首页
快讯
关注
资讯
- 健康
- 科技
- 热点
- 视频
- 产业
- 政策
- 护理
- 投资
- 医改
- 养老
- 疫情
- 人物
- 医保
- 疾病
- 管理
- English
- 临床
- 心血管
- 肿瘤
- 内分泌
- 妇儿
- 感染
专题
专区
知识

欢迎登录体验更多功能

搜索

6分+思路清晰的预后signature研究！

2021

09/07

作图丫

A-

A+

免疫相关基因和lncRNA在神经母细胞瘤中的预后价值尚未阐明，特别是在有不同结果的亚组中。本研究旨在探讨免疫相关的预后特征。

背景介绍

用生物信息分析进行预后signature的筛选是大家常常看到的思路了，但结合免疫相关的基因和lncRNA，只用公共数据集也可以发到6分+！今天，小编就和大家一起来学习一篇神经母细胞瘤中预后signature筛选的研究，这篇文章于2021年发表在《Frontiers in Oncology》期刊上，影响因子6.244，题目为:Prognostic Signature of ImmuneGenes and Immune-RelatedLncRNAs in Neuroblastoma: A StudyBased on GEO and TARGET Datasets.

数据介绍

GEO：GSE49710（n=498）,GSE16476,GSE85047

TARGE T:TARGET- Asgharzadeh - 249

ImmPort:免疫相关基因列表

结果解析

基于随机森林的特征选择

对GSE49710数据集进行单因素Cox回归分析，鉴定出681个与OS时间相关的免疫相关预后基因，将其C-index的前20个预后免疫相关基因纳入后续的模型筛选。采用随机森林算法选择重要的免疫相关基因。以20个基因作为特征，得到平均下降精度(MDA)和平均下降Gini(MDG)。重复100次后，OOB值为16.99%。如图1A所示，对于纳入预后评分模型的5个基因，它们的importance值在前20个基因排名中排名前6名。

然后，通过多元Cox回归分析得到其系数，计算公式如下：

5个基因的单因素Cox回归分析结果如图1B、C所示，然后将免疫相关基因组合命名为预后模型RS5_G。

图1

RS5_G能够良好地预测神经母细胞瘤的结果

GSE49710数据集（训练队列）的患者根据RS5_G预后评分分为高风险或低风险评分组。如图2所示，高危组的OS时间和EFS时间明显低于低危组。

图2

此外，还通过ROC曲线分析来评估预后特征的分组能力。结果表明，年龄组、高风险、MYCN状态、vital状态、INSS_h1and进展的曲线下面积(AUC)值分别为0.794（0.752-0.836)、0.939(0.918-0.96)、0.929(0.907-0.952)、0.879(0.848-0.91)、0.829(0.792-0.865)和0.804(0.764-0.845）(图3A)。为了验证RS5_G（包括免疫基因）与临床特征之间的关系，作者计算了其相应的Spearman相关系数(SCC)，如图3B所示。结果显示，RS5_G、CDK4、MAP2K2与不良预后因素呈正相关，而PIK3R1、THRA、ULBP2的表达结果相反。

图3

免疫相关预后lncRNA能良好预测神经母细胞瘤预后和预后分组

对RS_Lnc进行生存分析，结果显示，高评分患者的OS和EFS时间明显短于低评分患者。亚组分析结果显示，除MYCN扩增组外，所有亚组中高危患者的OS时间均显著缩短（图4）。

图4

使用ROC曲线分析来评估RS_Lnc鉴别不同预后组的表现。结果表明，年龄组、高风险组、MYCN状态、vital状态、INSS_h1和进展情况的AUC值分别为0.775（0.732-0.818)、0.907(0.879-0.934)、0.94(0.918-0.962)、0.874(0.84-0.909)、0.804(0.764-0.844)和0.766(0.722-0.811）(图5A)。为了确认RS_Lnc(包括免疫相关的lncRNA)与临床特征的相关性，作者计算了其相应的SCCs，如图5B所示。

图5

免疫相关的lncRNA主要富集于癌症和免疫相关的途径中

为了探讨免疫相关lncRNA在预后特征中的生物学功能，作者筛选了具有lncRNAs SCCs>0.5的基因，并利用STRING数据库获得蛋白质-蛋白质相互作用(PPI)网络。KEGG通路如图6所示。这些lncRNA主要富集于一些分子信号通路(如PI3K-AKT、Ras、MAPK和ErbB信号通路)和一些免疫相关通路(如T细胞受体信号通路和自然杀伤细胞介导的细胞毒性)。

图6

免疫浸润及与预后特征的相关性

作者分别分析了激活的树突状细胞(aDC)、T辅助细胞(Th2细胞)和CD8+T细胞，以及它们与预后特征RS5_G和RS_Lnc的相关性。选择这三种细胞类型是因为它们较高的xCell评分以及它们与肿瘤预后的关联。

如图7所示，aDC和CD8+T细胞与RS5_G和RS_Lnc呈负相关，而Th2细胞与上述两个预后特征呈正相关。这三种细胞类型在高风险评分组和低风险评分组之间存在显著差异。

图7

在独立数据集中的性能验证

对于 RS5_G 和 RS_Lnc 预后特征，高风险评分组的 OS 和无进展生存 (PFS) 时间显着短于 GSE16476 数据集的低风险组，如图 8 所示。

图8

亚组分析也得到了类似的结果(所有p值<为0.05)。这两种预后特征在区分不同的预后组方面具有令人满意的表现。通常情况下，年龄组、MYCN扩增、vital状态和INSS_h1的AUC值分别达到0.791（0.689-0.892)、0.844(0.756-0.932)、0.921(0.866-0.976)和0.852(0.771-0.932）。RS_Lnc的AUC值分别为0.789（0.686-0.892)、0.91(0.839-0.981)、0.918(0.861-0.975)和0.852(0.771-0.932）(图9A、B)。

图9

小编总结

该研究中构建的RS5_G和RS_Lnc signature在预测预后和将不同预后组分组方面表现良好。但也存在着一些问题，比如数据集来自不同的平台可能会导致结果有差异，其次一些lncRNA也不能在所有数据集中进行测试。对于构建预后signature，这篇文章提供了一个很清晰的思路，找到所需的基因集，确定模型进行筛选，值得大家学习借鉴！