Background In the realm of Gut-Brain axis research, existing evidence points to a complex bidirectional regulatory mechanism between gut microbiota and the brain. However, the question of whether a causal relationship exists between gut microbiota and specific types of brain tumors, such as gliomas, remains unresolved. To address this gap, we employed publicly available Genome-Wide Association Study (GWAS) and MIOBEN databases, conducting an in-depth analysis using Two-Sample Mendelian Randomization (MR). Method We carried out two sets of MR analyses. The preliminary analysis included fewer instrumental variables due to a high genome-wide statistical significance threshold (5×10 −8 ). To enable a more comprehensive and detailed analysis, we adjusted the significance threshold to 1×10 −5 . We performed linkage disequilibrium analysis (R 2 <0.001, clumping distance = 10,000kb) and detailed screening of palindromic SNPs, followed by MR analysis and validation through sensitivity analysis. Results Our findings reveal a causal relationship between gut microbiota and gliomas. Further confirmation via Inverse Variance Weighting (IVW) identified eight specific microbial communities related to gliomas. Notably, the Peptostreptococcaceae and Olsenella communities appear to have a protective effect, reducing glioma risk. Conclusion This study not only confirms the causal link between gut microbiota and gliomas but also suggests a new avenue for future glioma treatment.

Purpose: Prostate cancer (PCa) causes a common male urinary system malignant tumour, and the molecular mechanisms of PCa remain poorly understood. This study aims to investigate the underlying molecular mechanisms of PCa with bioinformatics. Methods: Original gene expression profiles were obtained from the GSE64318 and GSE46602 datasets in the Gene Expression Omnibus (GEO). We conducted differential screens of the expression of genes (DEGs) between two groups using the R software limma package. The interactions between the differentially expressed miRNAs, mRNAs and lncRNAs were predicted and merged with the target genes. Co-expression of the miRNAs, lncRNAs and mRNAs were selected to construct the mRNA-miRNA and -lncRNA interaction networks. Gene Ontology (GO) and Kyoto Encyclopaedia of Genes and Genomes (KEGG) pathway enrichment analyses were performed for the DEGs. The protein-protein interaction (PPI) networks were constructed, and the transcription factors were annotated. The expression of hub genes in the TCGA datasets was verified to improve the reliability of our analysis. Results: The results demonstrated that 60 miRNAs, 1578 mRNAs and 61 lncRNAs were differentially expressed in PCa. The mRNA-miRNA-lncRNA networks were composed of 5 miRNA nodes, 13 lncRNA nodes, and 45 mRNA nodes. The DEGs were mainly enriched in the nuclei and cytoplasm and were involved in the regulation of transcription, related to sequence-specific DNA binding, and participated in the regulation of the PI3K-Akt signalling pathway. These pathways are related to cancer and focal adhesion signalling pathways. Furthermore, we found that 5 miRNAs, 6 lncRNAs, 6 mRNAs and 2 TFs play important regulatory roles in the interaction network. The expression levels of EGFR, VEGFA, PIK3R1, DLG4, TGFBR1 and KIT were significantly different between PCa and normal prostate tissue. Conclusion: Based on the current study, large-scale effects of interrelated mRNAs, miRNAs, lncRNAs, and TFs were revealed and a model for predicting the mechanism of PCa was provided. This study provides new insight for the exploration of the molecular mechanisms of PCa and valuable clues for further research.

Background : Peritoneal metastasis (PM) has been considered to be the terminal stage of colorectal cancer (CRC) due to poor prognosis. We purposed to construct an AI model of clinicopathological parameters to predict the survival prognosis of PM in CRC. Methods : Our model was constructed through modifying a classic neural network with COX proportional hazards as loss function in the training cohort. It is able to predict the overall survival (OS) of each individual patient with clinicopathological parameters. Multivariate analysis was conducted to identify independent risk factors for the prognosis of PM patients. Results and Conclusion : In the testing cohort, the deep learning model show good performance with the c-index of 0.76 and brier score of 0.20. Conclusions : We have developed a deep learning model to predict the survival of individual patients precisely. It can provide evidence to apply personalized treatments and assisted surgeon to select optical treatments for CRC patients with PM.

Aims Mesenchymal stem cells (MSCs) are key components in promoting glioblastoma (GBM) progression. This study aimed to explore new therapeutic targets and related pathogenic mechanisms based on different MSCs infiltration levels in GBM patients. Methods We estimated the relationship between cell infiltration and prognosis of GBM. Subsequently, key risk genes were identified and prognostic models were constructed by LASSO-Cox analysis. The risk genes were validated by five independent external cohorts, single-cell RNA analysis, and immunohistochemistry of human GBM tissues. TIDE analysis predicted responsiveness to immune checkpoint inhibitors in different risk groups. Results The MSCs infiltration level was negatively associated with survival in GBM patients. LOXL1, LOXL4, and GUCA1A are key risk genes that promote GBM progression and may act through complex intercellular communication. Conclusion This research has provided a comprehensive study for exploring the MSCs infiltration environment on GBM progression, which could shed light on novel biomarkers and mechanisms involved in GBM progression.