新热点：组蛋白乙酰化相关lncRNA构建肿瘤风险模型

导语

组蛋白乙酰化相关lncRNA（HARlncRNA）在各种癌症中起重要作用，但对肺腺癌（LUAD）的影响尚不清楚。本研究旨在开发一种新的基于HARlncRNA的LUAD预后模型，并探索其潜在的生物学机制。 

背景介绍

今天小编为大家带来一  篇最新的热点文章：基于组蛋白乙酰化相关lncRNA构建肿瘤预后模型，文章题目为  Histone acetylation-related IncRNA: Potential biomarkers for predicting prognosis and immune response in lung adenocarcinoma, and  distinguishing hot and cold tumours，影响因子8分+。

数据介绍

从TCGA中获取LUAD患者的基因表达谱、体细胞突变数据和临床数据。

研究设计

从TCGA中获取LUAD患者的基因表达谱、体细胞突变数据和临床数据。  

结果解析 

01   组蛋白乙酰化相关lncRNA的鉴定  

采用共表达分析寻找LUAD中组蛋白乙酰化修饰相关基因相关的lncRNA（图1A）。共鉴定出21个与总生存期（OS）密切相关的lncRNA（p<0.05）。作者进一步执行LASSO回归，并进行10倍交叉验证（图1B，C）。使用多变量Cox回归分析获得7个用于模型构建的lncRNA。最后通过热图对这七种最具特征性的lncRNA和组蛋白乙酰化修饰相关基因进行了相关性分析（图1D）。

图1

02  构建风险评分模型  

作者使用多变量Cox回归结果后，建立了风险评分公式。Risk score = LINC01537 × (1.08792810296881) + MED4−AS1× (−1.8004794989)+AC009831.1 × (−1.86593196441448) + IER3−AS1× (0.873358130447991) + AC022613.1 × (0.452982704837571) + AC068338.3× (−0.517189254806431) +NKILA × (0.352402305992526)。

基于七个lncRNA的预后风险模型显示，训练和验证队列的低风险亚组中，OS更长（图2A，E，I）。 在所有LUAD患者队列中，较高的风险评分对应于更多的死亡事件（图2B，C，F，G，J，K）。LINC01537，IER3-AS1，AC022613.1和NKILA高表达的LUAD患者与高风险评分相关。相比之下，AC068338.3、AC009831.1和MED4-AS1在低风险评分患者中高表达（ 图2D，H，L ）。

图2

此外，作者还分析了细胞系中LINC01537，IER3-AS1，NKILA和MED4-AS1的表达（ 图3A-H ）。这些结果与公共数据库的结果一致。

图3

03   风险评分模型的预后能力  

使用单变量和多变量Cox回归分析评估独立预后模型的预后能力。 结果表明，风险评分是一个独立的预后因素（图4A，B）。 AU C在1年，3年和5年时更为突出，表明构建的模型预测患者的准确性很高（图4C）。

将构建的模型与ROC曲线的其他临床特征进一步比较。在这些因素中，风险评分的AUC值最高（图4D）。作者使用PCA进一步验证了模型的预后价值（图4E，F）。风险模型可以有效地区分患者，风险评分的C指数最高。这些结果证实，基于七种HARlncRNA表达谱的风险模型是一个潜在的预后标志物。

图4

最后对分期和性别进行了分层分析。低风险患者在早期和晚期、女性和男性患者中表现出持续更好的总生存期（图 4G-J）。

04   预测患者预后的列线图  

作者开发了一个总体生存的列线图，包括性别、淋巴结转移、肿瘤大小、年龄、分期和计算的风险评分，以估计患者的生存概率。结果显示，当评分为328时，1年、3年和5年生存率分别为0.863、0.554和0.288（图5A）。

图5B显示了LUAD在1年、3年和5年的校准曲线，表明列线图可以可靠地预测这些患者的OS。ROC曲线显示，列线图比年龄和预后风险评分模型具有更强的预测价值（图5C）。在单因素Cox回归分析中，分期、淋巴结转移、肿瘤大小和列线图是独立的预后因素（图5D）。在多变量回归分析中，列线图仍然是唯一的独立预后因素（图5E）。

图5

05   功能富集  

通过差异分析发现了两组之间的差异表达基因 。GO富集结果表明，BP富集在微管运动、抗菌体液反应和纤毛运动过程，CC过程集中在细胞运 动纤毛、顶端质膜和顶端部分，MF富集在受体-配体活性和信号受体激活活性（ 图6A-C ）。

图6

06   体细胞变异  

通过对瀑布图的分析，发现TP53、TTN和MUC16在两组中排名前三（图7A、B）。图7C显示两组之间的TMB表达存在差异。生存分析显示高TMB患者的预后更好（图7D）。作者进一步分析了该模型和TMB的组合，结果显示低风险和高TMB的患者预后更好（图7E）。结果表明，预测模型不受TMB状态的影响，模型在预测预后方面比TMB更准确。

图7

07   免疫浸润和免疫治疗  

作者分析了两组之间ICI基因表达的差异，发现大多数基因在低风险组中高表达，包括CD28，LAIR1，KIR3DL1，CD48，CD80和ADORA2（图8A）。基于ESTIMATE算法，分析了两组之间免疫细胞的丰度，发现低风险组的免疫评分和估计评分较高，而基质评分没有差异（图8B，C）。

图8

作者使用CIBERSORT分析了22个浸润免疫细胞。两组表现出不同的免疫学特征。高危组M1巨噬细胞和CD8 + T细胞显著升高，而静息树突状和肥大细胞低危组显著富集（图8D）。接下来，使用ssGSEA来分析免疫相关功能。II型IFN反应和HLA免疫相关功能在低风险组中比在高风险组中更活跃（图8E）。

TIDE可以预测患者是否会从ICIs的使用中受益，评分越高，患者越容易免疫逃逸。图8F-H显示，低风险组的TIDEE评分较高，表明低风险组的患者更容易发生免疫逃逸。T细胞功能障碍在低风险组中更为显著。然而，在高危人群中观察到免疫排斥更频繁。

08   药物敏感性  

对LUAD三种常见治疗药物的敏感性分析表明，高危患者可能对紫杉醇、吉非替尼和厄洛替尼具有更高的敏感性（图9A-C），这表明风险评分模型可能有助于识别更有可能从化疗和靶向治疗中受益的LUAD患者。

图9

09   识别冷热肿瘤和ICI敏感性  

不同的免疫微环境具有不同的亚型，导致不同的免疫治疗效果。聚类可以区分热肿瘤和冷肿瘤并指导免疫治疗。因此，使用R包“ConsensusClusterPlus”根据聚类分析将患者分为三个聚类。（图10A）。生存分析表明，cluster3的OS 最长（图10B）。T-SNE和PCA表明这三个cluster是可区分的（图10C，D）。

图10

作者进一步分析了免疫细胞在不同cluster的浸润情况，结果显示cluster1和3具有更高程度的CD8 + T免疫细胞浸润（图11A）。cluster1和3的免疫评分高于2（图11B）。几乎所有的ICI，包括LAG3和CD274，在cluster1中最高（图11C）。

最后作者分析了不同cluster对药物的敏感性。结果显示，1和2可能对吉西他滨、紫杉醇和吉非替尼更敏感（图11D–F）。基于上述分析结果，可以改进LUAD患者免疫治疗的研究，提高患者治疗的准确性。

图11

小编总结

本研究基于与预后相关的组蛋白乙酰化lncRNA构建了风险评分模型，采用ROC曲线、单因素分析和多因素分析验证了模型的准确性。高危组患者表现出较高的免疫细胞浸润，预计对化疗、靶向治疗和免疫治疗药物更敏感。因此，基于七种预后lncRNA的风险评分模型可以正确估计LUAD患者的预后，并确定化疗、靶向治疗和免疫治疗的潜在候选者。

进一步的聚类分析可以区分热肿瘤和冷肿瘤并指导免疫治疗。因此，将患者分为三组。cluster1和3表现出更高的CD8 + T免疫细胞浸润。cluster1和3的免疫评分更高。因此，cluster1和3可以被认为是热肿瘤。此外，1和3作为热肿瘤可能对免疫疗法更敏感。这表明聚类不仅可以预测患者的预后，还可以指导个体化治疗。