对GPR15基因进行泛肿瘤分析和虚拟筛查(An Integrated Pan-Cancer Analysis and Structure-Based Virtual Screening o)

研究揭示GPR15在结肠腺癌和直肠腺癌中低表达,与COAD、HNSC、LUAD预后相关,可能是癌症免疫治疗新靶点。通过网络分析和结构生物学方法,发现潜在GPR15拮抗剂化合物.

1. 摘要

    G蛋白偶联受体15 (GPR15,又称BOB)是一种被广泛研究的孤儿G蛋白偶联受体(GPCRs),涉及人体免疫缺陷病毒(HIV)感染、结肠炎症和吸烟相关疾病。最近,GPR15被去孤化,其相应的天然配体显示出抑制癌细胞生长的能力。然而,没有研究报道GPR15在泛癌中的潜在作用。使用来自癌症基因组图谱(TCGA)和基因型组织表达(GTEx)数据库的大规模公开数据,本文发现GPR15在结肠腺癌(COAD)和直肠腺癌(READ)中的表达明显低于正常组织。在33种癌症类型中,GPR15的表达与COAD、颈鳞癌(HNSC)、肺腺癌(LUAD)预后显著正相关,与胃腺癌(STAD)预后显著负相关。本研究还发现,在COAD、HNSC、LUAD和STAD高表达组(中位分层)中,通常上调的基因集在免疫系统中富集,提示GPR15可能被认为是癌症免疫治疗的潜在靶点。此外,本文建模了GPR15的三维结构,并进行了基于结构的虚拟筛选。筛选出前8个hit化合物,进行分子动力学(MD)模拟,进行稳定性分析。本文的研究为GPR15在泛癌中的作用提供了新的见解,并发现了一种潜在的GPR15拮抗剂hit化合物。

2. 介绍

    G蛋白偶联受体(GPCRs),又称七跨膜结构域受体,是细胞信号受体中最大的一个家族。GPCRs响应广泛的细胞外信号,并调节各种细胞和生理过程,包括激素调节、视觉、免疫反应、神经元通讯和行为。

    G蛋白偶联受体15 (GPR15,又称BOB)是一个被广泛研究的孤儿GPCR。它是人类免疫缺陷病毒的趋化因子共受体。数十项研究已经证明了GPR15和免疫系统之间的重要联系。此外,最近的研究报道GPR15可以去孤化,其配体也可以与SUSD2结合。GPR15L和SUSD2的共同表达模式可通过G1阻滞抑制多种肿瘤细胞系的增殖。这一发现表明GPR15可能积极参与了癌症的进展。因此,有必要确定GPR15在癌变中的作用。

3. 结果

3.1 GPR15的泛癌突变和表达图谱

在这里插入图片描述
图1所示。GPR15在癌症基因组图谱(TCGA)组群中的表达和突变景观。(A). y轴表示TCGA组群中GPR15(简单体细胞突变)的突变率。排除GPR15突变率为0的癌症类型。(B) GPR15的泛癌表达情况。“T”代表肿瘤组织,“N”代表成对的正常组织。表达丰度通过每百万对数标准化转录量(TPM)来测量。癌型呈绿色,说明GPR15在肿瘤组织与成对正常细胞之间表达差异。©所有肿瘤样本和成对正常组织的基因表达谱条形图。bar的高度表示特定肿瘤类型或正常组织的中位表达(log-规范化TPM)。

在这里插入图片描述

图2。子宫肌体子宫内膜癌(UCEC)、子宫癌肉瘤(UCS)、肺鳞癌(LUSC)、直肠腺癌(READ)和结肠腺癌(COAD)的突变总结图。

3.2 GPR15的综合网络分析

    为了获得更多关于GPR15功能的见解,对GPR15进行了综合网络分析,如图3所示。该网络建立在共表达、物理相互作用、遗传相互作用、共享蛋白结构域和通路数据的基础上,作者发现最相关的蛋白是YWHAB,并且直接的物理相互作用支持该链接。YWHAB编码14-3-3 protein beta/蛋白,该蛋白在有丝分裂信号和细胞周期机制[39]中发挥作用。综合网络分析显示,GPR15除了免疫控制外,还可能对细胞生长产生影响,从而影响癌变。得分最高的5个gpr15相关基因见表1。

在这里插入图片描述
图3 GPR15综合网络。边缘颜色表示支持数据。粉色表示这条线是基于物理相互作用的。紫色表示由共表达谱线生成。蓝色代表共定位,黄色代表预测的相互作用。节点大小表示它在网络中的权重。

在这里插入图片描述

    对网络中排名前50的基因进行通路分析,通过反应体平台阐明其生物学功能。作者发现,丁酸响应因子1 (BRF1)结合和三脂丙氨酸(TTP, ZFP36)结合是两个最显著的途径。这两种途径都涉及YWHAB,进一步说明GPR15和YWHAB之间存在密切的相互作用。前五个最相关的路径如表2和表S1所示。

在这里插入图片描述

3.3 GPR15表达与预后相关性的泛癌分析

    为了在泛癌中评估GPR15的表达和预后,采用训练前多变量Cox回归模型,结合OncoLnc提供的特定基因表达值和基础临床数据,确定预后与GPR15表达值显著的TCGA队列。作者发现,COAD、HNSC、LUAD和胃腺癌(STAD)四种类型的预后可能(p < 0.15)与GPR15的表达相关(表3、表S2)。此外,Cox系数显示,COAD、HNSC、LUAD的危害与GPR15的表达呈负相关,而GPR15的表达与STAD的危害呈正相关。

由于文章在服务器上,全文详见:
http://bbit.vip/service/main.php?version=1&type=article&id=88

【3D应力敏感度分析拓扑优化】【基于p-范数全局应力衡量的3D敏感度分析】基于伴随方法的有限元分析p-范数应力敏感度分析(Matlab代码实现)内容概要:本文档介绍了基于伴随方法的有限元分析与p-范数全局应力衡量的3D应力敏感度分析,并结合拓扑优化技术,提供了完整的Matlab代码实现方案。该方法通过有限元建模计算结构在载荷作用下的应力分布,采用p-范数对全局应力进行有效聚合,避免传统方法中应力约束过多的问题,进而利用伴随法高效求解设计变量对应力的敏感度,为结构优化提供关键梯度信息。整个流程涵盖了从有限元分析、应力评估到敏感度计算的核心环节,适用于复杂三维结构的轻量化与高强度设计。; 适合人群:具备有限元分析基础、拓扑优化背景及Matlab编程能力的研究生、科研人员与工程技术人员,尤其适合从事结构设计、力学仿真与多学科优化的相关从业者; 使用场景及目标:①用于实现高精度三维结构的应力约束拓扑优化;②帮助理解伴随法在敏感度分析中的应用原理与编程实现;③服务于科研复现、论文写作与工程项目中的结构性能提升需求; 阅读建议:建议读者结合有限元理论与优化算法知识,逐步调试Matlab代码,重点关注伴随方程的构建与p-范数的数值处理技巧,以深入掌握方法本质并实现个性化拓展。
下载前必看:https://pan.quark.cn/s/9f13b242f4b9 Android 平板设备远程操控个人计算机的指南 Android 平板设备远程操控个人计算机的指南详细阐述了如何运用 Splashtop Remote 应用程序达成 Android 平板设备对个人计算机的远程操控。 该指南被划分为四个环节:首先,在个人计算机上获取并部署 Splashtop Remote 应用程序,并设定客户端密码;其次,在 Android 平板设备上获取并部署 Splashtop Remote 应用程序,并与之建立连接至个人计算机的通道;再次,在 Splashtop Remote 应用程序中识别已部署个人计算机端软件的设备;最后,运用平板设备对个人计算机实施远程操控。 关键点1:Splashtop Remote 应用程序的部署与配置* 在个人计算机上获取并部署 Splashtop Remote 应用程序,可通过官方网站或其他获取途径进行下载。 * 部署结束后,必须输入客户端密码,该密码在平板控制计算机时用作验证,密码长度至少为8个字符,且需包含字母与数字。 * 在配置选项中,能够设定是否在设备启动时自动运行客户端,以及进行互联网搜索设置。 关键点2:Splashtop Remote 应用程序的 Android 版本获取与部署* 在 Android 平板设备上获取并部署 Splashtop Remote 应用程序,可通过 Google Play Store 或其他获取途径进行下载。 * 部署结束后,必须输入客户端密码,该密码用于连接至个人计算机端软件。 关键点3:运用 Splashtop Remote 远程操控个人计算机* 在 Splashtop Remote 应用程序中识别...
先看效果: https://pan.quark.cn/s/7baef05d1d08 在信息技术范畴内,语音识别是一项核心的技术,它赋予计算机或设备解析处理人类语音输入的能力。 本研究项目运用了MFCC(Mel Frequency Cepstral Coefficients)与VQ(Vector Quantization)算法,借助VC++6.0的MFC(Microsoft Foundation Classes)库,开发出一个图形用户界面(GUI),从而达成基础的语音识别功能。 接下来将具体分析这些技术及其应用。 **MFCC特征提取**MFCC是语音信号处理中的一个标准方法,用于将复杂的语音波形转换成一组便于处理的数据参数。 MFCC模拟人类听觉系统对声音频率的感知模式,通过梅尔滤波器组对声音频谱进行分段处理,进而计算每个滤波器组的倒谱系数。 该过程包含以下环节:1. **预加重**:旨在削弱人声的低频响应部分,同时增强高频成分的强度。 2. **分帧窗函数**:将语音信号分割成多个短时帧,并应用窗函数以降低帧与帧之间的相互干扰。 3. **梅尔尺度滤波**:采用梅尔滤波器组对每一帧进行剖析,获取梅尔频率谱。 4. **取对数**:鉴于人耳对声音强度的感知呈现非线性特征,因此对梅尔频率谱取对数操作以更好地符合人类听觉系统。 5. **离散余弦变换(DCT)**:对对数谱实施DCT运算,提取主要特征,通常选取前12-20个系数作为MFCC特征。 6. **动态特性**:为了捕捉语音的时域变化特征,还可计算MFCC特征的差分值二阶差分值。 **VQ识别算法**VQ是一种数据压缩方法,在语音识别领域中常用于特征矢量的量化处理。 其基本理念是将高维度的MFCC特征向量映射到一个小型、预...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值