单基因gsea_4分+纯生信自噬相关基因与预后关系
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!
单基因gsea_4分+纯生信自噬相关基因与预后关系相关推荐
- 近期低分纯生信友好的期刊简介
1.Med Sci Monitor 影响因子:1.918 审稿周期:1个月左右(审稿周期非常短,审稿速度极快) OA期刊:需要收取版面费 难度:*(极容易) 在在中科院<国际期刊预警名单(试行) ...
- 宏基因组云讲堂今晚8点开讲!第一期由刘永鑫博士主持,特邀袁军副教授分享纯生信发表ISME文章的思路...
宏基因组云讲堂今晚8点开讲!第一期由刘永鑫博士主持,特邀袁军副教授分享纯生信发表ISME文章的思路,同时有文章共同一作文涛.生信宝典主编陈同博士共同参与讨论,欢迎扫描报名参与学习.交流!
- 【生信】基因组学相关基础知识2
[生信]基因组学相关基础知识2 本文图片来源网络或学术论文,文字部分来源网络与学术论文,仅供学习使用. 目录 [生信]基因组学相关基础知识2 9.细胞增殖与分化的定义和区别 10.有丝分裂与减数分裂 ...
- 纯生信发ISME的一次试炼
未觉春色早,但闻暗香迟. 晨光唤我醒,月影共晚眠. 好文着奇色,博学流涛光. 风华时正茂,骚人当此时. -- 花影君情 <喜贺文涛新作>20200718 恭喜九舍基金委员会新任主席~文涛博 ...
- 单基因gsea_单基因纯生信分析系列 5+单基因突变新思路1
各位小伙伴们好呀,虽然马上放长假了,但是今儿也是要认真工作的一天吆!小编今天给大家带来了一篇九月份刚刚发表在EBioMedicine(IF=5.736)杂志有关突变的文章.目前,TP53与KRAS/A ...
- 肿瘤/非肿瘤/单基因/单细胞/非编码:史上最全生信分析攻略!!!
解读生信之美,探讨每篇文献背后的逻辑 非肿瘤专栏:条条大路通罗马 1.4+非肿瘤生信分析+铁死亡/焦亡/自噬/代谢/免疫的万能钥匙 短评:适合一些热门机制如铁死亡/焦亡/自噬等在非肿瘤疾病中的研究 2 ...
- 一篇五分生信临床模型预测文章代码复现——Figure1 差异表达基因及预后基因筛选——下载数据(一)
之前讲过临床模型预测的专栏,但那只是基础版本,下面我们以自噬相关基因为例子,模仿一篇五分文章,将图和代码复现出来,学会本专栏课程,可以具备发一篇五分左右文章的水平: 本专栏目录如下: Figure 1 ...
- 一篇五分生信临床模型预测文章代码复现——Figure 7 外部数据集验证模型
之前讲过临床模型预测的专栏,但那只是基础版本,下面我们以自噬相关基因为例子,模仿一篇五分文章,将图和代码复现出来,学会本专栏课程,可以具备发一篇五分左右文章的水平: 本专栏目录如下: Figure 1 ...
- 送书 | 知乎阅读300w+的生信学习指南(更新版)
先送书 在上周的留言送书活动中,恭喜下面这位读者获得书籍"Oracle高性能系统架构实战大全",请及时与生信宝典编辑(shengxinbaodian)联系. 2020过去三分之一了 ...
最新文章
- LLVM一些编程语法语义特性
- 2021暑假每日一题 【week2 完结】
- ustc小道消息20220102
- python memoryerror_使用Scikit-learn时的Python MemoryError
- c++primer 12.3.1文本查询程序
- mybatis反射的核心类
- 实验3 分支语句和循环语句(1)
- 赛码网算法: 上台阶 ( python3实现 、c实现)
- 堆排序原理及其实现(C++)
- oracle12c不能进入到http://localhost:5500/em的解决办法
- (转)在Symbian上启动浏览器
- 滴滴配合警方调证不超 10 分钟;苹果否认恶意芯片报道;贝索斯建火箭中心 | 极客头条...
- Linux 命令(113)—— seq 命令
- C# winform如何设置ListBox背景图或者透明背景及边框色
- NextApp —— 开源的手机博客 App 自动生成系统
- 乐高机器人纲要_乐高机器人校本课程纲要
- 03-jQuery事件绑定和解绑
- 无监督特征学习(半监督学习+自学习)
- 数学建模之:匈牙利算法python代码
- javascript判断元素是否已经focus