TUhjnbcbe - 2025/1/1 20:50:00
大家好！今天跟大家分享的文献是年10月发表在frontiersinOncology（IF=4.85）杂志上的一篇文献。文章使用训练集TCGA-UVM数据构建10基因特征并使用验证集GSE进行验证。10基因特征与UM预后有关，可以准确预测患者的预后风险。题目：PrognosticImplicationsofNovelTen-GeneSignatureinUvealMelanoma葡萄膜黑色素瘤10基因特征的预后价值摘要背景：葡萄膜黑色素瘤（UM）是成人中最常见的原发性眼内癌。基因组学研究提供了有关UM的分子亚型和致癌驱动基因的信息，这些信息会提供新的治疗策略。方法：TCGA数据库下载训练集TCGA-UVM，GEO数据集下载验证集GSE。使用Kaplan-Meier分析和单变量Cox回归模型初步筛选预后基因，使用LASSO构建多基因特征。随后使用Kaplan-Meier，Cox和ROC分析对验证集进行验证。通过Spearman检验评估拷贝数变异和风险打分的相关性。GSEA和免疫浸润分析这些基因的功能注释和在肿瘤微环境中的作用。结果：构建10基因特征并通过Kaplan-Meier分析揭示总生存期，无进展生存期和五转以生存的差异。通过Cox回归分析证明10基因特征是独立的危险因素。此外，ROC分析表明，作者构建的10基因特征预测预后的效果更好。10基因特征与3号染色体，8q,6q和6p显著相关。此外，GSEA和免疫浸润分析表明，这10个基因与免疫相关通路和肿瘤环境显著相关。结论：10基因特征可以准确鉴定患者预后并与免疫优势肿瘤环境密切相关，这可能为UM患者提供个性化的预后预测和新的治疗方法。流程图：结果1.数据的获取和整理从TCGAXenaHub数据库获取包含80个UM患者的表达谱数据命名为TCGA-UVM。从GEO数据库获取包含63个UM患者的表达谱数据GSE。TCGA-UVM作为训练集，GSE作为验证集。2.临床特征训练集TCGA-UVM和验证集GSE的临床特征见表1。表1本研究涉及患者的临床特征3.训练集构建的预后特征使用Kaplan-Meier分析训练集基于总生存期、疾病特异性生存期和无进展生存期筛选预后基因，设置阈值P＜0.为显著基因，筛选得到个基因。进行单因素Cox回归分析筛选潜在预后基因，设置阈值P＜0.位显著基因，得到个基因。将两个基因集取交集得到个基因作为下一步分析的潜在预后基因。进行LASSOCox回归分析并计算回归系数，基因的回归系数见图1A。该模型包含10个基因时，其性能最佳（图1B）。基因的回归系数和在基因组上的位置见表2。图1LASSO回归分析构建预后基因特征表2预后基因特征的基因3.训练集和验证集10基因特征的预后价值根据基因表达水平和基因的风险系数计算患者的风险打分。根据风险打分中位数将患者分为高风险组和低风险组。使用Kaplan-Meier分析评价两组的生存差异，Cox回归分析和ROC分析评估10基因特征的预后价值。训练集患者的风险打分，总生存期和10基因的表达水平见图2A。高风险组死亡人数更多，生存时间较短，热图显示SIRT3,HMCES,SLC44A3,TCTN1,STPG1,POMGNT2和RNF在高危组表达水平较低，而ANXA2P2,ULBP1和CA12在高危组表达水平较高。此外，作者分析10基因特征预后无进展生存期的性能。如图2B所示，高风险组发生更多事件并且生存期较短。该组的生存模式与预测结果一致。此外，使用验证集检测10基因特征对无转移生存期的预测能力，结果表明高风险组发生转移事件更多，生存期更短（图2C）。图基因特征Kaplan-Meier生存分析表明高风险组患者的总生存期较差（图3A），无进展生存期不良（图3B）。验证集分析结果与训练集结果一致（图3C）。图3基于10基因特征的Kaplan-Meier生存单因素和多因素Cox回归分析表明10基因特征与总生存期和无进展生存期显著相关（图4A和4B）。对验证集进行单因素和多因素Cox回归分析表明10基因特征与无转移生存期显著相关（图4C）。这些结果表明10基因特征是独立变量。图4单因素和多因素Cox分析结果森林图随后，作者使用ROC分析评估10基因特征预测预后的性能。10基因特征预测总生存期ROC曲线下面积（AUC）最大，AUC为0.（图5A）。10基因特征预测无进展生存期的ROC曲线下面积（AUC）为0.（图5B）。验证集结果与其一直（图5C）。图5ROC分析使用相关性分析评估10基因特征和拷贝数变异的关系。结果表明，10基因特征与3号染色体8q,6q和6p的拷贝数显著相关（图6）。图基因特征与拷贝数变异的相关性4.10基因特征的GSEA分析由于10基因特征的风险打分和UM患者的预后呈负相关。分别对高风险组和低风险组进行GSEA分析。高风险组中的基因在免疫反应，炎症反应，糖酵解和IL-6/JAK相关等通路显著富集（图7）。图7GSEA分析5.风险打分与肿瘤浸润免疫细胞（TICs）比例的相关性为进一步评估风险打分和免疫微环境的相关性，作者使用CIBERSORT分析肿瘤浸润免疫亚群的比例（图8）。结合相关性分析（图9A）和差异分析结果（图9B），共有三个TIC与10基因特征风险打分有关（图9C）。其中活化CD4记忆T细胞与风险打分呈正相关，单核细胞和肥大细胞与风险打分呈负相关。图8相关性分析图9TICs比例与10基因特征风险打分的相结论作者的研究构建了UM的10基因特征，是对TCGA和GEO数据库的全面分析。10基因特征与UM预后有关，可以准确预测患者的预后风险。作者通过验证集对10基因特征进行验证。此外，富集分析和免疫浸润分析表明，10基因与免疫优势肿瘤环境密切相关，这可能会促进UM治疗方法的开发。本文的亮点在于作者使用TCGA数据集构建10基因特征可以准确预测UM患者的预后并通过验证集进行验证。但是本文也存在一定局限，例如本文选择的数据集TCGA-UVM和GSE数据集中样本分布可能与临床人群不一致，存在一定的偏好性。需要更多的实验数据解释构建的10基因特征与UM患者的关系。版权声明：本文转自“生信发文助手”，文章转载只为学术传播，无商业用途，版权归原作者所有，如涉及侵权问题，请联系我们，我们将及时修改或删除。