BACKGROUND Prognosis remains one of most crucial determinants of gastric cancer (GC) treatment, but current methods do not predict prognosis accurately. Identification of additional biomarkers is urgently required to identify patients at risk of poor prognoses. METHODS Tissue microarrays were used to measure expression of nine GC-associated proteins in GC tissue and normal gastric tissue samples. Hierarchical cluster analysis of microarray data and feature selection for factors associated with survival were performed. Based on these data, prognostic scoring models were established to predict clinical outcomes. Finally, ingenuity pathway analysis (IPA) was used to identify a biological GC network. RESULTS Eight proteins were upregulated in GC tissues versus normal gastric tissues. Hierarchical cluster analysis and feature selection showed that overall survival was worse in cyclin dependent kinase (CDK)2, Akt1, X-linked inhibitor of apoptosis protein (XIAP), Notch4, and phosphorylated (p)-protein kinase C (PKC) α/β2 immunopositive patients than in patients that were immunonegative for these proteins. Risk score models based on these five proteins and clinicopathological characteristics were established to determine prognoses of GC patients. These proteins were found to be involved in cancer related-signaling pathways and upstream regulators were identified. CONCLUSION This study identified proteins that can be used as clinical biomarkers and established a risk score model based on these proteins and clinicopathological characteristics to assess GC prognosis.

中文翻译：

---

蛋白质表达谱和临床病理特征与胃癌生存有关。

背景技术预后仍然是胃癌（GC）治疗的最关键决定因素之一，但是当前的方法不能准确预测预后。迫切需要鉴定其他生物标志物以鉴定有不良预后风险的患者。方法采用组织芯片技术检测GC组织和正常胃组织样品中9种GC相关蛋白的表达。进行了微阵列数据的层次聚类分析和与生存相关的因素的特征选择。基于这些数据，建立了预后评分模型以预测临床结果。最后，使用智能路径分析（IPA）来识别生物GC网络。结果与正常胃组织相比，GC组织中有8种蛋白上调。层次聚类分析和特征选择显示，细胞周期蛋白依赖性激酶（CDK）2，Akt1，X连锁凋亡蛋白抑制剂（XIAP），Notch4和磷酸化（p）-蛋白激酶C（PKC）α/ β2免疫阳性患者比这些蛋白免疫阴性的患者要高。建立了基于这五种蛋白质和临床病理特征的风险评分模型，以确定GC患者的预后。发现这些蛋白与癌症相关的信号通路有关，并确定了上游调节剂。结论本研究确定了可用作临床生物标志物的蛋白质，并基于这些蛋白质和临床病理特征建立了风险评分模型，以评估GC的预后。X连锁的凋亡蛋白（XIAP），Notch4和磷酸化（p）-蛋白激酶C（PKC）α/β2免疫阳性患者的抑制率高于对这些蛋白免疫阴性的患者。建立了基于这五种蛋白质和临床病理特征的风险评分模型，以确定GC患者的预后。发现这些蛋白与癌症相关的信号通路有关，并确定了上游调节剂。结论本研究确定了可用作临床生物标志物的蛋白质，并基于这些蛋白质和临床病理特征建立了风险评分模型，以评估GC的预后。X连锁的凋亡蛋白（XIAP），Notch4和磷酸化（p）-蛋白激酶C（PKC）α/β2免疫阳性患者的抑制率高于对这些蛋白免疫阴性的患者。建立了基于这五种蛋白质和临床病理特征的风险评分模型，以确定GC患者的预后。发现这些蛋白与癌症相关的信号通路有关，并确定了上游调节剂。结论本研究确定了可用作临床生物标志物的蛋白质，并基于这些蛋白质和临床病理特征建立了风险评分模型，以评估GC的预后。建立了基于这五种蛋白质和临床病理特征的风险评分模型，以确定GC患者的预后。发现这些蛋白与癌症相关的信号通路有关，并确定了上游调节剂。结论本研究确定了可用作临床生物标志物的蛋白质，并基于这些蛋白质和临床病理特征建立了风险评分模型，以评估GC的预后。建立了基于这五种蛋白质和临床病理特征的风险评分模型，以确定GC患者的预后。发现这些蛋白与癌症相关的信号通路有关，并确定了上游调节剂。结论本研究确定了可用作临床生物标志物的蛋白质，并基于这些蛋白质和临床病理特征建立了风险评分模型，以评估GC的预后。