github-actions[bot]
commented
3 years ago 如何利用ceRNA构建预测模型？ by 医学僧的科研日记
预后模型千千万，无论是mRNA, lncRNA, 还是免疫细胞、临床特征都可以作为我们构建预后模型的基础，可谓是条条大路通罗马，总有一条适合你。今天我们看看这篇文章如何通过ce-RNA网络一步一步构建了预测模型。
写在前面
近年来，甲状腺癌的发病率迅速增长，预计将成为全球第四大癌症。甲状腺癌在全球造成 567,000 例病例，发病率排名第九。从1990年到2013年，全球年龄标准化的甲状腺癌发病率增加了20%。中国每年约有20.1万人患甲状腺癌，发病率约为14.6人/10万人。因此，尽管甲状腺癌相对惰性，但以死亡率上升为代表的预后不良也不容小觑。分子和细胞生物标志物在甲状腺癌的病理诊断和预后中起着重要作用。非编码基因可以在一定程度上调节基因表达。lncRNA（长链非编码 RNA）可以通过转录水平的染色质修饰和 mRNA 稳定性的变化来调节 mRNA 和 microRNA (miRNA) 的表达。MicroRNA 在转录后调节基因表达。竞争性内源RNA（ceRNA）网络是分子水平的转录调控网络，由lncRNA、miRNA和mRNA组成。越来越多的研究表明，ceRNA网络调节癌基因和抑癌基因的转录，调节蛋质与基因之间的相互作用，控制肿瘤侵袭和转移等生物学行为。在细胞水平上，已经证明评估肿瘤浸润免疫细胞的程度和类型对于预测转移和死亡率非常重要。然而，尚未建立联合网络来预测甲状腺癌的预后。因此，这篇文章分析了甲状腺癌肿瘤浸润免疫细胞和ceRNA网络之间的相互关系，并据此构建预后模型。
提供生信定制服务
小编微信：liuzaoqu
1、摘要
文章使用来自 TCGA 数据库的 502 个甲状腺癌组织和 58 个正常甲状腺组织的基因表达谱，建立了甲状腺癌特异性竞争性内源性 RNA (ceRNA) 网络，并发现了 9 个总生存 (OS) 相关基因。使用“CIBERSORT”算法量化免疫细胞的比例，建立了甲状腺癌特异性免疫细胞网络。从基因和免疫细胞的列线图中获得了 10 年生存率的AUC(分别为 0.955、0.944)。随后，通过进行共表达分析展示 ceRNA 和免疫细胞之间的潜在调控网络。最后，还进行了免疫组织化学 (IHC) 测定以检测树突状细胞标记物 (CD11c) 和 ALPL 在甲状腺癌 (TC) 和癌旁组织中的表达。
这篇文章结合了基因与免疫细胞，在千篇一律的基因预测模型中给人以“熟悉的陌生人”的第一印象，真是横看成岭侧成峰，总之呐，能带给我们以思考的文章就值得一看，希望这篇文章能开拓你的思路，哪怕是一点点。
2、流程图
3、结果解读
1、差异基因的鉴别
首先鉴别mRNA, lncRNA, miRNA等上下调基因，并使用三种方式展示（百分百柱状图，热图及火山图）。
2、构建ceRNA网络
基于281个lncRNA-miRNA对和285个miRNA-mRNA对的相互作用构建了一个包含317个基因的ceRNA网络。由于miRNA与lncRNA和mRNA的负调控关系，在miRNA高表达的ceRNA网络中，lncRNA和mRNA的表达较低（图A）。相比之下，在 miRNA 低表达的情况下，lncRNA 和 mRNA 具有高表达（图B）。
3、ceRNA 网络中 mRNA 的功能富集分析
ceRNA网络中差异表达的mRNA与BP相关的包括腺体发育、泌尿生殖系统发育、对类固醇激素的反应、淋巴细胞分化和T细胞分化。这些基因在糖尿病并发症、结直肠癌、内分泌抵抗、p53 信号通路和 Th17 细胞分化中的 AGE-RAGE 信号通路中显着富集。
4、生存分析
使用 Cox 回归、Kaplan-Meier 和对数秩检验 (p < 0.05) 来检查甲状腺癌 ceRNA 网络中的生物标志物与预后之间的关系。在 Kaplan-Meier 分析中发现 44 个基因显着，包括 ALPL (p = 0.03) 和 E2F1 (p = 0.026)。根据LASSO和生存分析的结果，最终得到9个基因构建了预后模型。
5、甲状腺癌免疫细胞的组成
使用CIBERSORT 算法检测 22 个免疫细胞的比例，小提琴图显示，初始 B 细胞 (p = 0.001)、记忆 B 细胞 (p < 0.001)、浆细胞 (p = 0.005)、CD8 T 细胞 (p = 0.002)、静息记忆 CD4 T 细胞 (p = 0.023)、调节性 T 细胞 (Tregs) (p = 0.019)、M0 巨噬细胞 (p < 0.001)、M1 巨噬细胞 (p = 0.017)、M2 巨噬细胞 (p = 0.001)、静息树突细胞 (p = 0.002)、静息肥大（p < 0.001）和活化的肥大细胞（p < 0.001）在甲状腺癌组和正常甲状腺组之间的细胞有显着差异。
6、免疫细胞的临床相关性
文章进一步展示了免疫细胞在不同T， N，及stage中的分布，此外筛选了预后相关的免疫细胞。
7、免疫细胞的列线图
根据lasso回归分析构建了免疫细胞相关的列线图，筛选出3种细胞构建了预后模型及列线图，1年、5年及10年预后的AUC高达0.98、0.94及0.92
8、免疫细胞及ceRNA的相关性分析
通过 Pearson 相关分析分析了免疫细胞比例 (图 7A) 和 ceRNA 免疫细胞 (图B) 之间的显着共表达模式。激活的树突状细胞比例与 ALPL 表达呈正相关（R = 0.37，p < 0.001）（图C）。记忆 B 细胞与 TGFBR3 表达呈正相关（R = 0.23，p = 0.0095）（图D）。激活的树突状细胞与 ADAM12 呈正相关（R = 0.53，p < 0.001）（图E）
9、免疫细胞及ceRNA的相关性分析
文章检测了 ALPL 和 CD11c 在甲状腺乳头状癌 (PTC) 和癌旁组织标本 (N=10) 中的表达。结果表明，PTC 中 ALPL 的平均免疫组化评分为 2.075，显着高于癌旁组织标本（p < 0.05；图 8A-C）。 PTC 中 CD11c 的平均免疫组化评分为 2.800，显着高于癌旁组织标本（p < 0.05；图 8D-F）。滤泡和髓样甲状腺癌具有相似的结果。
4、小结
总之，本篇文章基于ceRNA网络和肿瘤浸润免疫细胞分析，建立了两个列线图来预测甲状腺癌患者的预后。本文首次利用肿瘤浸润免疫细胞和ceRNA网络模型构建甲状腺癌预后分析模型，并通过免疫组化验证。此外，该研究发现了潜在的机制，即 hsa-miR-204-5p 调节 ALPL 从而激活树突细胞，这可能在甲状腺癌的预后中起关键作用。
https://mp.weixin.qq.com/s/TA3S1hQSSMAAhkVrorJ6Tg