大家好，今天跟大家分享一篇题为Decip hering theMeta bolicI mpact and Clinical Relevance ofN-Glycoy lationin Colorectal Cancer throug hCompre hensive Glycopro teomicP rofiling（通过糖蛋白质组学综合图谱解读结直肠癌癌症中N-糖基化的代谢影响和临床相关性）结直肠癌 (CRC) 的进展涉及多方面的遗传/表观遗传改变，对全球健康构成重大挑战。人们越来越认识到异常的 N-糖基化在 CRC 发病机制中起着关键作用。
01
研究背景
结直肠癌 （CRC） 的进展是由复杂的代谢改变驱动的，包括对肿瘤发展产生严重影响的异常 N-糖基化模式。然而，N-糖基化在CRC中的代谢和功能作用仍然知之甚少。在此，对45个CRC肿瘤进行全面的蛋白质组学和N-连接的完整糖蛋白质组学分析，并匹配正常相邻组织（NAT），从704个糖蛋白中鉴定出7125个完整的N-糖肽。
通过分析糖型表达谱和结构特征，构建糖基化位点-蛋白功能关联网络，揭示CRC中N-糖基化驱动的代谢失调。此外，还开发了一种整合N-聚糖表达模式的算术模型，可有效区分肿瘤和NAT，反映癌症中的代谢重编程。这些发现将氯离子通道附件 1 （CLCA1） 和 Olfactomedin 4 （OLFM4） 确定为诊断 CRC 的潜在代谢生物标志物。免疫组织化学和 Cox 回归分析验证了这些标志物的预后能力。
值得注意的是，脂肪细胞质膜相关蛋白 （APMAP） 在 N196 处的特异性 N-糖基化的关键作用得到了强调，它是肿瘤代谢和 CRC 进展的关键参与者，为治疗干预提供了潜在的靶点。这些发现为了解 N-糖基化在 CRC 中的代谢作用提供了宝贵的见解，推进了生物标志物的发现，提高了基于代谢的诊断精度，并改进了针对癌症代谢的个性化治疗策略。
见图一结直肠癌队列中 N-糖蛋白概述。
图一
（A） N-糖蛋白质组学样品制备和后续 MS 分析的工作流程。
（B）鉴定的糖肽（红点）和蛋白质（灰点）的数量。
（C）蛋白质组学数据的主成分分析（PCA）。蓝点代表肿瘤，红点代表NAT。
（D）糖蛋白质组学数据的PCA。蓝点代表肿瘤，红点代表NAT。
（E）糖蛋白的GO富集分析。差异颜色代表差异途径。
（F）每种糖蛋白的糖位点和N-聚糖的数量。差异大小表示每个 N-糖位点每个 IGP 的最大数量。
（G）CEACAM5的糖位点和糖型。颜色代表每个位点的 N-聚糖，绿色表示 3-11 个己糖和 2 个六己糖。
见图二
差异完整糖肽簇的注释和分析。
图二
（A）基于N-聚糖单糖组成的五种糖型的定义。S：唾液酸化IGP，F：岩藻糖基化IGP，FA：唾液酸化岩藻糖基化IGP，H：高甘露糖IGP，N：高HexNAc IGP。
（B）单次和多次N-糖基化蛋白质的比例，颜色表示每种蛋白质的每种IGP的数量。
（C）每种糖型的基序组成。差异颜色代表差异分类。
（D）每种糖型的UniProt数据库定位类别摘要。红色饱和度，包括 N-聚糖的数量。
（E） 条形图显示了我们数据中检测到的受体（蓝色）和配体（红色）蛋白的 UniProt 定位类别。
（F）受体（蓝色）和配体（红色）蛋白中每种单糖组成的数量。
（G）显示每种糖蛋白每种糖型数量的热图。每列代表一种糖蛋白，颜色表示糖型计数。行名称表示每种糖型的名称及其在受体（顶部）和配体（按钮）中的比例。
（H）基于不同糖型的潜在相互吸引/结合模式。配体以灰色表示。甘露糖、N-乙酰氨基葡萄糖、半乳糖、岩藻糖和唾液酸分别由绿色圆圈、蓝色方块、黄色圆圈、红色三角形和红色菱形表示。碳、氮和氧原子分别用黑色圆圈、蓝色圆圈和红色圆圈表示。
见图三
基于IGP表达模式和组成的糖蛋白分类。
图三
（A）肿瘤与NAT中IGPs及其相应蛋白的丰度差异变化比较分析。点色代表不同的糖型。
（B）热图显示基于肿瘤与NAT中IGP丰度变化的糖蛋白的KEGG通路富集。通过差异丰度变化对IGP进行排序，依次选择其500个对应的蛋白进行KEGG通路富集。
（C）CRC-糖蛋白-糖位-聚糖树。糖蛋白根据三分之二的 IGP 变化是否大于零和最常见的糖型分为六组。标记具有最高显着性的途径。节点颜色表示 IGP 的不同变化。
见图四
鉴定与 CRC 发展相关的稳健糖型评分。
图四
（A）每种糖型的丰度，按Wilcoxon秩和检验的P值缩放。该点代表糖型的中位丰度。红色误差线表示肿瘤，蓝色表示 NAT。
（B）中位糖型丰度和各种比率组合的受试者工作特征曲线（ROC）。该比率是通过将红和 （CRC） 除以蓝和 （NAT） 得出的。顶部面板显示按比率排序的 ROC 结果，红色透明度与 ROC 值成反比。底部面板显示了该比率的组成，红点代表分子，蓝点代表分母。
（C）最佳组合的ROC曲线，以中位数H为分子，以A和N之和为分母。
（D）区分肿瘤（红点）和NAT（蓝点）的最佳组合结果。
（E）相关值与对数的相关性2蛋白质的中位差异丰度变化。相关性值源自最佳组合结果与蛋白质组学分析中检测到的每种蛋白质之间的 Pearson 相关性（P 值来自 Pearson 相关性）。橙色代表N-糖基化酶。
（F）最佳组合结果与FUCA1丰度之间的Pearson相关性。红点表示肿瘤，蓝色表示 NAT。（G）最佳组合结果与ERO1A丰度之间的Pearson相关性。红点表示肿瘤，蓝色表示 NAT。
见图五
筛查潜在的 CRC 预后特征。
图五
（A）显示每个IGP的AUC值的点图。差异颜色代表差异 N-糖型。差异大小表示在 90 个样本中检测到的值数。
（B）说明每种糖型的AUC的箱线图。差异颜色代表差异 N-糖型。
（C）糖蛋白与非糖蛋白的AUC值比较。
（D）IGP数量最多的前10种糖蛋白。颜色代表每种蛋白质中所有位点的 N-聚糖的平均数量，饱和度越高代表平均值越高。
（E）显示多种糖蛋白logistic回归模块在鉴定CRC方面的性能的ROC曲线。每个红点代表每种蛋白质的独立 ROC 值。
（F）ROC曲线显示了使用CLCA1和OLFM4组合构建随机森林模型的结果。每个红点代表每种蛋白质的独立 ROC 值。
（G）使用公共数据呈现CLCA1和OLFM4随机森林模型训练结果的ROC曲线。每个红点代表每种蛋白质的独立 ROC 值。
（H） ROC 曲线说明了使用公共数据对 CLCA1 和 OLFM4 进行随机森林模型的测试结果。每个红点代表每种蛋白质的独立 ROC 值。
（I）IHC患者多因素生存分析涉及Cox回归分析。红色线段代表高风险，蓝色代表低风险。
见图六
APMAP-N196 糖基化会导致 CRC 恶性肿瘤。
图六
（A） 描绘绝对对数的点图2与 NAT 相比，CRC 中 IGP 的倍数变化。
（B） 比较 APMAP 的箱线图。N196.4200 肿瘤和 NAT 之间的 IGP 丰度。红色表示肿瘤，蓝色表示 NAT。
（C）蛋白质印迹分析证实了APMAP在HCT116细胞中的抢救表达。
（D） 使用 Cell Counting Kit-8 （CCK-8） 测定法评估 HCT116 细胞中的细胞增殖，内源性 APMAP 耗尽并用 shRNA 耐药 WT 或 N196D 突变 APMAP 挽救。*p < 0.05，** p < 0.01。差异颜色代表差异条件。
（E）CCK-8测定评估HCT116细胞的增殖，WT APMAP或APMAP-N196D突变体异位过表达。*p < 0.05，** p < 0.01。差异颜色代表差异条件。
（F） 来自伤口愈合测定的代表性图像，表明与 WT 相比，APMAP-N196D 突变促进细胞迁移。
（G） 使用 ImageJ 软件量化伤口愈合测定的 HCT116 细胞迁移水平。*p < 0.05.差异颜色代表差异条件。
02
研究结论
总体而言，这项研究提供了 CRC 的全面糖蛋白质组学图谱，揭示了糖基化在肿瘤进展中的作用的重要见解，并强调了早期诊断和治疗靶点的潜在生物标志物。此外，它还为理解糖基化的动态变化建立了一个新的框架，有可能为CRC患者带来更有效的个性化治疗策略。