国自然热点lncRNA经典分析

[ixxmu]

https://mp.weixin.qq.com/s/u0ktFTQRL5J6tzldlQlxRw

[github-actions[bot]]

国自然热点lncRNA经典分析 by 生信人

 今天跟大家分享发表在Journal of Cellular and Molecular Medicine （IF=4.486）上的一篇文章，主要是主要基于lasso，SVM-RFE（基于支持向量机递归特征消除法）和cox回归分析构建出7-lncRNA预后特征，预后特征在训练数据和验证数据集中均具有较好的分类效能。进一步对具有不同预后风险样本的免疫浸润程度和TMB分数进行比较，发现7-lncRNA特征与免疫特征和TMB紧密相关。

A lncRNA prognostic signature associated with immune infiltration and tumour mutation burden in breast cancer

与免疫浸润和肿瘤突变负荷相关的乳腺癌lncRNA预后特征

春节不打烊

需求意向火热登记中

1.数据

（1）训练数据：TCGA中973例乳腺癌患者的表达数据和预后数据。

（2）外部验证数据：GSE96058中的表达数据和预后数据。

2.识别预后相关lncRNA

研究者首先基于edgeR识别出在TCGA数据三阴性乳腺癌（TNBC）和非三阴性乳腺癌（non-TNBC）中发生差异表达的lncRNA（|log2FC| > 1并且 FDR < 0.01），其中155个lncRNA表达和乳腺癌预后显著相关。为进一步筛选出可以区分TNBC和non-TNBC的lncRNA，研究者分别基于lasso（图1A,B）和SVM-RFE（图1C,D）方法对lncRNA进行特征选择，其中有53个lncRNA同时被两种方法识别为特征lncRNA，研究者将这53个lncRNA作为候选特征lncRNA（图1E）。

图1. 候选特征lncRNA的识别

3. 7-lncRNA乳腺癌预后预测特征的构建

基于多因素cox回归分析构建出由7个lncRNA组成的乳腺癌预测特征分数（图2A），并计算每个样本的风险分数。基于中位数将乳腺癌样本划分为高低风险组，两组样本预后存在显著差异（图2B）。ROC分析显示预后特征的10年AUC值可以达到0.771（图2C）。随着风险评分的增加，癌症相关死亡人数增加，存活人数减少，特征lncRNA的表达值如热图所示（图2D-F）。

图2. 7-lncRNA乳腺癌预测特征的构建

4.7-lncRNA乳腺癌预测特征与多个危险因素分层的OS显著相关

科学家进一步基于分层分析研究临床特征对7-lncRNA特征预后价值的影响。根据预后差异将整个队列分为TNBC组（图3A）和non-TNBC组（图3B），non-TNBC组进一步分为HR+/ERBB2-组（图3C）和ERBB2 +组（图3D）。根据AJCC系统将I、II期患者分为预后良好组（图3E），III、IV期患者分为预后不良组（图3F）。在具有不同临床特征的样本集合中，7-lncRNA特征都具有较好的分类效能。

图3. 根据临床病理危险因素分层样本的7-lncRNA特征的Kaplan-Meier生存分析

结合体细胞突变数据，研究者发现TP53和PI3KCA在TNBC和non-TNBC亚型中都具有较高的突变频率(图4A)。既往研究也表明TP53和PI3KCA的突变频率可能与患者预后不良显著相关。因此研究者还基于TP53或PI3KCA突变状态对样本进行分层分析，结果表明不论是在这两个基因的野生型还是突变型中，都是风险评分越高，死亡率越高(图4B-E)。在包含3409个乳腺癌样本的外部验证组GSE96058中也基于7个lncRNA特征计算每个样本的风险评分，研究结果表明高危组患者的预后明显低于低危组患者(图S4A-D)，进一步表明7-lncRNA特征能够准确预测乳腺癌患者的生存。

图4. 基于TP53和PI3KCA突变状态分层样本的7-lncRNA特征的Kaplan-Meier生存分析

5. 构建预测性诺莫图

为开发一种临床适用的方法来预测患者的生存率，研究者在7-lncRNA基础上加入年龄，级别等临床特征，基于诺模图构建出生存预测模型（图5A）。与理想模型相比，该模型预测5年和10年生存率都有更高效能（图5B）。

图5. 构建预测性诺莫图

6.预后特征与免疫浸润程度相关

为探究这种预后特征影响的潜在机制，研究者基于edgeR识别出高、低危险组人群中发生差异表达的基因（(|log2FC| > 1 and FDR < 0.01）并进行富集分析。此外，研究者还对高低危险组的通路活性（GSVA分析，图6A），24种免疫细胞浸润分数（ssGSEA分析，图6B）进行比较。在两组间存在富集程度差异的免疫细胞如图6C所示，结果表明两组间样本的免疫浸润程度存在显著差异，说明7-lncRNA特征和免疫微环境息息相关。

图6. 预后特征的功能特征

7. LINC01215与免疫功能相关

经ESTIMATE算法处理后，研究者发现免疫细胞和基质细胞的比例与低风险组相关(图7A)。为进一步阐明特征lncRNAs潜在的生物学机制，研究者计算各特征lncRNA和免疫/间质得分（ESTIMATE算法）之间的斯皮尔曼相关系数，其中LINC01215表达与免疫得分呈正相关，与风险得分呈负相关(图7B)。此外，研究者还基于Pearson相关性分析识别出与特征lncRNA表达相关的mRNA（r > 0.4），并对其进行GO富集分析。LINC01215与多个免疫相关通路相关(图7C)。因此，研究者认为LINC01215在预后特征中是一个免疫hub的lncRNA，构建出LINC01215的ceRNA网络，以预测其转录后调控关系(图7D)。另外，在验证数据集的高低风险组中，两组样本的TMB分数存在显著差异。

图7. LINC01215与免疫功能相关

让我们化繁为简，简单概况一下本文的套路就是特征筛选-特征构建-分层分析-诺模图预测模型构建-高低风险样本的比较。是不是超级经典呢？不知道同学们有没有发现，简单一点的生物信息学分析真的很像写作文，这里学一点，那里看一点，再经过自己的整合梳理，刻苦努力，辛苦耕耘，变成一篇华丽丽的好文章，好工作。因此同学们在日常学习中，千万不要忽略知识积累的重要性哦！

春节不打烊

需求意向火热登记中