利用基因家族基因构建预后模型发6分+SCI

题目：Identification of a five-gene signature of the RGS gene family with prognostic value in ovarian cancer

鉴定对卵巢癌具有预后价值的RGS基因家族并构建5基因预后模型

生信分析定制服务

也可直接添加小编微信：keyan-zhishi2沟通

摘要

RGS基因家族包括G蛋白偶联受体，是治疗恶性肿瘤的重要药物靶点。研究RGS家族基因在卵巢癌诊断和预后作用具有重要意义。从UCSC数据库下载泛癌种的RNA-seq数据，免疫表型数据和干细胞数据，并下载卵巢癌的TCGA数据和GTEx数据。其中，RGS1,RGS18,RGS19和RGS13的表达水平与基质细胞打分，免疫细胞打分正相关。RGS18高表达的患者对环磷酰胺和奈拉滨敏感，而RGS19高表达患者对氯法拉滨和奈拉滨敏感。KM分析表明，RGS17，RGS16,RGS1和RGS8是卵巢癌免疫亚型的诊断生物标志物，RGS10和RGS16可以预测卵巢癌的临床分期。此外，基于LASSO Cox分析构建5基因风险打分模型。多因素Cox分析表明风险打分模型是卵巢癌的独立预后因素。免疫组化和HPA蛋白数据库表明这5个基因在卵巢癌中过表达。GSEA分析表明主要参与ECM-受体互作，TGF-β信号通路等。本研究基于RGS家族基因构建卵巢癌的预后模型，该模型对临床治疗和卵巢癌的个性化治疗具有重要意义。

流程图

结果

1. 数据的获取和整理

从UCSC数据库下载泛癌种的RNA-seq数据，临床数据和免疫表型数据等。

2. RGS基因家族和肿瘤微环境的关系

使用ESTIMATE算法计算泛癌的基质打分和免疫打分。结果表明，RGS4、RGS18、RGS9、RGS19、RGS13、RGS12、RGS10、RGS1、RGS16基因的表达与基质评分呈显著正相关。RGS10、RGS19、RGS13、RGS1、RGS2、RGS18基因的表达水平与免疫评分呈正相关。

3. RGS基因家族与肿瘤干细胞的关系

RGS基因家族的整体表达量与mRNAsi负相关，RGS3、RGS5、RGS6、RGS9、RGS12与睾丸生殖细胞肿瘤呈显著负相关。基因表达水平越高，肿瘤干细胞越弱。此外，RGS10、RGS12、RGS17、RGS1、RGS5基因在卵巢癌患者中的表达水平与mDNAsi呈显著负相关。

4. RGS基因家族和药物敏感性分析

从PharmacoDB数据库下载与RGS基因家族相关的药物，筛选pvalue<0.05，相关系数>0.1的药物。Cladribine 可以抑制腺苷脱氨酶并干扰细胞合成DNA的能力，常用于白血病的治疗。Chelerythrine是一种蛋白激酶C的抑制剂，研究表明chelerythrine可以抑制NSCLS和乳腺癌的生长。研究表明，RGS19高表达患者对Cladribine和Chelerythrine敏感。

5. RGS基因家族和免疫亚型和卵巢癌临床分期的关系

卵巢癌主要分为四个亚型，分别为免疫反应型（C1），增殖型（C2），分化型（C3）和间质性（C4）。如图1A所示，RGS17、RGS16、RGS1和RGS8在不同亚型中显著表达，可以作为卵巢癌亚型诊断的生物标志物。RGS10和RGS16在卵巢癌不同临床分期中显著差异表达，可以作为预测卵巢癌临床分期的生物标志物（图1B）。

图1 RGS基因家族在不同免疫亚型和临床分期的表达水平

6. 卵巢癌中RGS基因家族的差异分析和生存分析

对卵巢癌样本和卵巢正常样本进行差异分析，如图2所示，RGS11, RGS14, RGS10, RGS19, RGS13, RGS1, RGS18, RGS4, RGS5, RGS3和 RGS16在卵巢癌样本中显著高表达，而RGS7, RGS9, RGS12, RGS17, RGS2和 RGS8显著低表达。

图2 卵巢癌和正常组织中RGS基因家族表达水平

KM分析表明，RGS8, RGS4, RGS2, RGS19和RGS11低表达的患者OS较长（图3a），RGS8, RGS5, RGS2, RGS19, RGS18, RGS16, RGS4, RGS11和RGS1低表达的卵巢癌患者PFS较好（图3b）。对TCGA-OV队列来说，RGS4低表达的卵巢癌患者预后良好（图3c和3d）。

图3 RGS基因家族表达水平对OS的分析

7. 基于RGS基因家族的风险打分模型

LASSO Cox回归分析见图4a，λ的置信区间见图4b。最终得到风险打分模型，风险打分=exp (RGS11) × − 0.00048 + exp (RGS10) × 0.064 + exp (RGS13) × − 0.14 + exp (RGS4) × 0.069 + exp (RGS3) × − 0.0059。根据风险打分模型计算患者的风险打分，并绘制风险打分分布和临床特征。如图4c所示，高风险组的样本死亡率较高，肿瘤分级较高，表明高风险组患者预后较差。低风险组患者预后较好（图4d）。单因素Cox和多因素Cox回归分析表明，风险打分和复发与PFS显著相关（表1），可以作为卵巢癌患者预后的独立因素。

图4 LASSO Cox回归分析

表1 单因素和多因素Cox回归分析

8. 构建列线图

使用多因素Cox回归分析筛选具有预后价值的临床特征并构建列线图。风险打分对卵巢癌患者生存期影响最大（图5a）。校准图表明列线图效果较好（图5b）。列线图的3年和5年ROC曲线的AUC最大（图5c和5d）。这些结果表明，结合临床特征的列线图可以更加准确预后卵巢癌患者的生存情况，有助于临床医生的临床决策和个性化治疗。此外，作者对不同临床特征的患者进行生存分析，表明高风险组患者的生存期较差（图5e-5j）。

图5 列线图和不同临床特征患者的生存分析

9. 风险打分模型中5个基因的突变分析和HPA数据库及免疫组化验证

使用cBioportal分析RGS基因家族的突变和拷贝数变异。RGS11、RGS14、RGS10、RGS19、RGS20、RGS13、RGS1、RGS21、RGS18、RGS4、RGS5、RGS3、RGS16的突变频率分别为2.4%、2.8%、1.6%、10%、7%、4%、4%、4%、4%、4%、4%、4%、4%、4%、3%、1.3%、4%（图6a）。RGS3和RGS4存在错义突变（图6b）。HPA数据库分析表明，RGS10、RGS11、RGS13在卵巢癌组织中高表达（图6c）。

图6 突变分析和蛋白表达分析

免疫组化分析表明RGS3和RGS4在卵巢癌中高表达（图7）。

图7 免疫组化分析

10. 通路富集分析和免疫浸润与风险打分相关性

GSEA分析表明，风险打分显著富集在ECM-受体互作（图8a），TGF-β信号通路（图8b），Wnt信号通路（图8c）和趋化因子信号通路（图8d）。免疫细胞浸润分析表明，风险打分，CD4+ T细胞浸润和巨噬细胞浸润是卵巢癌复发的独立预后因子（图8e）。

图8 GSEA分析

结论

本研究首次分析了RGS基因家族在卵巢癌中的潜在机制，构建了RGS3，RGS4,RGS10,RGS11和RGS13这5个基因的风险模型。根据该风险模型将卵巢癌患者分为高风险组和低风险组，低风险组患者预后较好。风险模型可能通过ECM受体互作，TGF-β信号等通路参与卵巢癌发生。基于风险打分和临床特征构建列线图可以预测卵巢癌患者的复发，有助于临床医生做出临床决策和个体化治疗。本研究的的局限性在于需要使用额外的数据对该模型进行验证。