大家好，这次给大家分享的文献是A risk signature with four autophagy-related genes for predicting survival of glioblastoma multiforme，2020年2月发表在J. Cell. Mol. Med.杂志上，影响因子4.658。文章研究的是自噬相关基因与胶质母细胞瘤预后的关系，下面让我们一起来看一下这篇文章！

摘要

背景:多形性胶质母细胞瘤（GBM）是一种未经有效治疗的毁灭性脑肿瘤。最近的研究表明，自噬是一种很有前途的治疗GBM的策略。因此，有必要鉴定与GBM自噬相关的新的生物标志物。

方法:在本研究中，从人类自噬数据库（HADb）和基因集富集分析（GSEA）网站下载了自噬相关基因。采用最小绝对收缩和选择算子（LASSO）回归和多变量Cox回归分析来确定构建风险特征的基因。将风险特征与临床病理因素结合，形成诺模图。采用ROC曲线和校准曲线来评价预测模型的有效性。最后，鉴定了四个自噬相关基因（DIRAS3、LGALS8、MAPK8和STAM），并用它们构建了一个风险标记，证明这是GBM患者的独立风险因素。此外，还根据风险特征和临床病理因素（IDH1状态、年龄和放疗或化疗史）绘制了列线图。ROC曲线和校正曲线表明列线图能准确预测GBM患者的1、3、5年生存率。在功能分析中，危险信号与细胞凋亡、坏死、免疫、炎症反应和MAPK信号通路有关。结论:综上所述，4个自噬相关基因的风险特征可作为GBM患者独立的预后因素。此外，我们开发了一个基于风险特征和临床特征的列线图，验证了该列线图对预测GBM的1年、3年和5年生存率有更好的效果。

结果

1. 筛选出4个自噬相关基因，构建了一个风险标记

共有531个自噬相关基因整合自HADb数据库和GSEA网站上的GO_自噬基因集。基于这些自噬相关基因的主成分分析证实了低级别胶质瘤（LGG）和多形性胶质母细胞瘤（GBM）在TCGA数据集中的分布差异（图1A）。GSEA结果表明，自噬相关基因在GBM中高度富集（图1B），表明自噬在GBM中起着重要作用。采用单因素Cox回归分析，发现TCGA HG-UG133A中的9个基因、REMBRANDT的73个基因和Gravendeel数据集中的129个基因与GBM存活率相关。三个数据库中的16个重叠基因被筛选出来并在文氏图中显示出来（图1C）。对重叠基因进行L-as so回归分析，根据最佳lambda值保留7个基因（CTSB、DIRAS3、HK2、LGALS8、MAPK8、PPP1R15A和STAM）（图1D、E）。采用多因素Cox回归分析，进一步确定合适的基因组合，建立风险特征。最后，选择了4个基因（DIRAS3、LGALS8、MAPK8和STAM）（图1F）。四个基因中，DIRAS3和LGALS8是GBM存活的危险因子，HR>1，MAPK8和STAM是GBM存活的保护因子。

2. 四个自噬相关基因的风险标记的建立

在TCGA HG-UG133A平台上，共有525名GBM患者被用于建立风险特征。每例患者的风险评分计算如下：风险评分=（0.1052×DIRAS3表达水平）+（0.2152×LGALS8表达水平）+（-0.3603×MAPK8表达水平）+（-0.2851×STAM表达水平）。根据得分的中位临界值将患者分为高危组和低危组。基于基因组表达数据实施了PCA，结果显示了两组之间的分布差异（图2A）。此外，高危组患者的总体生存率明显低于低危组（图2B）。ROC曲线比较了这些生物标志物与危险信号在预测预后中的作用。如ROC曲线所示，预测1年、3年和5年生存率的AUC值分别为0.644（图2C）、0.727（图2D）和0.877（图2E）。随着危险性评分的增加，MAPK8和STAM的表达水平降低并且DIRAS3和LGALS8的表达水平上调（图2F）。

3. 风险特征的验证

共收集了gravendel数据集中的155个GBM样本和REMBRANDT数据库中的181个GBM样本，用做验证数据集，以评估风险特征的性能。K-M生存曲线显示，风险评分高的患者预后比风险评分低的患者差（图3A、 B）。Gravendel数据集中预测GBM 1年、3年和5年生存率的ROC曲线AUC分别为0.583、0.824和0.799（图3C），REMBRANDT数据库中的分别为0.627、0.733和0.64（图3D）。与TCGA的结果一致，随着风险评分的增加，Gravendel（图3E）和REMBRANDT（图3F）数据库中MAPK8和STAM的表达水平下调，DIRAS3和LGALS8的表达水平上调。同时，总生存率和存活患者数量下降（图3E，F）。这些结果表明，风险特征在预测GBM患者的生存率方面表现良好。

4. 风险特征与临床特征的关系

通过热图可以看到TCGA数据库中低风险组和高风险组之间的年龄、性别、分子亚型、MGMT启动子状态和IDH1状态的分布趋势（图4A）。按分子亚型、年龄、IDH状态、MGMT启动子状态和性别对不同样本的风险评分进行了比较。间充质亚型的风险评分明显高于神经亚型和前神经亚型（图4B）。对于IDH状态，与IDH1野生型相比，IDH1突变型患者的风险评分降低（图4C）。MGMT启动子甲基化的风险分数低于MGMT启动子非甲基化（图4D）。与年轻组相比，60岁以上的患者的风险评分更高（图4E）。然而，男性和女性之间的风险评分没有差异（图4F）。除此之外，还探讨了不同分子亚型、MGMT启动子状态、IDH1状态和放疗或化疗组织学分层的危险信号在不同队列中的预后价值。在四种不同的分子亚型中，较高的风险评分表明间充质亚型（图5A）和前神经亚型（图5B）预后不良。高危组患者在IDH1野生型组（图5C）、MGMT启动子甲基化组（图5D）和MGMT启动子非甲基化组（图5E）中有较差的预后。此外，在接受放疗（图5F）或化疗（图5G）的患者中，更高的风险评分也被发现与预后不良相关。

5. GBM 1、3、5年生存率诺模图的构建

从TCGA HG-UG133A平台上收集了401例GBM患者的详细临床信息并随机分为训练组（n=241）和验证组（n=160）（表1）。训练集用于构建诺模图以预测GBM的生存率，验证集用于进一步评估诺模图的有效性。首先，对训练集进行单变量和多变量Cox回归分析，表明风险特征是GBM患者的独立风险因素（图6A，B）。随后，构建综合五个因素的列线图，预测GBM的1年、3年和5年生存率（图6C）。应用ROC曲线和校准曲线评价列线图的性能。预测1年、3年和5年生存率的ROC曲线AUCs在训练集中分别为0.756、0.821和0.885（图6D），在验证集中分别为0.763、0.725和0.777（图6E）。校正曲线显示，在训练集（图6F-H）和验证集（图6I-K）中，1年、3年和5年生存率的预测和观察结果吻合良好。这些结果表明列线图对预测GBM患者的1年、3年和5年生存率具有良好的准确性。

5. 风险信号的功能分析

GSVA被用于探索与风险特征相关的生物学过程和KEGG途径（图7A）。对于KEGG通路，高危组与局灶性粘附、MAPK信号途径、Toll样受体信号途径、细胞凋亡、ECM受体相互作用等呈正相关（图7B）。与GSVA结果一致，KEGG通路包括局灶性粘附、MAPK信号途径和ECM受体相互作用（图7C）。MAPK信号通路从KEGG数据库中下载，并根据DEGs标记，如HSP27、FAS和CD14（图7D）。总之，这些结果显示风险信号与细胞凋亡、坏死、免疫和炎症反应以及MAPK信号通路有关。

结语

本篇文章从自噬相关基因入手，着重研究哪些自噬相关基因与GBM的预后显著相关。通过单因素与多因素cox回归、Lasso回归、主成分分析、列线图等等常用的预测模型分析方法，最终找到了与GBM预后显著相关的4个自噬相关基因，并对其进行通路富集分析，研究其作用机制。很规整的一篇文章，值得在其他癌型中进行一番研究！