Oh my god！不做实验也能发3分SCI！

百味科研芝士

发布于 2020-05-25 14:27:21

8510

发布于 2020-05-25 14:27:21

大家好，本期给大家推荐的文献是Differentially Expressed lncRNAs in Gastric Cancer Patients: A Potential Biomarker for Gastric Cancer Prognosis，发表在Journal of Cancer杂志上，影响因子3.182。这篇文章主要是研究胃癌患者中差异表达的lncRNA，通过构建一个预测模型，来找出与胃癌预后相关的lncRNA。

术语

lncRNA：长度大于 200 个核苷酸的非编码 RNA，在众多生命活动中发挥重要作用。

DFS：无病生存期，是指从随机化开始至疾病复发或由于疾病进展导致患者死亡的时间。

ssGSEA：单样本基因集合富集分析，该方法可以对单个样本进行富集分析。

1.研究思路

首先从GEO数据库获取GSE79973数据集，该数据集包含胃癌疾病与正常样本的表达谱数据，筛选出其中差异表达的lncRNA。然后下载GSE62254和GSE15459数据集以及对应的临床数据，通过GSE62254数据集来构建一个临床预测模型，识别出与预后显著相关的lncRNA，通过GSE15459数据集对模型进行验证。进一步的通过多因素分析来研究ACJJ分期、性别、年龄和样本的风险分数与临床预后的关系。最后通过ssGSEA来发现样本的高低风险组之间通路富集的差异情况。

2.结果

2.1 从训练集识别预后的lncRNA

通过R语言的”limma”包从GSE79973当中识别出339个差异表达的lncRNA，再利用Lasso-cox回归分析方法在训练集GSE62254中构建预测模型，识别出了12个与显著相关的lncRNA。

2.2 训练集中12个lncRNA与病人生存期

通过Lasso-cox回归分析，得到了预测模型，样本的风险分数计算公式为Risk score = (0.1243*expression level of CHST9-AS1) + (-0.4656*expression level of ENSG00000251538) + (0.2788*expression level of TPT1-AS1) + (0.0340*expression level of MIR100HG) + (0.1696*expression level of LOC400043) + (0.0243*expression level of LINC00340) + (0.0051*expression level of LOC283174) + (-0.5749*expression level of LOC100133985) + (-0.0659*expression level of Hs.93194) + (0.0008*expression level of LOC401093) + (-1.3684*expression level of ENSG00000233236) + (-0.0054*expression level of ENSG00000229565)。根据风险分数的中位数，可以将训练集样本分成高低风险组，绘制KM曲线

而风险分数高的分组其复发率也要高于风险分数低的组

2.3 在测试组验证12个lncRNA对生存期的预测

以训练集构建的模型公式计算出验证集GSE5459中每个样本的风险分数，并以训练集的风险分数中位数将验证集分成高低风险两组，绘制KM曲线

通过多因素cox回归分析得到各个因素与预后的关系

2.4 12个lncRNA的预后价值

这部分主要是研究12个lncRNA对预后的影响是否与ACJJ分期和化疗相互独立。首先是将训练集的ACJJ分期分为I&II期、III&IV期、化疗、非化疗，然后做生存分析，绘制KM曲线和ROC曲线。可以看到高低风险组都明显区分开，这表明12个lncRNA对预后的影响与ACJJ分期和化疗是相互独立的。

2.5 12个lncRNA的临床应用

通过预测模型的构建与验证，得到12个与预后相关的lncRNA以及与预后相关的各种因素。通过构建列线图，可以将得到的预后相关的各因素进行临床应用，对患者的3年生存率进行预测（图A）。通过校准曲线与ROC曲线，可以对列线图的预测准确性进行评估（图B、C）。通过决策曲线分析，可以对列线图的临床应用进行评估（图D）。