8分+！非常典型的构建预后模型思路！

导语

GUIDE ╲

肺腺癌(LUAD)是世界上最常见的肺癌亚型，LUAD患者的生存率较低。N6-甲基腺苷(m6A)和长链非编码RNA(lncRNAs)在LUAD的预后价值和免疫治疗反应中发挥着至关重要的作用。

背景介绍

今天，小编给大家带来了通过鉴定肺腺癌中m6A甲基化相关lncRNA，构建预后模型的相关思路，这篇文章于2021年发表在《Molecular Therapy Nucleic Acids》期刊上，最新影响因子8.886，题目为:m6A-related lncRNAs are potential biomarkers for predicting prognoses and immune responses in patients with LUAD.

数据介绍

TCGA数据库：LUAD的RNA-seq数据，临床信息以及突变数据。

结果解析

01

LUAD患者中m6A相关lncRNA的鉴定

首先展示该研究的流程图（Fig.1）。

Fig.1

作者从TCGA数据库中提取了21个m6A基因和14,142个lncRNA的表达数据。将m6a相关的lncRNA定义为在21个m6A基因中，与≥1个基因显著相关的lncRNA(|PearsonR|>0.3且p<0.001)。利用Fig.2A中的Sankey图可视化m6A-lncRNA共表达网络，筛选到1149个m6A相关的lncRNA。

m6A基因与m6A相关lncRNA（预后相关）在TCGA数据集中的相关性如Fig.2B所示。

Fig.2

02

LUAD患者m6a相关lncrna风险模型的构建和验证

作者使用单因素Cox回归分析从TCGA训练集中1149个m6A相关的lncRNA中筛选与m6A相关的预后lncRNA。在TCGA数据集中，有38个与m6A相关的lncRNA与OS显著相关(Fig.3A)。作者通过LASSO分析筛选了24个与m6A相关的lncRNA进行后续的多因素分析(Fig.3B、C)。接下来，作者使用多因素Cox回归分析筛选到12个与m6A相关的lncRNA是与OS独立相关的因素，并被用于构建一个风险模型来评估LUAD患者的预后风险(Fig.3D)。

Fig.3

根据预后风险得分的中位数，将LUAD样本分为低风险组和高风险组。低风险组和高风险组之间的风险等级分布如Fig.4A所示，两种不同风险组患者的生存状态和生存时间如Fig.4B所示。每个患者的12个m6A相关lncRNA的相对表达水平如Fig.4C所示。生存分析显示，低风险组的OS比高风险组更长(p<0.001)(Fig.4D)。

Fig.4

为了测试模型的预后能力，作者计算了测试集中和整个数据集中每个患者的风险评分。Fig.5A-C和Fig.5E-G分别描述了训练集和整个数据集中m6a相关lncRNA的分布，以及其表达水平。

对测试集和整个数据集进行的Kaplan-Meier生存分析显示，TCGA训练集的结果没有差异：风险评分较高的LUAD患者的OS比风险评分较低的患者差(Fig.5D、H)。

Fig.5

作者分析了TCGA中低风险组和高风险组根据临床病理特征分组的OS差异。根据按性别、年龄、stage或肿瘤分期分类的亚组，低危组的OS仍然优于高危组（Fig.6）。

Fig.6

03

主成分分析进一步验证m6A相关的lncRNA模型的分组能力

作者通过PCA分析，检测低风险组和高风险组之间基因表达谱、21个m6A基因、12个m6A相关lncRNA和根据12个m6A相关lncRNA构建的风险模型的差异。Fig.7A-C显示，高、低风险组的分布相对分散。基于模型得到的结果表明，低风险组和高风险组有不同的分布(Fig.7D)。这些结果表明，预后特征可以区分低风险组和高风险组

Fig.7

04

利用m6A相关lncRNA模型估计肿瘤免疫微环境和免疫治疗反应

利用模型进一步分析了LUAD中几种免疫细胞、通路或功能的富集水平和活性。发现低风险组和高风险组的免疫特征表达存在显著差异(Fig.8A)。为了探索基于m6A模型的潜在分子机制，作者进行了GO富集分析，发现了许多免疫相关的生物过程的参与(Fig.8B)。

接下来研究了m6A相关的lncRNA模型与免疫治疗性生物标志物之间的相关性。发现高风险组比低风险组更有可能对免疫治疗产生反应(Fig.8C)。

利用R包maftools，对突变数据进行分析。高低风险亚组中突变频率最高的前20个基因如Fig.8D、E所示。作者根据TGCA体细胞突变数据计算TMB评分。低风险组的TMB高于高风险组，表明基于m6A的分类器index与TMB具有较高的相关性(Fig.8F)。

因此，作者检测了m6A相关的lncRNA模型是否能比TP53突变状态更好地预测OS。发现高风险组的TP53患者比低风险组的TP53突变和野生型TP53患者预后差(Fig.8G)。

Fig.8

05

m6A相关lncRNA预后风险模型及LUAD临床特征的评价

作者进行了单因素和多因素Cox回归分析，以评估12个m6A相关lncRNA的风险模型是否具有独立的LUAD预后特征。在单变量Cox回归分析中，风险评分的HR和95%置信区间(CI)分别为1.06和1.04-1.08(p<0.001)。在多变量Cox回归分析中，HR为1.07,95%CI为1.05-1.09(p<0.001)(Fig.9A)，表明12个m6A相关lncRNA的风险模型与性别、年龄、肿瘤/淋巴结/转移(TNM)分期和吸烟史无关。进行这个过程是为了更好地评估风险评分在预测LUAD患者预后方面的独特性和敏感性。

随着时间的增加，风险评分的一致性指数总是大于其他临床因素的一致性指数，表明风险等级可以更好的预测LUAD的预后（Fig.9B）。风险等级的AUC也高于其他临床病理特征的AUC，表明12个m6A相关lncRNA对LUAD的预后风险模型比较可靠（Fig.9C）。

Fig.9

06

预后列线图的构建与评价

作者绘制了包含风险等级和临床风险特征的列线图，以预测1、2和3年的OS发生率。与临床因素相比，预后模型的风险分级在列线图中显示出主要的预测能力(Fig.10A)。相关图显示，1年、2年和3年OS的观察率与预测率显示出一致性(Fig.10B-D)。

Fig.10

小编总结

本文的亮点是通过鉴定在肺腺癌中与m6A相关的lncRNA,并通过这些lncRNA构建预后风险模型，并在免疫等各个方面对模型进行了可靠性评估，并得到不错的结果。这个分析思路可以应用于很多疾病和基因，大家可以多多学习，并加以尝试！