生信分析+GEO公共数据：从零到天花板的全攻略！

今天和大家分享的是 影响因子 5.7 发表在 Biology direct 杂志上的文章“ Integrative genomics unveils basement membrane-related diagnostic markers and therapeutic targets in esophageal squamous cell carcinoma ” ， 这篇文章通过 生物信息学和单细胞测序方法 ，初步探讨 基底膜 在 食管鳞状细胞癌 中的作用和机制，发 现了一些与免疫细胞和免疫功能显著相关的 基底膜 相关基因，如 BGN 、 COL4A1 、 SPARC 和 LUM 。以期为食管 鳞状细胞癌的早期诊断和靶向治疗提供新的策略。

研究亮点 ：

1、 基于单细胞测序和多组学分析，挖掘食管鳞状细胞癌（ ESCC ）中基底膜相关基因（ BMRGs ）的诊断价值，筛选出 7 个关键基因（ BGN 、 LAMB3 、 SPARC 、 MMP1 、 LUM 、 COL4A1 、 NELL2 ）并构建诊断列线图。

2、 探究 BMRGs 与肿瘤微环境免疫浸润的关联，发现其与巨噬细胞、 T 细胞等免疫细胞及免疫检查点基因的表达相关性，揭示 ESCC 免疫调控机制。

3、 验证 BGN 基因在 ESCC 中的功能，证实其可通过影响上皮 - 间充质转化促进肿瘤增殖、迁移，并预测 BGN 高表达患者对多西他赛等化疗药物的敏感性，为靶向治疗提供新方向。

一、研究背景

ESCC 是全球高发的消化道恶性肿瘤，尤其在中国发病率居高不下。由于早期症状不明显，诊断困难，多数患者确诊时已处于晚期，预后较差。肿瘤的侵袭与转移是影响预后的关键因素，其过程中常伴随基底膜（ BM ）的破坏。 BM 是细胞外基质的重要组成部分，其中的层粘连蛋白和 IV 型胶原蛋白等结构蛋白在肿瘤微环境中调节细胞粘附、极性和迁移。 BMRGs 的异常表达可能是肿瘤侵袭的重要标志物，但目前在 ESCC 中的研究较少。因此，本研究通过多组学数据分析，筛选与 BM 相关的诊断标志物，并探讨其在 ESCC 中的潜在机制。

二、研究目的：

研究旨在通过整合单细胞测序与多组学数据，筛选 ESCC 中 BMRGs ，构建诊断模型并验证其临床价值，同时探究 BMRGs 与肿瘤微环境免疫浸润及上皮 - 间充质转化的关联，以挖掘 ESCC 的诊断标志物与治疗靶点。

三、 研究方法

1 、数据获取

从 GEO 数据库获取 4 个微阵列数据集（ GSE53625 、 GSE44021 、 GSE23400 、 GSE20347 ）和 1 个单细胞 RNA 测序（ scRNA-seq ）数据集（ GSE188900 ），并从 TCGA 数据库获取 81 例 ESCC 样本的 RNA 表达谱数据。

2、 单细胞数据分析

利用 R 包 Seurat 对 scRNA-seq 数据进行过滤、归一化和聚类，通过 UMAP 降维后注释细胞类型；使用 AUCell 和 ssGSEA 算法计算 BM 基因模块评分，借助 Monocle 进行细胞轨迹分析以预测分化状态。

3、 BMRGs 筛选与诊断模型构建

用 limma 包筛选 ESCC 与正常组织的差异表达基因（ DEGs ），结合 222 个已知 BMRGs ，通过 LASSO 、 SVM-RFE 和随机森林算法交叉筛选特征基因；基于 7 个关键基因（ BGN 、 LAMB3 等）构建诊断列线图，通过 ROC 曲线和 AUC 值验证诊断效能。

4、 功能与通路分析

采用 clusterProfiler 进行 GO 和 KEGG 富集分析（矫正 P

5、 药物敏感性与免疫浸润分析

借助 oncoPredict 包计算药物敏感性评分，比较 BMRGs 高低表达组对多西他赛等化疗药物的反应差异；通过 CIBERSORT 和 MCPcounter 算法评估免疫细胞浸润，分析 BMRGs 与 40 个免疫检查点基因的相关性。

6 、分子亚型与验证

使用 ConsensusClusterPlus 进行无监督共识聚类，将 ESCC 分为 2 个亚型，结合 GSVA 分析亚型间基因集富集差异；通过 Western blot 、 CCK-8 、 Transwell 等实验验证 BGN 基因对 ESCC 细胞增殖、迁移及化疗敏感性的影响。

四、 研究结果

1 、单细胞 RNA 测序数据的分析

对 GSE188900 单细胞数据聚类后，将 ESCC 细胞分为 8 种类型（如 T 细胞、成纤维细胞等）。通过 AUCell 和 ssGSEA 算法计算 BM 基因模块评分，发现 ESCC 细胞的 BM 评分显著高于正常细胞，其中成纤维细胞的 BM 评分最高，提示其在 BM 重塑中起关键作用。

Fig 1 单细胞 RNA-seq 分析表明 ESCC 发生与 BM 之间存在显著相关性

2 、 机器学习筛选核心 BMRGs 并构建诊断模型

从 TCGA 和 GEO 数据集筛选出 22 个 BM 相关差异基因，经 LASSO 、 RF 和 SVM-RFE 算法交叉验证，最终确定 7 个核心基因（ BGN 、 COL4A1 、 LAMB3 、 LUM 、 MMP1 、 NELL2 、 SPARC ），其在 ESCC 中显著上调（ GSE53625 数据集），单个基因诊断 AUC 均＞ 0.90 （如 BGN 的 AUC=0.981 ）。

基于 7 个核心基因构建的诊断列线图 AUC 达 1.0 ，在 GSE20347 和 GSE23400 数据集验证中， AUC 范围为 0.859~0.986 ，显示高诊断效能。

Fig 2 通过机器学习方法识别 ESCC 的 BM 相关诊断生物标志物

Fig 3 诊断列线图模型的开发和验证

3 、 BMRGs 与肿瘤微环境免疫浸润关联

BGN 、 MMP1 等基因与免疫评分正相关， COL4A1 等与免疫评分负相关； ESCC 组织中 11 种免疫功能评分显著升高，提示免疫应答异常。

CIBERSORT 分析显示， M0/M1 巨噬细胞、 CD4+ 记忆活化 T 细胞与 BM 基因表达正相关，而 Tregs 、 CD8+T 细胞呈负相关； BGN 、 MMP1 与免疫检查点基因（如 CD276 、 CTLA4 ）表达显著相关。

Fig 4 ESCC 患者 7 个 BM 基因的肿瘤微环境特征和表达

4 、分子亚型与免疫表型

通过对 ESCC 患者的分子亚型分析，将患者分为亚型 A 和亚型 B ，亚型 B 的 BM 基因表达显著高于亚型 A 。 GSVA 分析显示，亚型 B 富集了细胞外基质解体、胶原代谢、角质形成细胞增殖等途径。免疫微环境评分分析表明，亚型 B 的免疫浸润和基质评分均显著升高，可能预示其更强的侵袭性。

Fig 5 ESCC 中分子亚型的表征及其相关分子特征

5 、成纤维细胞中的基因表达与 EMT 通路活化

在成纤维细胞的伪时间分析中， BGN 、 COL4A1 、 SPARC 和 LUM 基因在不同分化状态下呈现动态变化，揭示了这些基因在成纤维细胞分化与 ESCC 进展中的潜在作用。通过 GSCALite 平台的分析，发现 BGN 与 EMT 通路的激活显著相关，提示其在肿瘤进展中的重要作用。

Fig 6 ESCC 中成纤维细胞的分子表征和功能分析

6 、 BGN 功能验证揭示促癌机制

体外实验显示，敲低 BGN 可抑制 TE-1 细胞增殖、迁移和侵袭，促进细胞凋亡，并下调 EMT 标志物 N-cadherin 、上调 E-cadherin 。

药物敏感性分析表明， BGN 高表达的 ESCC 细胞对多西他赛、紫杉醇等化疗药物更敏感，提示 BGN 可作为化疗敏感性预测标志物。

Fig 7 BGN 敲低对食管鳞状细胞癌细胞表型的影响

Fig 8 BGN 表达及其与 ESCC 药物敏感性的相关性

五 、研究结论

本研究通过整合单细胞 RNA 测序和多组学数据分析，鉴定出 7 个与 ESCC 诊断和进展密切相关的 BM 相关基因（ BGN 、 LAMB3 、 SPARC 、 MMP1 、 LUM 、 COL4A1 和 NELL2 ），并构建了具有高诊断效能的列线图模型。功能实验证实， BGN 基因可通过调控上皮 - 间质转化（ EMT ）促进 ESCC 细胞的增殖、迁移和侵袭，且其表达水平与化疗药物敏感性显著相关。本研究为 ESCC 的早期诊断和个体化治疗提供了新的生物标志物和潜在治疗靶点。