导语
GUIDE ╲
lncRNA通过ceRNA调节铁死亡，也可以通过直接与蛋白质相互作用或抑制翻译过程来影响铁死亡。然而，铁死亡相关的lncRNA对胰腺癌发生的潜在机制仍然未知。
背景介绍
今天小编为大家带来一篇刚刚发表在BIB的基于铁死亡相关lncRNA的预后模型。铁死亡可以说是老生常谈了，这篇文章有什么过人之处可以发表在11分 的BIB呢，让我们一起探究一下吧！
数据介绍
来自TCGA的胰腺癌 (PAAD) RNAseq数据，PDAC 样本的突变数据和PDAC 患者的临床信息，包括年龄、性别、TNM 分期、分期、分级、总生存期 (OS)、生存状态和转移情况。
另外，作者收集了105对切除的胰腺癌组织和邻近的正常组织，提取RNA进行qRT-PCR。
结果解析
01
铁死亡相关lncRNA
从TCGA确定了胰腺癌的265个铁死亡相关基因和14806个铁死亡相关lncRNA。通过筛选（r > 0.5和P < 0.0001），最终确定了786个铁死亡相关lncRNA，其中有132个在癌症和正常组织之间差异表达。值得注意的是，一些 lncRNA与三个核心铁死亡调节因子ACSL4、SLC7A11和GPX4的表达高度相关，与之前的研究一致（图2A）。
作者在FUSCC队列的105对胰腺癌和相邻样本以及E-MTAB-6134队列的 288个胰腺癌样本中分析了SLCO4A1的表达。结果显示SLCO4A1-AS1表达在肿瘤组织中显着上调（图2B），并与SLC7A11表达正相关，这在FUSCC队列和E-MTAB-6134队列中得到验证（图2C和D）。然后在六种常见胰腺癌细胞系中评估SLCO4A1-AS1表达（图2E），发现SLCO4A1-AS表达在panc-1细胞中最高（图2F）。如果敲低SLCO4A1-AS1在panc-1细胞中的表达，癌细胞的增殖没有明显影响（图2G）。
考虑到SLCO4A1-AS1表达与SLC7A11表达之间的正相关性，作者进一步评估了SLCO4A1-AS1表达的降低是否影响对铁死亡的敏感性。结果表明，lncRNA SLCO4A1-AS1敲低显著上调胰腺癌细胞对erastin和RSL-3诱导的铁死亡的敏感性，这表明lncRNA SLCO4A1-AS1可能是介导铁死亡抗性的新分子（图2H和I）。此外，值得注意的是，当SLCO4A1-AS1被敲低时，SLC7A11表达也显著降低（图2L）。
图2
02
构建铁死亡相关lncRNA预后模型
重新排列132个铁死亡相关lncRNA的转录组表达矩阵以构建由4715个 lncRNA对组成的0-或-1矩阵。进行单变量Cox回归以筛选与总体生存相关的lncRNA。执行Lasso回归以计算模型中每个lncRNA对的系数。最终有14对 lncRNA应用于模型。
基于线性铁死亡相关lncRNA模型风险评分，绘制ROC曲线以评估患者总体生存的预测准确性。最佳临界值被定义为反映最大AUC值的风险评分（图3A和 B）。根据模型最佳临界值，将患者分为两组（图3C）。作者在高风险组中观察到更多的死亡事件，因此铁死亡模型风险增加反映了胰腺癌患者的不良预后（图 3D）。Kaplan-Meier曲线显示，在铁死亡模型风险较高的患者生存时间几乎降低了2倍（P < 0.001，图3E）。
模型风险组之间的年龄、性别、T分期、N分期、AJCC分期、等级和酒精史具有可比性，但在高危患者中发现更多的肝转移，而不是肺部或其他部位的转移（图3F和G)。作者发现，这些传统临床参数的预测能力明显弱于构建铁死亡lncRNA模型风险评分（图3H）。多变量Cox 回归也表明铁死亡相关lncRNA是胰腺癌患者总体生存的独立预测因素（图 3I）。
图3
03
铁死亡模型的差异表达基因揭示了胰腺癌代谢机制
在模型高风险组和低风险组之间共鉴定了726个差异表达的基因（图 4A）。GO富集显示，大多数基因富含代谢重编程，例如糖酵解过程、NADH 生成和脂滴。KEGG富集表明，这些基因参与代谢途径，例如癌症中的蛋白聚糖、果糖和甘露糖代谢、糖酵解/糖异生和 N-聚糖生物合成（图4B）。
作者检查了胰腺癌样本中与铁死亡模型相关的代谢重编程，共确定了12条差异激活的代谢途径，包括低风险组中上调的5条途径，如牛磺酸和亚牛磺酸代谢，以及高风险组中的7条上调，如嘧啶代谢（图4C）。作者进一步检测高风险组差异激活代谢通路之间的相关性，结果表明氨基酸代谢、糖代谢、脂类代谢和核苷酸代谢等通路在该亚型中高度相关，揭示了重编程的代谢网络中的相互作用（图4D）。
图4
04
高风险组和低风险组免疫微环境和免疫相关特征的差异
作者比较了两组先前报告的胰腺癌亚型的构成。结果表明，每个胰腺癌亚型的百分比与基于铁死亡lncRNA模型的聚类一致（P > 0.05，图5A-C），这表明模型产生了独立的分类。
图5
作者研究了铁死亡模型风险与免疫细胞浸润之间的相关性（图5D），发现 模型风险与基质和微环境评分呈负相关，这表明模型评分风险增加与较少的肿瘤内浸润基质细胞有关（图5E和F）。模型风险还与多种抗肿瘤免疫成分的浸润呈负相关，包括CD8 T细胞、NK细胞和活化的树突细胞（图5D）。
作者进一步检查了风险评分与免疫检查点基因表达水平之间的关系。CTLA4（临床批准药物的靶点）在低风险组中被上调（图5G）。相比之下，浸润的 CD8 T细胞数量随着风险评分的增加而减少，这表明低风险样本含有相对丰富的 CD8 T细胞，但抑制性受体（如CTLA4）的过度表达抑制了 CD8 的细胞毒功能T细胞。
05
不同评分的铁死亡调节因子的差异表达
在具有高和低风险评分的胰腺癌之间比较了铁死亡调节因子的表达模式。高危组共有12种抗铁死亡调节剂上调，低风险组中有3种铁死亡调节因子上调（图6A）。作者还进一步计算了每个样品的FRI，并将样品分为FRI-high和FRI-low 组（图6B）。铁死亡模型风险在FRI-high组中显著增加（P <0.0001）（图 6C），这表明对铁死亡的内在抵抗可能导致具有铁死亡高风险评分的患者的不良结果。
图6
06
胰腺癌中铁死亡相关lncRNA的突变情况
作者比较了高风险和低风险组的突变情况。结果表明，风险较高的样本中发生了更多的突变事件，其中KRAS突变是这些样本中的主要变化（图6D）。相比之下，风险较低的组中，前30个改变基因的突变率显着降低（图6E）。值得注意的是，胰腺癌的四个驱动基因的突变率在两组之间并不一致，TP53是风险评分较低的样本中突变最多的基因，这可能解释了这些胰腺癌患者的相对生存获益。在包括KRAS和TP53在内的两个风险组中都观察到了突变基因之间的共存。确定了其他突变对，例如高风险组中的KMT2C-KRAS和低风险组中的TGFBR2-MUC16。相比之下，在风险评分较低的样本中，如SMAD4-MYO18B和 KRAS-USH2A，广泛观察到四种驱动基因突变的同时发生。
小编总结
这篇铁死亡相关lncRNA构建的胰腺癌预后模型亮点在于该模型显示出较高的诊断准确性，并证明与免疫微环境、代谢重编程、抗铁死亡和突变景观有关，非常全面。此外，作者还用了真实数据进行验证。这篇BIB为我们使用基因集构建癌症预后模型提供了很好的思路！
