扫码联系客服
今天跟大家分享的是发表在Briefings in Bioinformatics（IF: 11.6215）上的一篇文章，主要是基于铁死亡相关lncRNA对构建胰腺导管腺癌的预后分类模型，思路清晰，流程简单。基因对的预后标志物见多了，那就换换思路，看看lncRNA对的模型又是如何构建的吧。
Ferroptosis-related lncRNA pairs to predict the clinical outcome and molecular characteristics of pancreatic ductal adenocarcinoma
基于lncRNA对预测胰腺导管腺癌的预后结局和分子特征
铁死亡（ferroptosis）是近年发现的一种新型细胞死亡方式，其特征是脂质过氧化物和活性氧(ROS)的过量蓄积。由于该过程依赖铁，所以被称为铁死亡。铁死亡不仅与众多疾病的发生发展有关，其相关信号通路上的关键蛋白也可成为药物的作用靶点。因此，铁死亡可能与包括胰腺导管腺癌（PDAC）在内多种癌症的化学疗法和免疫疗法治疗效果相关。多个研究注意到lncRNA可以通过与DNA、RNA和蛋白质结合来调节癌细胞的生物学行为。然而，很少有研究报道lncRNA在铁死亡过程中的作用以及与铁死亡相关的lncRNA功能。本研究的主要目的是通过生物信息学方法识别与铁死亡相关的lncRNA，并基于铁死亡相关lncRNA间的大小秩序关系构建PDAC患者的预后模型，并从免疫浸润特征，药物敏感性等多方面验证该模型的分类可靠性（图1）。
图1.流程图
1.数据
（1）TCGA中的PDAC患者基因表达，lncRNA表达，突变和预后数据。
（2）来自于复旦大学上海癌症中心（FUSCC）自测的测序数据。
（3）来自ArrayExpress中胰腺癌患者（E-MTAB-6134）的测序数据。
（4）来自于FerrDb (http://www.zhounan.org/ferrdb)的铁死亡相关基因（FRGs）。
2.基于生物信息学和实验验证方法识别铁死亡相关lncRNA（FRLs）
基于Pearson相关分析识别TCGA-PDAC中265个FRGs与14 806个 lncRNA间的相关关系，仅保留r > 0.5并且P < 0.0001的lncRNA，作为铁死亡相关lncRNAs(FRLs)。在786个FRLs中。有132个FRLs在癌组织和正常组织中发生差异表达。部分lncRNA与三种核心铁死亡相关调控因子ACSL4、SLC7A11和GPX4的表达高度相关（图2A）。在FUSCC队列或E-MTAB-6134队列的胰腺癌样本中，研究者同样可以观察到SLCO4A1-AS1在肿瘤组织中表达显著上调，并与SLC7A11表达呈正相关(图2B-D)。在六种常见胰腺癌细胞系中检测SLCO4A1-AS1的表达，结果发现SLCO4A1-AS在panc-1细胞中表达最高(图2E)。在panc-1细胞中敲除SLCO4A1-AS1的表达，其降低对癌细胞的增殖没有明显影响(图2F-G)。考虑到SLCO4A1-AS1的表达与SLC7A11的表达呈正相关，研究者进一步评估SLCO4A1-AS1表达降低是否会对铁死亡的敏感性造成影响。结果显示，lncRNA SLCO4A1-AS1基因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，表明lncRNA SLCO4A1-AS1可能是介导铁死亡抵抗的新分子(图2H-I)。lncRNA SLCO4A1-AS1的降低显著上调丙二醛(MDA)浓度(图2J-K)。此外，当敲除SLCO4A1-AS1时，SLC7A11的表达显著降低(图2L)。
图2. 基于生物信息学和实验验证方法识别铁死亡相关lncRNA
3. 构建预测PDAC患者OS的FRL对模型(FRLM)
基于132个FRL表达的大小秩序关系，构建由铁死亡相关lncRNA组成的0或1矩阵。当lncRNA A >lncRNA B表达时，则定义为1，反之则定义为0。基于单因素Cox回归筛选与生存时间相关的lncRNA对，并基于Lasso回归计算FRLM中每个lncRNA对的系数，最终识别出14对lncRNA组成的预后模型。根据FRLM风险评分，绘制ROC曲线，评估患者OS的预测准确性。最优阈值定义为可以反映最大AUC值的风险评分(图3A-B)。根据FRLM风险的最优阈值将患者分为两组(图3C)，在高危组中观察到更多的死亡事件，提示PDAC患者FRLM风险的增加与预后不良相关(图3D)。Kaplan Meier曲线显示， FRLM风险较高的患者的OS较短(图3 E)。年龄、性别等在FRLM危险组之间没有差异，但在高危患者中发现更多的肝转移(图3F-G)。传统临床参数的预测能力明显弱于FRLM风险评分(图3H)。多因素Cox回归也显示，FRLM风险评分是预测PDAC患者OS的独立因素(图3I)。FUSCC数据中的结果也表明，FRLM能够准确区分不同预后的PDAC患者 (图3J)。FRLM在FUSCC中1年和2年的AUC分别为0.82和0.64(图3K)。
图3. 构建预测PDAC患者OS的FRL对模型(FRLM)
4. 差异表达基因揭示PDAC中FRLM风险与代谢重编程相关
在FRLM高风险组和低风险组之间共识别出726个差异表达基因(图4A)。GO富集分析显示，大部分基因在糖酵解过程、NADH生成等代谢重编程过程中富集。KEGG分析也表明这些基因主要参与代谢相关途径，如糖酵解/糖异生和n -糖生物合成(图4B)。研究者进一步检测PDAC样本中与FRLM风险相关的代谢重编程过程，共识别出12条差异激活的代谢通路，其中5条通路在FRLM低风险组上调，7条通路在FRLM高风险组上调，如嘧啶代谢(图4C)。研究者进一步检测FRLM高危组中差异激活的代谢通路之间的相关性，结果表明该亚型中氨基酸代谢、糖代谢等代谢通路活性高度相关，显示重组代谢网络中的相互作用(图4D)。
图4. 差异表达基因揭示PDAC中FRLM风险与代谢重编程相关
5. FRLM风险与免疫浸润
研究者进一步研究FRLM高危组和低危组之间的分子特征差异。研究者首先对FRLM分型与其他PDAC亚型分类方法进行比较比较，结果表明，PDAC各亚型的百分率与基于FRLM的聚类结果一致(图5A -C)，表明FRLM可以产生独立的分类。研究者进一步对FRLM风险与免疫细胞浸润之间的相关性进行分析(图5D)，发现FRLM风险与基质和微环境分数负相关，表明FRLM风险增加与肿瘤内浸润基质细胞减少相关(图5E-F)。FRLM风险与CD8 + T细胞,自然杀伤(NK)细胞和活化的树突状细胞等多个抗肿瘤浸润细胞负相关(图5D)。此外，研究者还发现一种经典的免疫检查点基因CTLA4，在FRLM低风险组中上调(图5G)。CD8+ T细胞浸润数量随着FRLM风险评分的增加而减少，提示FRLM低风险样本中CD8+ T细胞相对富集，但抑制受体(如CTLA4)的过表达抑制CD8+ T细胞的细胞毒性功能。CTLA4抑制剂如ipilimumab和tremelimumab可能是这些患者的有效治疗方式。此外，骨髓源性抑制细胞浸润增多与FRLM风险评分呈正相关 (图5H)。
图5. FRLM风险与免疫浸润
6. FRLM风险与铁死亡相关调节因子的表达和突变特征分析
在FRLM高危组中，共有12个抗铁死亡调控因子上调，在FRLM低危组中有3个铁死亡促进子上调(图6A)。进一步基于GSVA富集分析，通过整合128个抑制铁死亡的FRG，计算抗铁死亡指数(FRI)，将样本分为高FRI组和低FRI组(图6B)。FRLM风险在FRI高组显著增加(图6C)，表明FRLM风险评分高的患者对铁死亡的固有抵抗可能是导致PDAC预后不良的原因之一。此外，较低的FRI与较长的OS有关。
比较FRLM高危组和低危组的突变情况。结果显示，FRLM风险较高的样本中倾向发生更多的突变事件，包括KRAS突变等 (图6D)；在FRLM风险较低的组中，基因的突变频率显著降低(图6D)。PDAC的四个驱动基因的突变频率在两组之间存在差别。在FRLM风险评分较低的样本中，TP53而非KRAS是突变最多的基因，可能有助于解释这些PDAC患者预后更好。
图6. FRLM风险的分子特征
7. FRLM风险与抗癌药物敏感性
不同的胰腺癌亚型适用于不同的临床决策。因此，研究者比较高危组和低危组对30种常见抗癌药物的敏感性，以确定潜在的胰腺癌治疗模式。研究者首先基于pRRophetic包预测TCGA数据中PDAC患者常见抗癌药物治疗后的IC50值。结果表明，FDA批准的两种抗肿瘤药物伊马替尼和阿西替尼的IC50在FRLM风险较高的患者中更高，表明FRLM风险的降低伴随着对伊马替尼和阿西替尼敏感性的增加(图7)。因此，低风险患者可能受益于以上两种药物的治疗。
图7. FRLM风险与抗癌药物敏感性
今天的内容就是这些，综合铁死亡，代谢重编程，免疫浸润三大热点研究方向，完美实现1+1+1>3的最终目标。但是小编在看文章时候还是发现了一点小问题哦，一是校对不够认真，在P6把Figure 3K和Figure 3J错写成Figure 2K和Figure 2J。其次是没有引用数据E-MTAB-6134的原文。大家在写作时候一定要注意这些小细节，虽说瑕不能掩瑜，但能十全十美肯定是再好不过啦！
