¹青岛大学附属医院，山东 青岛

²赣南医学院，江西 赣州

³华北理工大学研究生院，河北 唐山

⁴湘西民族职业技术学院，湖南 湘西

收稿日期：2020年12月11日；录用日期：2020年12月26日；发布日期：2021年1月12日

摘要

目的：使用计算机软件等工具和公开的数据库挖掘和分析多形性胶质母细胞瘤放化疗过程中诱发的呕吐和胃粘膜相关的基因集和信号通路，预测可能治疗呕吐的潜在有效药物。方法：通过文本挖掘网站pubmed2ensembl确定与呕吐和胃粘膜相关的基因，并将得到的基因集用Venny 2.1.0取交集，DAVID网站对交集基因集进行基因功能富集分析和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes, KEGG)通路分析。使用STRING-db和Cytoscape 3.2.1进行蛋白质相互作用网络分析和模块分析。GEPIA进一步确定模块分析的结果。采用DGIdb分析药物–基因相互作用的结果。结果：筛选出969个“止吐”和“胃粘膜”的交集基因集，经过对交集基因集的生物学功能进行富集分析和KEGG通路分析、蛋白质之间相互作用分析和模块分析，筛选出相关的52个基因。最终与正常组织相比箱式图有统计学意义并且存在生存率差异的为SAA1基因。针对SAA1基因的药物有3种，分别为ALBUMIN HUMAN、NAPROXEN、ANAKINRA。结论：使用计算机文本挖掘等生物信息学相关的软件和网站工具可以进一步探索呕吐的发病机制，并且，可以预测可能有效治疗的药物，提供改善呕吐的可能性。

关键词

多形性胶质母细胞瘤，文本挖掘，呕吐

Enrichment of Vomiting Gene Function and Drug Therapy of Glioblastoma Multiforme after Radiotherapy and Chemotherapy Based on Computer Text Mining

Ting Rong¹, Shan Liu², Xiaoyu Hu³, Xingna Gao¹, Si Rong⁴, Hongfei Ding¹, Ying Jiang¹, Naidong Wang¹

¹Affiliated Hospital of Qingdao University, Qingdao Shandong

²Gannan Medical College, Ganzhou Jiangxi

³Graduate School of North China University of Technology, Tangshan Hebei

⁴Xiangxi Nationalities Vocational and Technical College, Xiangxi Hunan

Received: Dec. 11^th, 2020; accepted: Dec. 26^th, 2020; published: Jan. 12^th, 2021

ABSTRACT

Objective: To use computer software and other tools and public databases to mine and analyze the vomiting induced during radiotherapy and chemotherapy of glioblastoma multiforme and the gastric mucosa-related gene sets and signal pathways, and predict potential effective drugs for the treatment of vomiting. Method: The genes related to vomiting and gastric mucosa were determined through the text mining website pubmed2ensembl, and the obtained gene set was crossed with Venny 2.1.0. The DAVID website performed gene function enrichment analysis on the intersection gene set and the Kyoto Encyclopedia of Genes and Genomes (Kyoto Encyclopedia of Genes and Genomes, KEGG) pathway analysis. Use STRING-db and Cytoscape 3.2.1 for protein interaction network analysis and module analysis. GEPIA further determines the results of the module analysis. DGIdb was used to analyze the results of drug-gene interactions. Result: Screen out 969 intersection gene sets of “antiemetic” and “gastric mucosa”. After enrichment analysis and KEGG pathway analysis of the biological functions of the intersection gene set, interaction analysis between proteins and module analysis, 52 related genes were screened out. In the end, compared with normal tissues, the box plot is statistically significant and the survival rate difference is the SAA1 gene. There are 3 kinds of drugs for SAA1 gene, namely ALBUMIN HUMAN, NAPROXEN, ANAKINRA. Conclusion: The use of computer text mining and other bioinformatics-related software and website tools can further explore the pathogenesis of vomiting, and it can predict the possible effective treatment of drugs and provide the possibility of improving vomiting.

Keywords:Glioblastoma Multiforme, Text Mining, Vomiting

Copyright © 2021 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 前言

呕吐是化学疗法(CT)和放射疗法(RT)的常见并发症 [1]，在多形性胶质瘤(Glioblastoma multiforme, GBM)中，也是如此 [2]。GBM呕吐的形成是多因素的，其一是CT、RT过程中产生的自由基，可能会损伤肠道中的肠嗜铬细胞(EC)，并诱导EC分泌某些神经递质(例如5-羟色胺，P物质和多巴胺)，这些神经递质经迷走神经到达催吐/呕吐中心(VC)，从而产生呕吐。其二是某些心理因素也可能影响呕吐的频率和严重程度 [3]。临床常应用某些止吐药来缓解呕吐，但，GBM患者通常需要同时服用抗抑郁药，后者可与多种止吐药相互作用，影响抗抑郁药的疗效；加之，预防性治疗CT、RT呕吐的依从性很低，这使得止吐药的使用有一定的局限性 [4] [5]。由于害怕呕吐，许多患者不得不推迟CT、RT的周期，甚至直接放弃CT、RT治疗。因此，呕吐的治疗，仍然存在广泛前景。

生物信息学数据挖掘与分析，是一种广泛应用于疾病机制探索与研究的方法，可以筛选出与疾病相关的基因、蛋白以及信号通路，还可筛选出相关的潜在有效治疗药物。本研究利用生物信息学相关计算机软件和在线网站，筛选出可能有效治疗GBM患者呕吐的基因新靶点、蛋白质–蛋白质相互作用网络，预测针对性的药物，提供治疗呕吐的新方向。

2. 资料与方法

2.1. 文本挖掘

我们使用pubmed2ensembl (http://pubmed2ensembl.ls.manchester.ac.uk/)，用于文本挖掘。检索两个关键词：“止吐药”(Antiemetic)和“胃粘膜”(Gastric Mucosa, GM)，并提取所有去重后的基因名称 [6]。然后使用Venny 2.1.0 (https://bioinfogp.cnb.csic.es/tools/venny/) [7] 获取这两个基因集的交集，时间截止为2020年5月30日。保存此交集基因集，进行下一步数据分析。

2.2. 生物学过程和途径分析

DAVID (https://david.ncifcrf.gov/home.jsp)是一个基于互联网的工具，以高通量的方式对大量基因进行基因功能富集分析，以进一步对其生物学进行解释 [8]。我们对第一步生成的交集基因，使用DAVID进行基因功能富集分析，包括物学过程(Biological Process, BP)，细胞成分(Cellular Component, CC)，分子功能(Molecular Function, MF)以及KEGG信号通路(KEGG Pathway)分析。

2.3. 蛋白质相互作用网络

我们使用STRING (http://string-db.org/)，Cytoscape-v3.2.1 (https://www.bootcdn.cn/cytoscape/3.2.1/)软件来分析：由基因翻译产生的蛋白质之间的相互作用(PPI)网络。STRING数据库整合了高通量的实验数据、数据库、文献挖掘以及基于基因组环境分析的预测，可作为评估蛋白质与蛋白质相互作用的平台 [9]。在STRING数据库中，对上一步的结果进行筛选，选择“多种蛋白质”-“置信度(CI) ≥ 0.90”-“隐藏单个的蛋白质”，以显示基因相互作用网络。

Cytoscape，用于建立生物分子相互作用的软件，具有很强的可视性 [10]。通过Cytoscape-v3.2.1中的MCODE模块对PPI网络进行分析，选择“k-core = 2”-“CI ≥ 0.90”。最终选择一个高度相关的基因进行下一步分析。

2.4. 药物–基因相互作用

将上一步基因导入到GEPIA (http://gepia.cancer-pku.cn/index.html)中，GEPIA是一种基于TCGA和GTEx数据库、提供快速检索功能，用于验证基因表达的软件 [11]。在“expression DIY”中检索基因集中的每一个基因，“|Log2FC| Cutoff”为1，“P-value Cutoff”取0.01，数据集组织选择“GBM”，数据来源选择TCGA和GTEx数据库。在“Survival”里面选择“Survival Plots”，“Cutoff-High”、“Cutoff-Low”均选择50%，数据集组织选择“GBM”，绘制生存曲线图。

药物基因相互作用数据库(DGI-db) (http://www.dgidb.org/search_interactions)整合了NCBI Entrez、PharmGKB、DrugBank等临床试验数据库以及PubMed已经发表的文献数据等27个数据库的信息 [12]。因此，在本研究中，利用DGI-db来研究药物–基因间的相互作用。针对GEPIA中表达量、生存曲线图均有统计学差异(P < 0.05)的基因，点击“Find Drug-Gene Interactions”，即可得到与此基因相互作用的药物。

3. 结果

3.1. 文本挖掘

根据图1的流程，从文本挖掘检索中，得到2154个与止吐相关的基因、1667个与GM相关的基因。Venny 2.1.0结果显示两者交集的基因共有969个基因(图2)。

图1. 流程图

图2. Venny图

3.2. 生物学过程和途径分析

DAVID通过基因功能富集分析和KEGG信号通路分析，按P值由小到大进行排序，选择排序最靠前的6个BP，CC，MF以及KEGG Pathway，进行进一步分析，结果显示：GBM呕吐对化疗刺激以及有机物质的应答最强烈，主要与蛋白多肽，细胞因子–细胞因子受体之间相互作用，肿瘤途径以及磷脂酰肌醇-3-激酶(PI3K)-Akt-雷帕霉素敏感的mTOR复合物(mTOR)信号通路有关(图3)。

图3. GO图

包括SAA1基因(combined score = 0.932)在内，和GBM呕吐相关的KEGG Pathway最相关的基因有31个。其中，生长因子受体(EGFR)基因的甲基化突变可能与GBM表观遗传异常有关；CDKN2A，RB1，TP53等抑癌基因的突变以及磷酸酶和张力蛋白相似物(PTEN)参与的受体酪氨酸激酶(RTKs)信号通路可能也参与了GBM的形成 [13]。KEGG通路中，细胞因子–细胞因子受体相互作用与SAA1均参与炎症反应过程 [14] [15]，肿瘤途径中，SAA1在GBM的迁移中起到了双重调节作用 [16]。

3.3. 蛋白质相互作用网络

STRING将交集基因集的结果进行蛋白质–蛋白质相互作用网络分析，结果显示：蛋白质相互作用网络共有568个节点和3920个网络连接。与GBM最相关的前10个基因为：激肽原1 (KNG1)，血管紧张素原(AGT)，甲酰肽受体(FPR2)，血清淀粉状蛋白A1(SAA1)，基质细胞衍生因子1 (CXCL12)，膜联蛋白A1 (ANXA1)，钙感觉受体(CASR)，前黑素浓缩激素(PMCH)，内皮素1 (EDN1)，趋化因子(C-C基元)配体4 (CCL4)。利用可视化功能强大的Cytoscape软件 [17]，创建与呕吐最为紧密相关的MCODE模块，节点为52个、网络连接为847个(图4)，进行下一步分析。

3.4. 药物–基因相互作用

我们通过GEPIA的Kaplan-Meier方法验证了上一步Cytoscape中MCODE模块的基因集，包括ADRA2A、ADRBK1、AGT、ANXA1、SAA1等。血清淀粉样蛋白A1 (SAA1)基因是唯一一个和正常组织比较后，生存率，表达量差异都有统计学差异(p < 0.05)的基因(图5)。与正常组织相比，SAA1在GBM患者中高表达，并且生存率(Logrank p = 0.019, p < 0.05)具有统计学意义。

图4. PPI网络图

图5. SAA1的箱式图和生存率差异图

利用DGIdb网站在线检索了针对SAA1基因已经研发成功或正在研发中的药物，共3种(表1)，分别为ALBUMIN HUMAN、NAPROXEN以及ANAKINRA。

表1. 针对靶基因治疗呕吐的潜在药物汇总表

4. 讨论

GBM是一种与遗传、表观遗传、周围环境相关的、最常见的恶性原发性脑肿瘤，预后非常差，III、IV级的GBM通常具有一定的坏死性、侵袭血管性，极易复发，5年生存率为4%~5% [18]。目前，对GBM的发病机制研究已经足够多，涉及到多种基因、蛋白以及信号通路，却忽略了放化疗后呕吐的药物研究。本研究是挖掘公共数据库中前人的研究成果，利用生物信息学软件以及网站探索可能治疗GBM放化疗后呕吐的潜在药物，结果可能并不一定会应用于临床，但可为后续研究提供一个大致方向或方法。

在本研究中，我们通过pubmed2ensembl检索相关基因，Venney筛选交集基因集。这种应用生物信息学工具对已知的高通量基因组学进行数据挖掘和分析，可能会找到治疗GBM诱发呕吐的关键基因、相关的信号途径以及对应的药物 [19]。

检索到“止吐”和“胃黏膜”两者的交集基因集为969个。经过基因富集分析发现，排在前6的BP与化学物质和外部刺激；对有机物、氧化物的反应应答以及细胞增殖有关。CC大都与胞外区、细胞表面、细胞膜、膜囊泡、细胞膜的一侧有关。MF与受体结合、细胞因子受体结合、细胞因子活性、相同蛋白结合、酶结合、生长因子活性有关。最终确定，SAA1是与治疗GBM诱发的呕吐高度相关的基因，其箱式图和生存率均表现出与正常组织比较后，存在明显的统计学差异。KEGG通路分析提示肿瘤通路、造血细胞谱、蛋白聚糖–癌症通路、细胞因子–细胞因子受体相互作用、乙肝、TNF信号通路以及PI3K-Akt-mTOR信号通路均可能参与此过程。GBM呕吐与PI3K-Akt-mTOR途径以及TNF信号通路有关。已经有研究表明：PI3K-Akt-mTOR在GBM的细胞生长、增殖、分化以及凋亡中，均发挥着重要作用 [20]；TNF-α可以剂量依赖性的通过caspase-3途径，促进GBM细胞的凋亡；路长宇的研究表明TNF-α还可以通过线粒体分裂途径促进GBM凋亡 [21]。通过以上结果分析，我们可以得知，治疗GBM过程中导致的呕吐过程，非常复杂，牵涉到多种基因、多种信号通路的调控。

蛋白质相互作用网络是为了进一步筛选出具有高度相关的相互作用的基因。有研究表明：AGT过表达可能与替莫唑胺的抗性有关 [22]；FPR2以及ANXA1可能介导了GBM的侵袭 [23]；CXCL12可能通过Notch1信号通路在GBM肿瘤干细胞的自我更新、分化中起作用 [24]；EDN1在GBM中多以自分泌和旁分泌的形式存在，参与GBM的EDNRB信号传导、维持GBM肿瘤干细胞的迁移 [25]。

SAA1是机体发生受伤、感染或肿瘤后，主要由肝脏分泌的一种高度敏感的急性高密度脂蛋白，多项研究表明它的三种亚型(SAA1, SAA2, SAA3)与肿瘤的发生、发展、迁移、增殖、侵袭以及肿瘤分级相关 [16] [26]。实时定量PCR结果显示：GBM中SAA1 mRNA的量显著升高(p < 0.0001)，免疫组织化学分析显示GBM中SAA呈阳性。虽然GBM中SAA1与临床终点事件总生存率无明显相关性，但，SAA1与肿瘤进展的相关基因之间存在正相关(如：HIF1A，CD163，CXCR4和CXCR7)，与III、IV级神经胶质瘤的恶性程度呈正相关 [27]，并且参与了GBM血管生成和进展。长期以来，SAA1都被用作研究癌症风险的预测因子，如：胃癌、肺癌、乳腺癌、子宫内膜癌等，并作为预后标志物 [16]。目前，尚未有人研究GBM放化疗后呕吐与SAA1基因之间的关系，但，这是一个不可忽视的问题，值得进一步研究，以后的研究可以多关注一下这个方向。

基因药物的分析显示，针对靶基因SAA1，目前有3个明确的药物可以治疗，即人血清白蛋白(Albumin Human)、萘普生(Naproxen)和阿那白滞素(Anakinra)。这三种药在GBM呕吐方面的应用，鲜有报道，可以作为新的研究方向。

5. 结论

综上所述，在这项研究中，我们应用生物信息学软件以及在线网站，通过文本挖掘与筛选、基因富集功能分析以及KEGG通路分析，建立了与之对应的蛋白质–蛋白质相互作用网络，进一步筛选与正常组织有统计学差异的基因和蛋白，最终筛选出可能有效治疗GBM诱发呕吐的药物。这些药物是否能被应用于临床，需要进一步的分子生物学来验证。

文章引用

荣 婷,刘 珊,胡晓宇,高杏娜,荣 思,丁鸿斐,姜 英,王乃东. 基于计算机文本挖掘的多形性胶质母细胞瘤放化疗后呕吐基因功能富集及药物治疗分析
Enrichment of Vomiting Gene Function and Drug Therapy of Glioblastoma Multiforme after Radiotherapy and Chemotherapy Based on Computer Text Mining[J]. 临床医学进展, 2021, 11(01): 78-86. https://doi.org/10.12677/ACM.2021.111011

参考文献