SULF1作为特发性肺纤维化与肺腺癌共同基因的鉴定及其生物学功能分析.pdf

669中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.9 临 床 研究SULF1作为特发性肺纤维化与肺腺癌共同基因的鉴定及其生物学功能分析王俊轶 鲁璐 何翔 马丽娟 陈涛 李国平 于海杰【摘要】背景和目的 特发性肺纤维化（idiopathic pulmonary fibrosis,IPF）是一种原因不明的慢性、进行性、间质性肺疾病，确诊后中位生存期为3-5年。IPF与肺癌风险增加有关。因此，探索IPF和肺腺癌的关键共同致病基因和分子通路，对开发IPF合并肺腺癌的新治疗手段和个性化精准治疗策略的制定具有重要意义。方法 利用基因表达综合（Gene Expression Omnibus,GEO）数据库中公开的IPF和肺腺癌基因表达数据集进行生物信息学分析。使用加权基因共表达网络分析识别涉及两种疾病进程的共同基因，进而功能富集分析。随后，联合额外数据集鉴定两种疾病的核心共同基因。并通过癌症基因组图谱计划（The Cancer Genome Atlas,TCGA）数据库和单细胞RNA测序数据集，分析核心共同基因与患者预后的关系，并评估其在肺腺癌中的表达模式、临床相关性、遗传特征和免疫相关功能。最后通过药物数据库筛选出相关的潜在治疗药物。结果 两者之间有529个共同致病基因。其中，SULF1作为核心共同致病基因与患者预后不良相关，其在肺腺癌组织中的表达水平显著升高，同时与高突变频率、显著基因组异质性以及抑制性免疫微环境相关。随后的单细胞分析发现SULF1高表达主要源于肿瘤相关成纤维细胞。SULF1表达与肿瘤药物敏感性变化相关，并筛选出与靶向SULF1高表达成纤维细胞相关的潜在小分子药物。结论 本研究鉴别出IPF和肺腺癌之间的共同分子途径和核心基因，其中SULF1可能作为两种疾病的潜在生物标志物和治疗靶点。【关键词】肺肿瘤；特发性肺纤维化；加权基因共表达网络分析；SULF1；单细胞转录组学分析Identification of SULF1 as a Shared Gene in Idiopathic Pulmonary Fibrosisand Lung Adenocarcinoma Junyi WANG1,2,Lu LU1,Xiang HE2,Lijuan MA1,Tao CHEN3,4,Guoping LI2,Haijie YU11Dr.Nehers Biophysics Laboratory for Innovative Drug Discovery,State Key Laboratory of Quality Research in Chinese Medicine,Macau University of Science and Technology,Macau 999078,China;2Department of Pulmonary and Critical Care Medicine,Chengdu Institute of Respiratory Health,The Third Peoples Hospital of Chengdu(The Second Clinical Medical College of Chongqing Medical University in Chengdu),Chengdu 610031,China;3State Key Laboratory of Respiratory Disease,National Center ofRespiratory Medicine,The First Affiliated Hospital of Guangzhou Medical University,Guangzhou 510000,China;4Department of Respiratory Medicine,Peoples Hospital of Yangjiang,Yangjiang 529500,China Junyi WANG and Lu LU contributed equally to this paper.Corresponding author:Haijie YU,E-mail:hjyumust.edu.mo【Abstract】Background and objective Idiopathic pulmonary fibrosis(IPF)is an idiopathic chronic,progressive interstitial lung disease with a diagnosed median survival of 3-5 years.IPF is associated with an increased risk of lung cancer.Therefore,exploring the shared pathogenic genes and molecular pathways between IPF and lung adenocarcinoma(LUAD)holds significant importance for the development of novel therapeutic approaches and personalized precision treatment DOI:10.3779/j.issn.1009-3419.2023.101.25本研究受国家自然科学基金项目（No.82200079）、澳门科学技术发展基金项目（No.0062/2021/A2、No.002/2023/ALC）、四川省自然科学基金项目（No.2022NSFSC1324）、四川省医学科研课题项目（No.Q21061）、成都市医学科研课题项目（No.2022194）和阳江市人民医院高水平项目（No.G2021001）资助王俊轶和鲁璐为共同第一作者作者单位：999078 澳门，澳门科技大学中药质量研究国家重点实验室 埃尔文内尔博士生物物理与创新药物实验室（王俊轶，鲁璐，马丽娟，于海杰）；610031 成都，成都市第三人民医院（重庆医科大学附属成都第二临床学院）呼吸与危重症医学科（王俊轶，何翔，李国平）；510000 广州，广州医科大学第一附属医院，呼吸疾病国家重点实验室（陈涛）；529500 阳江，阳江市人民医院呼吸内科（陈涛）（通信作者：于海杰，E-mail:hjyumust.edu.mo）670中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.9strategies for IPF combined with lung cancer.Methods Bioinformatics analysis was conducted using publicly available gene expression datasets of IPF and LUAD from the Gene Expression Omnibus(GEO)database.Weighted gene co-expression network analysis was employed to identify common genes involved in the progression of both diseases,followed by func-tional enrichment analysis.Subsequently,additional datasets were used to pinpoint the core shared genes between the two diseases.The relationship between core shared genes and prognosis,as well as their expression patterns,clinical relevance,genetic characteristics,and immune-related functions in LUAD,were analyzed using The Cancer Genome Atlas(TCGA)database and single-cell RNA sequencing datasets.Finally,potential therapeutic drugs related to the identified genes were screened through drug databases.Results A total of 529 shared genes between IPF and LUAD were identified.Among them,SULF1 emerged as a core shared gene associated with poor prognosis.It exhibited significantly elevated expression levels in LUAD tissues,concomitant with high mutation rates,genomic heterogeneity,and an immunosuppressive microen-vironment.Subsequent single-cell RNA-seq analysis revealed that the high expression of SULF1 primarily originated from tumor-associated fibroblasts.This study further demonstrated an association between SULF1 expression and tumor drug sensitivity,and it identified potential small-molecule drugs targeting SULF1 highly expressed fibroblasts.Conclusions This study identified a set of shared molecular pathways and core genes between IPF and LUAD.Notably,SULF1 may serve as a potential immune-related biomarker and therapeutic target for both diseases.【Key words】Lung neoplasms;Idiopathic pulmonary fibrosis;Weighted gene co-expression network analysis;SULF1;Single-cell RNA sequencing 【Copyright statement】Copyright 2023,Chinese Journal of Lung Cancer.This study was supported by the grants from National Natural Science Foundation of China(No.82200079)(to Junyi WANG),Macau Science and Technology Development Fund,Macau,China(No.0062/2021/A2,No.002/2023/ALC)(Both to Haijie YU),Natural Science Foundation of Sichuan(No.2022NSFSC1324)(to Junyi WANG),Sichuan Medical Association(No.Q21061)(to Junyi WANG)and Health Commission of Chengdu(No.2022194)(to Junyi WANG)and High-level project of Peoples Hospital of Yangjiang(No.G2021001)(to Tao CHEN).特发性肺纤维化（idiopathic pulmonary fibrosis,IPF）是一种原因不明的慢性、进行性间质性肺疾病。在特发性间质性肺炎中，IPF发病率最高，且仍在攀升1。IPF患者的生活质量显著下降，预后差，中位生存时间为3-5年2,3。IPF的典型临床病理特征为肺成纤维细胞活化，细胞外基质（extracellular matrix,ECM）过度积累，进而导致肺结构的不可逆损伤，最终因气体交换障碍而引起呼吸衰竭。更令人担忧的是，IPF与患肺癌的风险增加相关。IPF患者肺癌风险相较正常人群增高5倍4。流行病学数据5显示IPF患者肺癌的发病率介于3%-22%，极端情况下甚至超过50%。值得注意的是，IPF患者的肺肿瘤往往首先出现在纤维化区域，推测这两种疾病之间可能存在共同的致病机制和分子通路。同时，与非IPF相关的肺癌相比，IPF相关肺癌在组织学分布和免疫组化特征上均表现出明显不同4，引发了关于如何更有效地治疗和管理IPF合并肺癌患者的思考。因此，揭示IPF和肺肿瘤之间的共同致病机制，并由此探索潜在靶向分子，可使我们更好地理解IPF增加肺癌风险的分子机制，掌握IPF的演进和转归，对IPF基础上肺肿瘤新治疗手段的开发和个性化精准治疗策略的制定具有重要意义。1 资料与方法1.1 数据收集和处理 IPF（GSE150910、GSE53845和GSE32537）和肺腺癌（lung adenocarcinoma,LUAD）（GSE32863和GSE68465）数据集从基因表达综合（Gene Expression Omnibus,GEO）数据库（http:/www.ncbi.nlm.nih.gov/geo/）获取。其中，GSE150910数据集包括103例IPF和103例对照肺组织的RNA测序数据。GSE53845数据集包含40例IPF患者和8例对照组织的基因表达芯片数据。GSE32537包括119例IPF和50例对照肺组织的基因表达芯片数据。GSE32863数据集包括58例LUAD样本和58例正常邻近组织样本的RNA测序数据。GSE68465数据集包含433例LUAD样本和19例对照组织的基因表达芯片数据。此外，我们从Code Ocean平台（https:/ 加权基因共表达网络分析（weighted gene co-expression network analysis,WGCNA）WGCNA是一种广泛应用于分析大规模数据集的方法，可以识别与疾病进展密切相关的一组基因。本研究使用R包“WGCNA”（1.72-1）通过 671中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.9hclust()聚类，转换邻接矩阵（softPower=4），TOM矩阵TOMsimilarity()、cutreeDynamic()识别动态剪切模块、mergeCloseModules()合并相似模块等构建基因共表达网络7。1.3 鉴定IPF和LUAD之间共享的基因 本研究使用Venny 2.1.0获得模组间的交集基因。随后使用STRING数据库（https:/string-db.org/）构建了蛋白质相互作用（protein-protein interaction,PPI）网络。1.4 功能富集分析 PPI网络的功能富集使用Cytoscape软件ClueGO插件进行，余下差异基因使用R包“clusterProfiler（4.8.3）”8进行富集分析。1.5 差异表达基因分析 主成分分析（principal component analysis,PCA）质控样本后，使用R中的“limma（3.56.2）”包9进行标准化校正和差异表达基因分析。GSE68465中，阈值为|log2 fold change|2和P0.05。而在GSE53845中，为|log2 fold change|1和P0.05。最后利用Venny 2.1.0进行交集分析。1.6 基于基因表达水平值的交互式分析（gene expression profiling interactive Analysis,GEPIA）数据库 GEPIA数据库收集了来自癌症基因组图谱计划（The Cancer Genome Atlas,TCGA）和基因型-组织表达（Genotype-Tissue Expression,GTEx）数据集的9736个肿瘤组织和8587个正常组织的RNA测序数据，本研究使用GEPIA数据库1.0版本（http:/gepia.cancer- DIY功能模块评估TCGA-LUAD数据集SULF1的表达。1.7 阿拉巴马大学癌症数据分析（The University of ALabama at Birmingham CANcer data analysis Portal,UALCAN）数据库 本研究使用UALCAN数据库（http:/ualcan.path.uab.edu/）11（更新于2022-08-16），使用TCGA功能模块分析TCGA转录组学数据集中LUAD的SULF1表达及其与组织类型、性别、年龄、肿瘤分期、淋巴结转移状态、TP53突变状态和启动子甲基化水平等多种临床病理参数的关联。使用Proteomics功能模块分析临床蛋白质组肿瘤分析协作组（Clinical Proteomic Tumor Analysis Consortium,CPTAC）数据集中LUAD的SULF1蛋白表达。1.8 Kaplan-Meier生存分析 使用KM Plotter（http:/）12（更新于2023-04-18）的Start KM Plotter for lung cancer功能模块通过患者SULF1表达中位数分层评估在LUAD中的预后价值。1.9 受试者工作特征曲线分析 受试者工作特征（receiver operator characteristic,ROC）曲线分析使用R包“pROC（1.18.4）”完成。1.10 肿瘤免疫治疗多组学综合分析（Comprehensive Analysis on Multi-Omics of Immunotherapy in Pan-cancer,CAMOIP）数据库 使用CAMOIP数据库（http:/ Landscape功能模块进行基因突变谱分析，Immune Infiltration功能模块进行免疫浸润分析，Immunogenicity功能模块进行免疫原性分析，Pathway Enrichment功能模块进行基因集富集分析。1.11 单细胞RNA测序数据分析 使用R包“Seurat（4.0）”筛选高质量细胞（500 to 7500 genes,1000 to 50,000 UMIs,mitochondria content less than 30%,and HB less than 5%）14。“NormalizeData”函数进行数据归一化，并通过“FindVariableFeatures”函数识别高变基因。“FindIntegrationAnchors”和“IntegrateData”函数整合数据，“FindClusters”进行主成分分析和聚类（30 PCs/resolution:0.8）。使用“RunTSNE”或“RunUMAP”函数降维。使用“FindMarkers”和“FindAllMarkers”函数分析细胞亚群之间的差异表达基因（min.pct=0.3,logfc.threshold=0.25）15。1.12 药物敏感性分析 从CellMiner（https:/discover.nci.nih.gov/cellminer/home.do）数据库中获取基因表达谱数据和美国国家癌症研究所60个人类肿瘤细胞系抗癌药物筛选化合物数据。本研究纳入了CellMiner数据库中75种经过临床试验和188种经过美国食品药品监督管理局（Food and Drug Administration,FDA）批准的共263个药物，使用“impute（1.74.1）”“limma”“ggplot2（3.4.3）”和“ggpubr（0.6.0）”等R包，通过Pearson算法，以P0.3为阈值，分析SULF1基因对药物敏感性的影响16。1.13 免疫治疗反应的预测 使用肿瘤免疫功能障碍和排除（tumor immune dysfunction and exclusion,TIDE）算法17预测高/低SULF1表达的LUAD患者的潜在免疫治疗反应。1.14 候选靶向化合物的筛选 基于单细胞RNA测序分析中SULF1高表达成纤维细胞的差异表达基因，通过Enrichr平台（https:/amp.pharm.mssm.edu/Enrichr/）Disease/Drug功能模块中的DSigDB数据库筛选药物分子18。化合物筛选阈值为P0.05，并使用Appyters功能模块绘制火山图。1.15 统计学处理 使用R软件进行统计数据分析，使用Wilcoxon检验分析方法，P0.05为差异有统计学意义。672中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.92 结果2.1 IPF和LUAD中加权基因共表达模组的鉴定 本研究鉴定出25个与IPF发生密切相关的基因模组，其中9个模组与IPF发生显著相关black(cor=0.41,P=1e-09),light green(cor=0.41,P=2e-09),saddle brown(cor=0.28,P=5e-05),dark gray(cor=0.63,P=8e-24),dark turquoise(cor=0.58,P=1e-19),dark orange(cor=0.4,P=3e-09),salmon(cor=0.28,P=5e-05),blue(cor=0.24,P=6e-04),and turquoise(cor=0.47,P=2e-12)（图1A，图1B）。同时，鉴定出20个与LUAD密切相关的基因模组，其中8个模组与LUAD发生显著相关dark green(cor=0.24,P=0.009),tan(cor=0.33,P=3e-04),magenta(cor=0.56,P=2e-10),midnight blue(cor=0.6,P=3e-12),blue(cor=0.68,P=1e-16),green(cor=0.95,P=7e-60),royal blue(cor=0.26,P=0.005),and green yellow(cor=0.41,P=6e-06)（图1C，图1D）。在考虑基因数量和相关程度后，我们最终选择了IPF相关的dark gray模组（图1E）和dark turquoise模组（图1F），以及LUAD相关的green模组（图1G）和blue模组（图1H）进一步研究。2.2 IPF和LUAD中共同致病基因的鉴定和功能分析 通过对4个目标模组基因取交集，获得529个共同基因（图2A）。随后，为了探索这些共同基因参与的调控通路，我们构建PPI网络（图2B），并进行功能富集分析。GO分析显示出肺部重塑相关进程的显著富集，包括胶原纤维组织过程、ECM组织、上皮间充质转化（epithelial-mesenchymal transition,EMT）调控、血管运输和肌肉收缩等（图2C）。同时还观察到了与炎细胞相关的调节通路，如白细胞滚动、细胞间黏附和磷酸肌醇-3激酶（phosphoinositide 3-kinases,PI3K）信号传导。此外，京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes,KEGG）分析（图2D）显示出与ECM组织、伤口愈合、肌肉收缩、Wnt信号以及血小板激活/信号传导/聚集有关的通路富集。2.3 核心共同致病基因SULF1 通过对额外的IPF和LUAD数据集进行差异表达基因（differential expressed genes,DEGs）分析（图3A，图3B），我们将DEGs与上一步得到的共同基因取交集获得的基因定义为核心共同致病基因，共14个（CDH2、CFH、COL10A1、COL1A1、COL3A1、COMP、CPA3、CXCL14、IGF1、PDLIM3、POSTN、SFRP4、SRPX、SULF1）（图3C）。我们对上述14个基因进行了生存分析，发现高表达COL1A1（图3D，图3E）、COL3A1（图3F，图3G）或SULF1（图3H，图3I）的LAUD患者总生存期（overall survival,OS）和无进展生存期（progression-free survival,PFS）均显著缩短。考虑到SULF1在LAUD中的作用尚不十分清晰，我们将SULF1作为进一步研究目标。使用GEPIA和UALCAN数据库分析发现LUAD中SULF1的mRNA表达水平显著高于正常肺组织（图3J，图3K）。进一步分析显示，与对照组相比，无论是男性还是女性，肿瘤样本中SULF1的表达均显著上调（图3L）。SULF1的表达在40岁以上LUAD患者（41-60岁组、61-80岁组和81-100岁组）均显著上调，而在21-40岁组中变化没有统计学意义（图3M）。我们还观察到在LUAD的所有分期（I、II、III和IV期）和淋巴结转移程度（N0、N1、N2或N3）中，SULF1表达均显著增加（图3N，图3O）。此外，TP53突变型和野生型LUAD患者的SULF1表达均高于对照组，并且TP53突变型患者SULF1水平显著高于野生型患者（图3P）。而SULF1的启动子甲基化水平在LUAD患者中出现显著下降（图3Q）。为了验证SULF1的蛋白表达，我们进一步对CPTAC数据库中的蛋白组学数据进行了分析。同样地，与对照组相比，LUAD组织中SULF1蛋白表达显著升高（图3R）。有趣的是，男性患者的SULF1蛋白表达明显高于女性（图3S）。对于IPF，通过另一个数据集（GSE32537）进行验证，同样发现SULF1的表达在IPF患者中相比对照组显著上调（图3T）。为了评估SULF1对IPF的诊断效能，我们构建了ROC曲线并计算了曲线下面积（area under the curve,AUC）。结果显示SULF1具有较好的（AUC值=0.948）诊断潜力（图3U）。2.4 SULF1表达与LUAD遗传特征分析 为了探究SULF1表达对LUAD遗传特征的影响，我们比较了高和低SULF1表达LUAD患者之间的基因突变谱（图4A）。高SULF1表达组在TP53、TTN、CSMD3、LRP1B、COL11A1、PCLO、ADAMTS12和KEAP1基因中的突变频率显著升高。此外，高SULF1表达组还显示出更高的非整倍体水平（图4B）和肿瘤突变负荷（tumor mutational burden,TMB）评分（图4C）。DNA损伤修复分析显示高SULF1表达的样本具有更高的同源重组修复缺陷（homologous recombination deficiency,HRD）（图4D）和肿瘤内异质性（图4E）评分，而在肿瘤微卫星不稳定性评分（图4F）方面，高和低SULF1表达组之间没有发现显著差异。2.5 SULF1与LUAD肿瘤微环境分析 MCPcounter算法显示高SULF1表达患者具有多种免疫细胞的浸润，包括总T细胞、CD8+T细胞、细胞毒性淋巴细胞、B细胞系、自然杀伤（natural killer,NK）细胞、单核细胞系，尤其是成纤维细胞显著增加，然而其中性粒细胞浸润减少（图5A）。抑制性免 673中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.9图 1 IPF和LUAD中加权基因共表达模组的鉴定。A：IPF中共表达基因的聚类树状图；B：IPF中模组-特征关系的热图；C：LUAD中共表达基因的聚类树状图；D：LUAD中模组-特征关系的热图；E-H：选定模组中基因的显著性和模组成员的散点图。Fig 1 Identification of weighted gene co-expression modules in IPF and LUAD.A:Cluster dendrogram of co-expressed genes in IPF;B:Heatmap o f m o d u l e-t r a i t relationships in IPF;C:Cluster dendrogram of co-expressed genes in LUAD;D:Heatmap o f m o d u l e-t r a i t relationships in LUAD;E-H:Dot plots showing gene significance and module membership in selected modules.Ctrl:control;IPF:idiopathic pulmonary fibrosis;LUAD:lung enocarcinoma.0.20.40.60.81.0hclust(*,average)as.dist(dissTOM)HeightModuletrait relationships10.500.51MEmidnight blueMEtanMElightyellowMEroyalblueMEdarkredMEgrey60MEgreenyellowMEmagentaMEwhiteMEblackMElightgreenMEyellowMEdarkgreenMEsaddlebrownMEdarkgreyMEdarkturquoiseMEdarkorangeMEbrownMEsalmonMEskyblueMEpaleturquoiseMEsteelblueMEblueMEturquoiseMEgrey0.58(2e19)0.58(2e19)0.75(2e37)0.75(2e37)0.11(0.1)0.11(0.1)0.17(0.02)0.17(0.02)0.19(0.006)0.19(0.006)0.11(0.1)0.11(0.1)0.014(0.8)0.014(0.8)0.076(0.3)0.076(0.3)0.0048(0.9)0.0048(0.9)0.41(1e09)0.41(1e09)0.41(2e09)0.41(2e09)0.0067(0.9)0.0067(0.9)0.039(0.6)0.039(0.6)0.28(5e05)0.28(5e05)0.63(8e24)0.63(8e24)0.58(1e19)0.58(1e19)0.4(3e09)0.4(3e09)0.11(0.1)0.11(0.1)0.28(5e05)0.28(5e05)0.1(0.2)0.1(0.2)0.064(0.4)0.064(0.4)0.025(0.7)0.025(0.7)0.24(6e04)0.24(6e04)0.47(2e12)0.47(2e12)0.051(0.5)0.051(0.5)0.00.20.40.60.80.00.20.40.6Module membership vs gene significance cor=0.73,P=9.5e129Module membership in darkgrey moduleGene significance for IPF0.20.40.60.80.00.10.20.30.40.50.60.7Module membership vs gene significance cor=0.78,P=6.8e76Module membership in darkturquoise moduleGene significance for IPF0.40.50.60.70.80.91.0hclust(*,average)as.dist(dissTOM)HeightModuletrait relationships10.500.51NormalTumorMEgrey60MEdarkgreenMEtanMEmagentaMEmidnightblueMEblueMEgreenMEdarkredMEroyalblueMElightcyanMEcyanMEpurpleMEyellowMEblackMEpinkMElight yellowMEredMEbrownMEgreenyellowMEgrey0.13(0.2)0.13(0.2)0.24(0.009)0.24(0.009)0.33(3e04)0.33(3e04)0.56(2e10)0.56(2e10)0.6(3e12)0.6(3e12)0.68(1e16)0.68(1e16)0.95(7e60)0.95(7e60)0.18(0.06)0.18(0.06)0.26(0.005)0.26(0.005)0.16(0.1)0.16(0.1)0.11(0.3)0.11(0.3)0.031(0.7)0.031(0.7)0.032(0.7)0.032(0.7)0.72(3e19)0.72(3e19)0.43(2e06)0.43(2e06)0.077(0.4)0.077(0.4)0.054(0.6)0.054(0.6)0.44(1e06)0.44(1e06)0.41(6e06)0.41(6e06)0.011(0.9)0.011(0.9)0.00.20.40.60.81.00.00.20.40.60.8Module membership vs gene significance cor=0.99,P1e200Module membership in green moduleGene significance for Tumor0.00.20.40.60.80.00.20.40.60.8Module membership vs gene significance cor=0.88,P1e200Module membership in blue moduleGene significance for TumorABCDEFGH 674中国肺癌杂志2023年9月第26卷第9期Chin J Lung Cancer,September 2023,Vol.26,No.9图 2 IPF和LUAD中共同基因的鉴定和功能分析。A：四个选定模组之间交集基因的Venn图；B：共同基因的蛋白相互作用网络；C：GO富集途径的网络图（Cytoscape/ClueGO）；D：KEGG富集途径的网络图（Cytoscape/ClueGO）。Fig 2 Identification and functional analysis of shared genes in IPF and LUAD.A:Venn diagram of the shared genes between the four selected modules;B:PPI network of the shared genes;C:Network plot showing the GO enrichment pathways;D:Network plot showing the KEGG enrichment pathways.PPI:protein-protein interaction;GO:Gene Ontology;KE