新思路：脂肪酸代谢相关基因构建风险模型

导语：脂质代谢的改变促进肿瘤进展。然而，脂质代谢在胃癌发生和发展中的作用仍然未知。

背景介绍

今天小编为大家带来一篇使用脂肪酸代谢相关基因构建肿瘤风险模型并对关键基因进行单基因分析的文章，题目为Fatty acid metabolism is related to the immune microenvironment changes of gastric cancer and RGS2 is a new tumor biomarker，影响因子7分+。

数据介绍

真实数据的组织样本来自 哈 尔滨医科大学第二附属医院。公共数据来自 TCGA, 包括373例肿瘤样本和32例癌旁肿瘤样本。脂肪酸相关基因来源于MsigDB数据库，共鉴定出14条通路和342个相关基因。

研究设计

结果解析

01脂肪酸代谢相关基因在肿瘤中的差异表达

作者共发现3857个基因在胃癌和癌旁组织中差异表达，分别有2801个和1056个上调和下调基因。通过确定这些基因与脂肪酸相关基因的交集，鉴定了78个脂肪酸相关差异表达基因，火山图和差异表达脂肪酸代谢相关基因的热图如图1A、B所示。PPI网络显示HSP90AA1、EPHX2、ACOX2、ACADM、ACLY等基因在网络中具有高连通性（图1C）。

作者还计算了差异表达脂肪酸代谢相关基因表达水平之间的相关性。发现脂肪酸代谢相关基因分为三组（图1D）。GO富集在氧化还原酶活性等。这些酶参与长链脂肪酸代谢、脂肪酸生物合成、二十烷样代谢、烯烃代谢和不饱和脂肪酸代谢（图1E-H）。临床特征分析显示，不同年龄组、性别组、分期组、年级组间部分脂肪酸代谢相关基因表达存在显著差异。

图1

02基于脂肪酸代谢基因的肿瘤分子亚型鉴定

亚型可用于揭示肿瘤的不同状态，从而有助于实施个性化的治疗策略。根据78个不同脂肪酸代谢相关基因的表达模式对TCGA胃癌数据的癌症样本进行一致性聚类，以鉴定具有相似表达模式的样本组。作者发现两个聚类（k = 2，cluster1和2）情况下CDF曲线的变化接近平滑。因此，样品分为两种亚型（图2A-C）。

不同脂肪酸代谢亚型患者生存时间存在显著差异，cluster2患者的预后比cluster1患者差（图2D）。使用SSGSEA计算了MSigDB数据库中HALLMARK和GOBP基因集中血管生成相关途径的分数。结果显示，脂肪酸代谢相关分子亚型之间与血管生成相关的所有途径的评分之间存在显著差异（图2E）。通过HE染色在胃癌组织中发现了大量血管（图2F）。

图2

使用CIBERSORT计算免疫细胞浸润，并使用ESTIMATE算法计算免疫评分，基质评分和肿瘤纯度（图2G）。亚型免疫细胞浸润热图显示，Mast_cells_activated、Dendritic_cells_resting、Macrophages_M0等方面存在显著差异。亚型间免疫评分和基质评分（图2H）。

03构建风险模型

作者鉴定出515个基因在两亚型之间存在差异表达。共有454个基因上调，61个基因下调。单因素Cox回归分析显示，有146个基因与OS相关。KM分析显示8个基因(LASSO-Cox回归分析筛选的8个基因)。该特征(图3A-C)由8个基因组成，并根据λ的最优值确定。

图3

04预后模型评估和外部数据集验证

按公式计算每位患者的评分，按中位数分为高分组和低分组。KM曲线显示，评分高的患者的生存率明显低于评分低的患者(图3D, E)。为了评估预后模型对1年、2年和3年生存率的预测效率，进行了时间相关的ROC分析。1年时ROC曲线下面积(AUC)为0.627,2年时为0.643,3年时为0.631，说明模型的预测效果较好(图3F)。

采用单因素和多因素Cox分析来确定评分是否是OS的独立预后因素。在单因素Cox分析中，TCGA数据队列得分与OS显著相关。在校正其他混杂因素后，多因素Cox分析显示，风险评分仍然是OS的独立预测因子(图3G)。

为了验证模型的稳定性，在GSE13861数据集和GSE26899数据集中，基于相同的算法计算了每个样本的风险评分。根据评分中位数将胃癌样本分为高分组和低分组。与TCGA队列结果一致，高评分患者的生存概率低于低评分患者(图3H, I, L, M)。此外，预后模型显示，GSE13861数据集的1年AUC为0.695,2年AUC为0.667,3年AUC为0.685(图3J)， GSE26899数据集的1年AUC为0.705,2年AUC为0.676,3年AUC为0.658(图3N)。

在验证集中，还使用单因素和多因素Cox分析来确定风险评分是否是OS的独立预后因素。结果显示，在单变量Cox分析中，Score与OS之间存在显著相关。在校正其他混杂因素后，多变量Cox分析显示评分仍然是OS的独立预测因子(图3K，图O)。

05FARS与肿瘤临床特征有关

通过CIBERSORT算法计算的免疫细胞浸润显示，许多免疫细胞类型，如Mast_cells_activated、Dendritic_cells_resting和巨噬细胞_m0，与FARS评分显著相关(图4B)。图4C显示了免疫检查点基因在得分高、低风险组的表达差异，其中CD276、CTLA4、PDCD1、PDCD1LG2在得分高组的表达水平明显更高。这种高表达有助于胃癌细胞逃避免疫监视，促进免疫逃逸。

在计算脂肪酸风险评分与鉴定的基因签名评分之间的Pearson相关性的基础上，从文献中检测出与免疫和EMT相关的几个基因集，然后将这些样本的SSGSEA评分与脂肪酸风险评分进行制图。FRAS评分与促进胃癌细胞EMT过程的EMT2、EMT3和PanFTBRS之间存在显著相关性(图4D)。

图4

作者进一步评估脂肪酸风险评分与化疗耐药之间的关系，并使用prophytic软件包计算高fars与低fars之间的化疗耐药差异。硼替佐米、埃司克洛莫尔和尼罗替尼的IC50值在高fars组和低fars组之间存在显著差异，且低fars组的化疗效果更强(图4E)。

06单细胞数据分析

利用特征图可视化显示模型基因在细胞群体中的表达和分布。结果显示，RGS2和DUSP1在细胞群中显著表达，而CXCR4、SLCO2A1和FNDC1三个模式基因不在集群中，说明这两个显著表达的模式基因可以作为癌症的标记基因(图5C)。

图5

07RGS2在胃癌中的单基因分析

胃癌中RGS2的高表达与较短的生存时间显著相关(图6A)。TME评分显示，RGS2高表达与stomalscore、Immunescore和Estimatescore呈正相关，表明免疫应答较差(图6B)。免疫细胞浸润相关性分析显示，22种免疫细胞中10种免疫细胞的表达与RGS2表达相关(图6C)。

作者还分析了RGS2高、低表达患者的临床病理特征，包括年龄、性别、生存期、分级分级、T分期、N分期。由图可知，RGS2高、低表达组在年龄、性别上无统计学差异。RGS2高表达与预后不良密切相关。这一发现表明，基于临床病理特征，RGS2高表达代表更高的恶性程度(图6D, E)。

作者还分析了RGS2表达水平与免疫检查点之间的关系(图6F)。RGS2高表达组中较低的肿瘤突变负荷增加了患者获得免疫检查点抑制剂益处的难度(图6G)。作者发现RGS2高表达组的TIDE评分明显高于低表达组(图6H)。这也表明RGS2高表达更容易导致免疫功能障碍和免疫排斥。

图6

08RGS2的泛癌分析

泛癌分析显示，RGS2在多种肿瘤类型中均有表达(图7A, B)。RGS2在总生存时间(OS)中的表达与BLAC、KIRC、LIHC、SKCM、STAD、THCA和THYM的生存率显著相关(图7C)。疾病特异性生存期与ACC、BLCA、KIRC、PRAD、SKCM、STAD和THYM之间存在相关性（图7E），无进展生存期与ACC、KIRC和THYM之间也存在显著相关性（图7F）。

作者还分析了RGS2，TMB和MSI之间的相关性，发现它与TGCT，STAD，PAAD，COAD和CESC显着相关，表明它可以作为上述肿瘤免疫治疗的检测基础（图7G，H）。最后，RGS2与大多数肿瘤中的免疫细胞浸润水平密切相关，这表明RGS2参与肿瘤微环境中肿瘤免疫应答的调节（图7I）。

图7

小编总结

肿瘤细胞通过重新编程其新陈代谢和阻断致癌信号来维持其增殖状态和存活来应对各种不利的微环境。异常的能量代谢是癌症的标志，肿瘤细胞中碳水化合物、脂质和氨基酸的代谢与正常细胞的代谢明显不同。本文基于对373个STAD样本和32个癌旁组织样本的基因组信息分析，使用单因素COX回归，聚类和主成分分析，确定了4个与胃癌预后相关的脂肪酸代谢相关基因。构建了一个名为“FRAS”的模型，发现使用该模型计算的评分（FRAS评分）与免疫细胞浸润增加，基因组不稳定性，免疫逃逸和免疫检查点抑制剂（ICIs）的敏感性密切相关。该脂肪酸代谢相关模型也进行了全面评估。发现脂肪酸预后风险评分模型能够独立预测胃癌患者的预后，有效区分患者对化疗药物的敏感性。此外，还研究了预后风险评分模型与TME细胞浸润特征的关系。发现预后风险评分模型可以识别成功识别适合抗CTLA抗体免疫治疗的胃癌患者，从而也表明脂肪酸代谢对于塑造个体TME特征至关重要。这些发现可能为探索脂肪酸代谢和胃癌治疗机制提供新的视角。

打赏