各位小伙伴们大家好，这次给大家分享的文献是Prognostic implications of autophagy-associated gene signatures in non-small cell lung cancer，2019年12月发表在Aging杂志上，影响因子5.515。文章通过对自噬相关基因表达谱进行分析，得到与临床预后相关的特征基因，结合临床特征和自噬基因特征，进而预测NSCLC患者的生存率。
术语
AUC：ROC曲线下面积； C-指数：一致性指数； EGFR-TKI：表皮生长因子受体酪氨酸激酶抑制剂； GO：基因本体，在生物信息学领域中广泛使用的本体，涵盖细胞组分、分子功能、生物过程三个生物学方面； GEO：基因表达综合 GSEA：基因集富集分析 HR：风险比 KEGG：京都基因与基因组百科全书 LASSO：最小绝对收缩与选择算子 LUAD：肺腺癌 LUSC：肺鳞状细胞癌 NSCLC：非小细胞肺癌 OS：总生存 ROC：受者操作特征 TCGA：癌基因组图谱
一
研究思路
二
结果
2.1
TCGA肺癌样本预后特征的构建
从GeneCards数据库获取了149个自噬相关基因（基因相关分数大于7），去除TCGA肺癌样本（包括490个肺腺癌样本和488肺鳞状细胞癌样本）数据中不存在的XBP1基因，构建出148个自噬相关基因的表达谱，结合总生存OS，通过单因素cox回归分析得到了肺腺癌（LUAD）的25个与生存显著相关的基因和肺鳞状细胞癌（LUSC）的11个与生存显著相关的基因。（A） TCGA-LUAD存活相关自噬基因的森林图。（B） TCGA-LUSC存活相关自噬基因的森林图。（C） 25个基因在正常组织和LUAD组织中的差异表达。（D） 11个基因在正常组织和LUSC组织中的差异表达。
进一步通过Lasso回归得到LUAD的22个和LUSC的11个生存相关基因。TCGA-LUAD（A）中25个基因和TCGA-LUSC（B）中11个基因的LASSO系数分布。根据对数（lambda）序列生成系数剖面图。TCGA-LUAD（C）和TCGA-LUSC（D）套索模型中最优参数（lambda）的选择。（E） TCGA-LUAD队列中22个基因的遗传改变。（F） TCGA-LUSC队列中11个基因的遗传改变。
这些基因的功能、风险系数和相关性得分如下表所示。
根据每个基因的mRNA表达水平和风险系数，即每个自噬相关基因的mRNA水平与其多变量LASSO回归系数加权的线性组合，计算每个患者的风险得分。风险评分用于预测预后，以中位风险评分作为临界值，将患者分为高风险组和低风险组。绘制热图以显示高风险和低风险组的基因表达谱，TCGA-LUAD（A）和TCGA-LUSC（B）。TCGA-LUAD（C）和TCGA-LUSC（D）的危险评分分布、患者生存时间及状态，黑色虚线是将患者分为低风险组和高风险组的最佳界限。TCGA-LUAD（E）和TCGA-LUSC（F）的单因素Cox回归分析，风险因素与存活率之间关系的森林图。
多元Cox回归分析。自噬相关基因标记是TCGA-LUAD（A）和TCGA-LUSC（B）预后的独立预测因子。TCGA肺癌患者的Kaplan-Meier分析，（C） 高危评分与TCGA-LUAD患者总体生存率低有关，（D） TCGA-LUSC的高危评分与总体生存率低相关。受试者操作特征（ROC）分析操作系统对TCGA-LUAD（E）中22个基因风险评分和TCGA-LUSC（F）中11个基因风险评分的敏感性和特异性。TCGA-LUAD（G）和TCGA-LUSC（H）的分期和危险度评分联合应用比单独应用两者更能预测预后。
2.2
相关信号通路的鉴定
这里主要是研究TCGA-LUAD样本里的22个自噬相关基因的潜在信号传导途径，用这22个基因作为诱饵在TCGA-LUAD样本里勾出50个最常改变的相邻基因，然后对这72个基因做GO分析（图A）和KEGG分析（图C）。GO分析表明，这些基因可分为几个基本的生物学过程，包括生物调控、对刺激的反应、发育过程、细胞增殖、细胞增殖和生长，KEGG分析显示，72个基因主要与自噬、凋亡、EGFR酪氨酸激酶抑制剂（TKI）抵抗、泛素介导的蛋白水解、PI3K-Akt信号通路和VEGF信号通路有关。同时GSEA分析（图D）显示，改变的基因在几种常见途径中显著富集。我们发现高风险组与细胞周期、p53信号通路、DNA复制和泛素介导的蛋白水解显著相关。同时，低风险组与mTOR、VEGF、胰岛素信号通路以及溶酶体呈负相关。
2.3
独立肺癌样本中预后特征基因的验证
这部分是对之前利用TCGA数据所构建的模型在GEO数据集进行验证。Okayama包括226例原发性I-II期肺腺癌（GSE31210）患者。患者的风险评分从-58到-53（图A）。低危患者存活时间明显长于高危人群（图C和E）。Rousseaux包括293例I-IV期肺癌（GSE30219），包括71例腺癌、61例鳞状细胞癌、56例大细胞神经内分泌肿瘤、39例基底细胞瘤、24例类癌、21例小细胞癌和7例其他组织学。风险评分范围从-19到-15（图B）。即使在该混合型肺癌样本（图D和F），风险评分也表现良好。
在109名肺癌患者（GSE3141）的BILD样本中，风险较小的患者比生存风险高的患者（图A、C和E）。最后，Lee的研究（GSE8894）对138例IA-IIIB期非小细胞肺癌（腺癌和鳞癌细胞肺癌）患者进行了研究。低危组患者的OS高于高危组（图B、D和F）。总的来说，这些结果证实了这22个自噬基因特征也可以预测独立验证肺癌样本的存活率。
2.4
个性化预测模型
个性化预测主要是通过列线图这种稳健的工具，综合多个风险因素，来定量确定个人在临床环境中的风险。通过结合22个自噬基因特征、年龄、性别、T、N、M和TNM分期，生成一个列线图来预测3年和5年OS的概率。如图A所示，每一个因素都按照其对生存的风险贡献比例被分配了点。校准曲线表明，实际和预测的生存率非常吻合（图B和C），尤其是5年生存率。在GSE30219肺癌样本中验证了列线图，图D和图E分别给出了3年和5年的校准曲线。
三
结语
本篇文章以自噬为主题，利用TCGA、GEO等公共数据库，结合cox和Lasso回归，得到肺腺癌和肺鳞状细胞癌的预后特征基因，并通过列线图来实现个性化的模型预测，对肺癌患者的生存率进行预测，且预测效果良好。文章思路清晰，环环相扣，值得我们去借鉴与学习！ 原文获取方式，后台回复关键词：自噬
