IL-1B 和 CXCL8 通过 IL-17 通路调节食管鳞状细胞癌和炎症性肠病的进展
廖佳轩1*， 郭占文2*唐正珍5*， 郑继善1*， 马云燕1*， 孙洪琴1， 张倩1， 张继东13,4， 宋涛1,4#
1 遵义医科大学免疫学系，中国
2 遵义医科大学医学信息工程学院，遵义
3 遵义医科大学组织损伤修复与再生医学协同创新中心，遵义
4 遵义医科大学贵州省基因检测与治疗特别重点实验室，中国遵义
5 遵义医科大学第三附属医院儿科，中国遵义。
#通讯作者。
*这些作者对这项工作的贡献相当。
抽象
背景
消化道最常见的恶性肿瘤之一是食管鳞状细胞癌
（ESCC） 的一种常见的慢性消化系统疾病是炎症性肠病 （IBD）。既往研究表明 ESCC 与 IBD 相关，但其病理生理机制仍知之甚少。本研究旨在通过对公开可用的转录组数据进行定量生物信息学分析，确定介导 ESCC 和 IBD 共生的关键分子和信号通路。
方法
使用 Limma 软件搜索 ESCC 和 IBD 之间的 DEGs。我们获得了GSE45670，GSE66407, GSE161533, GES75214, GSE203115
和GSE215001
来自 GEO 数据库的微阵列数据集。然后我们进行了 8 项分析：GO 和 KEGG 的功能注释、PPI 相互作用网络筛选关键基因、TF 基因、TF-miRNA 共调控网络、ssGSEA 免疫浸润分析算法、枢纽基因验证、候选药物预测和分子对接分析以及单细胞分析.
结果
总共鉴定了 6016 个 ESCC 和 480 个 IBD DEGs，其中 198 个基因重叠。GO 和 KEGG 分析揭示了 198 个基因富集的几种途径。其中，IL-17 通路在 KEGG 中的富集程度最高。Cytoscape 中的四种算法表明，IL-1B 和 CXCL8 这两个基因在四种算法中表达最高。在后来的 ssGSEA 算法中，我们发现 IL-1B 和 CXCL8 与多种免疫细胞相关。分子对接在
编号： AS-605240
和 IL-
1B，CXCL8.
此外
我们从 GEO 数据库中获取验证集进行验证，并使用 CMap 数据预测潜在的治疗药物。分子对接在
编号： AS-605240
和 IL-
1B，CXCL8.
最后，对 hub 基因进行单细胞分析。
结论
这项研究表明
IL-1B 和 CXCL8 通过 IL-17 通路调节食管鳞状细胞癌和炎症性肠病的进展
.未来，ESCC 和 IBD 患者可能会受益于基于这些常见免疫生物标志物的新研究靶点和疗法。
关键词：食管鳞状细胞癌（ESCC），炎症性肠病（IBD），IL-1B，CXCL8，B信息学， 细胞景观， 免疫生物标志物
1.引言
IBD 是一种肠道慢性炎症性疾病，包括 UC 和克罗恩病 （CD） [1]。在 21 世纪基于人群的研究的荟萃分析回顾中评估了 IBD 的全球发病率和患病率。分析表明，IBD 的发病率和患病率在全球范围内不断增加，其中北美和欧洲的发病率最高 [2]越来越多的研究表明，IBD 是许多因素相互作用的结果。这些因素包括遗传成分、环境因素、免疫系统和微生物 [3， 4]。其特征是免疫反应与体内肠道菌群之间的异常相互作用 [5]。IBD 影响全球约 0.3%-0.5% 的人口，一直是一个全球性健康问题 [4]IBD 因地区而异，疾病负担也在不断变化。IBD 很复杂，预测性差，治疗方法很少。目前没有针对 IBD 及其引起的并发症的特异性治疗方法。支持治疗是主要的临床治疗方法 [6]。控制 IBD 患者的慢性炎症、防止炎症复发以及减少严重发作期间的副作用是 IBD 治疗的关键 [7]。免疫介导的 IBD 机制尚未成为系统研究的主题。未来，IBD 治疗可能包括免疫调节药物。例如，免疫检查点抑制剂、细胞因子靶向治疗等[8， 9]。治疗 IBD 的一种新方法是寻找潜在的标志物。有相关的临床现象表明，IBD 患者患癌症的风险随着年龄的增长、慢性炎症持续时间的延长和免疫抑制的延长而增加。
最常见的恶性肿瘤消化系统之一是食管癌 （EC）。新诊断的食管癌的年发病率约为 450,000 例，其中 88% 是食管鳞状细胞癌 （ESCC） [10]。食管鳞状细胞癌在世界东部的发展中国家更常见，例如亚洲和非洲 [11]。男性 ESCC 比女性 （31%） 更常见 （69%） [12]。食管鳞状细胞癌的发病机制是由于基底细胞增生、发育不良和侵入人体内正常食管鳞状细胞上皮而转化为食管鳞状细胞癌。就 ESCC 的治疗现状而言，虽然已经开发了包括手术、化疗、放疗和放化疗在内的多学科治疗，但预后较差。因此，食管鳞状细胞癌 （ESCC） 是临床医生面临的主要挑战 [13， 14]。这种治疗结果也导致人们寻找革命性的 ESCC 治疗策略，尤其是免疫疗法导向疗法。近年来，免疫治疗的最新进展显著改变了食管鳞状细胞癌的治疗 [15].
生物信息学对于现代生物学和医学的数据管理至关重要，在医学研究中发挥着重要作用。它是现代生物医学研究中管理和分析数据集的重要工具 [16， 17]。虽然生物信息学是一种相对较新的方法，但它的应用正在大大提高，并已应用于炎症性肠病、哮喘、肥胖等许多疾病 [18]。为了探索 ESCC 和 IBD 的常见生物学机制，我们应用生物信息学寻找共同的枢纽基因，以期为后续靶向治疗提供理论依据。
2. 材料和方法
2.1 数据下载
GSE66407 系列矩阵文件的文件已从公共数据库 NCBI GEO [19]GPL19833 下载，其中包含 99 例正常病例和 264 例 IBD，用于许可注释平台。 GSE45670 范围的矩阵文件可供下载，注释文件根据 GPL570 获得许可。 总共包括来自 10 个正常样本和 28 个 ESCC 样本的 38 个转录组数据集。为了将正常组与患病组进行比较，使用了 Limma 套餐 [20]。p值 < 0.05 和倍数变化 > 1.5用作 DEGs 的筛选标准。还下载了 GSE75214 和 GSE161533 以验证 IBD 和 ESCC。 同时，对于 ESCC 单细胞相关性分析，下载了GSE203115数据文件，其中包含 12 个样品。对于 IBD 单细胞相关性分析，下载了 GSE215001。数据集的详细信息见表 1。目前的简化流程图如下所示（图 1）。
2.2 GO 和 KEGG 功能分析
我们分别使用 Metascape 数据库 （www.metascape.org）[21] 和 Sangerbox 3.0 站点 （http://vip.sangerbox.com） 对 DEGs 进行了基因本体论 （GO） 和京都基因组百科全书 （KEGG） 通路分析，以了解疾病发生和发展所涉及的功能和生物过程。基因本体论 （GO） 包含三个术语：生物过程、分子功能和细胞成分。对于基因本体 （GO），如果重叠≥ 3 且 p ≤ 0.01，则富集被认为具有统计学意义。KEGG 背景基因集从 Sanger Box 的 KEGG Rest API （https://www.kegg.jp/kegg/rest/keggapi.html） 中选择了最新的 KEGG 通路基因注释。使用 Sanger Box 板进行浓度分析。
2.3蛋白质-蛋白质相互作用的分析和联网
通过评估和分析 PPI 网络来了解细胞外蛋白如何与另一种蛋白质相互作用，有助于更好地了解细胞和系统生物学中的蛋白质功能。对于 IL-17 信号通路，PPI 网络是使用 STRING 构建的，使用所需的最小交互评级、0.4 和默认参数。使用 Cytoscape （V3.9.1） 分析和可视化 PPI 结果[22]我们分析了 CytoHubba 中的 4 种算法，并选择了每种算法中的前 10 个基因。这些算法包括 Maximal Clique Centrality （MCC）、Degree、Radiality 和 Closeness to Obtain hub 基因。
2.4 TF 基因相互作用和 TF-miRNA 共调节网络
转录因子 （TF） 是序列特异性蛋白 th附着在 DNA 上以控制转录。为了分析常见基因和转录因子之间的相互作用，以及评估 TFs 对常见基因表达和功能的影响，使用了 Network Analyst 3.0 [23]（https://www.networkanalyst.ca/）。TF 基因调控网络的构建和可视化已使用 Cytoscape 进行。使用 RegNetwork 网络工具获得 TF-miRNA 共调控网络。
2.5 浸润相关免疫细胞的评价及相关性分析
我们使用 ssGSEA 方法评估 ESCC 和 IBD 中免疫细胞行为的比较。为了说明结果，使用 'ggstatsplot' 和 'ggplot2' 包来分析独特诊断标志物与免疫浸润细胞之间的 Pearson 关联。
2.6 验证队列分析
为了进一步验证枢纽基因的准确性，我们下载了 GSE161533 和 GSE75214 来验证 ESCC 和 IBD。采用 Wilcoxon 符号秩检验比较两组数据。p 值 < 0.05 被认为是显著的。为了验证潜在生物标志物的疗效，使用了 SPSS 20.0 中实施的 ROC logistic 回归，以 ROC 曲线下面积 （ROC-AUC） 作为检验标准。
2.7 潜在药物预测和分子对接分析
连接图谱数据库 （https://clue.io/） [24] 是一个基于差异基因表达预测药物的数据库。潜在的药物结构是从 PubChem （https://pubchem.ncbi.nlm.nih.gov/） 获得的。数据还使用基于 Web 的工具 Bioinformatics 进行可视化。配体和靶蛋白的分子结构都可以通过 PDB 数据库 [25] 和 PubChem 数据库 [26] 获得。AutoDock Vina 模拟已用于对接能源生产 [27]。使用 PyMOL 软件对停靠的复合物进行可视化 [28].
2.8 单细胞测序分析
Seurat 软件包用于处理数据 [29]，然后使用 tSNE 方法分析来识别每个簇对之间的空间连接。然后分析单个细胞的关键基因表达。
3. 结果
3.1 差异表达基因 （DEGs） 的鉴定
From NCBI GEO，我们获得了一组GSE45670 ESCC 的矩阵文件。注释文件中包括 38 组转录组数据，包括 10 组正常s 和 28 组 ESCC。Limma 包用于识别两组样本之间的 DEGs。总共鉴定出 6016 个基因 （3117 个是上调基因，2899 个是下调基因） （图 2A）。然后，GSE66407下载了一些与 IBD 相关的矩阵文件。使用 Limma 包计算两组之间的差异。共筛选出 480 个 DEGs （222 个上调和 258 个 DEGs下调） （图 2B）。然后，我们从两个数据集中与 DEGs 相交，总共获得 198 个相交的 DEGs（图 2C）。（82 个持续上调和 52 个持续下调的 DEG）
3.2 功能富集分析
为了了解所选 DEGs 在哪个途径富集，我们对 198 个常见的 DEGs 进行了富集分析，GO 分析显示，常见的 DEGs 在响应脂多糖、对外部刺激的反应的正调节、单羧酸代谢过程、先天免疫反应中显着富集（图 3A、B）。 对 KEGG 信号通路的分析表明，DEG 主要集中在以下信号通路IL-17 信号传导、病毒蛋白与细胞因子和细胞因子受体的相互作用以及类风湿性关节炎（图 3C、D）。总体而言，我们发现在 KEGG 富集的通路中，这些基因在 IL-17 通路中的富集评分最高。
3.3 枢纽基因的鉴定和可视化
为了进一步筛选关键基因，我们将 IL-17 通路（KEGG 中最丰富的通路）中的基因导入 STRING 并进行视觉分析（图 4A）。使用了 Cytoscape 的 CytoHubba 插件中实现的 4 种算法。对前 10 个节点 （基因） 进行评分和可视化。我们发现这四种算法 （Closeness， Degree， MCC， Radiality） 都指向两个枢纽基因。（图 4B、C、D、E）。GeneMANIA 进行了 PPI 分析，以预测两个枢纽基因和 20 个相互作用物的共定位、共享蛋白质结构域、共表达、预测和通路相关性（图 4F）。 结果表明，基因共表达率为8.01%，物理互作率为77.64%，共定位率为3.63%，预测率为5.37%，通路为1.88%。这些基因主要参与对白细胞介素 1 的反应、对细菌来源的分子的反应、对脂多糖的反应。细胞对生物刺激的反应，细胞对白细胞介素-1的反应，中性粒细胞迁移，细胞对细菌来源分子的反应。总之，我们发现 IL-1B 和 CXCL8 可能是这两种疾病的共同基因靶标。
3.4 TF-基因相互作用和 TF-miRNA 共调控网络
为了分析枢纽基因与 TF 之间的关系，我们进行了以下分析。使用 Network Analyst 的 TF 基因相互作用显示 9 个一般基因与 TF 基因相互作用（图 5A）。TFs 和基因之间的相互作用网络中有 45 个节点和 48 条边。其中，IL-1B 受 19 个 TF 基因调控，CXCL8 受 29 个 TF 基因调控。IL-1B 和 CXCL8 在 TF 基因相互作用中的度数分别为 19 和 29。表 2 中给出了数据集的详细信息。NetworkAnalyst 3.9.1也用于生成 TF-miRNA 共调节网络（图 5B）。TF-miRNA 共调控网络由 63 个节点和 71 个边组成。发现这两个关键基因与 35 个 TF 基因和 26 个 miRNA 的总和相互作用。表 3 中给出了数据集的详细信息。
3.5 免疫浸润分析
ESCC 和 IBD 与免疫力密切相关。为了研究枢纽基因与免疫细胞之间的联系，我们进行了免疫浸润分析。采用 ssGSEA 算法表征 ESCC 和 IBD 中 28 种免疫细胞浸润的丰度。（图 6A、B）显示了每组每个样品中的免疫细胞类型分布，而（图 6C、D）显示了各组浸润免疫细胞的不同情况。 疾病组活化的 CD4 T 细胞、活化的树突状细胞、CD56bright 自然杀伤细胞、CD56dim 自然杀伤细胞、中性粒细胞和 17 型 T 辅助细胞的表达显著增加（图 6C）。在 IBD 中，与健康对照相比，我们发现疾病组 CD56dim 自然杀伤细胞的表达显着降低，而其他细胞的表达显着增加（图 6D）。28 个免疫细胞之间的关系，包括 γ-delta T 细胞和调节性 T 细胞，在 ESCC 中显示出最高的相关性（r = 0.82），如图 6E，F 在 IBD 中，immature B 细胞和激活的 B 细胞显示出最高的相关性（r = 0.94）总体而言，IL-1B 和 CXCL8 与免疫系统细胞之间存在良好的相关性。
根据相关分析（补充图 1），在 ESCC 中，IL-1B 与活化的树突状细胞 （r=0.80，p值=2.34423E-09） 和活化的 CD4 T 细胞 （r=0.79，p 值=3.16228E-09） 密切相关。它与自然杀伤细胞 （r=-0.26，p 值=0.114815362） 和效应记忆 CD4 T 细胞 （r=-0.23，p 值=0.165958691） 呈负相关 （图 7A）。CXCL8 与活化的 CD4 T 细胞 （r=0.76，p值=3.71535E-08） 和活化的树突状细胞 （r=0.66，p 值=6.60693E-06） 呈正相关。它与自然杀伤细胞 （r=-0.33，p值=0.045708819） 和 T 滤泡辅助细胞 （r=-0.28，p 值= 0.083176377 ） 呈负相关 （图 7B）。在 IBD 中，IL-1B 与未成熟树突状细胞 （r=0.68，p 值=1.54882E-50） 和2 型 T辅助细胞 （r=0.68，p值=7.4131E-51） 呈正相关，与 CD56dim自然杀伤细胞呈被动相关 （r=-0.31，p值=2.29087E-09） （图 7C） 的CXCL8 与自然杀伤细胞 （r=0.70，p值=1.34896E-55） 和 MDSC（r=0.69，p 值 =1.47911E-53），并与CD56dim自然杀伤细胞被动相关 （r=-0.30，p 值= 4.67735E-09） （图 7D）。有关上述基因与免疫细胞之间关系的数据显示在补充材料中。
3.6 枢纽基因表达的验证
为了进一步证明 IL-1B 和 CXCL8 是 ESCC 和 IBD 的免疫生物标志物，对 GSE161533 和 IBD 的 GSE75214进行了验证，结果表明 IL-1B 和 CXCL8 在 ESCC 和 IBD 中均显著上调与正常组织相比（图 8A、B）。同时，为检验 IL1 B 和 CXCL8 在 ESCC 和 IBD 诊断过程中的疗效，对 GSE161533 和 GSE75214 进行 ROC 回归分析。AUC 值 > 0.700 有效且高度可靠。在 ESCC 中，IL 1 B 和 CXCL 8 的 AUC 值分别为 0.755 和 0.791 （图 8C）。在 IBD 中，IL 1 B 和 CXCL 8 的 AUC 值分别为 0.938 和 0.897 （图 8D）。这表明 IL-1B 和 CXCL8 对诊断 ESCC 和 IBD 具有良好的敏感性和特异性。在 GSE45670 和 GSE66407 中，与正常组织相比，IL 1 B 和 CXCL 8 也显著上调，经 ROC logistic 回归分析后，它们的 AUC 值也大于 0.700（补充图 2）。总体而言，这些分析表明 IL-1B 和 CXCL8 是很好的疾病诊断。
3.7 候选药物预测和分子对接分析
为了确定潜在的治疗方法，我们将 ESCC 和 IBD 中常见的上调和下调的 DEGs 提交给 CMap 数据库，以寻找潜在的小分子。使用这种方法，按负分的绝对值排序，10 种小分子候选药物正在开发中：ISOX、AS-703026、AZ-628、QL-XI-92、Selumetinib、AS-605240、PIK-90、KU-0063794、TPCA-1、PD-184352。药物的详细信息见表 4。基于药物-基因相关性分析，我们选择了 AS-605240 进行进一步分析。
分子对接涉及寻找小分子与其靶分子之间相互作用的最佳构象，是药物设计和筛选的重要方法。 IL-1B（PDB：1HIB）和 CXCL8（PDB：1ILB） 的晶体已从 RCSB 蛋白数据库下载。 AS-605240 使用 AutoDock Tools 1.57 软件与 IL-1B 和 CXCL8 对接。IL1 B 和 AS-605240 的对接分数为 -2.04 kcal/mol。（图 9A），CXCL8 和 AS-605240 的对接分数为 -3.06 kcal/mol（图 9B），表明 AS-605240 对靶标有一定的亲和力。粉红色代表化合物，紫色代表靶标中的结合位点。综上所述，上述药物预测和分子对接表明，AS-605240 可能是 ESCC 和 IBD 的潜在治疗剂。
3.8 枢纽基因表达的单细胞概述
为了探索 IL-1B 和 CXCL8 与单细胞之间的关联，我们从 GSE203115 和 GSE215001 下载了单细胞数据，并使用 Seurat 包进行了单细胞分析，使用 tSNE 算法对细胞进行聚类，使用 HumanPrimaryCellAtlas 数据作为注释性数据，并使用 R 包 SingleR 注释每个聚类。在 ESCC 的情况下，所有细胞都注释为 12 个类别（图 10A）。同时，我们分析了 IL1 B 和 CXCL8 的气泡图 （补充 Figure 3A）。11 种细胞类型中的 IL-1B 和 CXCL8 表达水平如图 10B、C 所示。在 IBD 中，所有细胞都被注释为 10 个类别（图 10E）。还分析了 IL-1B 和 CXCL8 的气泡图像 （补充 Figure 3B）。IL-1B 和 CXCL8 在七种细胞中的表达程度如图 9F 、 G 所示。同时对 IBD 和 ESCC 进行细胞通讯分析，细胞间有良好的关系（图 10D、H）。
4. 讨论
目前，许多研究分别证实了 ESCC 和 IBD 的发病机制，但尚无研究报道 ESCC 和 IBD 之间的关系。因此，本研究基于生物信息学寻找 ESCC 和 IBD 的常见发病机制。
本研究采用多种生物信息学方法对 ESCC 和 IBD 两个微阵列数据集进行分析，并使用 GEO 数据库鉴定了 ESCC 和 IBD 之间常见的 198 个 DEGs。根据 GO 和 KEGG 分析，这 198 个差异表达基因主要富集于细胞外基质、炎症反应、细胞对细胞因子刺激的反应、IL-17 信号通路和病毒蛋白-细胞因子相互作用。ESCC 是一种高度侵袭性恶性肿瘤，预后不良。免疫疗法是一种快速发展的治疗方法，可以激活和增强抗肿瘤免疫力，从而更好地治疗恶性肿瘤患者 [30]。IBD 的病因仍然难以捉摸。在遗传易感人群中，IBD 似乎是通过对肠道微生物的免疫反应受损来维持的。这种异常的免疫反应涉及先天性和适应性反应之间的不平衡 [31]。同时，研究显示，免疫功能障碍是 IBD 发展的重要因素 [32]，免疫反应会进一步加剧肠道炎症 [33]。这些研究的结果为我们提供了一个新的框架来研究 ESCC 和 IBD 的发病机制并寻找常见的免疫生物标志物。
研究表明 IL-17 / IL-23 轴与 IBD 的发病机制有关 [34]，IL-17 信号可触发促炎分子如 TNF、IFN-γ、IL22 等的级联反应。[35]此外，IL-17 有助于调节 ESCC 中中性粒细胞介导的抗肿瘤免疫 [36] 在 KEGG 富集中，我们根据 PPI 网络中的四种算法选择了得分最高的 IL-17 通路（MCC， Degree， Stress， Radiatily），我们取每种算法的前 10 名，然后发现这四种算法在 IL-1B 和 CXCL8 中表达最好。相关研究表明，炎症，尤其是慢性炎症，与肿瘤的发生和生长密切相关。白细胞介素家族作为不可或缺的慢性炎性细胞因子，在炎症感染和恶性肿瘤中起关键作用 [37]在过去的 20 年中，研究表明 IL1RA 在抗炎和肿瘤抑制过程中具有关键作用，无论是通过抑制癌症血管生成和生长，还是通过抑制肿瘤转移 [38， 39]。同时，研究表明，趋化因子受体 CXCR1/2 及其配体 CXCL8 在炎症介质的激活和转运以及肿瘤进展和转移中很重要 [40].
TF 和 miRNA 不仅可以调节靶向基因表达。他们也可以相互调整。它们通常用于研究各种生物过程与一系列疾病之间的关系[41]。我们的分析揭示了 TF-miRNA 共调控网络对应的最重要的基因、TFs 和 miRNAs 之间的关系。
为了研究免疫细胞浸润对 ESCC 和 IBD 的影响，本研究使用 ssGSEA 算法评估 ESCC 和 IBD 中的免疫浸润。 在 ESCC 中，我们发现疾病组活化的 CD4 T 细胞、活化的树突状细胞和 CD56 明亮的自然杀伤细胞等免疫细胞的表达显着增加。肿瘤浸润淋巴细胞 （TIL） 可能影响肿瘤发展和抗肿瘤治疗的疗效 [42]。其中，CD8 T 细胞在抗肿瘤免疫中起主导作用，但随着研究的深入，人们已经充分认识到 CD4 T 细胞是支持有效抗肿瘤 CD8 T 细胞反应的关键。越来越多的证据表明，CD4 和 CD8 T 细胞在肿瘤环境中协同工作是有效肿瘤消退所必需的 [43]。在 IBD 中，我们发现 CD56dim 自然杀伤细胞的表达在疾病组中显着降低，而其他细胞的表达显着升高。大多数巨噬细胞以静息状态存在于组织中。在 IBD 患者中，巨噬细胞通过吞噬细胞碎片在 IBD 的稳态和发病机制中发挥重要作用，p 产生多种细胞因子和调节组织修复 [44]在 IBD 患者中观察到中性粒细胞活性增加，中性粒细胞在肠道炎症中起复杂作用。 它们不仅有助于消除入侵的病原体和促进上皮恢复，而且还在破坏隐窝结构和旁观者组织损伤中发挥作用，从而抑制或促进 IBD 的发展 [31， 45]。同时，我们继续研究关键基因与 28 种免疫细胞之间的关系。相关性分析显示，IL1 B 和 CXCL8 与免疫细胞具有良好的相关性。
进一步验证 IL-1B 和 CXCL8 是 ESCC 和 IBD 中的常见免疫生物标志物。我们从 GEO 数据库中下载了 GSE161533 和 GSE75214 来分别验证 ESCC 和 IBD。发现 IL-1B 和 CXCL8 对 ESCC 和 IBD 的诊断具有良好的敏感性和特异性。
利用 CMap 数据库，筛选出预测排名前 10 的药物，并使用分子对接找到 AS-605240 与 IL-1B、CXCL8 之间的对应靶点。AS-605240 是一种 PI3K 抑制剂。许多生理过程，包括葡萄糖代谢、细胞增殖和生长，都涉及 PI3K 信号通路。
这种信号通路的过度激活与几种类型癌症的发展和耐药性有关 [46].
同时，研究还表明，PI3K 通路可以作为炎症性肠病的治疗干预[47]
.单细胞测序是一种强大的工具，可在单细胞分辨率下揭示细胞和分子景观，包括基因组、转录组、表观基因组、蛋白质组和代谢组测序[48].
此外，单细胞基因组技术已成为以单细胞分辨率分析人类肿瘤的强大方法，为癌症生物学提供了令人信服的解决方案[49]
.最近，研究使用单细胞转录组学分析了食管鳞状细胞癌的生态系统。这些结果揭示了 ESCC TME 的免疫抑制状态，并进一步加深了我们对 ESCC 的理解[50]
.与此同时，研究使用单细胞 RNA 测序提高了人类 IBD 与体内模型之间的相关性，为治愈 IBD 的同类首创和同类最佳疗法和方法提供了更多机会[51]
.单细胞分析揭示溃疡性结肠炎中适应性免疫细胞的异质性和克隆关系 [52]
，还确定了与克罗恩病和抗肿瘤坏死因子耐药相关的致病细胞模块[53]
.因此，IBD 和 ESCC 样本的单细胞数据集是用于分析单个细胞的下载。
这项研究是首次调查和鉴定常见的 DEGs 和免疫生物标志物，并分析潜在的预测药物。这将有助于更多地探索 ESCC 和 IBD 的化学机制。但是我们的研究有一些限制。首先，我们确定了两种免疫生物标志物。其次，我们的免疫生物标志物在 ESCC 和 IBD 中的功能以及潜在疗法的体内有效性需要进一步的实验和临床研究。
结论与展望
我们分析了 ESCC 和 IBD 患者的转录组数据，确定了两种疾病共有的 DEGs 和免疫生物标志物，随后分析了使用 STRING 和 Cytoscape 插件 CytoHubba 中的四种算法进行功能富集等分析，以识别关键基因，免疫浸润分析将 IL-1B 和 CXCL8 确定为免疫生物标志物，分子对接，单细胞分析， 等。本研究有助于探索 ESCC 和 IBD 之间的共同生物学机制。总之，通过探索 ESCC 和 IBD，我们可以考虑未来尝试通过本文筛选的免疫基因位点准确靶向 ESCC 和 IBD 患者，AS-605240 可能是治疗 ESCC 和 IBD 并发症的一种有前途的治疗方法。然而，这一理论仍有待临床试验的进一步证实。
道德认证
不適用.
同意参与
获得研究中包括的所有个体参与者的知情同意。
同意发布
作者确认，人类研究参与者为文章的发表提供了知情同意。
数据和材料的可用性
不適用.
资金来源
这项工作 由国家自然科学基金 （NSFC） （No. 32360150， 31660338）;遵义医科大学大学生创新创业培训计划 （ZYDC202301069， ZYDC202302089）;贵州省科技支撑计划（QKH[2020]4Y078）资助。
作者贡献
十.L.Z G. 进行数据分析并解释数据。、Z.T.和 Y.M. 准备了草案。H.Q. 和 Q.Z. 修改了草案。J.Z.T.S. 设计了研究并监督了所有工作。所有作者都为本文做出了贡献并批准了提交的版本。
利益冲突声明
作者声明他们没有利益争夺。
引用
1.胡， C.， et al.， 肠道免疫失衡是 IBD 发展的警报。调解员炎症，2023 年。2023 年：第 1073984 页。
2.Ng， SC 等人，21 世纪炎症性肠病的全球发病率和患病率：基于人群的研究的系统评价。柳叶刀，2017 年。390（10114）：第 2769-2778 页。
3.Guan， Q.，炎症性肠病发病机制的综合回顾和更新。免疫研究杂志，2019 年。2019 年：第 7247238 页。
4.Qiu， P. 等人，炎症性肠病中的肠道微生物群。前细胞感染微生物学，2022 年。12： 第 733992 页。
5.Astorga， J. 等人，胆固醇和线粒体生物能量学在 IBD 炎症小体激活中的作用。Front Immunol，2022 年。13： 第 1028953 页。
6.毛，Q.等，GelNB分子涂层作为生物物理屏障，分离肠道刺激性代谢物并调节肠道微生物稳态治疗炎症性肠病。生物学报，2023 年。19： 第 251-267 页。
7.Gowd， V. 等人，白藜芦醇和白藜芦醇纳米递送系统治疗炎症性肠病。营养生物化学杂志，2022 年。109： 第 109101 页。
8.Hvas， CL 等人，炎症性肠病的当前、实验和未来治疗：临床评价。免疫药理免疫毒理学，2018 年。40（6）：第 446-460 页。
9.Weisshof， R. 等人，炎症性肠病的新兴疗法。Adv Ther，2018 年。35（11）：第 1746-1762 页。
10.Abnet， C.C.， M. Arnold， 和 WQ Wei，食管鳞状细胞癌的流行病学。胃肠病学，2018 年。154（2）：第 360-373 页。
11.Domper Arnal， M.J.， Á. Ferrández Arenas 和 Á. Lanas Arbeloa，食管癌：西方和东方国家的风险因素、筛查和内窥镜治疗。世界胃肠病学杂志，2015（26）：第 7933-7943 页。
12.Arnold， M. 等人，2012 年按组织学亚型划分的全球食管癌发病率。Gut，2015 年。64（3）：第 381-387 页。
13.Baba， Y.， et al.， 食管癌和多发性原发癌患者的临床和预后特征：一项回顾性单机构研究。安外科杂志，2018 年。267（3）：第 478-483 页。
14.任， Q.， et al.， 成纤维细胞相关特征预测食管鳞状细胞癌的预后和免疫治疗。前免疫学，2023 年。14： 第 1199040 页。
15.Puhr， H.C.、G.W. Prager 和 A. Ilhan-Mutlu，我们如何治疗食管鳞状细胞癌。ESMO 公开赛，2023 年。8（1）：第 100789 页。
16.Bayat， A.，科学、医学和未来：生物信息学。BMJ，2002 年。324（7344）：第 1018-1022 页。
17.Yoodee， S. 和 V. Thongboonkerd，肾结石调节蛋白的生物信息学和计算分析导致了坚实的实验证据和治疗潜力。生物医学药剂师，2023 年。159： 第 114217 页。
18.Connolly， J.J. 和 H. Hakonarson，基因组学对儿科研究和医学的影响。儿科，2012 年。129（6）：第 1150-1160 页。
19.Barrett， T.， et al.， NCBI GEO： 功能基因组学数据集存档--更新。核酸研究，2013 年。41（数据库问题）：第 991-995 页。
20.Ritchie， M.E.， et al.， limma 为 RNA 测序和微阵列研究的差异表达分析提供支持。核酸研究，2015 年。43（7）：第 e47 页。
21.周， Y.， et al.， Metascape 为系统级数据集的分析提供了面向生物学家的资源。国家通讯社，2019 年。10（1）：第 1523 页。
22.Shannon， P. 等人，Cytoscape：生物分子相互作用网络集成模型的软件环境。基因组研究，2003 年。13（11）：第 2498-2504 页。
23.周， G.， et al.， NetworkAnalyst 3.0： 用于全面基因表达分析和荟萃分析的可视化分析平台。核酸研究，2019 年。47（W1）：第 234-241 页。
24.Subramanian， A. 等人，《下一代连接图：L1000 平台和前 1,000,000 个配置文件》。细胞，2017 年。171（6）：第 1437-1452 页。
25.Karuppasamy， M.P.， S. Venkateswaran， and P. Subbiah， PDB-2-PBv3.0： 更新的蛋白质块数据库。J Bioinform 计算生物学，2020 年。18（2）：第 2050009 页。
26.Kim， S. 等人，2021 年的 PubChem：新的数据内容和改进的 Web 界面。核酸研究，2021 年。49（D1）：第 1388-1395 页。
27.Nguyen， N.T.， et al.， Autodock Vina 采用更准确的绑定姿势，但 Autodock4 形成更好的绑定亲和力。J Chem Inf 模型，2020 年。60（1）：第 204-211 页。
28.Lam， W.W. 和 S.W. Siu，PyMOL mControl：使用移动设备操纵分子可视化。生化分子生物学教育，2017 年。45（1）：第 76-83 页。
29.Stuart， T. 等人，单细胞数据的全面整合。细胞，2019 年。177（7）：第 1888-1902 页。
30.Chen， N.， X. Xu， and Y. Fan， 免疫检查点抑制剂治疗食管鳞状细胞癌：我们在哪里，我们要去哪里？Ther Adv Med Oncol，2023 年。15： 第 17588359231189420 页。
31.Saez， A. 等人，炎症性肠病的病理生理学：先天免疫系统。国际分子科学杂志，2023 年。24（2）：第 1526 页。
32.Baumgart， DC 和 S.R. Carding，炎症性肠病：原因和免疫生物学。柳叶刀，2007 年。369（9573）：第 1627-1640 页。
33.Liu， Z.， et al.，白细胞介素 （IL）-23 抑制炎症性肠病中的 IL-10。J Biol Chem，2012 年。287（5）：第 3591-3597 页。
34.Cătană， C.S.， et al.， IL-17/IL-23 轴对炎症性肠病发病机制的贡献。世界胃肠病学杂志，2015 年。21（19）：第 5823-5830 页。
35.Schmitt， H.、M.F. Neurath 和 R. Atreya，IL23/IL17 通路在克罗恩病中的作用。前免疫学，2021 年。12： 第 622934 页。
36.Chen， C.L.， et al.， IL-17 通过促进食管鳞状细胞癌中有益的中性粒细胞募集和激活来诱导抗肿瘤免疫。肿瘤免疫学，2017 年。7（1）：第 e1373234 页。
37.Ding， Y.， et al.，白细胞介素 1 受体拮抗剂：一种有前途的针对人鳞状细胞癌的细胞因子。赫利扬，2023 年。9（4）：第 e14960 页。
38.Lewis， A.M.， et al.， 白细胞介素-1 和癌症进展：白细胞介素-1 受体拮抗剂作为癌症治疗中新型治疗剂的新兴作用。J Transl Med，2006 年。4： 第 48 页。
39.Dinarello， C.A.，白细胞介素 1 家族的免疫和炎症功能。Annu Rev Immunol，2009 年。27： 第 519-550 页。
40.Ha， H.， B. Debnath， and N. Neamati， CXCL8-CXCR1/2 轴在癌症和炎症性疾病中的作用。治疗诊断学，2017 年。7（6）：第 1543-1588 页。
41.Zhang， HM， et al.， 转录因子和 microRNA 共调节环：生物过程和疾病中的重要调节基序。Brief Bioinform，2015 年。16（1）：第 45-58 页。
42.Fridman， W.H.， et al.， 人类肿瘤的免疫结构：对临床结果的影响。Nat Rev 癌症，2012 年。12（4）：第 298-306 页。
43.Bos， R. 和 L.A. Sherman，CD4+ T 细胞在肿瘤环境中的帮助是 CD8+ T 淋巴细胞募集和溶细胞功能所必需的。癌症研究，2010 年。70（21）：第 8368-8377 页。
44.Redhu， N.S.， et al.， 巨噬细胞功能障碍导致缺乏白细胞介素-10 受体的婴儿小鼠断奶期间发生结肠炎。Elife，2017 年。6：第 E27652 页。
45.Hansberry， D.R.， et al.， 粪便髓过氧化物酶作为炎症性肠病的生物标志物。Cureus，2017 年。9（1）：第 e1004 页。
46.Drullinsky， PR 和 SA Hurvitz，PI3K 抑制剂抗肿瘤活性和晚期乳腺癌不良反应的机制基础。乳腺癌研究治疗，2020 年。181（2）：第 233-248 页。
47.Winkelmann， P.， et al.，PI3K 通路作为炎症性肠病的治疗干预点。免疫炎症疾病，2021 年。9（3）：第 804-818 页。
48.Lei， Y.， et al.， 单细胞测序在癌症研究中的应用：进展和前景.J Hematol Oncol，2021 年。14（1）：第 91 页。
49.Suvà， M.L. 和 I. Tirosh，癌症中的单细胞 RNA 测序：经验教训和新出现的挑战。分子细胞，2019 年。75（1）：第 7-12 页。
50.Zhang， X.， et al.， 通过单细胞转录组学分析剖析食管鳞状细胞癌生态系统.国家通讯社，2021 年。12（1）：第 5291 页。
51.Karmele， E.P.， et al.，单细胞 RNA 测序分析，以改善人类 IBD 和体内模型之间的翻译。前免疫学，2023 年。14： 第 1291990 页。
52.Boland， B.S.， et al.， 单细胞分析揭示溃疡性结肠炎中适应性免疫细胞的异质性和克隆关系。免疫科学，2020 年。5（50）：第 eabb4432 页。
53.Martin， J.C.， et al.， 克罗恩病病变的单细胞分析确定了与抗 TNF 治疗耐药性相关的致病性细胞模块。细胞，2019 年。178（6）：第 1493-1508.e20 页。
图例
图 1
完整的研究工作流程。
图 2
鉴定常见的差异基因。 （A） ESCC 中 DEGs 的火山图，绿色表示 DEGs 下调，红色表示 DEGs 上调。 （B） IBD 中 DEGs 的火山图，绿色表示 DEGs 下调，红色表示 DEGs 上调。（C） 识别 ESCC 和 IBD 中 DEGs 的维恩图。
图 3
富集分析。基于 Metascape 数据库和 Sangerbox 的 KEGG Rest API 对 DEGs 进行 KEGG 和 GO 富集分析。（A， B） 代表 GO，一种富集途径的簇状网络;共享同一集群的节点通常彼此靠近。和 （C， D） 代表 KEGG。
图 4
PPI 网络建设。 （A） 基于CytoHubba 插件实现的 4 种算法筛选枢纽基因。（b） 亲密;（c） 学位;（D） MCC;（E） 径向度; .使用 GeneMANIA 数据库分析 DEGs 的基因-基因相互作用网络。（F） 显示了 20 个最常改变的相邻基因。预测的基因在外圈，枢纽基因在内圈。
图 5
（A） TF 基因与常见差异表达基因的相互作用网络。以红色突出显示的节点代表枢纽基因，其他节点代表 TF 基因。该网络由 45 个节点和 48 个边缘组成。（B） 该网络显示了 TF-miRNA 共调节网络。该网络由 63 个节点和 71 个边组成。红色节点是枢纽基因，绿色节点代表 miRNA，黄色节点表示 TF 基因。
图 6
免疫细胞浸润分析。 （A） 直方图显示 ESCC 组和健康对照之间 28 种免疫细胞浸润的分布。（C） 箱形图显示 ESCC 组和健康对照之间浸润免疫细胞的差异。 （E） 显示 ESCC 中免疫细胞浸润相关性的热图。（B） 直方图显示 IBD 组和健康对照之间 28 种免疫细胞浸润的分布。（D） 显示 IBD 组和健康对照之间浸润免疫细胞差异的箱形图。 （F） 显示 IBD 中免疫细胞浸润相关性的热图。
图 7
ESCC 和 IBD 中免疫细胞的组成。 （A） ESCC 组中 IL-1B 表达与免疫细胞之间的相关性。（B） ESCC 组中 CXCL8 表达与免疫细胞之间的相关性。（C） IBD 组中 IL-1B 表达与免疫细胞之间的关系。（D） IBD 组中 CXCL8 表达与免疫细胞之间的关系。
图 8
枢纽基因的验证。 （A） IL-1B、CXCL8 在 GSE161533 中得到验证。（B） IL-1B 、 CXCL8 在 GSE75214 中得到验证。箱线图显示，两个枢纽基因在疾病样本中的表达水平较高。ROC 曲线分析用于验证 GSE161533 和 GSE75214 数据集中的两个基因。（C） GSE161533 中 IL-1B、CXCL8 的 AUC。（D） GSE75214 中 IL-1B、CXCL8 的 AUC。
图 9
AS-605240 与 IL-1B 和 CXCL8 相互作用的分子对接结果 （A） AS-605240 与 IL-1B 相互作用的分子对接构象 （B） AS-605240 与 CXCL8 相互作用的分子对接构象
图 10
单细胞中枢纽基因的表达谱。（A） ESCC 中的细胞亚型。（B，C） ESCC 中 IL-1B 和 CXCL8 表达的散点图。（D） ESCC 中细胞间通讯的注释。（E） IBD 中克罗恩病的细胞亚型。 （女、G）IBD 中 IL-1B 和 CXCL8 表达的散点图。（H） 注释 IBD 中细胞之间的通讯。
补充图 1
（A） IL1 B、CXCL8 与 ESCC 中 28 种免疫细胞的相关性分析 （B） IL1 B、CXCL8 与 IBD 中 28 种免疫细胞的相关性分析
补充图 2
IL-1B 、 CXCL8 在 GSE45670 中得到验证。（B） IL-1B 、 CXCL8 在 GSE66407 中得到验证。箱线图显示，两个枢纽基因在疾病样本中的表达水平较高。ROC 曲线分析用于验证 GSE45670 和 GSE66407 数据集中的两个基因。（C） IL-1B、CXCL8 在 GSE45670 中的 AUC。（D） GSE66407 中 IL-1B、CXCL8 的 AUC。
补充图 3
（A） ESCC 中 2 个中心基因表达的气泡图 （B） IBD 中 2 个中心基因表达的气泡图