, y los 48 genes expresados diferencialmente (DEGs) se visualizaron (logFC>0,5, p < 0,05) (Fig. 1C y D). A continuación, incorporamos el conjunto de datos de secuenciación unicelular SCP1162 de los conjuntos de datos del portal de células individuales para analizar la localización de la expresión de los UPRGs. Los resultados revelaron que la diferencia en los niveles de expresión de los UPRGs entre los tejidos normales y el CCRC era predominantemente significativa en el subgrupo de células tumorales (Fig. 1E y F). Esto sugiere aún más el papel crucial de los UPRGs en la tumorigénesis dentro de las células tumorales.

Identificación de grupos basados en UPRGs y su asociación con el pronóstico

Utilizando el análisis de agrupamiento por consenso sobre los perfiles de expresión de los UPRGs, identificamos con éxito dos grupos distintos, designados como C1 y C2 (Fig. 2A). Al mismo tiempo, evaluamos las puntuaciones de enriquecimiento de los dos subgrupos, C1 y C2, y encontramos que existían marcadas discrepancias en las puntuaciones de enriquecimiento entre estos dos subgrupos (Fig. 2B). Además, el análisis de componentes principales (PCA) demostró diferencias significativas en los perfiles de transcripción de los UPRGs entre estos dos grupos (Fig. 2C). Además, se realizó un análisis de Kaplan-Meier (KM) para evaluar la importancia pronóstica de estos grupos. Los resultados mostraron que los pacientes en C2 tenían una supervivencia global (OS) significativamente peor en comparación con los de C1, con una razón de riesgo (HR) de 3,209 y un valor de p de 0,039. Esto indica que la agrupación basada en UPRGs puede estratificar eficazmente a los pacientes con CCRC según su pronóstico (Fig. 2D).

Predicción de la sensibilidad a los fármacos basada en los grupos relacionados con UPRG

Para evaluar el potencial de los UPRGs en la predicción de la sensibilidad a los fármacos, analizamos la sensibilidad y la relevancia de los pacientes con CCRC en diferentes grupos con respecto a múltiples fármacos quimioterapéuticos. Los resultados mostraron que C1 y C2 presentaban diferencias significativas en la sensibilidad a los fármacos. Para la mayoría de los fármacos probados, los pacientes en C2 mostraron diferentes niveles de sensibilidad en comparación con los de C1, y algunas de estas diferencias alcanzaron una alta significación estadística (Fig. 3A y B). Estos hallazgos sugieren que la agrupación basada en UPRG puede proporcionar información valiosa para la quimioterapia personalizada en pacientes con CCRC.

Infiltración de células inmunitarias y UPRGs en el CCRC

Investigamos más a fondo la relación entre los UPRG y la infiltración de células inmunitarias en el CRC. Se analizaron los niveles de infiltración de diversas células inmunitarias, incluidos granulocitos, células dendríticas, monocitos, macrófagos, mastocitos, células asesinas naturales, células linfoides innatas, células B, células plasmáticas, células T CD4+, células T CD8+ y células γδ T (Fig. 4A y B). Descubrimos que los niveles de infiltración de la mayoría de las células inmunitarias eran significativamente diferentes entre los grupos C1 y C2. Además, encontramos que los dos subgrupos, C1 y C2, presentaban diferencias significativas en la puntuación inmune y la puntuación del estroma (Fig. 4C). Adicionalmente, exploramos la correlación entre la puntuación de enriquecimiento de UPR y la puntuación inmune, la puntuación del estroma y la puntuación del microambiente. Los resultados mostraron correlaciones negativas notables. Específicamente, el coeficiente de correlación (R) entre la puntuación de enriquecimiento de UPR y la puntuación inmune fue de -0,18 con un valor de p de 0,0018, y se observó la misma correlación con la puntuación del estroma (R = -0,18, p = 0,0018) (Fig. 4D). Finalmente, también analizamos las puntuaciones de enriquecimiento de URP utilizando conjuntos de datos de células individuales. Se encontró que, en los subconjuntos de células tumorales con alta expresión de UPR, las puntuaciones de enriquecimiento aumentaron significativamente (Fig. 4E y F). Además, descubrimos que la UPR se expresaba significativamente en menor medida tanto en los macrófagos como en los monocitos (Fig. 4G). Esto sugiere que los UPRG pueden influir en el microambiente tumoral mediante la regulación de la infiltración de células inmunitarias.

Desarrollo y validación de un modelo de riesgo pronóstico

Basándonos en el análisis univariado, encontramos que CEBPB, CHAC1, IGFBP1 y STC2 en los UPRG eran factores asociados con el pronóstico. Por lo tanto, realizamos una regresión LASSO para un análisis más profundo (Fig. 5A y B). La puntuación de riesgo pronóstico, calculada a partir de la expresión de múltiples genes, segregó eficazmente a los pacientes en grupos de bajo riesgo, riesgo intermedio y alto riesgo (Fig. 5C y D). Las curvas de Kaplan-Meier ilustraron que los pacientes en el grupo de alto riesgo presentaban un peor pronóstico general (OS) en comparación con los del grupo de bajo riesgo, tanto en el conjunto de entrenamiento como en el conjunto de validación (Fig. 5E y G). En el conjunto de entrenamiento de los conjuntos de datos de TCGA, el análisis de la curva de características operativas del receptor (ROC) mostró que el área bajo la curva (AUC) para la supervivencia a 1 año fue de 0,76, para la supervivencia a 3 años fue de 0,74 y para la supervivencia a 5 años fue de 0,74 (Fig. 5F). En el conjunto de validación de los conjuntos de datos de GSE39582, el AUC para la supervivencia a 1 año fue de 0,57, para la supervivencia a 3 años fue de 0,60 y para la supervivencia a 5 años fue de 0,60 (Fig. 5H). Estos resultados indican que el modelo de riesgo pronóstico construido tiene un buen rendimiento predictivo para la supervivencia de los pacientes con CRC.

Construcción y validación de un nomograma de supervivencia para la predicción del pronóstico

Construimos un nomograma de supervivencia que integraba la puntuación de riesgo, el estadio, el sexo y la edad a partir del análisis multivariado. El nomograma predijo las probabilidades de supervivencia general (OS) a 1 año, 3 años y 5 años, y se compararon con la OS observada (Fig. 6A y 6B). Los gráficos de calibración reflejaron una buena concordancia entre la OS predicha y la observada. El análisis de beneficio neto demostró que, dentro de un rango de umbral de riesgo razonable, el nomograma podría aportar un cierto beneficio neto (Fig. 6C). Además, dividimos a los pacientes en grupos de bajo riesgo, riesgo intermedio y alto riesgo según la puntuación total. En el conjunto de entrenamiento, se encontraron diferencias considerables en la supervivencia general entre los tres grupos (Fig. 6D). Los pacientes en el grupo de bajo riesgo mostraron los mejores resultados, mientras que los del grupo de alto riesgo demostraron el peor pronóstico. También se encontraron las mismas diferencias significativas en la supervivencia general en el conjunto de validación, lo que indica la excelente capacidad predictiva y generalizabilidad de nuestro modelo (Fig. 6E).

Análisis de la expresión y el enriquecimiento de vías del pronóstico

Realizamos un análisis de secuenciación de ARN de una sola célula de CRC y encontramos microambientes tumorales distintos entre el CRC y los tejidos normales (Fig. 7A). Además, analizamos cuatro UPRG que se relacionan con el pronóstico del CRC en los tejidos normales y el CRC, y el resultado mostró que los de los UPRG, especialmente CEBPB, se expresaban en gran medida en los tejidos tumorales (Fig. 7B). Además, analizamos cuatro UPRG que se relacionan con el pronóstico del CRC en los grados histológicos, los estadios AJCC T y la metástasis linfática, basándonos en la información de GSE39592, y los resultados mostraron que los de los UPRG, especialmente CEBPB, se expresaban en gran medida en los grados histológicos altos, el estadio T4 y los tejidos metastásicos (Fig. 7B–E). Todos estos resultados ilustran que los UPRG contribuyen sustancialmente a la tumorigénesis y el desarrollo tumoral.

Dado que encontramos que CEBPB desempeña el papel más crucial en la tumorigénesis del CRC, también realizamos un GSEA para explorar los procesos biológicos en los pacientes con alta expresión de CEBPB. Los resultados revelaron que el enriquecimiento de la vía de la respuesta al estrés del retículo endoplásmico (Hallmark Unfolded Protein Response) en los grupos positivo y negativo de CEBPB era significativamente diferente (Fig. 7F–H). Otras vías, como GOBP Proliferación de células epiteliales (Fig. 7I, valor de p = 0,0067), Hallmark Señalización Wnt-Beta-Catenina (Fig. 7J, valor de p = 0,0091), GOBP Señalización célula-célula por Wnt (Fig. 7K, valor de p = 0,0041) y WP Señalización Wnt (Fig. 7L, valor de p = 0,0139), también mostraron diferencias de enriquecimiento significativas entre los grupos positivo y negativo de CEBPB (Fig. 7I–L). Estos resultados sugieren que estos factores relacionados con el pronóstico pueden estar implicados en múltiples procesos y vías biológicas en el CRC.

Discusión

En este estudio, profundizamos en el papel de los genes relacionados con la UPR (MRG) en el cáncer colorrectal (CRC), obteniendo varios hallazgos clave con implicaciones significativas. El cáncer colorrectal, clasificado como el tercer tumor más común a nivel mundial, tiene una patogénesis poco clara. Por lo tanto, se necesitan urgentemente investigaciones relacionadas con la biología molecular para dilucidar su patogénesis y proporcionar nuevos objetivos y estrategias para nuevos regímenes de tratamiento.

La desregulación de la respuesta al estrés del retículo endoplásmico mitocondrial (UPRmt), un mecanismo adaptativo en la función celular normal, se ha relacionado con la progresión del cáncer. En el contexto del CRC, nuestro estudio valida aún más su papel en la influencia de la biología tumoral. La UPRmt puede contribuir a la supervivencia, la proliferación y la resistencia a la terapia de las células tumorales, lo que es consistente con investigaciones previas sobre su papel en el cáncer.

El impacto de los genes relacionados con la UPR en el microambiente inmunitario del CRC es un descubrimiento novedoso y significativo. En nuestro estudio, seleccionamos y encontramos que CEBPB puede ser una molécula clave que influye en la progresión del cáncer colorrectal. Se cree que ejerce además un efecto regulador sobre el cáncer colorrectal a través de las vías de señalización NF-B y STAT3 [^[13], ^[14]]. Sin embargo, su papel específico aún no está claro, y las investigaciones posteriores deberían explorar específicamente su mecanismo biológico molecular.

El microambiente tumoral (TME) es un ecosistema complicado, y nuestros hallazgos sugieren que la UPR puede modular el TME mediante la regulación de la infiltración y la función de las células inmunitarias. Esto tiene implicaciones importantes para la inmunidad tumoral y la respuesta a la inmunoterapia. Dado el pronóstico subóptimo de los pacientes con CRC, especialmente aquellos con enfermedad avanzada o metastásica, comprender y dirigir estos mecanismos de modulación inmunitaria podría abrir nuevas vías para inmunoterapias más eficaces. Nuestra investigación sobre la distribución espacial de los MRG dentro de los tejidos tumorales también revela sus patrones de expresión heterogéneos. Esta heterogeneidad puede tener implicaciones significativas para la biología tumoral, ya que podría influir en el comportamiento de las células tumorales y las interacciones dentro del TME.

En conclusión, nuestra investigación ofrece nuevas perspectivas sobre la función de la UPR en el CRC, desde su impacto en el pronóstico y el microambiente inmunitario hasta su potencial como objetivo terapéutico. Las investigaciones futuras podrían explorar más a fondo los mecanismos moleculares que subyacen a las funciones de los genes relacionados con la UPR en el CRC, validar nuestros hallazgos en cohortes de pacientes más grandes y diversas, y traducir estos hallazgos en aplicaciones clínicas para mejorar los resultados de los pacientes.

Financiación

Los autores agradecen sinceramente a todos los participantes.

Declaración de contribución de autoría CRediT

Jihao Shi: Curación de datos, análisis formal, metodología, redacción del borrador original. Lexi Wu: Curación de datos, visualización, redacción del borrador original. Chuwen Tian: Recursos, software. Haotian Chen: Conceptualización, redacción y edición.

Declaración de conflicto de intereses

Los autores declaran que no tienen ningún conflicto de intereses financiero o personal conocido que pueda haber influido en el trabajo presentado en este artículo.