1. 引言
骨肉瘤(Osteosarcoma)是一种高度侵袭性的原发性骨肿瘤，起源于成骨组织，通常见于儿童、青少年及年轻成人 [1] 。尽管骨肉瘤在所有原发性骨肿瘤中的发病率相对较低，但其生物学特性和临床表现使其成为骨科肿瘤学领域中备受关注的疾病之一。这种恶性肿瘤以其快速生长和极具侵袭性的特征而著称，常见于长骨的干部，如股骨和胫骨 [2] [3] ，也可发生在骨盆、颅骨等部位 [4] 。骨肉瘤的生长过程伴随着瘤内未成熟的骨组织形成 [5] ，形态上常表现为高度异质性的肿瘤细胞群，这使得其病理特征备受关注。由于骨肉瘤的高度侵袭性，其容易侵犯周围软组织和血管，从而造成生命质量的明显下降。尽管近年来在骨肉瘤的诊断和治疗方面取得了显著进展，包括手术切除、化疗和放疗等多学科综合治疗策略的不断改进 [6] ，但骨肉瘤的治疗依然具有一定的挑战性。特别是对于晚期病例或存在转移的患者，治疗难度更是增加。
骨肉瘤可能与遗传因素、染色体异常、基因融合等因素有关，因此我们更需要深入探究其发病机制和分子生物学特征。近年来，基因组学和分子生物学等领域的不断发展为骨肉瘤研究提供了新的视角和方法，为寻找更有效的治疗手段提供了新的可能性 [7] 。本文旨在对骨肉瘤的病理生物学、临床特征、治疗策略以及未来研究方向进行全面回顾。通过深入探讨骨肉瘤的发病机制和分子机制，我们期望为改善骨肉瘤的诊断、治疗和预后提供重要的理论基础，为患者的生存和生活质量带来积极的影响。
生物信息学技术的发展现状呈现出日新月异的态势，成为现代生物医学研究中不可或缺的重要工具。随着高通量测序技术的突飞猛进，研究人员能够在短时间内获得大量基因组、转录组和蛋白质组等生物信息数据，如GEO数据库(http://www.ncbi.nlm.nih.gov/geo/)，TCGA数据库(https://portal.gdc.cancer.gov/)等，为深入了解生物体内各种生物学过程提供了强有力的支持 [8] 。在这一技术革新的推动下，生物信息学的应用范围也得到了极大的拓展。它不仅可以应用于基因组学和转录组学等领域 [9] ，还在蛋白质组学、代谢组学、表观遗传学等研究中得到了广泛应用 [10] [11] 。同时，生物信息学技术也在药物研发、疾病诊断和治疗个体化等方面展现出了巨大的潜力 [12] 。
最近的研究发现了CCNB1、KIF23可能促进多种癌症进展 [13] [14] ，揭示了CCNB1、KIF23可能作为一种潜在预后标志物，为癌症的诊断治疗和预后提供依据。然而目前CCNB1、KIF23与骨肉瘤之间的关系尚不清楚。因此本文拟利用生物信息学技术挖掘骨肉瘤与正常组织之间的核心基因，并且进行富集分析、通路分析。利用公共数据集验证CCNB1、KIF23在骨肉瘤中的显著作用。并且应用基础细胞实验对其进行验证。
2. 数据收集及处理
2.1. 骨肉瘤数据集
在这项研究中，骨肉瘤数据集GSE36001和GSE99671配置文件是从GPL6102、GPL20148生成的GEO数据库(http://www.ncbi.nlm.nih.gov/geo/)中下载的。GSE36001包括个19骨肉瘤和6个正常组织样本，GSE99671包括18个骨肉瘤和18个正常组织样本。用于识别骨肉瘤的差异表达基因(DEGs)。
2.2. 去批次化处理
对于多数据集的合并及去批次化处理我们首先利用R软件包对数据集GSE36001和GSE99671进行合并。对于多数据集的合并我们首先利用R软件包inSilicoMerging [DOD:10.1186/1471-2105-13-335]对数据集进行合并，得到合并矩阵，更进一步的我们使用R软件包limma (version 3.42.2)的removeBatchEffect函数进行去除批次效应，最终获得去除批次效应后的矩阵，并应用到后续分析。
2.3. DEGs的筛选
R包“limma”用于GSE36001和GSE99671的合并矩阵的探针汇总和背景校正。Benjamini-Hochberg 方法用于调整原始p值。使用错误发现率(FDR)计算倍数变化(FC)。DEG的截止标准是p小于0.05，FC大于1.5。并作出火山图，获得DEGs。
2.4. 加权基因共表达网络分析(WGCNA)
首先，我们利用GSE36001和GSE99671的合并基因表达矩阵，分别计算了每个基因的MAD (Median Absolute Deviation)，剔除了MAD最小的前50%的基因，利用R软件包WGCNA的goodSamplesGenes方法去除了离群的基因和样本，进一步的使用WGCNA构建scale-free co-expression network，具体而言，首先，对所有成对基因都执行皮尔逊相关矩阵和平均连锁法，然后，使用幂函数A_mn = |C_mn|^β构造加权邻接矩阵(C_mn = Gene_m和Gene_n之间的Pearson相关；A_mn= Gene m和Gene n之间的邻接)。β是一个软阈值参数，可以强调基因之间的强相关性，减弱弱相关性及负相关性的影响。选择10的幂后，将邻接转换为拓扑重叠矩阵(TOM)，并计算相应的相异度(1-TOM)。为了将具有相似表达谱的基因分类为基因模块，根据基于TOM的相异性度量进行平均连锁层次聚类，基因树状图的最小大小(基因组)为30。设置敏感度为3。为了进一步分析模块，我们计算了模块特征基因的相异性，为模块树状图选择了一条切割线，并合并了一些模块。此外我们还合并了距离小于0.25的模块。
2.5. 功能富集分析
基因本体分析(GO)和京都基因和基因组百科全书(KEGG)分析是评估基因功能和生物学途径的计算方法。本研究将韦恩图筛选出的差异基因列表输入KEGG rest API (https://www.kegg.jp/kegg/rest/keggapi.html)获取了最新的KEGG Pathway的基因注释，以此作为背景，将基因映射到背景集合中，使用R软件包clusterProfiler (version 3.14.3)进行富集分析，以获得基因集富集的结果。还使用R软件包org.Hs.eg.db (version 3.1.0)中的基因的GO注释，以此作为背景，将基因映射到背景集合中，设定最小基因集为5，最大基因集为5000，p值小于0.05，FDR小于0.25被认为是有统计学意义的衡量标准。
此外，Metascape数据库可以提供全面的基因列表注释和分析资源，并可视化导出。我们使用了Metascape (http://metascape.org/gp/index.html)数据库，进行对上述差异基因列表进行功能富集分析并导出。
2.6. GSEA分析
对于Gene set enrichment analysis (GSEA)，我们从GSEA (DOI:10.1073/pnas.0506580102, http://software.broadinstitute.org/gsea/index.jsp)网站获得了GSEA软件(version 3.0)，根据疾病和正常组织将样本分成两组，并从Molecular Signatures Database (DOI:10.1093/bioinformatics/btr260, http://www.gsea-msigdb.org/gsea/downloads.jsp)下载了c2.cp.kegg.v7.4.symbols.gmt子集合，用以评估相关途径和分子机制，基于基因表达谱和表型分组，设定最小基因集为5，最大基因集为5000，一千次重抽样，p值小于0.05，FDR小于0.25被认为具有统计学意义。并且对全基因组进行了GO和KEGG分析。由GSEA制定。
2.7. 免疫浸润分析
CIBERSORT (http://CIBERSORT.stanford.edu/)是计算免疫细胞浸润的方法，LM22基因文件用于定义22个免疫细胞亚群。我们应用了集成的生物信息学方法，使用CIBERSORT软件包分别对骨肉瘤数据集GSE36001和GSE99671的合并基因表达矩阵进行了分析，利用线性支持向量回归的原理对免疫细胞亚型的表达矩阵进行去卷积，来估计免疫细胞的丰度，同时以置信度p < 0.05作为截断标准，筛选出有足够置信度的样本。
2.8. 蛋白质–蛋白质相互作用(PPI)网络的构建与分析
STRING数据库(http://string-db.org/)旨在收集、评分和整合所有公开可用的蛋白质–蛋白质相互作用信息来源，并通过计算预测来补充这些来源。本研究将差异基因列表输入到STRING数据库中，构建预测核心基因的PPI网络(置信度 > 0.4)。Cytoscape软件可以为生物学家提供生物网络分析和二维(2D)可视化。本研究通过Cytoscape软件对string数据库形成的PPI网络进行可视化和预测核心基因。首先我们将PPI网络导入到cytoscape软件中，通过MCODE找到相关性最好的模块，还通过四种算法(MCC、MNC、Closeness、Radiality)分别计算相关性最好的十个基因并取交集，可视化后导出核心基因列表。
2.9. 基因表达量热图
我们使用R包heatmap对PPI网络中寻找到的核心基因在GSE36001和GSE99671中的表达量分别作出了热图，可视化核心基因在骨肉瘤和正常组织样本间的表达差异。
2.10. CTD分析
CTD数据库(Comparative Toxicogenomics Database)整合大量化学物质、基因、功能表型和疾病之间相互作用数据，为疾病相关环境暴露因素及药物潜在作用机制研究提供极大便利。我们将核心基因输入到CTD网站中，找到了与核心基因的最相关的疾病，并用Excel画出了每个基因的表达差异雷达图。
2.11. miRNA
TargetScan (http://www.targetscan.org/)是一个在线数据库，用于预测分析miRNA和靶基因。在我们的研究中，TargetScan用于筛选调节中枢DEG的miRNA。
3. 结果
3.1. 差异表达基因分析
在本研究中，按照设定好的截断值，我们对骨肉瘤数据集GSE36001和GSE99671的合并矩阵鉴定差异表达基因，最后共得到了1342个DEGs (图1)。
Figure 1. Differential gene analysis, a total of 1342 DEGs
图1. 差异基因分析，共1342个差异基因
3.2. 功能富集分析
3.2.1. DEGs功能富集分析
我们对这些差异表达基因进行GO和KEGG分析，根据GO分析结果，在BP分析中，它们主要富集在免疫反应、细胞激活、中性粒细胞激活(图2(a))。在CC分析中，它们主要富集在分泌颗粒、分泌小泡(图2(b))。在MF分析中，它们主要集中在Toll样受体4结合、脂质结合、花生四烯酸结合(图2(c))。在KEGG分析中，它们主要富集在细胞周期、IL-17信号通路、PI3K-Akt信号通路、细胞衰老、P53信号通路(图2(d))。
Figure 2. (a)~(d) Results of GOKEGG enrichment analysis of DEGs. (a) Biological process analysis; (b) Cellular component analysis; (c) Molecular function analysis; (d) Results of KEGG enrichment analysis; (e)~(h) Results of GSEA enrichment analysis of DEGs; (e) Biological process analysis; (f) Cellular component analysis; (g) Molecular function analysis; (h) KEGG enrichment analysis
图2. (a)~(d) DEG GOKEGG富集分析结果。(a) 生物过程分析；(b) 细胞成分分析；(c) 分子功能分析；(d) KEGG富集分析结果。(e)~(h) DEG的GSEA富集分析结果；(e) 生物过程分析；(f) 细胞成分分析；(g) 分子功能分析；(h) KEGG富集分析
3.2.2. GSEA分析
另外，我们对全基因组进行GSEA富集分析，旨在寻找非差异表达基因中可能存在的富集项，并验证差异表达基因的结果。富集项与差异表达基因的GO KEGG富集项的交集如图所示，差异表达基因主要富集在细胞激活、分泌颗粒、脂质结合、细胞周期、P53信号通路(图2(e)~(h))。
3.2.3. Metascape富集分析
在Metascape的富集项目中，GO富集项目中可见DNA代谢过程、有丝分裂细胞周期过程、肿瘤中视网膜母细胞瘤基因(图3(a))，同时我们还输出了以富集项着色和p值着色的富集网络(图3(b)~(d))，可视化表示各富集项目的关联和置信度。
Figure 3. Metascape enrichment analysis. (a) Bar graph of enriched terms across input gene lists, colored by p-values; (b) Network of enriched terms: colored by cluster ID, where nodes that share the same cluster ID are typically close to each other; (c) Colored by p-value, where terms containing more genes tend to have a more significant p-value; (d) Protein-protein interaction network and MCODE components identified in the gene lists
图3. Metascape富集分析。(a) 输入基因列表中丰富术语的条形图，按p值着色；(b) 丰富术语网络：按集群ID着色，其中共享相同集群ID的节点通常彼此靠近；(c) 按p值着色，其中包含更多基因的术语往往具有更显着的p值；(d) 基因列表中确定的蛋白质–蛋白质相互作用网络和MCODE组件
根据Metascape的PPI网络分析结果，我们分析得到了核心基因(PRC1、IQGAP3、KPNA2、CDCA8、BUB1B、CDC20、BUB1、MAD2L1、CCNB1、KIF4A、KIF23、KIF2C、KIF20A、H2AZ1、CEACAM6、CEACAM1、CEACAM8、TAL1、MYB、GFI1)。
3.3. WGCNA分析
软阈值功率的选择是WGCNA分析中的重要一步。进行网络拓扑分析以确定软阈值功率。WGCNA 分析中的软阈值功率设置为6 (图4(a))。构建了所有基因的层次聚类树，一共生成了7个模块(图4(b))，并分析重要模块之间的交互(图4(c))，还生成了模块与表型相关性热图(图4(d))和相关hub基因的GS与MM相关性散点图(图4(e))。我们还通过WGCNA与DEGs筛选出的差异基因绘制了韦恩图并取交集(图4(f))。
Figure 4. WGCNA analysis. (a) β = 6, 0.48, β = 6, 467.96; (b, c) The hierarchical clustering tree of all genes was constructed, and 7 important modules were generated; (d) The heat map of correlation between modules and phenotypes; (e) The scatter map of correlation between GS and MM of related hub genes; (f) The DEGs screened by WGCNA and DEGs was used to obtain venn map. 115 intersection genes were obtained
图4. WGCNA分析。(a) β = 6，0.48，β = 6，467.96；(b, c) 构建了所有基因的层次聚类树，并生成了7个重要模块；(d) 模块和表型之间相关性的热图；(e) 相关hub基因的GS和MM之间相关性的散点图；(f) WGCNA筛选出的DEG，并使用DEG获得维恩图。获得115个交叉基因
3.4. 蛋白质–蛋白质相互作用(PPI)网络的构建与分析
DEGs的PPI网络是由STRING在线数据库构建并由Cytoscape软件分析(图5(a))，然后利用四种算法识别中枢基因，并作出韦恩图取得并集作为核心基因(图5(b))，MCC、MNC、Closeness、Radiality四种算法结果如图(图5(c)~(f))，最终我们获得了2个核心基因(KIF23、CCNB1)。
Figure 5. Construction and analysis of protein-protein interaction (PPI) networks. (a) Construct the PPI network of DEGs using STRING online database and utilize Cytoscape software for analysis; (b) Core genes (KIF23, CCNB1) were obtained by merging using Venn diagrams; (c) MCC was used to identify the central gene; (d) MNC was used to identify the central gene; (e) Closeness was used to identify the central gene; (f) Radiality was used to identify the central gene
图5. 蛋白质–蛋白质相互作用(PPI)网络的构建和分析。(a) 使用STRING在线数据库构建DEG的PPI网络，并利用Cytoscape软件进行分析；(b) 利用维恩图合并得到核心基因(KIF23、CCNB1)；(c) MCC用于识别中心基因；(d) MNC用于识别中心基因；(e) 紧密度用于识别中心基因；(f) 径向性用于识别中心基因
3.5. 核心基因表达量热图
我们将核心基因在骨肉瘤数据集GSE36001和GSE99671的合并矩阵中的表达量可视化并作出热图(图6(a))，我们发现核心基因(KIF23、CCNB1)在骨肉瘤样本中为高表达，在正常样本中为低表达。对此结果，我们推测核心基因(KIF23、CCNB1)可能对于骨肉瘤具有调控作用。
3.6. CTD分析
在这项研究中，我们将hub基因列表输入到CTD网站中寻找与核心基因有关的疾病，提高了对基因与疾病关联的理解。发现核心基因(KIF23、CCNB1)和骨肉瘤、肿瘤、炎症、增生、坏死有关(图6(b))。
3.7. 与hub基因相关的miRNA预测与功能注释
在这项研究中，我们将hub基因列表输入到targetsacan中寻找相关的miRNA，提高对基因表达调控的理解(表1)。我们发现CCNB1基因的相关miRNA是hsa-miR-183-5p.1；KIF23基因的相关miRNA是hsa-miR-103a-3p、hsa-miR-107。
Figure 6. (a) Heat map of the core gene in the combined matrix of the data sets GSE36001 and GSE99671; (b) CTD analysis. Core genes (KIF23, CCNB1) are associated with osteosarcoma, tumor, inflammation, proliferation, and necrosis
图6. (a) 数据集GSE36001和GSE99671组合矩阵中核心基因的热图；(b) CTD分析。核心基因(KIF23、CCNB1)与骨肉瘤、肿瘤、炎症、增殖、坏死相关
Table 1. A summary of miRNAs that regulate hub genes
表1. 调控中枢基因的miRNAs综述
3.8. 免疫浸润分析
我们使用CIBERSORT软件包对骨肉瘤数据集GSE36001和GSE99671的合并矩阵进行了分析，在95%置信度下，获得了全基因表达矩阵的免疫细胞的比例结果，结果提示M2型巨噬细胞在样本中占比较高(图7(a))。接着我们还对浸润的免疫细胞进行了相关性的分析，得到了免疫细胞组分间的共表达模式图。结果提示M2型巨噬细胞和中性粒细胞具有高度相关性，他们之间的相互作用对于研究免疫系统在骨肉瘤治疗干预下的变化非常有帮助，可能会影响骨肉瘤的疾病进程(图7(b))。
Figure 7. Immunoinfiltration analysis. (a) Whole gene expression matrix results in proportion of immune cells; (b) Map of co-expression patterns between immune cell components
图7. 免疫浸润分析。(a) 整个基因表达矩阵结果是免疫细胞的比例；(b) 免疫细胞成分之间的共表达模式图
4. 讨论
骨肉瘤作为一种高度侵袭性的骨骼肿瘤，骨肉瘤的最明显症状之一是局部疼痛，但在骨肿瘤早期，疼痛通常会被不恰当地归因于运动。随着肿瘤的不断扩大，疼痛往往变得越来越剧烈，严重影响患者的正常活动和生活质量。由于骨肉瘤生长迅速，它容易引起骨骼的破坏，甚至在严重的情况下可能导致骨折 [15] 。这使得治疗变得更加复杂和困难，也增加了患者的痛苦和康复难度。同时，如果骨肉瘤发生在关键的骨骼部位，如股骨或胫骨，它们的破坏和变形可能会对患者的运动功能产生永久性影响。此外，骨肉瘤也可能会导致远处器官和组织的转移 [16] 。一旦肿瘤细胞进入血液循环或淋巴系统，它们可以在体内扩散并在其他部位形成转移灶，如肺部 [17] [18] 。这种转移会严重影响患者的预后，使得治疗更加复杂和困难。因此，及早的诊断、精准的治疗和全面的康复计划对于骨肉瘤患者至关重要，也是医学界亟待解决的重要问题之一。
骨肉瘤的危害性不可忽视，因此，对于骨肉瘤的深入研究和了解，不仅有助于提升对该疾病的早期诊断和干预能力，也为制定更有效的治疗方案奠定了重要基础。在对骨肉瘤的分子机制进行深入探索的过程中，我们发现CCNB1和KIF23的高表达与骨肉瘤的恶性程度密切相关。CCNB1、KIF23在骨肉瘤中表达越高，骨肉瘤的患者的预后则越差。
CCNB1 (Cyclin B1)是编码蛋白质的基因，是一种参与细胞增殖的调节蛋白。它属于细胞周期蛋白家族，周期蛋白是一类高度保守的蛋白。细胞周期蛋白依赖性激酶1 (CDK1)作为细胞周期进程的关键调控分子，同样是一种高度保守和高度调控的蛋白，起着丝氨酸/苏氨酸激酶的作用。CCNB1与CDK1结合形成复合物，该复合物磷酸化靶底物并导致细胞周期进程 [19] 。与CCNB1的结合改变了对CDK1活性位点的访问，并有助于决定有丝分裂是否开始的开关事件。一旦CCNB1-CDK1复合物被激活，它就不能再失活。活化的CCNB1-CDK1复合体将启动有丝分裂的几个步骤，包括染色体的凝聚、纺锤杆的组装和核膜的破坏。
CCNB1的表达受到复杂的调控机制，包括转录因子、miRNA和表观遗传学修饰等。它在细胞有丝分裂过程中扮演着重要的角色。正常细胞会在细胞周期的特定阶段表达CCNB1，以确保细胞的有序分裂。CCNB1被认为是一种有丝分裂的环化素，它通过与环化促进细胞周期从G2阶段向有丝分裂 [20] 。在有丝分裂的中期和后期，CCNB1的降解通过泛素蛋白酶组途径发生，导致染色体解聚以及核仁和核膜再生 [21] 。总的来说，CCNB1在细胞周期调控中起着重要作用，它的正常功能对于维持细胞周期的正常进行至关重要。研究发现，CCNB1在许多癌症中被检测到了其表达水平的升高。一项研究表明，在肺癌患者中，CCNB1的表达水平被提升，CCNB1的高表达也使得肺癌患者的生存结果较差 [22] 。而CCNB1的高表达水平与肿瘤细胞的永生化和染色体不稳定性有关，这有助于肿瘤细胞的侵袭和癌症患者的预后 [23] 。另外，高水平的CCNB1表达还被证实与肝癌患者预后差密切相关，CCNB1还是促进肝癌细胞增殖的不可忽视的重要因素 [24] 。CCNB1还被推测与头颈鳞状细胞癌相关，在SCCHN中经常过度表达，可能是其潜在的预后生物标记物 [25] 。CCNB1在胰腺癌中被确定为一个独立的预后因素，高CCNB1表达患者的整体生存率明显低于低CCNB1表达的患者 [26] 。最新的研究也提出CCNB1参与了膀胱癌发病机制，通过抑制CCNB1来减缓肿瘤生长，能够改善膀胱癌预后 [27] 。以上研究表明，CCNB1在许多肿瘤中的表达异常可能导致细胞周期的紊乱，CCNB1的过度表达与肿瘤细胞的快速增殖和生长密切相关，它可能通过影响细胞的迁移和侵袭能力，促使肿瘤细胞向周围组织扩散。CCNB1的高表达往往还与肿瘤的恶性程度和预后密切相关。这可能意味着高CCNB1表达的肿瘤往往具有更高的复发风险和预后不良的趋势。
KIF23是一个驱动细胞分裂的蛋白，在细胞有丝分裂过程中参与了中期的纺锤体形成 [28] [29] 。KIF23基因编码的蛋白质被称为MKLP1 (Mitotic kinesin-like protein 1)或Kinesin-6，属于马达蛋白超家族的一部分，位于人类基因组的12号染色体上。MKLP1在细胞有丝分裂的最后阶段起着关键作用。它属于动力蛋白家族，它与极光家族蛋白激酶相互作用，调节细胞分裂，并确保适当的细胞质分裂 [30] 。在有丝分裂的末期，KIF23参与了细胞核的分裂。它定位于中央部位，帮助将两个新的细胞核分隔开来，并最终促使整个细胞质分裂成两个独立的细胞。KIF23的耗尽可导致有丝分裂的停滞 [31] [32] 。KIF23的表达受到多种调控因素的影响，包括转录因子和其他细胞周期相关蛋白。它在细胞周期中的表达呈现出特异性。
相关研究表明，KIF23在多种肿瘤中的表达水平普遍异常，与肿瘤的侵袭和转移密切相关。有研究发现KIF23过度表达与乳腺癌的肿瘤等级、浸润和预后有显著的相关性 [33] 。在胃癌中，KIF23表达水平明显升高，有助于胃癌的增殖和转移 [14] ，并与预后不佳有关 [34] 。KIF23还在NSCLC组织中过度表达 [35] ，尤其在腺癌组织中，KIF23的表达显著增加，高表达的患者通常预后较差 [36] 。另外有研究也显示着KIF23在卵巢癌和透明细胞肾细胞癌中可能起着关键的作用 [37] [38] 。以上研究揭示了KIF23的异常表达导致肿瘤的发生和发展，可能作为潜在的生物标记物和癌症治疗的分子靶点。
对CCNB1和KIF23的研究不仅对于理解细胞生物学过程具有重要意义，也为肿瘤的诊断和治疗提供了新的思路。上述多个研究已经证实了CCNB1和KIF23在肿瘤生长和侵袭中的重要作用，进一步支持了我们的研究结果。因此，我们推测CCNB1和KIF23的高表达可能导致细胞周期的异常，促进骨肉瘤细胞的异常增殖和侵袭，在骨肉瘤的发生发展过程中发挥重要的作用。
尽管我们进行了严谨的生物信息学分析，但研究中仍存在一些不足之处。我们未能进行基因过表达或敲除的动物实验证实CCNB1和KIF23在骨肉瘤中的确切功能。因此，在未来的研究中，我们将进一步进行动物实验证实我们的发现，并探索这两者在骨肉瘤发生发展过程中的确切作用机制。
5. 结论
综上所述，我们的研究揭示了CCNB1和KIF23在骨肉瘤中的高表达与恶性程度的密切关系，为骨肉瘤的发病机制研究提供了重要线索。这也为CCNB1和KIF23成为骨肉瘤治疗靶点提供了新的思路。我们相信随着技术的不断进步和研究的深入，我们将能够揭示更多关于骨肉瘤发病机制的奥秘，并为该病的治疗提供更多有力的依据。
NOTES
*共同第一作者。
#通讯作者。