前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >自噬相关基因模型在非小细胞肺癌中的预后意义

自噬相关基因模型在非小细胞肺癌中的预后意义

作者头像
百味科研芝士
发布2020-03-04 11:07:44
1K0
发布2020-03-04 11:07:44
举报
文章被收录于专栏:百味科研芝士

各位小伙伴们大家好,这次给大家分享的文献是Prognostic implications of autophagy-associated gene signatures in non-small cell lung cancer,2019年12月发表在Aging杂志上,影响因子5.515。文章通过对自噬相关基因表达谱进行分析,得到与临床预后相关的特征基因,结合临床特征和自噬基因特征,进而预测NSCLC患者的生存率。

术语

AUC:ROC曲线下面积; C-指数:一致性指数; EGFR-TKI:表皮生长因子受体酪氨酸激酶抑制剂; GO:基因本体,在生物信息学领域中广泛使用的本体,涵盖细胞组分、分子功能、生物过程三个生物学方面; GEO:基因表达综合 GSEA:基因集富集分析 HR:风险比 KEGG:京都基因与基因组百科全书 LASSO:最小绝对收缩与选择算子 LUAD:肺腺癌 LUSC:肺鳞状细胞癌 NSCLC:非小细胞肺癌 OS:总生存 ROC:受者操作特征 TCGA:癌基因组图谱

研究思路

结果

2.1

TCGA肺癌样本预后特征的构建

从GeneCards数据库获取了149个自噬相关基因(基因相关分数大于7),去除TCGA肺癌样本(包括490个肺腺癌样本和488肺鳞状细胞癌样本)数据中不存在的XBP1基因,构建出148个自噬相关基因的表达谱,结合总生存OS,通过单因素cox回归分析得到了肺腺癌(LUAD)的25个与生存显著相关的基因和肺鳞状细胞癌(LUSC)的11个与生存显著相关的基因。(A) TCGA-LUAD存活相关自噬基因的森林图。(B) TCGA-LUSC存活相关自噬基因的森林图。(C) 25个基因在正常组织和LUAD组织中的差异表达。(D) 11个基因在正常组织和LUSC组织中的差异表达。

进一步通过Lasso回归得到LUAD的22个和LUSC的11个生存相关基因。TCGA-LUAD(A)中25个基因和TCGA-LUSC(B)中11个基因的LASSO系数分布。根据对数(lambda)序列生成系数剖面图。TCGA-LUAD(C)和TCGA-LUSC(D)套索模型中最优参数(lambda)的选择。(E) TCGA-LUAD队列中22个基因的遗传改变。(F) TCGA-LUSC队列中11个基因的遗传改变。

这些基因的功能、风险系数和相关性得分如下表所示。

根据每个基因的mRNA表达水平和风险系数,即每个自噬相关基因的mRNA水平与其多变量LASSO回归系数加权的线性组合,计算每个患者的风险得分。风险评分用于预测预后,以中位风险评分作为临界值,将患者分为高风险组和低风险组。绘制热图以显示高风险和低风险组的基因表达谱,TCGA-LUAD(A)和TCGA-LUSC(B)。TCGA-LUAD(C)和TCGA-LUSC(D)的危险评分分布、患者生存时间及状态,黑色虚线是将患者分为低风险组和高风险组的最佳界限。TCGA-LUAD(E)和TCGA-LUSC(F)的单因素Cox回归分析,风险因素与存活率之间关系的森林图。

多元Cox回归分析。自噬相关基因标记是TCGA-LUAD(A)和TCGA-LUSC(B)预后的独立预测因子。TCGA肺癌患者的Kaplan-Meier分析,(C) 高危评分与TCGA-LUAD患者总体生存率低有关,(D) TCGA-LUSC的高危评分与总体生存率低相关。受试者操作特征(ROC)分析操作系统对TCGA-LUAD(E)中22个基因风险评分和TCGA-LUSC(F)中11个基因风险评分的敏感性和特异性。TCGA-LUAD(G)和TCGA-LUSC(H)的分期和危险度评分联合应用比单独应用两者更能预测预后。

2.2

相关信号通路的鉴定

这里主要是研究TCGA-LUAD样本里的22个自噬相关基因的潜在信号传导途径,用这22个基因作为诱饵在TCGA-LUAD样本里勾出50个最常改变的相邻基因,然后对这72个基因做GO分析(图A)和KEGG分析(图C)。GO分析表明,这些基因可分为几个基本的生物学过程,包括生物调控、对刺激的反应、发育过程、细胞增殖、细胞增殖和生长,KEGG分析显示,72个基因主要与自噬、凋亡、EGFR酪氨酸激酶抑制剂(TKI)抵抗、泛素介导的蛋白水解、PI3K-Akt信号通路和VEGF信号通路有关。同时GSEA分析(图D)显示,改变的基因在几种常见途径中显著富集。我们发现高风险组与细胞周期、p53信号通路、DNA复制和泛素介导的蛋白水解显著相关。同时,低风险组与mTOR、VEGF、胰岛素信号通路以及溶酶体呈负相关。

2.3

独立肺癌样本中预后特征基因的验证

这部分是对之前利用TCGA数据所构建的模型在GEO数据集进行验证。Okayama包括226例原发性I-II期肺腺癌(GSE31210)患者。患者的风险评分从-58到-53(图A)。低危患者存活时间明显长于高危人群(图C和E)。Rousseaux包括293例I-IV期肺癌(GSE30219),包括71例腺癌、61例鳞状细胞癌、56例大细胞神经内分泌肿瘤、39例基底细胞瘤、24例类癌、21例小细胞癌和7例其他组织学。风险评分范围从-19到-15(图B)。即使在该混合型肺癌样本(图D和F),风险评分也表现良好。

在109名肺癌患者(GSE3141)的BILD样本中,风险较小的患者比生存风险高的患者(图A、C和E)。最后,Lee的研究(GSE8894)对138例IA-IIIB期非小细胞肺癌(腺癌和鳞癌细胞肺癌)患者进行了研究。低危组患者的OS高于高危组(图B、D和F)。总的来说,这些结果证实了这22个自噬基因特征也可以预测独立验证肺癌样本的存活率。

2.4

个性化预测模型

个性化预测主要是通过列线图这种稳健的工具,综合多个风险因素,来定量确定个人在临床环境中的风险。通过结合22个自噬基因特征、年龄、性别、T、N、M和TNM分期,生成一个列线图来预测3年和5年OS的概率。如图A所示,每一个因素都按照其对生存的风险贡献比例被分配了点。校准曲线表明,实际和预测的生存率非常吻合(图B和C),尤其是5年生存率。在GSE30219肺癌样本中验证了列线图,图D和图E分别给出了3年和5年的校准曲线。

结语

本篇文章以自噬为主题,利用TCGA、GEO等公共数据库,结合cox和Lasso回归,得到肺腺癌和肺鳞状细胞癌的预后特征基因,并通过列线图来实现个性化的模型预测,对肺癌患者的生存率进行预测,且预测效果良好。文章思路清晰,环环相扣,值得我们去借鉴与学习! 原文获取方式,后台回复关键词:自噬

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-02-25,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 百味科研芝士 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档