|
LUAD 复发与自噬相关风险模型的识别基于 TCGA 数据库中 269 例 I 期 LUAD 患者，作者进行了单变量 Cox 回归，发现了 43 个与癌症复发显著相关的自噬基因。图 1A 显示了前 10 基因，如 RAB1A、MFN1 和 XPO1。随后，作者进行了 LASSO 回归分析（见图 1B 和 1C），发现了 19 个与 LUAD 患者复发相关的枢纽基因（见图 1D）。通过整合这 19 个基因，作者建立了风险模型，称为自噬评分，包括 10 个保护因子（CALCOCO2、MAP1LC3B、TRIM8、PARK2、MAPT、PDK2、PTEN、GABBR2、CXCR3 和 TFEB）和 9 个风险因子（RAB1A、BCL2L1、PIK3CA、GOPC、CHMP4B、VPS37D、GRID2、RPS6KB1 和 GPR37）。风险评分如下：自噬得分 = 0.4563488 * RAB1A + 0.318107141 * BCL2L1 + 0.253867908 * PIK3CA + 0.237767088 * GOPC + 0.18501832 * CHMP4B + 0.114654237 * VPS37D + 0。 10932385 * GRID2 + 0.026645972 * RPS6KB1 + 0.00210073 * GPR37 − 0.182756828 * CALCOCO2 − 0.147361444 * MAP1LC3B − 0.133470853 * TRIM8 − 0.105113941 * PARK2 − 0.073555698 * MAPT − 0.067317524 * PDK2 − 0.060281667 * PTEN − 0.053339503 * GABBR2 − 0.045620769 * CXCR3 − 0.026292117 * TFEB。为了探究这些枢纽基因之间是否存在相互作用，作者对创建的 PPI 网络应用了 STRING 数据库。根据节点度数，作者确定 MAP1LC3B 为核心基因（见图 1E）。接下来，在 TCGA 训练队列中，患者根据上述自噬评分分为两组，包括低风险组和高风险组。此外，Kaplan-Meier 曲线分析显示，高风险患者的复发率高于低风险患者（图 2A，P < 0.0001）。 ROC 曲线分析显示，1、3 和 5 年的曲线下面积（AUC）分别为 0.701、0.836 和 0.818（见图 2B）。自噬评分的决策曲线分析见图 2C。此外，多元 Cox 回归表明自噬评分是 RFS 的独立预测因子（图 2D，HR = 4.8,95% CI [3.25–7.2]，P < 0.001）。此外，作者创建了一个包含四个变量（性别、年龄、吸烟史和自噬评分）的传记图，以预测患者的复发率（见图 2E）。图 1。构建自噬相关风险模型，预测 TCGA 数据库中 LUAD 患者的复发情况。（A）单变量 Cox 回归中的前十名基因。（B，C）LASSO 分析和交叉验证识别出 19 个枢纽复发相关基因。（D） 19 个与自噬相关的枢纽基因及其系数。（E） PPI 核心网络。LUAD，肺腺癌;PPI，蛋白质间相互作用;LASSO，最小绝对收缩与选择算符。图 2。自噬评分可以预测射频刺激综合征（RFS）。（A）高自噬评分患者 RFS 较短（P < 0.0001）。（B） RFS 自噬评分的 1 年、3 年和 5 年时的 AUC。（C）自噬评分的决策曲线分析。（D）多元 Cox 回归显示自噬评分是 RFS 的独立预测因子（P < 0.001）。（E）用于计算 LUAD 患者 RFS 的命名图。LUAD，肺 A 腺癌;RFS，无复发存活;AUC，曲线面积。作者使用 GSE30219 和 GSE37745 来验证作者的风险模型的性能。生存分析（图 3）显示，高风险患者的 RFS 在 GSE30219（P = 0.023）和 GSE37745（P = 0.0012）中表现更差。较高的 AUC 值表明模型的辨别能力更强，意味着它能更准确地区分高风险和低风险组。接近 1 的数值表示性能优异，而接近 0.5 的数值则表示模型随机且无预测力。因此，作者进行了 ROC 曲线分析，发现 1、3 和 5 年的 AUC 分别为 GSE30219 为 0.541、0.694 和 0.706，GSE37745 为 0.656、0.685 和 0.673，表明风险模型表现良好。（A）GSE30219 年，Kaplan-Meier 曲线分析显示高风险组患者的 RFS 更差（P = 0.023）。（B）GSE30219 队列中的 ROC 曲线分析。（C） GSE37745 年，Kaplan-Meier 曲线分析显示高风险组患者的 RFS 更严重（P = 0.0012）。（D） GSE37745 队列中的 ROC 曲线分析。ROC，接收者工作特征曲线;GEO，基因表达全集;RFS，即无复发生存。鉴于 LUAD 患者自噬评分的预测价值令人满意，作者通过 GSEA 分析进一步探讨了 TCGA 队列中的潜在机制（见图 4）。上调的前三个 GO BP 术语是涉及这些通路的蛋白质：细胞周期 G2M 相变、细胞周期 G1S 相变和染色体分离，而前三个下调的 GO BP 术语分别是 T 细胞活化、适应性免疫反应和细胞间粘附调控。此外，前三个上调的 GO MF 项涉及参与这些通路的蛋白质：单链 DNA 结合、微管蛋白结合和对 DNA 的催化活性，而下调的 GO MF 项分别是细胞因子受体活性、被动跨膜转运蛋白活性、免疫受体活性和门控通道活性。此外，前三个上调的 GO CC 项是涉及这些通路的蛋白质：含复杂体的线粒体蛋白、凝聚染色体和染色体区域，而前三个下调的 GO CC 项分别是质膜外侧、顶端质膜和受体复合物。此外，KEGG 通路富集显示该有意义的自噬评分参与了切合体、细胞周期、细胞粘附分子凸轮和 p53 信号通路。（A） GO BP 对自噬评分的分析。（B）GO MF 自噬评分分析。（C） Go CC 对自噬评分进行分析。（D）KEGG 途径富集自噬评分。KEGG，《京都基因与基因组百科全书》;CC，蜂窝组件;MF，分子功能;BP，生物过程;基因本体学 GO;GSEA，基因集富集分析。在作者的研究中，进一步分析了自噬评分与临床特征之间的关系。自噬评分与年龄、性别和吸烟史无关（均为 P > 0.05，见图 S1）。作者发现自噬评分与 EGFR 突变状态无关（P = 0.73）。有趣的是，野生型 KRAS 患者的自噬评分较高（P = 0.017），而野生型 TP53 患者的自噬评分较低（P = 6.4e−11）。此外，作者构建了 TCGA LAUD 队列和第二湘雅医院正常肺组织与 LUAD 肿瘤组织的差异分析。作者发现保护基因 MAPT、MAP1LC3B 和 CALCOCO2 在两组中均显著下调（见图 5）。（A）在 TCGA 队列中，肿瘤组织中 RAB1A、CHMP4B、VPS37D、RPS6KB1 和 GPR37 显著升高。PIK3CA、GRID2、TFEB、PTEN、PDK2、MAPT、PARK2、MAP1LC3B 和 CALCOCO2 在肿瘤组织中显著下调。BCL2L1、GOPC、CXCR3、GABBR2 和 TRIM8 在肿瘤与正常组织间表现出相似的表达水平。（B）第二湘雅医院 LUAD 患者中，CXCR3、MAPT、PARK2、TRIM8、MAP1LC3B 和 CALCOCO2 肿瘤组织表达较低。而其他基因在正常组织与肿瘤组织之间表达水平相似。**P < 0.01;P < 0.001。为了深入理解免疫微环境与复发风险之间的潜在联系，作者通过一系列分析方法探讨了它们的关系。首先，作者分析了自噬评分与不同免疫细胞之间的关联。本研究结果显示，自噬评分与前 B 细胞、Th1 细胞、Th2 细胞和巨噬细胞 M1 细胞呈正相关，但与 DC 细胞、肥大细胞、B 细胞、CD4+和 CD8+ T 细胞呈负相关（均为 P < 0.05，见图 6）。此外，作者还考察了自噬评分与免疫检查点分子（如 CD274、PDCD1LG2、ICOSLG、CD276、HHLA2、CTLA4 等）之间的关联。总体而言，高风险组 CD276 表达较高，而 HHLA2、C10orf54 和 NCR3 在低风险组中较高（均为 P < 0.05）。接着，作者通过估计算法计算免疫评分，发现自噬评分与免疫评分呈负相关（r = −0.14，P = 0.02）。 此外，自噬得分与 ESTIMATE 评分呈负相关，但统计差异较弱（r = −0.11，P = 0.06）。 自噬评分与基质评分之间似乎存在相关性，但未观察到统计学显著性（r = −0.068，P = 0.26）。（A）与免疫细胞的关系。（B）与免疫检查点分子的关系。（C） 自噬评分与免疫评分相关（r = −0.14，P = 0.02）。（D） 自噬得分与基质得分无关系（r = −0.068，P = 0.26）。 （E） 自噬评分与估计值（ESTIMATE）相关性较弱（r = −0.11，P = 0.06）。自噬评分预测化疗、靶向治疗和免疫治疗的总体生存率及治疗效果在这项研究中，自噬特征很可能预测 LUAD 患者的复发。此外，作者还希望进一步探讨其是否能预测患者的整体生存率。有趣的是，高风险患者的手术时间均短于低风险患者，无论是 TCGA、GSE30219 GSE37745 队列（图 7，P < 0.0001，P = 0.00071 和 P = 0.0035）。 化疗和靶向治疗是治疗 LUAD 患者最常见的方法。作者利用 GDSC 数据库探讨了不同组间某些化疗和靶向治疗药物的潜在反应。值得注意的是，高风险组患者的奥沙利铂和环磷酰胺的 IC50 较低，表明高风险组患者对这些化疗药物更为敏感。此外，作者还发现高风险组患者对奥斯替尼（EGFR-TKI）、阿西替尼（VEGFR-TKI）、克里佐替尼（EML4-ALK 融合抑制剂）和 PRIMA-1MET（突变 p53 激活剂）的 IC50 较低，表明与低风险组相比，高风险组患者对这些靶向治疗药物的敏感性更高。近年来，免疫疗法正作为 LUAD 患者的重要治疗方法崭露头角。作者计算了 TIDE 分数，以预测两组患者的免疫治疗反应。有趣的是，结果显示低风险组患者的 TIDE 评分较低，这表明这些患者的免疫治疗反应更好。图 7。自噬评分预测了闭塞性手术（OS）及化疗、靶向治疗和免疫疗法的疗效。（A–C）TCGA（P < 0.0001）、GSE30219（P = 0.00071）和 GSE3774（P = 0.0035）队列自噬得分的总体生存分析。（D–I）两组之间估计的 IC50 为奥沙利铂（P = 0.044）、环磷酰胺（P = 0.023）、奥西替尼（P = 0.048）、阿西替尼（P = 0.011）、克里佐替尼（P = 0.0053）和 PRIMA-1MET（P = 2e−04）。（J） TIDE 分数与自噬分数的关系（P = 0.025）。（K） 两组免疫治疗反应率（P = 0.03475）。肿瘤免疫功能障碍与排除性疾病（TIDE）;OS，整体生存。 总结 总之，作者建立了自噬基因相关风险模型，用于预测 I 期 LUAD 患者的复发，并通过外部验证队列进一步证明其准确性。此外，作者还发现了其在预测整体生存率方面的重要性，并初步探讨了其潜在的分子机制。更重要的是，作者发现该风险模型能够为化疗、靶向治疗和免疫治疗提供指导，从而为 LUAD 患者带来临床益处 。
|