ObjectiveThis study is designed to identify genes and pathways that could promote metastasis to the bowel in high-grade serous ovarian cancer (OC) and evaluate their associations with clinical outcomes.MethodsWe performed RNA sequencing of OC primary tumors (PTs) and their corresponding bowel metastases (n = 21 discovery set; n = 18 replication set). Differentially expressed genes (DEGs) were those expressed at least 2-fold higher in bowel metastases (BMets) than PTs in at least 30% of patients (P < .05) with no increased expression in paired benign bowel tissue and were validated with quantitative reverse transcription PCR. Using an independent OC cohort (n = 333), associations between DEGs in PTs and surgical and clinical outcomes were performed. Immunohistochemistry and mouse xenograft studies were performed to confirm the role of LRRC15 in promoting metastasis.ResultsAmong 27 DEGs in the discovery set, 21 were confirmed in the replication set: SFRP2, Col11A1, LRRC15, ADAM12, ADAMTS12, MFAP5, LUM, PLPP4, FAP, POSTN, GRP, MMP11, MMP13, C1QTNF3, EPYC, DIO2, KCNA1, NETO1, NTM, MYH13, and PVALB. Higher expression of more than half of the genes in the PT was associated with an increased requirement for bowel resection at primary surgery and an inability to achieve complete cytoreduction. Increased expression of LRRC15 in BMets was confirmed by immunohistochemistry and knockdown of LRRC15 significantly inhibited tumor progression in mice.ConclusionsWe identified 21 genes that are overexpressed in bowel metastases among patients with OC. Our findings will help select potential molecular targets for the prevention and treatment of malignant bowel obstruction in OC.

Renal cell carcinoma (RCC) is characterized by a variety of subtypes, each defined by unique genetic and morphological features. This study utilizes single-cell RNA sequencing to explore the molecular heterogeneity of RCC. A highly proliferative cell subset, termed as "Prol," was discovered within RCC tumors, and its increased presence was linked to poorer patient outcomes. An artificial intelligence network, encompassing traditional regression, machine learning, and deep learning algorithms, was employed to develop a Prol signature capable of predicting prognosis. The signature demonstrated superior performance in predicting RCC prognosis compared to other signatures and exhibited pan-cancer prognostic capabilities. RCC patients with high Prol signature scores exhibited resistance to targeted therapies and immunotherapies. Furthermore, the key gene CEP55 from the Prol signature was validated by both proteinomics and quantitative real time polymerase chain reaction. Our findings may provide new insights into the molecular and cellular mechanisms of RCC and facilitate the development of novel biomarkers and therapeutic targets.