腸上皮化生中銅死亡相關基因的鑒定和免疫學特征

摘 要：本研究探討了腸上皮化生（IM）與銅死亡的關系，并構建了一個預測模型。基于生物信息學分析GSE2669數據集中22個IM樣本的銅死亡相關基因簇和免疫特征的表達譜，并確定差異表達基因簇。通過評估隨機森林（RF）、支持向量機（SVM）、廣義線性模型（GLM）及極限梯度提升（XGB）4種機器學習模型的性能，選出了性能最優的RF模型。同時構建了基于4個基因（DMBT1、HPN、SLC13A3 及 YWHAZ）的RF模型，通過表達分析發現，這4個基因與CDX2水平顯著相關。實時熒光定量PCR（qRT-PCR）及蛋白質印跡法（Western blot）檢測這4個基因在正常胃組織及腸化組織中的表達水平，結果與模型分析高度一致。本研究初步確定了銅死亡在IM中的作用及潛在機制，并成功建立了一個預測模型，為未來的臨床應用和研究提供了新的研究方向。

關鍵詞：銅死亡；腸上皮化生；機器學習模型；免疫浸潤；預測模型

中圖分類號：R735.2" " " " " " " " " " " " " " "文獻標志碼：ADOI：10.3969/j.issn.1007-7146.2025.01.008

Abstract： This study examines the association between intestinal metaplasia （IM） and cuproptosis， and develops a predictive model. By analyzing the GSE2669 dataset， gene clusters and immune characteristics associated with cuproptosis in 22 IM samples were characterized， with differential gene clusters identified. The performance of four machine learning models： random forest （RF）， support vector machine （SVM）， generalized linear model （GLM）， and XGBoost （XGB）， was evaluated with the RF model showing superior performance. A RF model based on four genes （DMBT1， HPN， SLC13A3， and YWHAZ） was constructed， and their expression was found to be significantly correlated with CDX2 levels. Expression levels of these genes in normal gastric and intestinal metaplastic tissues were confirmed by qRT-PCR and Western blot， aligning with the model’s predictions. This research preliminarily identifies the role and potential mechanisms of cuproptosis in IM and establishes a predictive model， offering new directions for future clinical applications and research.

腸上皮化生（intestinal metaplasia，IM）是一種胃黏膜的病理變化，表現為胃黏膜上皮細胞向腸道樣上皮細胞的轉化。IM是胃癌的癌前病變之一，與胃癌的發生發展密切相關。IM患者發生胃癌的風險較健康人群明顯增加［1］，因此，對IM患者進行早期篩查、診斷和治療，對胃癌的預防和治療具有重要意義。關于胃癌與IM之間關系的研究仍在不斷深入。最近，通過分析IM組織中的分子生物學特征、免疫反應和基因表達譜，越來越多的研究發現了與IM有關的生物標志物［2-3］，這說明從分子水平準確鑒定 IM 的分子亞型并建立多變量預測模型將具有重要的臨床意義。

銅死亡是一種新型的細胞死亡方式［4］，獨立于常見的細胞凋亡、鐵死亡、焦亡和壞死性凋亡等死亡方式。銅死亡主要通過三羧酸（tricarboxylic acid，TCA）循環誘導細胞死亡，過量的銅會促進硫辛酰化蛋白的聚集，從而導致蛋白毒性應激并最終導致細胞死亡［5］。銅死亡對人體影響廣泛，在大腦中，銅的積累可能與神經退行性疾病，如帕金森病和阿爾茨海默病等有關［6］。在肝臟中，過量的銅可以導致肝細胞損傷和肝功能異常，進而引發肝炎、肝硬化等疾病［7］。越來越多的證據表明，銅代謝紊亂與癌癥密切相關，如腎透明細胞癌［8］、前列腺癌［9］及胃癌［10］等。其中，銅復合物與胃癌發病率較高相關［11］，銅離子可能通過改變細胞變化和免疫微環境來促進胃癌的發病。可以推測，IM作為胃癌的癌前病變，銅死亡很可能與IM的發生密切相關，然而，IM中銅死亡的潛在調控機制仍然未知，需要進一步探索。

本研究首次系統研究了健康人群與IM患者之間不同表達的銅死亡相關基因（cuproptosis-related genes，CRGs）和免疫特征。根據19個CRGs的表達圖譜，將22名IM患者分為2個銅死亡相關群組，并進一步評估了2個群組之間免疫細胞的差異。隨后，使用加權基因共表達網絡分析（weighted correlation network analysis，WGCNA）鑒定了集群特異性差異表達基因（differentially expressed genes，DEGs），并根據集群特異性DEGs闡明了富集的生物學功能和通路。此外，通過比較多種機器學習算法，建立了揭示不同分子集群患者的預測模型，并使用列線圖、校準曲線、決策曲線分析（decision curve analysis，DCA）和外部數據集來驗證預測模型的性能。最后，在另一個外部IM數據集中進一步研究了模型相關基因與CDX2水平之間的相關性，為評估IM簇的風險提供了新的預測模型。

1 材料和方法

1.1 數據獲取和預處理

使用“GEOquery”R軟件包從GEO數據庫（www.ncbi.nlm.nih.gov/geo）中獲取了3個與IM有關的微陣列數據集（GSE2669、GSE106656、GSE60427）。GSE2669（平臺GPL2048）被選中進行后續分析，GSE106656（平臺GPL6244）及GSE60427（平臺GPL17077）被選中進行驗證分析。其中，GSE2669包含10個健康胃組織樣本和22個IM樣本，GSE106656包含7個健康胃組織樣本和7個IM樣本，GSE60427包含8個健康胃組織樣本和8個IM樣本。這些GEO數據集的原始基因表達譜使用魯棒多列陣平均（robust multiarray averaging，RMA）方法（“affy”R包）進行處理和歸一化。

1.2 評估免疫細胞浸潤情況

根據所得的基因表達數據，采用CIBERSORT算法（https：//cibersort.stanford.edu/）和LM22特征矩陣估算每個樣本中22種免疫細胞的相對豐度。CIBERSORT使用蒙特卡洛采樣法獲得每個樣本的反折疊乘積P值。只有P值小于0.05的樣本才被認為是有效的免疫細胞組分。每個樣本中22個免疫細胞比例之和為1［12］。

1.3 CRGs與浸潤免疫細胞之間的相關性分析

為了進一步證明CRGs與IM相關免疫細胞特性之間的聯系，分析了CRGs表達與免疫細胞相對百分比之間的相關系數。根據斯皮爾曼相關系數，P值低于0.05代表相關性顯著。最后，使用“corrplot”R軟件包（0.92）對結果進行展示。

1.4 IM患者的無監督聚類分析

通過數據分析，初步獲得了19個CRGs，根據19個CRGs的表達譜，應用無監督聚類分析“ConsensusClusterPlus”R軟件包（1.54.0），使用迭代1 000次的k均值（k-means clustering，k-means）算法將22個IM樣本分為不同的聚類。選擇了最大亞型數k（k=9），并根據累積分布函數（cumulative distribution function，CDF）曲線、共識矩陣和一致聚類得分（gt;0.8）對最佳聚類數進行了綜合評估。

1.5 基因組變異分析（gene set variation analysis，GSVA）分析

使用R軟件包“GSVA”進行GSVA富集分析，以闡明不同CRGs簇之間富集基因組的差異。從MSigDB網站數據庫中獲取“c2.cp.kegg.v7.4.symbols”和“c5.go.bp.v7.5.1.symbols”文件，用于進一步的GSVA分析。利用“limma”R軟件包，通過比較不同CRGs簇間的GSVA得分來確定差異表達的通路和生物學功能。GSVA得分的|t值|大于2被認為是顯著改變。

1.6 基于多種機器學習方法構建預測模型

基于2個不同的CRGs集群，應用“caret”R軟件包建立了機器學習模型，包括隨機森林模型（random forest model，RF）、支持向量機模型（support vector machine model，SVM）、廣義線性模型（generalized linear model，GLM）和極限梯度提升模型（extreme gradient boosting，XGB）。22個IM樣本被隨機分為訓練集（68%，N=15）和驗證集（32%，N=7）。Caret軟件包通過網格搜索自動調整這些模型的參數，所有這些機器學習模型都使用默認參數，并通過5倍交叉驗證進行評估。使用“DALEX”軟件包對上述4個機器學習模型進行了解釋，并可視化這些機器學習模型的殘差分布和特征重要性。使用R包“pROC”可視化受試者工作特征曲線（receiver operating characteristic curve，ROC）的面積。最終，確定了最佳機器學習模型，并將前4個重要變量視為與IM相關的關鍵預測基因。最后，對數據集GSE106656進行了ROC曲線分析，以驗證診斷模型的診斷值。

1.7 列線圖模型的構建和驗證

建立了1個列線圖模型，使用R包“rms”評估IM聚類的發生。每個預測變量都有相應的分數，“總分”代表上述預測變量的分數之和。利用校準曲線和DCA來估計列線圖模型的預測能力。

1.8 實時熒光定量PCR（qRT-PCR）試驗

本研究已獲得倫理審批，批號為XYFY2024-KL017-01。選取的研究樣本包括徐州醫科大學附屬醫院胃鏡室行胃鏡活檢后，病理學確診為IM的患者組織及其配對的正常胃組織。RNA提取、逆轉錄及熒光定量檢測試劑盒均購買自南京諾唯贊生物科技股份有限公司。根據說明書提取組織RNA，逆轉錄，檢測各基因的表達水平。每個樣本進行3次重復試驗，GAPDH為內參，使用2-△△CT［13］方法分析數據。引物序列詳見表1。

1.9 蛋白質印跡法（Western blot，WB）

提取組織蛋白，通過二喹啉甲酸（bicinchoninic acid，BCA）試劑盒繪制蛋白濃度標準曲線及檢測樣品濃度，制備蛋白樣品，加樣，進行十二烷基硫酸鈉聚丙烯酰胺凝膠電泳，隨后進行轉膜、封閉、孵抗體，最后顯影拍照。

1.10 獨立驗證分析

外部數據集GSE106656用于驗證預測模型，通過ROC分析驗證預測模型區分IM和非IM的能力，使用R軟件包“pROC”可視化ROC曲線。此外，通過斯皮爾曼相關性分析探討預測模型相關基因與CDX2水平之間的關聯。qRT-PCR及WB試驗采用兩組配對樣本t檢驗。P值lt;0.05被認為具有統計學意義。

2 結果與分析

2.1 IM患者銅死亡調節因子的失調與免疫反應的激活

為了明確銅死亡調節因子在IM發生發展過程中的生物學功能，首先，利用數據集GSE2669系統地評估了19個CRGs在IM和非IM組中的表達譜。研究過程的詳細流程圖見圖1。共有7個CRGs被確定為差異表達的銅死亡相關基因，其中，NLRP3、DLAT、PDHA1和GLS的表達水平較高，而NFE2L2、ATP7A和DBT基因在IM組織中的表達水平明顯低于正常對照組（圖2a～2c）。隨后，對這些差異表達的CRGs進行相關性分析，以明確銅死亡相關因子在IM進展中是否起重要作用。結果顯示，NLRP3和DLAT呈現出很強的協同效應，同時NLRP3和DBT呈現出明顯的拮抗效應。然后，進一步研究了這些CRGs的相關模式，發現NLRP3和PDHA1與其他調控因子都有顯著的相關性（圖2d）。基因關系網絡圖進一步證明了這些差異表達的CRGs之間的密切關系（圖2e）。為了明確IM和非IM組之間的免疫系統是否存在差異，進行基于CIBERSORT算法的免疫浸潤分析，揭示了IM和非IM對照組之間22種浸潤免疫細胞類型的比例存在差異（圖2f）。結果顯示，IM患者的CD8陽性T細胞浸潤水平較低（圖2g）。同時，相關性分析結果表明，幼稚B細胞、活化的樹突狀細胞、中性粒細胞、濾泡輔助性T細胞都與銅死亡有關（圖2h）。這些結果表明，CRGs可能是調控IM患者分子和免疫浸潤狀態的關鍵因素。

2.2 IM中銅死亡聚類分析

為了闡明IM中與銅死亡相關的表達模式，根據19個CRGs的表達譜，使用共識聚類算法對22個IM樣本進行分組。當k值為2時，聚類數最穩定，CDF曲線在最小范圍內波動，共識指數為0.1至0.8（圖3a、3b）。當k=2至9時，CDF曲線下的面積顯示出兩條CDF曲線（k和k-1）之間的差異（圖3c）。此外，僅當k=2時，每種亞型的一致性得分均gt;0.8（圖3d）。結合共識矩陣的熱圖，最終將22名IM患者分為2個集群，包括Cluster1（N=15）和Cluster2（N=7）。t-分布式隨機鄰域嵌入（t-distributed stochastic neighbor embedding，t-SNE）分析結果表明，這2個聚類之間存在顯著差異（圖3e）。

2.3 銅死亡簇之間銅死亡調節因子和免疫浸潤的差異

為了探究簇間的分子特征，首先綜合評估了6個CRGs在Cluster1和Cluster2之間的表達差異。在兩種銅死亡模式之間觀察到不同的CRGs表達景觀（圖4a）。Cluster1顯示ATP7B高表達，Cluster2顯示DLD、PDHA1、PDHB、DBT和GCSH高表達（圖4b）。此外，免疫浸潤分析的結果表明，在Cluster1和Cluster2之間存在免疫微環境的變化（圖4c）。Cluster2表現出較高比例的幼稚B細胞、濾泡輔助性T細胞（圖4d）。

2.4 篩選基因模塊與構建共表達網絡

為了確定與IM相關的關鍵基因模塊，使用WGCNA算法建立了健康人群和IM患者的共表達網絡和模塊。計算GSE2669中每個基因表達的方差，并選擇方差最高的25%的基因進行進一步分析。當軟閾值設置為8，Scale-free R2等于0.9時，共表達基因模塊被確定（圖5a）。利用動態切割算法獲得了5個不同顏色的獨特共表達模塊，并呈現了拓撲重疊矩陣（topological overlap matrix，TOM）熱圖（圖5b～5d）。隨后，這些位于5個顏色模塊中的基因被用于分析模塊與臨床特征（對照組和IM）共表達的相似性和鄰近性。結果顯示，青綠色模塊與IM的關系最強（圖5e）。此外，還觀察到青綠色模塊與模塊相關基因為正相關（圖5f）。

此外，使用WGCNA算法分析了與銅死亡簇密切相關的重要基因模塊。選擇β =10和R2 =0.9作為最適合的軟閾值參數來構建無標度網絡（圖6a）。我們發現了5個重要模塊，并繪制了所有相關基因的TOM熱圖（圖6b～6d）。模塊-臨床特征（Cluster1和Cluster2）關系分析顯示，青綠色模塊與IM簇之間存在高度相關性（圖6e）。相關分析表明，青綠色模塊基因與所選模塊有顯著相關性（圖6f）。

2.5 識別簇特異性差異表達基因和功能注釋

通過分析銅死亡簇的模塊相關基因與IM和非IM個體的模塊相關基因的交集，共鑒定出80個簇特異性DEGs（圖7a）。利用GSVA分析進一步探討了2個聚類之間與聚類特異性DEGs相關的功能差異。結果顯示，TCA循環、RNA聚合酶、氨基酸代謝在Cluster1中上調，核苷酸結合寡聚化結構域（nucleotide-binding oligomerization domain，NOD）樣受體信號通路在Cluster2中上調（圖7b）。功能富集分析結果表明，Cluster1主要與含嘌呤的復合跨膜轉運蛋白、順反異構酶活性、血管內皮生長因子受體信號通路有關，Cluster2主要與蛋白質定位、白三烯代謝、堿性磷酸酶活性調節等有關（圖7c）。

2.6 機器學習模型的構建和評估

為了進一步鑒定具有較高診斷價值的亞型特異性基因，基于IM訓練隊列中80個簇特異性DEGs的表達譜，建立了4個經過驗證的機器學習模型（RF、SVM、GLM和XGB）。使用“DALEX”軟件包來解釋這4個模型，并繪制每個模型在測試集中的殘差分布。RF和SVM機器學習模型呈現出相對較低的殘差（圖8a、8b）。接著，根據均方根誤差（root mean squared error，RMSE）對每個模型的前10個重要特征變量進行排名（圖8c）。此外，我們通過計算基于5倍交叉驗證的ROC曲線，評估了4種機器學習算法在測試集中的判別性能。結果顯示，RF機器學習模型的ROC曲線下面積（the area under the ROC curve，AUC）最大（RF，AUC=0.889；SVM，AUC=0.833；XGB，AUC=0.889；GLM，AUC=0.583，圖8d）。綜合這些結果，RF模型被證明可以最好地區分具有不同集群的患者。最后，從RF模型中選擇前4個最重要的變量（HPN、YWHAZ、SLC13A3和DMBT1）作為預測基因進行進一步分析。

為了進一步評估RF模型的預測效率，首先構建了1個列線圖來估計22名IM患者中出現銅死亡簇的風險（圖9a）。采用校準曲線和DCA評估列線圖模型的預測效率。根據校準曲線，實際IM簇風險與預測風險之間的誤差很小（圖9b），DCA表明列線圖具有較高的準確性，這可能為臨床決策提供依據（圖9c）。隨后，在包括健康受試者和IM患者在內的外部數據集上驗證了4個基因預測模型。ROC曲線顯示，該4個基因預測模型在數據集GSE106656中的AUC值為0.75，表現出了令人滿意的性能（圖9d），表明該診斷模型在區分IM與健康個體方面同樣有效。

此外，又納入了1個外部數據集（GSE60427），以驗證預測基因與已廣泛報道的IM生物標志物（CDX2水平）之間的相關性。分析發現，DMBT1與CDX2水平呈正相關（r=0.83），HPN、SLC13A3及YWHAZ與CDX2水平呈負相關（HPN，r=-0.88；SLC13A3，r=-0.76；YWHAZ，r=-0.36，圖10a～10d）。這一結果證明了這4個基因預測模型在病理診斷方面具有極高的價值。

2.7 檢測基因在組織中的表達情況

在正常胃組織和胃腸化組織中檢測DMBT1、HPN、SLC13A3及YWHAZ的表達，PCR及WB結果顯示，與正常胃組織相比，DMBT1在腸化組織中表達明顯上調，HPN、SLC13A3及YWHAZ的表達明顯下調（圖11），與之前的相關性分析結果一致，進一步表明這幾個基因在疾病診斷方面具有重要意義。

3 討論

IM是胃黏膜發生結構和功能改變的一種病理狀態，通常與慢性胃炎和幽門螺桿菌感染相關。IM作為胃癌的癌前病變之一，其發生的具體機制尚未完全明確。目前，越來越多的研究探討IM的生物標志物［14］，其分子標志物可以用于IM的早期診斷、病情評估和治療監測，因此，鑒定更合適的分子簇對指導IM的個性化治療更有意義。銅死亡是最近報道的一種銅依賴性細胞死亡形式，與多種疾病進展有關，其中有研究發現，銅死亡與胃癌發生的風險及其預后密切相關［15-16］。然而，尚未有報道探討銅死亡與IM的關系，因此，本文試圖闡明銅死亡相關基因在IM表型和免疫微環境中的特定作用，并利用與銅死亡相關的基因特征來預測IM亞型。

在這項研究中，首次全面分析了IM患者和健康人群的銅死亡調節因子表達譜。與健康人群相比，IM患者中CRGs失調的發生率更高，表示CRGs在IM的發生中起著關鍵作用。為明確銅死亡調節因子與IM之間的關聯，我們計算了CRGs之間的相關性，發現一些銅死亡調節因子表現出顯著的協同或拮抗作用。同時，免疫浸潤分析發現，在對照組和IM患者之間的免疫細胞豐度發生了變化。此外，利用無監督聚類分析，根據CRGs的表達景觀闡明IM患者不同的銅死亡調節模式，并鑒定出2個不同的銅死亡簇。其中，Cluster2表現出相對較高的免疫浸潤水平，主要表現為較高比例的幼稚B細胞和濾泡輔助性T細胞。同時，功能富集分析發現，Cluster2主要與蛋白質定位有關，這為研究基因的作用機制提供了方向。

本研究基于簇特異性DEGs的表達譜，比較了4種機器學習模型（RF、SVM、GLM和XGB）的預測性能，并建立了1個基于RF的預測模型，該模型在測試隊列中表現出最好的預測效果（AUC=0.889），表明基于RF的機器學習在預測IM亞型方面具有令人滿意的性能。隨后，選擇了4個重要的變量（HPN、YWHAZ、SLC13A3和DMBT1）來構建1個基于4個基因的RF模型。HPN主要編碼一種II型跨膜絲氨酸蛋白酶，其表達與多種癌癥的生長和進展有關［17-18］。有研究發現，HPN的高表達常提示胃癌預后不良［19］。目前，較少有研究報道HPN與IM的關系，HPN在IM中的作用有待進一步探索。YWHAZ編碼的蛋白質產物屬于14-3-3蛋白家族，在多種信號通路中發揮作用，包括細胞周期調控、DNA修復、蛋白質翻譯和細胞死亡［20］。研究表明，YWHAZ在多種腫瘤類型中發生了突變或表達異常，在胃癌中，YWHAZ的過表達常常與胃癌細胞增殖及惡性轉歸有關［21］。目前YWHAZ與IM的關系研究較少，有待深入探討。SLC13A3是溶質載體家族13成員之一，其功能主要為攜帶克雷布斯循環中間體的二羧酸和三羧酸鈉協同轉運蛋白［22］。目前關于SLC13A3的研究較少，有報道發現，SLC13A3可能是白血病干細胞的潛在治療靶點，但SLC13A3在IM中的作用仍需進一步研究。DMBT1屬于分泌型清道夫受體，富含半胱氨酸的蛋白質組，最初的研究發現，其在多種腫瘤中表達下調或缺失［23–25］。然而近期有研究發現，DMBT1在胃癌前病變中表達上調［26］，目前該基因在腫瘤發展中的作用尚不完全清楚，有待進一步探索。

本研究發現，基于4個基因的RF模型可以在外部驗證數據集（AUC=0.75）中準確預測IM的診斷，為IM的診斷提供了新的見解。此外，利用HPN、YWHAZ、SLC13A3和DMBT1構建了IM診斷的列線圖模型。結果顯示，該模型具有顯著的預測效果，表明該預測模型在臨床應用中具有價值。越來越多的研究證實，CDX2的表達水平與IM密切相關［27］。因此，本研究對來自另一個外部數據集的16個IM樣本中的這4個預測基因與CDX2水平進行了相關性分析。結果表明，DMBT1與CDX2水平呈正相關，而HPN、YWHAZ及SLC13A3與CDX2水平呈負相關。總體而言，基于4個基因的RF模型是評估IM亞型和IM患者病理結果的有效指標。

本研究首次深入分析了IM患者與健康個體之間CRGs的表達差異，揭示了CRGs在IM發展中的潛在重要作用，為深化理解CRGs與IM的聯系提供了新的科學依據。通過聚類分析區分IM亞型并探究其與免疫環境的聯系，有助于未來制定精準免疫治療策略。此外，功能和免疫浸潤的分析深化了對IM機制的了解，并且通過識別出具有重大預測意義的關鍵基因，為IM的早期診斷和發現潛在治療靶點提供了新途徑。

在后續的研究中，有待擴大樣本量，使用更大規模的多中心數據來驗證本項研究結果，提高其在不同人群和條件下的適用性和準確性，并探討個體化的治療方案，如針對特定分子簇或免疫表型的治療策略，這可能提高治療的有效性和患者的生存率。

綜上所述，本研究不僅在理論上拓展了對IM病理狀態的認識，還為臨床實踐提供了實用的工具和潛在的治療靶標，從而在IM的早期預防、診斷和治療方面具有潛在的長遠影響。

參考文獻（References）：

［1］ SHAO L， LI P， YE J， et al. Risk of gastric cancer among patients with gastric intestinal metaplasia［J］. International Journal of Cancer， 2018， 143（7）： 1671-1677.

［2］ MARI L， MILANO F， PARIKH K， et al. A pSMAD/CDX2 complex is essential for the intestinalization of epithelial metaplasia［J］. Cell Reports， 2014， 7（4）： 1197-1210.

［3］ LI T， GUO H， LI H， et al. MicroRNA-92a-1-5p increases CDX2 by targeting FOXD1 in bile acids-induced gastric intestinal metaplasia［J］. Gut， 2019， 68（10）： 1751-1763.

［4］ KAHLSON M A， DIXON S J. Copper-induced cell death［J］. Science， 2022， 375（6586）： 1231-1232.

［5］ TSVETKOV P， COY S， PETROVA B， et al. Copper induces cell death by targeting lipoylated tca cycle proteins［J］. Science， 2022， 375（6586）： 1254-1261.

［6］ LAI Y， LIN C， LIN X， et al. Identification and immunological characterization of cuproptosis-related molecular clusters in Alzheimer’s disease［J］. Frontiers in Aging Neuroscience， 2022， 14： 932676.

［7］ FAVIER R P， SPEE B， PENNING L C， et al. Copper-induced hepatitis： the commd1 deficient dog as a translational animal model for human chronic hepatitis［J］. The Veterinary Quarterly， 2011， 31（1）： 49-60.

［8］ QI X， WANG J， CHE X， et al. The potential value of cuprotosis （copper-induced cell death） in the therapy of clear cell renal cell carcinoma［J］. American Journal of Cancer Research， 2022， 12（8）： 3947-3966.

［9］ CHENG B， TANG C， XIE J， et al. Cuproptosis illustrates tumor micro-environment features and predicts prostate cancer therapeutic sensitivity and prognosis［J］. Life Sciences， 2023， 325： 121659.

［10］ WANG K， WANG M， LI Z， et al. Systematic analysis of the cuprotosis in tumor microenvironment and prognosis of gastric cancer［J］. Heliyon， 2023， 9（3）： e13831.

［11］ YI J F， LI Y M， LIU T， et al. Mn-sod and cuzn-sod polymorphisms and interactions with risk factors in gastric cancer［J］. World Journal of Gastroenterology， 2010， 16（37）： 4738-4746.

［12］ NEWMAN A M， LIU C L， GREEN M R， et al. Robust enumeration of cell subsets from tissue expression profiles［J］. Nature Methods， 2015， 12（5）： 453-457.

［13］ LIVAK K J， SCHMITTGEN T D. Analysis of relative gene expression data using real-time quantitative PCR and the 2?ΔΔCT method［J］. Methods， 2001， 25（4）： 402-408.

［14］ JONAITIS P， KUPCINSKAS L， KUPCINSKAS J. Molecular alterations in gastric intestinal metaplasia： 11［J］. International Journal of Molecular Sciences， 2021， 22（11）： 5758.

［15］ FENG A， HE L， CHEN T， et al. A novel cuproptosis-related LncRNA nomogram to improve the prognosis prediction of gastric cancer［J］. Frontiers in Oncology， 2022， 12： 957966.

［16］ WANG Y， LIU K， SHEN K， et al. A novel risk model construction and immune landscape analysis of gastric cancer based on cuproptosis-related long noncoding RNAs［J］. Frontiers in Oncology， 2022， 12： 1015235.

［17］ BELIT?KIN D， PANT S M， MUNNE P， et al. Hepsin regulates tgfβ signaling via fibronectin proteolysis［J］. EMBO Reports， 2021， 22（11）： e52532.

［18］ WITTIG BLAICH S M， KACPRZYK L A， EISMANN T， et al. Matrix-dependent regulation of AKT in hepsin-overexpressing PC3 prostate cancer cells［J］. Neoplasia， 2011， 13（7）： 579-589.

［19］ ZHANG M， ZHAO J， TANG W， et al. High hepsin expression predicts poor prognosis in gastric cancer［J］. Scientific Reports， 2016， 6： 36902.

［20］ GAN Y， YE F， HE X X. The role of ywhaz in cancer： a maze of opportunities and challenges［J］. Journal of Cancer， 2020， 11（8）： 2252-2264.

［21］ NISHIMURA Y， KOMATSU S， ICHIKAWA D， et al. Overexpression of ywhaz relates to tumor cell proliferation and malignant outcome of gastric carcinoma［J］. British Journal of Cancer， 2013， 108（6）： 1324-1331.

［22］ BERGERON M J， CLéMEN?ON B， HEDIGER M A， et al. SLC13 family of Na+-coupled di- and tri-carboxylate/sulfate transporters［J］. Molecular Aspects of Medicine， 2013， 34（2/3）： 299-312.

［23］ SHENG S， JIWEN W， DEXIANG Z， et al. DMBT1 suppresses progression of gallbladder carcinoma through PI3K/AKT signaling pathway by targeting PTEN［J］. Bioscience， Biotechnology， and Biochemistry， 2019， 83（12）： 2257-2264.

［24］ BRAIDOTTI P， NUCIFORO P G， MOLLENHAUER J， et al. DMBT1 expression is down-regulated in breast cancer［J］. BMC Cancer， 2004， 4： 46.

［25］ DU J， GUAN M， FAN J， et al. Loss of dmbt1 expression in human prostate cancer and its correlation with clinical progressive features［J］. Urology， 2011， 77（2）： 509.e9-e13.

［26］ GARAY J， PIAZUELO M B， LOPEZ CARRILLO L， et al. Increased expression of deleted in malignant brain tumors （DMBT1） gene in precancerous gastric lesions： findings from human and animal studies［J］. Oncotarget， 2017， 8（29）： 47076-47089.

［27］ LEE B H， KIM N， LEE H S， et al. The role of CDX2 in intestinal metaplasia evaluated using immunohistochemistry［J］. Gut and Liver， 2012， 6（1）： 71-77.

收稿日期：2024-01-22；修回日期：2024-02-03。

基金項目：江蘇省研究生科研與實踐創新計劃項目（SJCX23_1385）；徐州市科技局重點研發計劃項目（KC22233）；

江蘇省高校重點實驗室開放課題項目（XZSYSKF2021029）；徐州醫科大學附屬醫院課題項目（2020KA003）。

作者簡介：錢菲菲，碩士研究生。

* 通信作者：龐訓雷，副主任醫師，主要從事消化系統腫瘤的基礎與臨床研究。E-mail： pangxunlei@163.com。