首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >容易复现!铁死亡相关预后signature轻松发6+~

容易复现!铁死亡相关预后signature轻松发6+~

作者头像
作图丫
发布2022-12-04 17:18:55
3310
发布2022-12-04 17:18:55
举报
文章被收录于专栏:作图丫作图丫

导语

乳腺癌是全球女性最常见的恶性肿瘤。然而,先进的多学科治疗并不能挽救高危乳腺癌转移的死亡率。铁死亡是一种新发现的与癌症治疗相关的调节细胞死亡的形式,特别是在根除对传统疗法有抵抗力的侵袭性恶性肿瘤方面。

背景介绍

铁死亡在最近两年已然成为热点,今天小编为大家带来的这篇文章,作者通过铁死亡相关基因识别乳腺癌预后基因特征,文章发表在《Frontiers in Cell and Developmental Biology》上,影响因子为6.081,文章题目为:A Novel Ferroptosis-Related Gene Signature for Overall Survival Prediction in Patients With Breast Cancer。

数据介绍

本研究从 TCGA 中下载了总共 1057 条带有临床和随访信息的乳腺癌 RNA 表达数据。此外,还从GEO下载了三个外部验证队列的临床和随访信息的乳腺癌 RNA 表达数据。从 FerrDb 网站获得了 259 个与铁死亡相关的基因。

结果解析

01

技术路线

本研究技术路线如图1所示。

图 1

02

TCGA中与预后铁死亡相关的DEGs的识别

本研究首先在 TCGA 队列中鉴定了预后铁死亡相关的 DEGs,结果显示大多数铁死亡相关基因在乳腺癌肿瘤组织和邻近的非肿瘤组织之间差异表达,包括 29 个在单变量 Cox 回归分析中与 OS 显著相关的基因(图 2A)。通过 FDR < 0.05 的标准确定了总共 29 个与预后相关的 DEGs(图 2B,C)。图 2B 中的热图描述了这 29 个与预后相关的 DEGs 的表达水平和分布。图 2C 的森林图显示了这 29 个基因的单变量 Cox 回归分析结果。结果表明,其中 13 个基因在 HR 小于 1 的乳腺癌患者中发挥保护作用,而其他16个基因(是HR大于1的危险因素。接下来本研究进一步使用STRING数据库来检测这 29 个基因之间的蛋白质-蛋白质相互作用网络(图 2D)。交互网络表明,JUN、FLT3、PIK3CA、G6PD和GPX4是hub基因。所选候选基因的相关网络如图2E所示,其中不同颜色代表不同程度的相关系数。

图 2

03

TCGA队列中铁死亡相关预后特征的构建

利用上述 29 个基因的表达,应用多 Cox 回归分析构建 11 个基因的预后模型。风险评分可通过以下公式计算:风险评分 = 0.366 * CISD1 + (–0.272) * TP63 + (–0.499) * BRD4 + 0.290 * PROM2 + 0.277 * EMC2 + 0.217 * G6PD+ 0.294 * PIK3CA+ (–0.179) * FLT3 + (–0.666) * IFNG + 0.500 * ANO6 + (–0.275) * SLC1A4。接下来本研究根据风险评分的中值将 TCGA 队列中的所有乳腺癌患者分为高风险组(n = 528)和低风险组(n = 529)(图 3A)。图 3B 反映了高风险评分的患者比低风险评分的患者更有可能更早死亡。图 3C 中的 Kaplan-Meier 生存曲线显示,高危组乳腺癌患者的 OS 明显低于低危组。本研究通过ROC 曲线进一步评估了预后特征对乳腺癌患者 OS 的预测效果,结果显示AUC在 1 年时达到 0.700,在 2 年时达到 0.749 在 3 年时达到 0.720(图3D)。

图 3

04

GEO队列中铁死亡相关预后特征的验证

为了测试从 TCGA 队列构建的 11 个基因模型的稳健性,本研究使用来自 GEO 数据库的 GEO 队列(GSE20685、GSE20711 和 GSE42568)进行外部验证。来自 GEO 队列的患者通过使用来自 TCGA 队列的相同公式计算的风险评分的中值分为高风险组和低风险组(图 4A)。与从 TCGA 队列获得的结果类似,在 GEO 验证队列中,高风险评分的患者比低风险组的死亡概率更高(图 4B)。同样,Kaplan-Meier 生存曲线显示,高危组乳腺癌患者的 OS 差于低危组,具有统计学意义。此外,11 个基因特征的 AUC 在 1 年时为 0.709,在 2 年时为 0.671,在 3 年时为 0.661(图 4C,D)。

图 4

05

11基因铁死亡相关预后特征的独立预后价值

随后,本研究在 TCGA 数据库和 GEO 数据库中提取了可用的临床变量。单变量和多变量 Cox 回归分析用于检测风险评分是否可以在预测乳腺癌 OS 中发挥独立的预后作用。图5A、C显示,风险评分是TCGA队列和GEO队列OS的独立预后预测因子。多变量 Cox 回归进一步证明,风险评分可以作为两个队列中 OS 的独立预测因子(图 5B,D)。

图 5

06

预后特征相关生物通路的功能分析

为了阐明与本研究的 11 基因预后特征相关模型相关的潜在生物学功能和通路,本研究通过分析高风险和低风险组之间的 DEGs 进行了 GO 富集和 KEGG 通路分析。结果表明,来自 TCGA 队列的 DEGs 在 GO 富集中的许多免疫相关生物学过程中显著富集(图 6A,B)。同样,KEGG 通路分析也显示了相关免疫相关通路,如原发性免疫缺陷、T 细胞受体信号通路、癌症中的 PD-L1 表达和 PD-1 检查点通路、Th1 和 Th2 细胞分化以及 Th17 细胞分化(图 6C, D)。

图 6

为了进一步探索11个基因标记风险评分与免疫状态之间的相关性,本研究使用ssGSEA来量化不同免疫细胞亚群、相关功能或通路的富集评分。结果显示,TCGA队列中高危组和低危组的抗原呈递过程内容有统计学差异(图7)。

图 7

小编总结

本研究探索了乳腺癌组织中总共 259 个明确定义的铁死亡相关基因及其与 OS 的相关性。外部队列构建并验证了一种新的 11 基因铁死亡相关预后模型。并进行了功能分析,发现了一些与免疫相关的生物学过程。本研究的局限性是:首先,本研究的铁死亡相关预后模型是在具有回顾性数据的公共数据库中构建和验证的,没有使用除此之外的数据进行验证。其次,本研究只使用了铁死亡相关基因来构建这个预后模型;因此,许多其他热门生物标志物可能被排除在外。总之,本研究思路清晰,复现较易。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2022-09-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作图丫 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 腾讯云自媒体分享计划  ,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
相关产品与服务
数据库
云数据库为企业提供了完善的关系型数据库、非关系型数据库、分析型数据库和数据库生态工具。您可以通过产品选择和组合搭建,轻松实现高可靠、高可用性、高性能等数据库需求。云数据库服务也可大幅减少您的运维工作量,更专注于业务发展,让企业一站式享受数据上云及分布式架构的技术红利!
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