دوره 28، شماره 1 - ( دوماهنامه طب جنوب 1404 )
جلد 28 شماره 1 صفحات 490-473 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Bazi Z, Aalikhani M. Bioinformatics Analysis of Glioma Neoantigens: Identifying Novel Targets for Immunotherapy. Iran South Med J 2025; 28 (1) :473-490
URL: http://ismj.bpums.ac.ir/article-1-2224-fa.html
URL: http://ismj.bpums.ac.ir/article-1-2224-fa.html
بزی زهرا، عالیخانی مهدی. تحلیل بیوانفورماتیکی نئوآنتی‌ژن‌های گلیوما: معرفی اهداف نوین برای ایمنی‌درمانی. مجله طب جنوب. 1404; 28 (1) :473-490
زهرا بزی1 
، مهدی عالیخانی*2
، مهدی عالیخانی*2
1- گروه بیوتکنولوژی پزشکی، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی گلستان، گرگان، ایران
مرکز تحقیقات سرطان، دانشگاه علوم پزشکی گلستان، گرگان، ایران
2- گروه بیوتکنولوژی پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی بوشهر، بوشهر، ایران ،aalikhanip@gmail.com
مرکز تحقیقات سرطان، دانشگاه علوم پزشکی گلستان، گرگان، ایران
2- گروه بیوتکنولوژی پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی بوشهر، بوشهر، ایران ،
چکیده: (17 مشاهده)
زمینه: گلیوما یکی از شایع‌ترین و تهاجمی‌ترین سرطان‌های مغزی است که درمان آن به‌دلیل ناهمگونی تومور و مقاومت درمانی با چالش‌های فراوان روبرو است. نئوآنتی‌ژن‌ها، آنتی‌ژن‌های خاص توموری ناشی از جهش‌های ژنتیکی، به‌عنوان اهداف امیدوارکننده برای ایمنی‌درمانی شناخته شده‌اند. این مطالعه با بهره‌گیری از ابزارهای پیشرفته بیوانفورماتیکی به شناسایی نئوآنتی‌ژن‌های بالقوه در درمان احتمالی گلیوما پرداخته است.
مواد و روش‌ها: ابتدا داده‌های بیان ژن دو نوع گلیوما درجه بالا و کم از پایگاه داده GEPIA2 استخراج و سپس ژن‌های با افزایش بیان معنی‌دار در بیماران گلیوما شناسایی شدند. سپس با بررسی جایگاه سلولی، جهش‌های گزارش‌شده و میزان بیان رونوشت و پروتئین در پایگاه‌های داده اختصاصی بیوانفورماتیکی و سرطان، ژن‌های مناسب به‌عنوان نئوآنتی‌ژن کاندید در ایمنی‌درمانی گلیوما انتخاب شدند. همچنین ارتباط این ژن‌ها با زیرگروه‌های مختلف گلیوما و بقای بیماران بررسی شد.
یافته‌ها: چهار ژن SERPINA3، C3، TNC و ITGB2 به‌عنوان نئوآنتی‌ژن‌های بالقوه و جدید شناسایی شدند. این ژن‌ها دارای بیان بالا و جهش‌های متعدد بوده و ارتباط مستقیمی با بقای بیماران و پیشرفت تومور نشان دادند. همچنین بیان این ژن‌ها در زیرگروه‌های تهاجمی گلیوما بیشتر بوده و بر فرار از سیستم ایمنی و مهاجرت سلولی تأثیرگذار هستند.
نتیجه‌گیری: یافته‌های این مطالعه اهداف جدیدی برای ایمنی‌درمانی گلیوما معرفی می‌کند. پروتئین SERPINA3 علاوه‌بر بیان بالا و جهش‌های فراوان در گلیوما، به‌دلیل تأثیر زیاد بر بقای بیماران، می‌تواند اولویت اصلی در مطالعات آتی ایمنی‌درمانی گلیوما باشد. تأیید آزمایشگاهی و طراحی درمان‌های نئوآنتی‌ژنی، گام‌های بعدی این پژوهش خواهند بود.
مواد و روش‌ها: ابتدا داده‌های بیان ژن دو نوع گلیوما درجه بالا و کم از پایگاه داده GEPIA2 استخراج و سپس ژن‌های با افزایش بیان معنی‌دار در بیماران گلیوما شناسایی شدند. سپس با بررسی جایگاه سلولی، جهش‌های گزارش‌شده و میزان بیان رونوشت و پروتئین در پایگاه‌های داده اختصاصی بیوانفورماتیکی و سرطان، ژن‌های مناسب به‌عنوان نئوآنتی‌ژن کاندید در ایمنی‌درمانی گلیوما انتخاب شدند. همچنین ارتباط این ژن‌ها با زیرگروه‌های مختلف گلیوما و بقای بیماران بررسی شد.
یافته‌ها: چهار ژن SERPINA3، C3، TNC و ITGB2 به‌عنوان نئوآنتی‌ژن‌های بالقوه و جدید شناسایی شدند. این ژن‌ها دارای بیان بالا و جهش‌های متعدد بوده و ارتباط مستقیمی با بقای بیماران و پیشرفت تومور نشان دادند. همچنین بیان این ژن‌ها در زیرگروه‌های تهاجمی گلیوما بیشتر بوده و بر فرار از سیستم ایمنی و مهاجرت سلولی تأثیرگذار هستند.
نتیجه‌گیری: یافته‌های این مطالعه اهداف جدیدی برای ایمنی‌درمانی گلیوما معرفی می‌کند. پروتئین SERPINA3 علاوه‌بر بیان بالا و جهش‌های فراوان در گلیوما، به‌دلیل تأثیر زیاد بر بقای بیماران، می‌تواند اولویت اصلی در مطالعات آتی ایمنی‌درمانی گلیوما باشد. تأیید آزمایشگاهی و طراحی درمان‌های نئوآنتی‌ژنی، گام‌های بعدی این پژوهش خواهند بود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
خون و سرطان
دریافت: 1404/2/20 | پذیرش: 1404/5/19 | انتشار: 1404/7/27
دریافت: 1404/2/20 | پذیرش: 1404/5/19 | انتشار: 1404/7/27
فهرست منابع
1. Navabi P, Bitarf S, Rastegar MH, et al. Factors Af-fecting the Prevalence and Survival of Patients with Primary and Metastatic Brain Tumors. Iran South Med J 2025; 27(4): 258-266. [DOI]
2. Weller M, Wen PY, Chang SM, et al. Glioma (Pri-mer). Nature Reviews: Disease Primers 2024; 10(1): 33. [DOI]
3. Walsh KM, Ohgaki H, Wrensch MR. Epidemiology. Handb Clin Neurol 2016; 134: 3-18. [DOI]
4. Gallego O. Nonsurgical treatment of recurrent gli-oblastoma. Curr Oncol 2015; 22(4): e273-281. [DOI]
5. Vidyadharan S, Prabhakar Rao BVVSN, Perumal Y, et al. Deep Learning Classifies Low- and High-Grade Glioma Patients with High Accuracy, Sensi-tivity, and Specificity Based on Their Brain White Matter Networks Derived from Diffusion Tensor Imaging. Diagnostics (Basel) 2022; 12(12): 3216. [DOI]
6. Lim A, Weir P, O’Brien T, et al. Complex visual hal-lucinations as a presentation of temporal low-grade glioma. J Clin Neurosci 2011; 18(1): 157-159. [DOI]
7. Smoll NR, Brady Z, Scurrah KJ, et al. Computed tomography scan radiation and brain cancer inci-dence. Neuro oncol 2023; 25(7): 1368-1376 [DOI]
8. Adel Fahmideh M, Schwartzbaum J, Frumento P, et al. Association between DNA repair gene polymor-phisms and risk of glioma: a systematic review and meta-analysis. Neuro oncol 2014; 16(6): 807-814. [DOI]
9. Chung C, Buczkowicz P. Recent advances in the molecular genetics of glioma. Front Genet 2024; 15: 1435186. [DOI]
10. Noor H, Briggs NE, McDonald KL,et al. TP53 muta-tion is a prognostic factor in lower grade glioma and may influence chemotherapy efficacy. Can-cers (Basel) 2021; 13(21): 5362. [DOI]
11. Han F, Hu R, Yang H, et al. PTEN gene mutations correlate to poor prognosis in glioma patients: a meta-analysis. Onco Targets Ther 2016; 9 : 3485-3492. [DOI]
12. Lucke-Wold B, Rangwala BS, Shafique MA, et al. Focus on current and emerging treatment options for glioma: a comprehensive review. World J Clin Oncol 2024; 15(4): 482-495. [DOI]
13. Reynolds CR, Tran S, Jain M, et al. Neoantigen cancer vaccines: generation, optimization, and therapeutic targeting strategies. Vaccines (Basel) 2022; 10(2): 196. [DOI]
14. Xie N, Shen G, Gao W, et al. Neoantigens: promis-ing targets for cancer therapy. Signal Transduct Target Ther 2023; 8(1): 9. [DOI]
15. Zhang T, Kurban E, Wang Z. Neoantigens: the novel precision cancer immunotherapy. Biologics 2023; 3(4): 321-334. [DOI]
16. Fang X, Guo Z, Liang J, et al. Neoantigens and their potential applications in tumor immunotherapy. Oncol Lett 2022; 23(3): 88. [DOI]
17. Alqahtani SM, Altharawi A, Alabbas A, et al. Sys-tem biology approach to identify the novel bi-omarkers in glioblastoma multiforme tumors by using computational analysis. Front Pharmacol 2024; 15: 1364138. [DOI]
18. Khorshidi M, Manoochehri H, AAlikhani M, et al. Identification of Key Hub Genes Associated with Breast Cancer Stem Cells to Overcome Therapy Resistance. Iran South Med J 2025; 27(5): 394-408. [DOI]
19. Li C, Tang Z, Zhang W, et al. GEPIA2021: integrat-ing multiple deconvolution-based analysis into GEPIA. Nucleic acids research. 2021;49(W1):W242-W6. [DOI]
20. Mudunuri U, Che A, Yi M, et al. bioDBnet: the bio-logical database network. Bioinformatics 2009; 25(4): 555-556. [DOI]
21. Stelzer G, Rosen N, Plaschkes I, et al. The Gene-Cards Suite: From Gene Data Mining to Disease Genome Sequence Analyses. Curr Protoc Bioin-formatic 2016; 54: 1.30.1-1.30.33. [DOI]
22. De Bruijn I, Kundra R, Mastrogiacomo B, et al. Analysis and visualization of longitudinal genomic and clinical data from the AACR project GENIE bi-opharma collaborative in cBioPortal. Cancer Res 2023; 83(23): 3861-3867. [DOI]
23. Chandrashekar DS, Karthikeyan SK, Korla PK, et al. UALCAN: An update to the integrated cancer data analysis platform. Neoplasia 2022; 25: 18-27. [DOI]
24. Bowman RL, Wang Q, Carro A, et al. GlioVis data portal for visualization and analysis of brain tumor expression datasets. Neuro oncol 2017; 19(1): 139-141. [DOI]
25. Verhaak RG, Hoadley KA, Purdom E, et al. Integrat-ed genomic analysis identifies clinically relevant subtypes of glioblastoma characterized by abnor-malities in PDGFRA, IDH1, EGFR, and NF1. Cancer cell 2010; 17(1): 98-110. [DOI]
26. Szklarczyk D, Kirsch R, Koutrouli M, et al. The STRING database in 2023: protein–protein associ-ation networks and functional enrichment anal-yses for any sequenced genome of interest. Nucle-ic acids research 2023; 51(D1): D638-D646. [DOI]
27. Aminoff MJ, Boller F, Bruyn G, et al. Handbook of clinical neurology: North-Holland Publishing Com-pany; 1968. [Article]
28. Luo D, Chen W, Tian Y, et al. Serpin peptidase in-hibitor, clade A member 3 (SERPINA3), is overex-pressed in glioma and associated with poor prog-nosis in glioma patients. Onco Targets Ther 2017; 10: 2173-2181. [DOI]
29. Wu S, Miao K, Wang L, et al. Bioinformatics analy-sis of C3 in brain low-grade gliomas as potential therapeutic target and promoting immune cell in-filtration. Med Oncol 2022; 39(2): 27. [DOI]
30. Liu H, Wang J, Luo T, et al. Correlation between ITGB2 expression and clinical characterization of glioma and the prognostic significance of its methylation in low-grade glioma (LGG). Front En-docrinol (Lausanne) 2023; 13: 1106120. [DOI]
31. Li Y, Dong X, Cai J, et al. SERPINA3 induced by as-troglia/microglia co-culture facilitates glioblasto-ma stem-like cell invasion. Oncol Lett 2018; 15(1): 285-291. [DOI]
32. Li Q, Wan C, Zhang Z, et al. CTSC promoted the migration and invasion of glioma cells via activa-tion of STAT3/SERPINA3 axis. Gene 2024; 893: 147948. [DOI]
33. Ah-Pine F, Malaterre-Septembre A, Bedoui Y, et al. Complement activation and up-regulated expres-sion of anaphylatoxin C3a/C3aR in glioblastoma: deciphering the links with TGF-β and VEGF. Can-cers (Basel) 2023; 15(9): 2647. [DOI]
34. Xia S, Lal B, Tung B, et al. Tumor microenviron-ment tenascin-C promotes glioblastoma invasion and negatively regulates tumor proliferation. Neu-ro oncol 2015; 18(4): 507-517 [DOI]
35. Salviano-Silva A, Wollmann K, Brenna S, et al. Ex-tracellular Vesicles Carrying Tenascin-C are Clini-cal Biomarkers and Improve Tumor-Derived DNA Analysis in Glioblastoma Patients. ACS nano 2025; 19(10): 9844-9859. [DOI]
36. Xu H, Zhang A, Han X, et al. ITGB2 as a prognostic indicator and a predictive marker for immunother-apy in gliomas. Cancer Immunol Immunother 2022; 71(3): 645-660. [DOI]
37. Soman A, Nair SA. Unfolding the cascade of SER-PINA3: Inflammation to cancer. Biochim Biophys Acta Rev Cancer 2022; 1877(5): 188760. [DOI]
38. Yilmaz A, Loustau T, Salomé N, et al. Advances on the roles of tenascin-C in cancer. J Cell Sci 2022; 135(18): jcs260244. [DOI]
39. Xu H, Long S, Xu C, et al. TNC upregulation pro-motes glioma tumourigenesis through TDG-mediated active DNA demethylation. Cell Death Discov 2024; 10(1): 347. [DOI]
40. Zhang Z, Yu B, Gu Y, et al. Fibroblast‐derived tenascin‐C promotes S chwann cell migration through β1‐integrin dependent pathway during pe-ripheral nerve regeneration. Glia 2016; 64(3): 374-385. [DOI]
41. Li F, Wu H, Du X, et al. Epidermal growth factor re-ceptor-targeted neoantigen peptide vaccination for the treatment of non-small cell lung cancer and glioblastoma. Vaccines (Basel) 2023; 11(9): 1460. [DOI]
42. Deng Z, Zhan P, Yang K, et al. Identification of per-sonalized neoantigen-based vaccines and immune subtype characteristic analysis of glioblastoma based on abnormal alternative splicing. Am J Can-cer Res 2022; 12(8): 3581. [Article]
43. Ma S, Ba Y, Ji H, et al. Recognition of tumor-associated antigens and immune subtypes in gli-oma for mRNA vaccine development. Front Immu-nol 2021; 12: 738435. [DOI]
44. Singh K, Batich KA, Wen PY, et al. Designing clini-cal trials for combination immunotherapy: a framework for glioblastoma. Clin Cancer Res 2022; 28(4): 585-593. [DOI]
45. Bunse L, Bunse T, Krämer C, et al. Clinical and translational advances in glioma immunotherapy. Neurotherapeutics 2022; 19(6): 1799-1817. [DOI]
46. Biswas N, Chakrabarti S, Padul V, et al. Designing neoantigen cancer vaccines, trials, and outcomes. Front Immunol 2023; 14: 1105420. [DOI]
47. Agosti E, Zeppieri M, De Maria L, et al. Glioblasto-ma immunotherapy: a systematic review of the present strategies and prospects for advance-ments. International journal of molecular sciences 2023; 24(20): 15037. [DOI]
48. Mestrallet G. Predicting Immunotherapy Out-comes in Glioblastoma Patients through Machine Learning. Cancers (Basel) 2024; 16(2): 408. [DOI]
49. Liu X, Zhao Z, Dai W, et al. The development of immunotherapy for the treatment of recurrent gli-oblastoma. Cancers (Basel) 2023; 15(17): 4308. [DOI]
50. Gong G, Jiang L, Zhou J, et al. Advancements in targeted and immunotherapy strategies for glio-ma: toward precision treatment. Front Immunol 2025; 15: 1537013. [DOI]
51. Fittall MW, Van Loo P. Translating insights into tumor evolution to clinical practice: promises and challenges. Genome Med 2019; 11(1): 20. [DOI]
52. MacDonald WJ, Purcell C, Pinho-Schwermann M, et al. Heterogeneity in Cancer. Cancers (Basel) 2025; 17(3): 441. [DOI]
53. Proietto M, Crippa M, Damiani C, et al. Tumor het-erogeneity: preclinical models, emerging technol-ogies, and future applications. Front Oncol 2023; 13: 1164535. [DOI]
54. Feng H, Jin Y, Wu B. Strategies for neoantigen screening and immunogenicity validation in cancer immunotherapy. Int J Oncol 2025; 66(6): 43. [DOI]
55. Nibeyro G, Baronetto V, Folco JI, et al. Unraveling tumor specific neoantigen immunogenicity predic-tion: a comprehensive analysis. Front Immunol 2023; 14: 1094236. [DOI]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
