核糖体请你适可而止！对恶性肿瘤可不能过分“热情”~

给生信人一个星标，让我们每天都能见面。方法如下 ：👇 👇

嗨，大家好！今天要给大家介绍的文章题目是Genomic hallmarks and therapeutic targets of ribosome biogenesis in cancer，是一篇今年1月发表在BRIEFINGS IN BIOINFORMATICS(if：9.5)杂志上的文章，作者建立了一种基于转录组数据的计算机模拟方法来量化核糖蛋白的活性，分析了来自TCGA/GTEx数据集13种癌症类型的单细胞表达谱数据，探索了人类癌症中的核糖体生物发生活性及其临床相关性。快来一起看看吧！

背景

核糖体生物发生(RiboSis)是细胞生长和增殖过程中产生蛋白质合成所需核糖体的复杂过程。核糖体作用包括rRNA转录、rRNA裂解、rRNA修饰、核糖体组装和核糖体前颗粒的输出。在恶性细胞中，参与RiboSis各子步骤的基因发生体细胞改变，导致核糖体病，癌变风险增加。越来越多的证据表明，过度活跃的核糖可以促进无限制的细胞生长和增殖，并且在癌症的发生和转移中发挥核心作用。

方法

核糖体生物发生活性

1.在每个样本中，对所有基因表达值进行秩标准化，所有基因从高表达到低表达排序。

2.利用经验累积分布函数(ECDF)计算RiboSis基因的富集评分和非RiboSis基因的富集评分。经验累积分布函数的估计采用默认高斯法。

3.核糖体生物发生途径的富集分数(RiboSis活性)由RiboSis基因的富集分数减去非RiboSis基因的富集分数得到，代表单个样本的核糖体生物发生活性。

结果

1.核糖体生物发生活性的系统评价

为了评估癌细胞增殖过程中对核糖体的需求，作者开发了一种计算机模拟方法来量化核糖体的活性(图1C，详见方法)。

图1 量化核糖体生物发生(RiboSis)活性方法的开发和验证

首先，根据MSigDB的GOterms和查阅文献的特征定义了一个包括331个基因的ribosiss相关基因集(图1A)。共有251个(76%)核糖体基因被定义为肿瘤生长和生存的必需基因(图1B)。接下来，作者开发了一种计算核糖活性的新型计算机模拟方法。为了评估工作效率，作者分析了来自TCGA-BRCA和CPTAC数据集的105例乳腺癌样本的mRNA和蛋白表达数据。在鉴定的核糖活性和4种可用原纤维蛋白(包括RRP1、FBL、NOP56和USP36)的表达之间观察到显著关联(图1D和E)。

图1 量化核糖体生物发生(RiboSis)活性方法的开发和验证

为了进一步探索方法的可靠性，作者分析了具有强大的核糖抑制活性的5-f氟尿嘧啶处理后单细胞RNA表达的变化。本方法定量的核糖活性在5-氟氟尿嘧啶处理结直肠癌细胞后下降(下图F)。这些数据表明，本文开发的计算方法是可靠的，可以根据转录组表达数据评估核糖体的生物发生活性。

图1 量化核糖体生物发生(RiboSis)活性方法的开发和验证

2.人类癌症特别是恶性细胞中过度活跃的核糖活性

使用上述方法，作者分析了来自TCGA/GTEx数据集的RNA-seq数据，以评估33种癌症类型的RiboSis活性。核糖活性因不同癌症类型而异，不同癌症类型的肿瘤细胞增殖对核糖活性的需求存在差异(图2A)。在25种肿瘤类型中，RiboSis在肿瘤中的活性显著高于正常组织(图2B)，突出了核糖体过度活跃在肿瘤发生中的重要性。

图2 人类癌症中过度活跃的核糖体生物发生(RiboSis)

此外，作者收集了13种癌症类型的单细胞RNA-seq谱，以评估除恶性细胞之外的不同细胞类型的RiboSis活性。发现RiboSis在恶性细胞中比免疫细胞或基质细胞更活跃，这一现象与恶性细胞的比例无关(图2C-E)。综上所述，这些数据表明RiboSis在癌症中，特别是在恶性细胞中过度活跃，这为抗RiboSis治疗期间选择性靶向肿瘤而非正常细胞提供了理论基础。

图2 人类癌症中过度活跃的核糖体生物发生(RiboSis)

作者研究了癌症组织中的过度活跃核糖是否可以当作生物标志物来区分癌症和正常组织，发现RiboSis活性在区分15种癌症类型的癌组织和正常组织方面表现出突出的性能(图3A)。然后，作者探索了在所有33种癌症类型中，它是否与患者预后相关。作者发现，在泛癌水平，核糖体过度活动是不良临床结局的危险因素(图3B)。在15种癌症类型中，核糖体过度活跃与较差的无进展间期相关(图3C)。综上所述，RiboSis活性可作为预测癌症的有效生物标志物，RiboSis活性较高的癌症患者发生严重结局的风险增加。

图3 人类癌症中上调的核糖体生物发生(RiboSis)基因

为了进一步确定与RiboSis相关的基因组改变的特征，作者首先探索了每个RiboSis基因在人类癌症中的表达特征，并观察到上调的RiboSis基因在癌症中显著富集(图3D)。值得注意的是，不同类型的癌症表现出癌症特异性RiboSis基因失调模式(图3E)。

图3 人类癌症中上调的核糖体生物发生(RiboSis)基因

3.核糖基因经历高拷贝数扩增

为了在DNA水平上探索与RiboSis相关的改变，作者分析了人类肿瘤中RiboSis基因的遗传改变。总体而言，在人类癌症中，观察到体细胞拷贝数变异(CNVs)的比例高于单核苷酸变异(SNVs)(图4A和B)。为了更深入地了解核糖基因在人类癌症中的基因组改变，作者聚焦于CNVs，包括扩增和缺失，并基于GISTIC2(图4C)。

图4 核糖体生物发生(RiboSis)基因的体细胞遗传改变的特征

有趣的是，高CNV经常发生在RiboSis基因(图4D)并且在胆管癌(CHOL)，肾透明细胞癌(KIRC)，肾上腺皮质癌(ACC)和前列腺癌(PRAD)中显示出显著的扩增峰富集(图4F)。总之，这些结果提示了反复扩增的核糖基因在人类癌症中的重要作用。

图4 核糖体生物发生(RiboSis)基因的体细胞遗传改变的特征

4.基于核糖基因的治疗靶点的特征

为了了解RiboSis基因的药物开发现状，作者根据RiboSis基因的目标发育水平(TDLs)，使用TCRD进行数据挖掘。在这些RiboSis基因中，目前只有两个RiboSis基因(XPO1和mTOR)作为FDA批准的药物在某些癌症类型中的治疗靶点，而一小部分RiboSis基因(20/331)是满足活性阈值的小分子靶点，大多数RiboSis基因(309/331)仍然缺乏相应的化合物来操纵它们的功能(图5A)。值得注意的是，240个低靶点发育水平的RiboSis基因对癌细胞生长和生存至关重要(图5A)。总的来说，大量尚未充分研究的核糖基因对癌症生长至关重要，但缺乏适当的药物干预，为进一步的药物开发提供了很大的机会。

基于上述RiboSis相关的基因组标记，共有128个RiboSis基因被确定为潜在的治疗靶点候选基因(图5B)。在超过一半的癌症类型中，几个RiboSis基因被认为是潜在的治疗靶点，包括三种反复扩增的RiboSis基因，DCAF13, EXOSC4和UTP23。这三个基因的扩增频率均高于XPO1(图4E)。在泛癌水平，TP53是突变频率最高的SNV热点(图5B)。

图5 核糖体生物发生(RiboSis)基因为基础的治疗靶点的特征

在TP53错义突变组中，RiboSis的活性显著增加(图5C)，和核糖体过度活跃与无TP53突变的LUSC患者的不良结局相关(图5D)。通过整合转录组和基因组数据，作者使用排序方法获得了331个RiboSis基因的综合评分。对每种癌症类型中排名前10的基因进行的综合分析揭示了多种癌症类型中的几个热点基因，包括BMS1和XRCC5(图5E)。综上所述，本文扩展了潜在的基于RiboSis基因的抗肿瘤靶点库。

图5 核糖体生物发生(RiboSis)基因为基础的治疗靶点的特征

5.抗癌症中核糖体生物发生的推定药物

考虑到新药开发周期长，作者筛选了可能通过抑制RiboSis来治疗癌症的临床批准/实验药物或工具化合物。为了了解这些化合物对RiboSis的影响，作者首先使用机器学习在TCGA队列的9,173例患者中预测了367种化合物的药物应答(图6A)。结合TCGA的表达数据，获得了高度相关的RiboSis基因和药物对。有趣的是，RiboSis基因的表达主要与患者的药物反应性呈负相关，尤其是在DLBC和胸腺瘤(THYM)中(图6B)，即RiboSis基因的高表达与患者的药物敏感性增加有关。然后，在功能富集分析中，作者重点关注表达与药物应答呈负相关的核糖基因，并观察到核糖体生物发生的每个子步骤与不同癌症类型中临床批准/实验药物或工具化合物的靶点通路有广泛的相关性(图6C)。

图6 抗核糖体生物发生(RiboSis)的推定药物

然后，利用来自CCLE的表达数据和来自GDSC的药物敏感性数据，在核糖活性和每种药物的半最大应答之间进行了关联分析。RiboSis活性较高的癌细胞对65种药物更敏感(图6D)。作者还对RiboSis的五个子步骤的活性进行了差异药物反应分析。在RiboSis的任何子步骤中活性增强的癌细胞往往对多种药物更敏感，和23种药物在所有差异分析中均显示出显著的药物敏感性差异(图6E)。因此，这些数据为重新利用临床批准的化合物通过抑制RiboSis来杀死恶性细胞提供了有价值的资源。

图6 抗核糖体生物发生(RiboSis)的推定药物

这篇文章介绍到这里就结束了，本文是一篇逻辑完整的生信领域的泛癌研究文章。在数据方面，作者基于大量的公共数据库中的数据进行了方法验证和泛癌分析；在方法方面，作者从富集分析中获得了启发，建立了一种基于转录组数据的计算机模拟方法来量化核糖蛋白的活性，并基于此进行了后续的单细胞分析、拷贝数变异、治疗靶点的筛选和药物的推定等分析。本文无论思路还是方法都很大家值得学习采纳！

更贴合临床的生信分析定制