文献解读:自噬与肿瘤

今天小编跟大家分享的是十月中旬发表在AGING杂志上的一篇文章,该文章通过分析肾透明细胞癌(ccRCC)RNA-seq数据,挖掘出了9个影响预后的差异表达自噬相关基因(DEARGs )
 
Differentially expressed autophagy-related genes are potential prognostic and diagnostic biomarkers in clear-cell renal cell carcinoma
自噬相关的差异表达基因作为肾透明细胞癌潜在的预后和诊断标志物
 
材料和方法:
数据: Human Autophagy Database获得了 232个人类自噬相关基因(ARGs)611ccRCC患者的表达谱数据下载自TCGA,病人的临床数据源于cBioPortal数据库,在进行样本ID匹配之后,最终获得了530名患者的全基因表达谱和总生存期(OS)数据,以及431名患者的全基因表达谱和无病生存期(DFS)数据;此外,作者又分别从UCSCTCGA数据库下载了28个健康人、535ccRCC患者肾组织的RNA-Seq数据,进行了log2(x+1)转换和归一化;ccRCC细胞系的药物敏感数据是从the Genomics of Drug Sensitivity in Cancer数据库下载的。 
 
注:在这里,小编为大家解释一下那些临床试验常用到的治疗指标:

总生存期(Overall SurvivalOS): 指从随机化开始至因任何原因引起死亡的时间。

中位生存期(Median Survival TimeMST): 表示有且只有50%的个体可以活过这个时间。

进展生存期(progression-free survivalPFS): 指由随机至第一次发生疾病进展或任何原因死亡的时间。

5年生存率(Five-year survival rate): 指某种肿瘤经过各种综合治疗后,生存五年以上的比例。临床上,肿瘤的转移和复发大多生在根治术后三年之内,约占80%,少部分发生在根治术后五年之内,约占10%。所以,各种肿瘤根治术后五年内不复发,再次复发的机会就很少了,故常用五年生存率表示各种癌症的疗效。

 
方法:   (1)首先,作者用Wilcoxon检验筛选出了差异自噬相关基因(DEARGs)FDR< 0.05 & |log2 FC| > 1(2)接下来,作者将有OS数据信息的530名患者(训练集n=266,测试集n=264)和有DFS数据信息的431名患者(训练集n=216,测试集n=215)各自随机分成了两组,在此基础上建立了Cox回归模型,然后先通过单因素Cox回归分析筛选出潜在的预后基因,再使用Lasso回归分析消除假阳性,最后利用Cox比例风险回归建立OSDFS预后风险模型(3)然后,根据多变量Cox回归模型得到的个体基因的回归系数和所选基因的表达值,计算每个患者的风险评分,使用训练组的中位风险评分作为阈值将CCRCC患者分类为高风险和低风险组;(4)最后,利用ROSDFSKaplan-Meier生存分析和对数秩检验等统计分析。
 
主要结果
一、ccRCC训练集预后风险DEARGs的识别:
作者用Wilcoxon符号秩检验识别出了38个在539ccRCC72个正常肾组织样本中的差异表达的自噬相关基因(DEARGs31个上调,7个下调),如图1所示。
1. ccRCC样本中的DEARGs
 
接下来,作者基于这38DEARGsccRCC训练集中的表达做了单变量Cox回归分析,来筛选预后DEARGs。在进行p值矫正之后,发现有12DEARGs的表达与ccRCC患者的OS有关,6DEARGs的表达与ccRCC患者的DFS相关,因此,作者用这18DEARGs建立了模型来预测ccRCC患者的预后。然后,采用前向和后向选择算法进行多变量Cox比例风险回归分析以优化模型,最终确定了PRKCQ, BID, BAG1, BIRC5ATG16L2作为OS模型的风险基因( BID, BIRC5ATG16L2被识别为高风险基因,BAG1PRKCQ为低风险基因 ),且EIF4EBP1, BAG1, ATG9BBIRC5作为DFS模型的风险基因( EIF4EBP1, ATG9BBIRC5被识别为高风险基因,BAG1为低风险基因 ),如图2所示。
 图2.  风险预后模型中的风险DEARGs.  A(OS), B(DFS)
 
测试训练组的预后风险模型:
作者基于基因表达值和风险基因的回归系数,使用以下公式计算训练组的预后风险评分Training group risk score for OS = (-0.1504 × expression value of PRKCQ) + (0.1673 × expression value of BID) + (-0.0944 × expression value of BAG1) + (0.1141 × expression value of BIRC5) + (0.0727 × expression value of ATG16L2)Training group risk score for DFS= (0.0103 × expression value of EIF4EBP1) + (0.1197 × expression value of ATG9B) + (-0.0923 × expression value of BAG1) + (0.2991 × expression value of BIRC5)。然后根据中位风险评分将患者分为高、低风险组,由图3AB可以看出,低风险组的预后要好于高风险组,这两种预后预测模型所对应的AUC值也均达到了0.7(3.CD)
图3. CCRCC患者的OSDFS预后风险模型分析
 
然后,作者分别将OSDFS中患者的风险评分进行了排秩等分析,发现OS组的高风险患者表现出BID, BIRC5和 ATG16L2(高风险基因)基因的上调,以及PRKCQ BAG1(保护基因)基因的下调;DFS组的高风险患者表现出EIF4EBP1, ATG9BBIRC5的上调,以及BAG1的下调。接下来,研究又通过测试组验证了两种预后风险模型的准确性,结果与训练组一致。 
此外,作者用TCGA数据集分析了两种模型的风险评分与临床因素(年龄、性别、组织学分级和病理期)之间的关系。如表1所示,单因素Cox回归分析的结果表明,年龄、组织学分级、病理分期以及风险评分与ccRCC患者的OS相关;组织学分级、病理分期及风险评分与ccRCC患者的DFS相关。在使用年龄、性别、组织学分级、病理分期和风险评分进行多变量Cox回归分析时,结果表明两种预后模型都可以独立地预测ccRCC患者的OSDFS
表1.  TCGA组CCRCC患者OSDFS的单因素和多因素Cox回归分析
 
风险DEARGs的诊断价值
作者基于TCGA中535ccRCC患者和Genotype-Tissue Expression项目的28名健康个体的表达数据,用ROC曲线分析 评估了OS( PRKCQ, BID, BAG1, BIRC5, ATG16L2 )DFS( EIF4EBP1, BAG1, ATG9B, BIRC5 )风险基因的诊断价值。图4分别对应基因PRKCQ, BID, BAG1, BIRC5, ATG16L2, EIF4EBPATG9BAUC值,均大于0.6,表明这些DEARGs可作为潜在的诊断标志物。 
 图4. 风险DEARGs的ROC曲线 
 
最后,作者又使用GDSC数据库分析了几种ccRCC细胞系的药物敏感性与BAG1BIRC5基因(分别是OSDFS的风险DEARGs)表达之间的关系。通过分析两个基因的表达与集中靶向药的IC50值之间的关系,他们发现BAG1的高表达增加了ccRCC细胞系对Bortezomib, Idelalisib, Shikonin等药物的耐药性,增加了对Erlotinib, AZ628, Lapatinib等的敏感性;而BIRC5的高表达增加了对Salubrinal, PHA-665752, GNF-2, Imatinib, Nilotinib等的耐药性和对CGP-60474, BMS-536924, JW-7-52-1, Panobinostat等的敏感性,见图5。此外,通过比较ccRCC细胞系对BIRC5靶向药物和传统靶向药物的敏感性,认为BIRC5可作为ccRCC的潜在治疗靶点。
5.  险基因表达与ccRCC细胞系药物敏感性的关系
 
好了,今天的文章小编就为大家解读到这了!最后依旧是一句话送给大家:We are all in the gutter, but some of us are looking at the stars.
文献解读

文献解读:网络药理学

2019-11-18 22:32:38

文献解读

文献解读:宫颈癌中蛋白质组学相关的预后特征的识别与验证

2019-11-18 22:33:17

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索