大家好！今天跟大家分享的文献是2020年5月发表在Cancer Cell International（即时影响因子4.03）杂志上的一篇文献。文章基于TCGA数据库和GEO数据库中的胃癌相关数据，利用单因素Cox回归分析及LASSO算法分析确定了与胃癌预后紧密相关的4个自噬基因，构建了一个预测胃癌预后的多基因联合预测模型。

题目：Identification and validation of an individualized autophagy-clinical prognostic index in gastric cancer patients

胃癌患者个体化自噬临床预后指标的鉴定与验证

摘要

本文利用GO和KEGG分析胃癌中表达的204个自噬基因，并在Cytoscape软件中构建PPI网络，有28种差异表达的自噬基因在细胞生长，神经元死亡和细胞生长调节中富集，这些基因与铂类药物耐药，凋亡和p53信号通路有关。之后利用Cox回归分析和LASSO算法筛选了4个基因构建预后风险评分模型。根据风险评分将患者分为低风险和高风险，并进行生存分析以评估风险评分的预后预测价值，结果表明风险评分是单独可用的预后指标。生存曲线表明低风险患者的生存时间明显高于高风险患者。最后结合临床病理特征和风险评分，建立了列线图以预测个体存活率，通过外部数据GSE62254验证了列线图具有预测胃癌患者预后的能力。

流程图

结果概述

1. 数据的获取与整理：

通过HADb数据库(http://www.autophagy.lu)获取自噬相关基因；从TCGA数据库中获取胃癌转录组数据集（TCGA-STAD）用于建立模型；从GEO数据库获取GSE62254数据集用于模型验证。

2.基因差异表达及功能分析

作者通过HADb数据库得到了232个人类自噬相关基因，其中204个基因在TCGA胃癌转录组数据中有表达，共有28个自噬相关基因在胃癌转录组数据中差异表达（图1）。对这28个基因进行GO，KEGG和PPI分析，结果如图2。GO分析表明，这些自噬基因可以在几个基本的生物学过程（BP）中富集，包括细胞生长，细胞蛋白定位的正向调节，神经元死亡，细胞生长的调节（图2a）。KEGG分析显示28个自噬基因主要与自噬，铂类药物耐药性，细胞凋亡和p53信号通路有关（图2b），利用PPI构建的蛋白作用网络见图2c。

3. Cox回归及LASSO算法建立预测模型

TCGA-STAD中共表达的204个自噬基因，使用单因素Cox回归分析得到了10个与胃癌相关的基因（图3a），利用LASSO算法筛选出了8个自噬基因（图3b-d）。之后通过多因素Cox回归分析这8个自噬基因，其中4个基因（GRID2、ATG4D、GABARAPL2和CXCR4）与胃癌的预后有关（表1），3个基因（GRID2、GABARAPL2和CXCR4）HR > 1是危险基因，1个基因（ATG4D）HR < 1是保护基因。随后作者根据4个自噬基因的表达水平及风险系数算出每位患者的风险评分，将患者分为低风险和高风险两类（图4a），通过热图发现高风险患者倾向于高表达危险基因，低风险患者倾向于高表达保护基因（图4b）。

4. 模型评估

基于TCGA-STAD数据，单变量分析显示，风险评分与总生存期（OS）显著相关（HR = 1.648，95％ CI = 1.385 – 1.960，P < 0.001）（图5a）。多变量分析显示，风险评分是单独可用的预后指标（HR = 1.922，95％ CI = 1.573 – 2.349，P < 0.001）（图5b）。生存曲线显示，低风险评分患者的生存时间显著长于高风险评分患者的生存时间（图5c）。ROC分析表明，风险评分的AUC显著大于其他指标，这证明本模型比其他单个指标具有更好的预测预后的能力。

5. 列线图构建及外部数据验证

通过结合四个自噬基因特征，构建列线图预测3年和5年OS。如图6a所示，分配给每个因素的打分与其对生存的风险贡献成正比，校正曲线可以匹配（图6b，c）。列线图也在GSE62254胃癌数据集中得到了验证，其3年和5年校正曲线分别如图6d，e所示。

结语

本文聚焦于胃癌与自噬基因的相关研究，重点讨论特定生物学功能的基因在胃癌预后中的作用。基于TCGA及GEO公共数据库，通过Cox回归分析及LASSO算法构建了胃癌预后预测模型，之后又利用外部数据对模型进行了验证。本文有两点需要改进：一是自噬基因功能分析部分与后续模型构建验证部分有脱节，没有基于差异表达自噬基因进行后续模型构建；二是仅利用外部数据进行了列线图的验证，校正曲线并不是非常好，无法充分证明模型的可扩展性，结果说服力不强。但本文方法选用合理，分析思路清晰，同样适用于其他疾病与特定生物学功能基因的相关研究，值得借鉴。