甲状腺癌铁死亡预后风险模型...其潜在机制的生物信息学分析_杨仁义.pdf

第 49 卷 第 2 期2023年 3 月吉林大学学报（医学版）Journal of Jilin University（Medicine Edition）Vol.49 No.2Mar.2023DOI：10.13481/j.1671587X.20230217甲状腺癌铁死亡预后风险模型的构建及其潜在机制的生物信息学分析杨仁义1,2,彭书旺1,王永恒1,董宇轩1,2,段姗姗1（1.湖南中医药大学第一附属医院胃肠甲状腺血管外科，湖南 长沙 410007；2.湖南中医药大学研究生院，湖南 长沙 410208）摘要 目的目的：筛选甲状腺癌（TC）差异预后铁死亡基因（PFRGs），构建 TC 铁死亡相关基因（FRGs）预后风险模型，并阐述其潜在作用机制。方法方法：从癌症基因组图谱（TCGA）数据库获取基因表达及临床数据，从铁死亡疾病数据库（FerrDb）和人类基因数据库（GeneCards）中获取 FRGs，采用 R软件筛选 TCPFRGs；从 TCGA 和 GTEx数据库获取 TC组织和甲状腺组织中 PFRGs mRNA 表达数据，从人类蛋白图谱（HPA）数据库获取免疫组织化学结果，验证 PFRGs mRNA 和蛋白表达的差异；采用时间依赖性受试者工作特征（time-ROC）曲线和 Kaplan-Meier曲线评估 PFRGs与 TC患者生存和预后的关系；采用单因素和多因素 Cox回归分析计算 PFRGs表达的风险评分，纳入 TC患者临床数据，进行独立预后分析，并构建 Nomogram 图；TCGA 数据库中 PFRGs与各基因表达的相关性采用 Spearman相关分析，计算相关系数并筛选共表达基因；采用生物信息学方法对 PFRGs共表达基因进行蛋白-蛋白互作（PPI）网络图、基因本体论（GO）和京都基因与基因组百科全书（KEGG）富集分析。结果结果：在 TC 中差异分析筛选出 3 317个上调基因和 3 456个下调基因，单因素 Cox回归分析筛选出 343个差异表达基因（DEGs）与 TC 患者的生存和预后相关，其中包括 CD44、膜联蛋白 A1（ANXA1）和 核 受 体 亚 家 族 4A 类 成 员 1（NR4A1）。Kaplan-Meier 和 time-ROC 曲 线 显 示 CD44、ANXA1和 NR4A1的表达与 TC 患者生存和预后有关联（P=0.048，P=0.005，P=0.036），且均具有良好的 1、3和 5年生存预测作用。构建 3个基因风险评分系统，风险评分作为 TC 患者临床预后因子 风险比（HR）=8.882，95%CI：1.56150.547，P=0.014），风险评分越高，生存预后越差P=0.011，ROC曲线下面积（AUC）=0.761、0.767和 0.722；风险评分联合 TC患者临床特征构建的 Nomogram 图（C-index=0.938）对 TC 患者的生存具有较好的预测作用。共表达与富集分析，TC 铁 死 亡 主 要 与 其 共 表 达 基 因（DUSP1、DUSP5、DUSP6、FOS、IL1RAP、JUN、MET、RASGRF1、TGFA、TGFBR1、TNFRSF1A）介导 MAPK 信号通路，影响 MAPK 活性和 p-MAPK活性，调控 MAPK 失活。结论结论：基于生物信息学筛选出的 TC 差异 PFRGs CD44、ANXA1和 NR4A1与 TC 患者生存和预后相关，由 3个基因构建的预测模型具有较好的预测能力，其作用机制可能与多基因网状调控 MAPK信号通路有关。关键词 甲状腺肿瘤；铁死亡；风险评分；Nomogram 图；生存预后中图分类号 R736.3文献标志码 A文章编号 1671587X(2023)02040212收稿日期 20220417基金项目 国家自然科学基金青年基金项目（82002397）；湖南省卫健委科研计划项目（202104010382，B20180739，D202304018086）作者简介 杨仁义（1996），男，湖南省常德市人，医师，医学硕士，主要从事恶性肿瘤的中西医结合防治及机制方面的研究。通信作者 段姗姗，主治医师（E-mail：）；王永恒，主任医师，硕士研究生导师（E-mail：）402杨仁义，等.甲状腺癌铁死亡预后风险模型的构建及其潜在机制的生物信息学分析Construction of ferroptosis prognostic risk model of thyroid cancer and bioinformatics analysis on its potential mechanismYANG Renyi1,2,PENG Shuwang1,WANG Yongheng1,DONG Yuxuan1,2,DUAN Shanshan1（1.Department of Gastrointestinal and Thyroid Vascular Surgery，First Affiliated Hospital，Hunan University of Traditional Chinese Medicine，Changsha 410007，China；2.Graduate School，Hunan University of Traditional Chinese Medicine，Changsha 410208，China）ABSTRACT Objective：To screen the differential prognostis ferroptosis genes of thyroid cancer（TC）and construct the prognostic risk model of TC ferroptosis related genes（FRGs），and to clarify its potential mechanism at the molecular level.Methods：The gene expression and clinical data were obtained from The Cancer Genome Atlas（TCGA）Database.The FRGs were obtained from FerrDb and GeneCards Databases，and R software was used to screen the PFRGs of TC；the PFRGs mRNA expressions in TC and thyroid tissues were obtained from TCGA and GTEx Databases，and the immunohistochemical results were obtainted from the Human Protein Atlas（HPA）Database to verify the differences in the expressions of PFRGs mRNA and protein；time-receiver operating characteristic（time-ROC）curve and Kaplan-Meier curve were used to evaluate the relationships between PFRGs and survival and prognosis of the TC patients；univariate and multivariate Cox regression analysis were used to calculate the risk scores of PFRGs expression，the clinical data of the TC patients were included，the independent prognostic analysis was performed，and the Nomogram chart was constructed.Spearman correlation analysis was used to obtain the correlation between the expressions of PFRGs and the expressions of other genes in TCGA Database and expressions of various genes，the correlation coefficient was calculated and the co-expressing genes were screened；the co-expression genes of PFRGs were analyzed by protein-protein interaction（PPI）network diagram，Geno Ontology（GO）and Kyoto Encyclopedia of Genes and Genomes（KEGG）enrichment analysis.Results：A total 3 317 up-regulated genes and 3 456 down-regulated genes in TC were screened out by differential analysis；343 differentially expressed genes（DEGs）screened out by univariate Cox regression were associated with the survival and prognosis of the TC patients，including CD44，Annexin A1（ANXA1），and nuclear receptor subfamily 4 group A member 1（NR4A1）.The Kaplan-Meier and time-ROC curves results showed that the expressions of CD44，ANXA1，and NR4A1 were associated with the survival and prognosis of the TC patients（P=0.048，P=0.005，P=0.036），and all had good 1-year，3-year，and 5-year survival prediction effects；the risk scoring system of three genes was constructed to calculate the risk score，and the risk score was a prognostic factor of the TC patients hazard ratio（HR）=8.882，95%CI=1.56150.547，P=0.014，and the higher the risk score was，the worse the survival prognosis wasP=0.011，area under curve（AUC）=0.761，0.767，and 0.722）；the Nomogram chart（C-index=0.938）constructed by the risk score combined with the clinical characteristics of the TC patients had a good predictive effect on the survival of the TC patients.The co-expression and enrichment analysis results showed that TC ferroptosis and its co-expressing genes（DUSP1，DUSP5，DUSP6，FOS，IL1RAP，JUN，MET，RASGRF1，TGFA，TGFBR1，andTNFRSF1A）mediated the MAPK signaling pathway and affected the MAP kinase/serine/threonine tyrosine phosphatase activity and MAP kinase phosphatase activity，and regulated the inactivation of the MAPK activity.Conclusion：The TC differential PFRGs CD44，ANXA1，and NR4A1 based on bioinformatics analysis are related to the survival and prognosis of the TC patients.The prediction model constructed by three genes has a good predictive ability，and its mechanism may be related to the polygenic network s regulation of the MAPK signaling pathway.KEYWORDS Thyroid neoplasm；Ferroptosis；Risk score；Nomogram；Survival prognosis403第 49 卷 第 2 期 2023 年 3 月吉林大学学报（医学版）国 家 癌 症 中 心 发 布 的 2022 年 全 国 癌 症 报告1显示：甲状腺癌（thyroid cancer，TC）新发病例为 20.3万人，其中女性新发病例（15.3万人）明显高于男性（5.0 万人），是发病率最高的内分泌恶性肿瘤，也是发 病 率 上 升 最 快 且 位 列 第 7 位的常见恶性肿瘤。95%的 TC 为分化型 TC，外科手术是目前首选的治疗方式，同时放射性碘治疗（radioactive iodine，RAI）和内分泌辅助治疗也是提高患者生存预后和生活质量的有效手段2-3，但治疗后远期复发率仍较高，针对免疫检查点或分子靶向治疗药物开 发大 多数 仅停 留在 疗效 观察 阶段4-5，尚未取得分子机制层面的突破。因此，研究 TC 潜在的分子机制，寻找预后生存的生物标志物和治疗靶点，构建有价值的预后评估模型是亟待解决的问题。铁死亡是一种主要依赖于铁介导的氧化损伤和随后的细胞膜损伤的调节性细胞死亡方式6，可通过外源性或转运蛋白依赖，以及内源性或酶调节 2 条主要途径启动，同时受铁积累增加、自由基产生、脂 肪酸 供应 和脂 质过 氧化 共同 调控 7，在一定程度上抑制TC细胞的增殖、侵袭及转移。研 究8-10显 示：铁 死 亡 相 关 基 因（ferroptosis-related genes，FRGs）是 TC 预后分子及潜在治疗靶点，能精准预测 TC 患者生存预后，有效指导TC 患者的个体化治疗。WANG 等11鉴定出醛酮还原酶家族 1 成员 C3（Aldo-Keto reductase family 1 member C3，AKR1C3）、BH3相互作用域死亡激动剂（BH3 interacting domain death agonist，BID）、F-Box和 WD-40结构域蛋白7（F-Box and WD repeat domain containing 7，FBXW7）、谷胱甘肽过氧化物酶 4（glutathione peroxidase 4，GPX4）和丝裂原活化蛋白激酶激酶 5（mitogen-activated protein kinase kinase kinase 5，MAP3K5）具有预后价值，同时敲低 AKR1C3可增强 TC 细胞的增殖、侵袭和迁移能力，为 TC 预后预测提供了新思路，但未对其相关分子机制进行深入探讨。本研究采用生物信息学方法，提取 GeneCards 和 FerrDb 数据库中 FRGs，筛选 TC 差异预后铁死亡相关基因（prognosis and ferroptosis related genes，PFRGs），构建风险评分及预后模型，评估TC患者生存预后，进行共表达及富集分析，研究TC的FRGs调控网络及作用机制。1 资料与方法 1.1 TC 差 异 预 后 基 因差 异 预 后 基 因（TC-differentially prognostic gene，TC-DPGs）获取获取数据来源：从TCGA 数据库（https：/portal.gdc.cancer.gov/）下载 TCGA-THCA 队列中 TC 转录组及临床数据。差异分析：采用 R 软件 DESeq2 包12，对 TCGA-THCA 转录组数据进行差异分析，以|log2 FC|1且校正 P 0.05为筛选条件，筛选 TC 差异表达基因（thyroid cancer differentially expressed genes，TC-DEGs）。预后分析：采用 R软件 survminer包和 survival 包13，对 TCGA-THCA 临床数据进行预 后 分 析，以 TC 患 者 总 生 存（overall survival，OS）时间为预后参数，以 Cox 回归 P0.5 时，AUC 越接近 1，对 TC 患者的 1、3 和 5 年生存预测效能越好，分子的表达促进死亡发生；当AUC0.5时，AUC越接近0，对TC患者的 1、3 和5年生存预测效能越好，分子的表达促进生存发生。采用 R软件 survival包和 survminer包，绘制 Kaplan-Meier曲线，根据基因表达的中位数分为高表达和低 表 达 2 组，分 别 评 估 TC 差 异 PFRGs CD44、ANXA1和 NR4A1对 TC患者生存状况的影响。1.5TC 差异差异 PFRGs 独立预后分析独立预后分析采用多因素Cox 回归分析，以生存结局和生存时间为因变量，分析 TC 差异 PFRGs CD44、ANXA1 和 NR4A1 的表达对生存的综合影响，计算风险评分。风险评分计算公式：Risk socre=i=1ncoefficients expression of genes（i）。根据风险评分的中位值，将 TC 患者分为高风险组和低风险组，采用 Log-rank检验与 Cox回归分析，绘制 Kaplan-Meier曲线比较 2 组生存差异，time-ROC 曲线评估风险评分预后模型效价。采用单因素和多因素 Cox回归分析，以单因素 Cox回归分析的结果 P0.1作为纳入多因素 Cox回归分析的条件，评价风险评分与患者其他临床资料（年龄、性别、病理分期和 TNM 分期）是否为预后模型的独立预后因子。以 OS 作为因变量，以TC 患者风险评分、年龄、性别、病理分期和临床TNM 分 期 作 为 自 变 量，计 算 风 险 比 率（hazard ratio，HR）、95%CI和 P值。1.6 TC 差 异差 异 PFRGs Nomogram 图 构 建 及 验 证图 构 建 及 验 证 采用 R 软件 rms包，使用多因素 Cox 回归分析方法建立 Nomogram 预后模型，以评估和预测 TC患 者 OS 的 概 率17。综 合 分 析“1.5”中 单 因 素Cox回归分析结果，纳 入 多 因 素 Cox 回 归 分 析 中P0.7 且 P0.05 为筛选条件，筛选 TC差异 PFRGs的共表达基因，绘制共表达热图。整合 CD44、ANXA1和 NR4A1的共表达基因，通过STRING（https：/cn.string-db.org/）19数据库进行蛋白互作分析，采用 Cytoscape 3.9.0 绘制蛋 白-蛋 白 互 作（protein-protein interaction，PPI）网 络 图，利 用 cytoHubba 插 件20进 行 度 中 心 性（degree）、接近中心性（closeness）和中介中心性（betweenness）拓 扑 分 析，探 寻 TC 铁 死 亡 核 心网络。1.8 TC 差 异差 异 PFRGs 基 因 本 体 论基 因 本 体 论（Gene Ontology，GO）和 京 都 基 因 与 基 因 组 百 科 全 书和 京 都 基 因 与 基 因 组 百 科 全 书（Kyoto Encyclopedia of Genes and Genomes，KEGG）富集分析富集分析采用 R 软件 clusterProfiler21、org.Hs.eg.db 包，对 TC 差 异 PFRGs CD44、ANXA1和 NR4A1的共表达基因进行 GO 和 KEGG富集分析，以校正 P0.05 且 q-value的值0.2为筛 选 条 件，聚 焦 TC 铁 死 亡 相 关 的 生 物 进 程（biological process，BP）、细 胞 组 分（cell component，CC）、分子功能（molecular function，MF）和 KEGG 通路，并构建“KEGG-靶点”网络图。1.9 统 计 学 分 析统 计 学 分 析 采 用 R 软 件（3.6.3）中 的Bioconductor 软件包进行数据处理和统计学分析。TCGA 数据库中转录组数据不符合正态分布，采用 Wilcoxon 检验评估肿瘤组和对照组之间 PFRGs表达的差异，采用单因素和多因素 Cox 回归分析评估 PFRGs表达和临床数据等与 TC 患者 OS 之间的相关性。以 P1 且校正 P0.05 为筛选条件，鉴 定 出 TC-DEGs 共6 773 个，其中3 317个在TC中表达上调，3 456个在TC中表达下调，绘制火山图（图 1A）及差异排序图（图 1B）。以 P.cox1 的 危 险 基 因755 个，HR1）是保护性因素（HR1），NR4A1差异表达 下 调（|log2 FC|1）。2.3TC 差异差异 PFRGs 表达情况表达情况配对或非配对样本 t 检验结果（图 3A 和 3B）显示：与正常组织比较，TC 差异 PFRGs CD44 和 ANXA1 在 TC 中表达上调，NR4A1 在 TC 中表达下调。同时 HPA 数据库免疫组织化学图片结果（图 4）显示：TC 组织样本中 CD44和 ANXA1蛋白过表达，NR4A1蛋白低表达，此结果与 TCGA数据库结果相互验证。2.4TC 差异差异 PFRGs生存预后情况生存预后情况time-ROC 生存预测结果（图 5A5C）显 示：TC 患者 1、3 和5 年生存预测中，ANXA1 均表现出相对最佳的预测 效 能，其 中 5 年 的 预 测 效 价（AUC=0.200、A：Volcano plot；B：Differential ranking plot；C：Venn diagram of differential prognosis genes.图图 1TC差异预后基因筛选结果差异预后基因筛选结果Fig.1Screening results of TC differential prognosis genes 图图 2TC差异差异 PFRGs韦恩图韦恩图Fig.2Venn diagram of TC differential PFRGs表表 1TC差异差异 PFRGs差异和预后分析差异和预后分析TabTab.1 1Differences and prognostic analysis on TC differential Differences and prognostic analysis on TC differential PFRGsPFRGsGenesCD44ANXA1NR4A1Log2FC1.3111.3761.519Adjusted P0.0010.0010.001Cox P0.0480.0050.036HR0.3190.1213.83895%CI0.1030.9900.0270.5331.09313.474A：Non-paired sample t-test；B：Paired sample t-test;*P0.05 compared with normal group.图图 3TC差异差异 PFRGs的表达的表达Fig.3Expressions of TC differential PFRGs406杨仁义，等.甲状腺癌铁死亡预后风险模型的构建及其潜在机制的生物信息学分析0.221 和 0.198）最佳；CD44 预测 5 年生存预后具有最好效能，基因表达在 TC 患者早期（1 年）促进死亡发生，在中后期（3和 5年）促进生存发生；ANXA1 表达在 TC 患者 1、3 和 5 年中均促进生存发生；NR4A1表达在 TC患者 1、3和 5年中均促进死亡发生。Kaplan-Meier 曲线生存状况结果（图 5D5F）显示：TC 差异 PFRGs CD44、ANXA1 和 NR4A1的 表 达 与 生 存 预 后 相 关（P=0.048、0.005 和0.036），其中 CD44 和 ANXA1 的表达是保护性因素，NR4A1的表达是危险因素，即低表达 CD44和ANXA1与高表达 NR4A1具有较差的生存结局。2.5TC 差异差异 PFRGs 独立预后分析结果独立预后分析结果对 TC差异 PFRGs CD44、ANXA1和 NR4A1的表达进行多因素 Cox回归分析，计算出 3个基因比例风险回归模型的 Coef相关系数，即 ANXA1（coef）=0.361，NR4A1（coef）=0.316，CD44（coef）=0.008。将 Coef相关系数与 3 个基因的表达值纳入风险评分计算公式，计算 TC 患者的风险评分。根据患者风险评分中位数（0.049），将 TCGA-THCA 甲状腺患者分为高风险组 255例和低风险组 255例。高和低风险组生存差异比较（图 6），Log-rank检 验 结 果 显 示：HR=6.87，95%CI：2.5818.30，P=0.003；Cox回归分析结果显示：HR=6.88，95%CI：1.5630.28，P=0.011，高风险组和低风险组患者生存预后比较差异有统计学意义，同时高风险组较低风险组具有更差的生存预图图4免疫组织化学法检测免疫组织化学法检测TC差异差异PFRGs蛋白表达蛋白表达（400）Fig.4Protein expressions of TC differential PFRGs genes detected by immunohistochemistry(400)A-C：Time-ROC curves；D-F：Kaplan-Meier curves；A，D：1-Year；B，E：3-Year；C，F：5-Year.图图 5TC差异差异 PFRGs的的 time-ROC和和 Kaplan-Meier曲线曲线Fig.5Time-ROC and Kaplan-Meier curves of TC differential PFRGs407第 49 卷 第 2 期 2023 年 3 月吉林大学学报（医学版）后。time-ROC 显示出风险评分能良好地预测 TC患者 1、3 和 5 年的生存预后，1、3 和 5 年的 AUC值分别为 0.761、0.767 和 0.722，其中预测 3 年的生存预后效价最优。为进一步评估风险评分与其他临床特征的预后关系，采用单因素和多因素 Cox回归分析，以单因素 Cox 回归分析的 P0.1 作为纳入多因素 Cox 回归分析的条件，对临床特征进行独立预后分析（图7）：风 险 评 分 是 TC 患 者 生 存 预 后 的 独 立 因 素（HR=8.882，95%CI：1.56150.547，P=0.014），可独立于其他临床特征评估 TC 患者生存预后。年龄（HR=1.078，95%CI：1.0161.145，P=0.013）与 TC患者生存预后相关。图图 6低风险组和高风险组低风险组和高风险组 TC患者患者 Kaplan-Meier曲线曲线（A)及及 time-ROC曲线曲线（B）Fig.6Kaplan-Meier curve(A)and time-ROC curve(B)of TC patients in low risk group and high risk group图图 7TC患者临床特征单因素和多因素患者临床特征单因素和多因素 Cox回归分析森林图回归分析森林图Fig.7Forest plot of univariate and multivariate Cox regression analysis on clinical characteristics of TC patients408杨仁义，等.甲状腺癌铁死亡预后风险模型的构建及其潜在机制的生物信息学分析2.6TC 差异差异 PFRGs Nomogram 图构建及验证结图构建及验证结果果根据多因素 Cox回归分析结果，以年龄和风险评分作为因子构建 Nomogram 图，预测 TC 患者 1、3和 5年的 OS的概率。综合 Nomogram 图中年龄及风险评分的总体得分，预测 TC 患者的生存概率（图 8A），该 Nomogram 图 的 C-index=0.938（0.9230.952），具 有 较 好 的 预 测 能 力。Calibration分析结果显示：Nomogram 图预测 TC患者 1、3 和 5 年生存概率与实际观察结果吻合良好，见图 8 BD。2.7TC 差异差异 PFRGs 与蛋白共表达相关性分析结与蛋白共表达相关性分析结果果Spearman 相关性分析基因共表达结果显示：有 9 个编码基因与 CD44 表达呈正相关关系（P0.001），有 95个编码基因与 ANXA1表达呈正相关关系（P0.001），有 17 个编码基因与 NR4A1 表达呈正相关关系（P0.001）。分别绘制 CD44、ANXA1 和 NR4A1 相关系数前 5 位的共表达热图（图 9）：与 CD44 最 相 关 的 前 5 位 基 因 依 次 是SFTA3（cor=0.773）、SSBP2（cor=0.770）、RNF146（cor=0.755）、IKZF2（cor=0.732）和ESYT3（cor=0.718）；与 ANXA1最相关的前 5位基因依次是 DUSP6（cor=0.815）、SDC4（cor=0.812）、TMEM43（cor=0.803）、BID（cor=0.793）和 RAD23B（cor=0.783）；与 NR4A1 最相 关 的 前 5 位 基 因 依 次 是 FOSB（cor=0.889）、NR4A3（cor=0.845）、NR4A2（cor=0.840）、CSRNP1（cor=0.837）和 ZFP36（cor=0.826）。PPI结果显示（图 10A）：PPI网络中共有 71个节点，132条边，即 71种蛋白质之间相互作用，共有 132 组 对 应 关 系。拓 扑 分 析 结 果 显 示：JUN、FOS 和 ATF3 等 关 键 蛋 白 与 CD44、ANXA1 和NR4A1调控 TC铁死亡有关（图 10BD和表 2）。2.8 TC 差 异差 异 PFRGs GO 和和 KEGG 富 集 分 析 结富 集 分 析 结果果 GO 和 KEGG 富 集 分 析 结 果 显 示：在 满 足Adjusted P0.05 且 q0.2 条件下，TC 铁死亡主要富集于 58个 BP、4个 MF 和 5个 KEGG，主要与A：Nomogram chart；B-D：Calibration chart；B：1 year；C：3 years；D：5 years.图图 8TC差异差异 PFRGs 的的 Nomogram 图和图和 Calibration图图Fig.8Nomogram and Calibration charts of TC differential PFRGs409第 49 卷 第 2 期 2023 年 3 月吉林大学学报（医学版）细胞周期的调控有关。聚焦于细胞周期 BP、MF和 KEGG（图 11A）结果显示：TC 铁死亡主要富集于 MAPK 活性失活、内肽酶活性的正向调节、凋亡通路的正向调节、ERK1 和 ERK2 级联等生物进程；富集于 MAPK 活性、p-MAPK 活性、生长因子结合和转化生长因子 结合分子功能；主要富集于MAPK信号通路、Th17细胞分化和细胞凋亡等信号通路。构建 KEGG-靶点网络图（图 11 B）：TC 铁死亡 主 要 与 MAPK 信 号 通 路 中 双 特 异 性 磷 酸 酶（dual specificity phosphatase，DUSP1）1、DUSP5、DUSP6、Fos 原 癌 基 因（Fos proto-oncogene，A：CD44；B：ANXA1；C：NR4A1.图图 9TC差异差异 PFRGs共表达热图共表达热图Fig.9Heat maps of co-expression of TC differential PFRGsA：PPI network diagram；B：Degree analysis diagram；C：Closeness analysis diagram；D：Betweenness analysis diagram.图图 10TC差异差异 PFRGs PPI网络图及拓扑分析图网络图及拓扑分析图Fig.10PPI network and topology analysis diagrams of TC differential PFRGs410杨仁义，等.甲状腺癌铁死亡预后风险模型的构建及其潜在机制的生物信息学分析FOS）、白细胞介素 1 受体辅助蛋白（interleukin 1 receptor accessory protein，IL1RAP）、Jun 原癌基因（Jun proto-oncogene，JUN）、MET 原 癌 基 因（MET proto-oncogene，MET）、Ras 蛋白特异性鸟嘌 呤 核 苷 酸 释 放 因 子 1（Ras protein specific guanine nucleotide releasing factor 1，RASGRF1）、转化生长因子 （transforming growth factor alpha，TGFA）、转 化 生 长 因 子 受 体 1（transforming growth factor beta receptor 1，TGFBR1）和 TNF 受 体 超 家 族 成 员 1A（TNF receptor superfamily member 1A，TNFRSF1A）分子靶点的调控有关。3 讨 论 TC 是好发于中老年人，以高发病率和低死亡率为特点的内分泌恶性肿瘤22。目前，TC 根治术后肿瘤复发和不可切除患者缺乏有效全身治疗手段是 TC 患者生存预后不良的主要原因23。为进一步提升 TC 患者生存获益，突破临床治疗瓶颈，在肿瘤分子生物学研究的基础上，本研究结果显示：分子靶向药物可为碘难治性 TC、不可切除性 TC 和手术切除后复发 TC 患者带来生存获益。随着肿瘤分子生物学研究及分子靶向药物研发的不断深入，索拉非尼、乐伐替尼和仑伐替尼相继问世，在新辅助治疗、靶向联合免疫治疗及姑息治疗方面极大地提高了 TC 患者的生存获益24。铁死亡是由铁代谢、脂质代谢和氨基酸代谢共同介导的细胞程序性死亡模式，贯穿 TC 发生发展的始终。研究25显示：针对肿瘤细胞铁死亡的分子靶向药物（索拉非尼）可明显延长肝癌、肾癌和食管癌等多