研究人员在此次研究中，运用了多种关键技术方法。首先，从 TARGET 数据库和 GEO 数据库获取了大量的 OS 样本数据，这些数据成为后续分析的重要基础。接着，通过单变量 Cox 回归分析和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）算法构建了 NET 相关的预后模型。同时，利用单细胞 RNA 测序（Single-Cell RNA Sequencing，scRNA-seq）技术，在单细胞水平上探究 NET 相关模型在 OS 中的作用。此外，还采用了生存分析、多变量 Cox 回归分析等方法评估 FPR1 的预后价值，运用 CIBERSORT 算法分析 FPR1 与免疫细胞丰度的关系，并通过 CCK-8、Transwell 等实验研究 FPR1 在 OS 细胞系中的生物学作用。
下面来详细看看研究结果。
构建骨肉瘤 NET 相关特征模型：研究人员对 69 个 NET 相关基因进行单变量 Cox 回归分析，筛选出 17 个有预后潜力的基因，再经 LASSO 分析确定了 4 个最佳预后相关基因：TNFRSF10C（肿瘤坏死因子受体超家族成员 10c）、FPR1、BST1（骨髓基质细胞抗原 - 1）和 SELPLG（选择素 P 配体基因），构建出 NET 评分模型。生存分析表明，高 NET 评分的 OS 患者生存结局更差。ROC 分析显示，该模型在预测 OS 患者生存方面有一定准确性，多变量 Cox 回归分析也证实 NET 评分可作为 OS 患者生存的独立预测指标。
NET 评分的预后价值：进一步分析发现，在不同年龄、性别和转移状态的亚组中，高 NET 评分的 OS 患者生存结局均较差。虽然在某些亚组中 NET 评分无明显差异，但在 GSE21257 队列中，转移的 OS 样本 NET 评分更高。这说明构建的 NET 相关预后模型能够有效预测 OS 患者的预后。
差异表达基因及功能通路分析：筛选高、低 NET 评分组的差异表达基因（Differentially Expressed Genes，DEGs），发现共有 640 个 DEGs。GO 和 KEGG 分析显示，这些基因富集在多种生物过程、分子功能和信号通路中，基因集变异分析（Gene Set Variation Analysis，GSVA）也表明多个信号通路与 NET 评分相关，这揭示了 NET 相关特征模型在 OS 中的潜在作用机制。
scRNA - seq 分析 NET 评分：基于 scRNA - seq 数据，研究人员对细胞进行聚类分析，确定了 8 个主要细胞簇，并计算了每个细胞的 NET 评分。通过 GO 和 KEGG 富集分析，发现高、低 NET 评分组间差异表达的 782 个基因显著富集在众多生物学过程和信号通路中。伪时间分析还发现，随着伪时间增加，OS 细胞的 NET 评分呈上升趋势，这从单细胞层面揭示了 NET 评分在 OS 中的作用。
细胞通讯模式：利用 R 包 “iTALK” 分析 OS 细胞与 TME 中其他细胞的通讯模式，发现高 NET 评分组中，CD24、CXCL12 和 TIMP1 等细胞信号通路更活跃，这些通路与肿瘤进展和转移相关，表明细胞间通讯在高 NET 评分的 OS 患者肿瘤进展中起重要作用。
NET 评分对肿瘤药物的预测价值：通过 R 包 “oncoPredict” 预测药物敏感性，发现 NET 评分与 SB505124_1194（一种选择性 TGFβR 抑制剂）和 BI.2536_1086（PLK 抑制剂）的 IC50 值显著负相关，提示高 NET 评分的患者可能对这两种药物更敏感。CTD 数据库分析还表明，TNFRSF10C、FPR1、BST1 和 SELPLG 可能是 OS 的潜在治疗靶点。
FPR1 在骨肉瘤中的预后价值：研究发现，OS 组织中 FPR1 的表达水平明显低于正常对照。生存分析显示，高 FPR1 表达的 OS 患者生存结局更好，多变量 Cox 回归分析表明 FPR1 可作为 OS 患者生存的独立预测指标。基因集富集分析（Gene Set Enrichment Analysis，GSEA）显示，高 FPR1 组在抗原加工和呈递、细胞凋亡等多条信号通路中显著富集。
综合研究结果和讨论部分，该研究证实了 NET 相关基因 FPR1 在体外能够抑制 OS 的进展，并且与 OS 的预后和免疫浸润密切相关。这意味着 FPR1 有望成为骨肉瘤预后评估和治疗的重要靶点，为骨肉瘤的临床治疗开辟新的方向。不过，FPR1 在 OS 中的具体作用机制尚未完全明确，仍需进一步深入研究，以便为骨肉瘤患者带来更有效的治疗方案，改善他们的生存状况。
