7分+铁死亡相关基因与预后和免疫关联分析

作图丫

发布于 2022-03-29 10:07:26

9380

发布于 2022-03-29 10:07:26

文章被收录于专栏：作图丫

导语

GUIDE ╲

胰腺癌是世界上预后最差的恶性肿瘤之一。铁死亡作为一种新的程序性细胞死亡，已被证明在肿瘤治疗中具有潜力。

背景介绍

作为前段时间的研究热点，铁死亡方向一直有不少文章产出，今天小编给大家介绍的一篇文章，基于已经报道的铁死亡相关基因，构建预后模型，并通过分析不同风险类型和免疫特征的差异，得到了很好的结果，文章题目为：A Prognostic Model of PancreaticCancer Based on Ferroptosis-RelatedGenes to Determine Its ImmuneLandscape and UnderlyingMechanisms。

数据介绍

TCGA：PAAD的RNA-seq数据和临床随访数据

GEO：GSE57495和GSE71729芯片数据（含生存时间）

结果解析

与预后差异一起识别差异表达的FRGs

作者收集了关于铁死亡的文献，获得了60个FRGs(铁死亡相关基因)。随后，对每个FRG，使用训练集和生存数据，使用R包生存Coxph函数构建单因素Cox比例风险回归模型，认为p<0.05为显著性差异。发现了7个具有预后意义的差异表达基因：CD44、FANCD2、MT1G、PTGS2、SAT1、TFRC和STEAP3。

基于LASSO的预测模型的构建

为进一步筛选与PAAD发生和预后相关的关键基因，采用R包glmnet，采用lasso回归分析筛选上述7个FRGs。值为−ln(lambda)的每个基因的系数的轨迹如图1A所示。通过5倍交叉验证建立了模型，每个lambda下的置信区间如图1B所示。风险评分如下：

图1

根据LASSO鉴定的6个基因的表达水平计算了每个样本的风险评分，并绘制了风险评分的分布(图1C)。使用R包timeROC对训练集的风险评分的预后预测进行ROC分析。分析了1、2和3年预后预测的分类效率(图1D)。为了进一步验证模型的有效性，对风险评分计算Z-score，将训练集样本分为高风险组（>0）和低风险组（<0），并显示各组间的生存曲线(图1E)。结果显示，高危组的生存概率显著降低。

TCGA中的验证集验证了预测模型的稳定性

为了验证6-gene特征模型的稳健性，基于与训练集相同的模型和系数计算TCGA验证集中每个样本的风险评分，并绘制风险评分分布。与训练集相似，较高的风险分数对应于更多的死亡。这6个基因的表达趋势与训练集一致(图2A)。ROC分析显示，验证集中模型的1年、2年和3年AUC分别为0.62、0.6和0.79(图2B)。最后，高风险组的预后明显低于低风险组(图2C)。

作者在TCGA PAAD队列的所有样本中验证了上述结果。随着风险评分的增加，患者的死亡人数增加，并且6个signature基因的表达水平持续增加(图2D)。该模型在所有样本中的1年、2年和3年AUC分别为0.66、0.69和0.77，显示出良好的长期生存率预测(图2E)。高风险组的预后明显低于低风险组(图2F)。

图2

作者使用GEO两个数据集作为外部数据集进行模型验证，得到了相同的结果（图3）。

图3

风险评分与临床特征的相关性研究

结果显示，风险评分与TNM分期、分级、性别、年龄无显著关系(图4A-G)。这里有一个明显的趋势：风险越高的分数与越高的阶段相关，分化程度越高的样本有越高的风险分数越高。第三阶段和第四级与其他阶段不一致，主要原因是这两个阶段的样本量较小，导致偏差较大。

作者基于TCGA数据库的临床随访信息进行了单因素和多因素Cox回归分析。这些临床指标包括年龄、性别、T期、N期、M期、分期、分级和我们的风险型分组信息。单因素cox分析结果显示，T期、N期和Risktype是影响预后的重要危险因素(图4H)。多因素Cox回归分析显示，风险型是预后的独立危险因素(图4I)。以上结果表明，作者的模型对预测PAAD患者的临床预后具有良好的预测能力。

图4

差异表达基因的鉴定及功能富集分析

作者确定了两组间的DEGs，以了解具有不同预后的高风险和低风险组的潜在机制。高风险组共鉴定出1287个上调基因和42个下调基因(图5A)。高风险组DEGs主要为表达上调基因。分别显示了每个类别中10个最显著丰富的terms(图5B-E)。

图5

对高风险组和低风险组进行GSEA检测，富集途径选择的阈值分别为p<0.05和FDR<0.25(图6A)。发现高发现组中有多种肿瘤相关通路富集，如MISMATCH_REPAIR、NOTCH_SIGNALING_PATHWAY、CELL_CYCLE、PANCREATIC_CANCER，这可能意味着高危组的不良预后是多种肿瘤通路的组合。此外，对TCGA PAAD队列样本进行了单样本GSEA，并计算了每个样本在不同通路上的ssGSEA评分。对ssGSEA与风险评分进行相关性分析，显示相关系数>为0.5的通路(图6B)。

图6

各组间免疫浸润程度的差异

为了探索作者确定的高风险和低风险组之间免疫浸润的差异，使用ESTIMATE、MCPcounter和CIBERSORT工具评估了整体免疫浸润和免疫细胞的差异。结果显示，各组间基质评分、免疫评分和估计评分均无显著性差异(图7A)。然而，在MCP方法中，高风险组的monotypic lineage和中性粒细胞显著增加(p<0.05)，这说明高风险组有更强的炎症反应(图7B)。在CIBERSORT结果中，高风险组的天然B细胞、活化NK细胞和Tregs浸润均低于低风险组，说明与低风险组相比，高风险组的特异性和非特异性免疫反应受到抑制(图7C)。

作者比较了高风险组和低风险组中一些免疫检查点的表达差异。发现几乎所有的免疫检查点基因在高风险组中都表达上调。CD274、CD276、CD44、CD80、IDO1、PDCD1LG2的差异有显著的统计学意义(图7D)。

图7

风险模型与现有模型的比较

为了进一步验证作者的模型的有效性，比较了3种预后相关风险模型(7基因signature(Cheng)、6基因signature(Stratford)和9基因signature(Xu))与作者的模型的预测性能。发现这三种模型在TCGA数据上的1、2、3年AUC均低于本文的模型，说明具有良好的预测性能。