扫码联系客服
Hello，大家好，小编又来啦！从今天开始小编要跟大家分享自肿瘤噬专题了，有意向的亲跟紧步伐咯！！下面开始分享第一篇：发表在oncotargets and therapy（IF:3+）的一篇自噬预后文章
Identification and validation of an individualized autophagy-clinical prognostic index in bladder cancer patients
膀胱癌患者个体化自噬临床预后指标的鉴定与验证
自噬是一种主要的分解代谢系统，自噬水平异常与包括癌症在内的多种疾病的发病机制有关。研究目的是探讨自噬在膀胱癌（BC）中的预后价值。文章基于TCGA数据库，在BC患者中鉴定出27种差异表达的自噬相关基因（ARG）。基于对ARGs表达谱和相应临床特征的综合分析，确定了三种预后性ARGs（JUN，MYC和ITGA3）。通过结合分子标记和临床特征，构建一个新的风险评分模型ACPI，可以可靠地估算BC患者的生存率。
材料和方法
数据采集
从人类自噬数据库（HADb）中获得ARGs，从TCGA下载并提取了ARGs的RNA-seq数据和膀胱尿路上皮癌（BLCA）队列的临床信息。
差异表达的ARGs富集分析
用R中的edgeR包来估计BC和非肿瘤样品之间差异表达的ARG。选择具有至少2倍变化且对应的P值小于0.05的基因作为显著差异表达的ARGs。然后进行一系列基因功能富集分析，从而发现这些基因的主要生物学特性GO和KEGG。DAVID数据库用于标识富集的GO和KEGG，用R的GOplot包进行富集项的可视化。
基于ARGs的个性化预后指标的构建
对TCGA下载的ARGs表达谱进行标准化，进行单变量Cox回归分析以选择ARG。随后，对这些与生存相关的基因进行多变量Cox回归分析，去除可能不是预后独立指标的基因。最后，获得了多个预后的ARG，并建立了由这些基因组成的PI。PI的公式基于基因的相对表达水平乘以回归系数的线性组合，代表多元Cox分析中基因的相对权重。通过中位数PI值作为风险临界值，将BC患者分为高风险和低风险组。通过Kaplan Meier（K–M）方法绘制生存曲线，并通过对数秩检验评估高危和低危组之间的生存率差异，研究自噬相关的PI是否可能是独立的BC患者TCGA队列中OS的预测指标，进行了多元Cox回归分析。
统计分析
使用R，GraphPad Prism 5和OriginPro 2017进行绘图。单变量Cox回归分析用于评估表达谱和OS之间的关联。基于与生存相关的因素，使用多元Cox比例风险回归模型构建PI和ACPI模型。通过R中的“ survivalROC”包对每个数据集测量ACPI预后值的ROC曲线和ROC曲线下相应面积（AUC）。使用STATA和Meta-DiSc软件，基于Oncomine的BC和非BC组织的表达数据，对所选ACPI基因进行Meta分析。
结果
差异表达的ARG
从TCGA下载了414个 BC组织样品和19个非肿瘤样品的RNA-seq和临床数据。提取234个ARG的表达值，处理后最终获得了9个上调的ARG和18个下调的ARG（图1）。此外，用散点图显示BC和非肿瘤组织之间27个差异表达的ARG的表达模式（图2）。
图1膀胱癌（BC）与正常膀胱组织之间差异表达的自噬相关基因（ARG）
图2 27种自噬相关基因（ARG）在膀胱癌类型和成对的非肿瘤样品中的表达模式
差异表达的ARG的功能注释
表1总结了这些基因的GO术语功能和KEGG通路富集。根据分子功能，基因主要在转录因子结合，泛素蛋白连接酶结合和蛋白异二聚活性方面富集，分析结果如图3所示。此外，在差异表达ARGs的KEGG通路富集分析中，这些基因与癌症，大肠癌，乙型肝炎，ErbB信号通路，p53信号通路等显著相关。如图4A所示，富集通路的Z分数小于零表明大多数癌症通路更有可能被减少，ARG与通路之间关系的热图如图4B。
表1差异表达的自噬相关基因的GO和KEGG分析
图3 富集分析气泡图
图4差异表达的自噬相关基因（ARG）的KEGG分析
鉴定预后的ARG
根据从TCGA获得的数据评估了27种差异表达的ARG的表达谱与OS之间的关系，通过SPSS 24.0筛选了四个与预后相关的ARG（JUN，MYC，ITGA3和NAMPT）用于进一步的多变量Cox回归模型（表2）。去除无明显预后价值的NAMPT基因，确定了三个基因JUN，MYC和ITGA3，以开发PI模型（表2）。K-M分析的结果表明，JUN的上调与BC患者的OS低密切相关（图5A）。而且，MYC的过表达会导致OS恶化（图5C）。相反，ITGA3上调表明BC患者的生存时间更长（图5E）。根据这三个基因的中位值，表3总结了这三个基因的表达水平与BC中临床病理参数之间的相关性。
表2 TCGA对膀胱癌预后相关ARGs的表达和Cox回归分析数据
图5预后标志中包括的三个基因与膀胱癌患者生存的相关性
表3 TCGA检测膀胱癌的三个关键预后基因表达与临床指标之间的关系
PI的构造和定义
PI的公式如下：PI ＝（0.1643×JUN的表达值）+（0.1555×MYC的表达值）+（-0.1505×ITGA3的表达值）。ITGA3的系数为负，表明JUN和MYC的表达与BC患者的生存时间呈负相关，而JUN与OS呈正相关。根据PI的中位表达值，将BC患者分为高风险和低风险组，计算高风险组和低风险组之间三个预后基因的表达水平。在高风险组中，JUN和MYC的表达明显较高，而在高风险组中，ITGA3的表达较低（图6）。同时，还研究了临床病理参数与PI的关系。独立样本t检验的结果表明：老年患者的PI值高于年轻患者（图7A），非乳头状癌的PI值高于乳头状膀胱癌（图7C），TIII-IV的PI值高于TI-II（图7D），组织学阶段III–IV高于I–II（图7G），高级别比低级别更高（图7H）。在男性和女性（图7B），N1-3期和N0期（图7E）或M1和M0期（图7F）之间，没有观察到PI值的差异。为了确定PI在预测BC患者临床预后中的作用，绘制了K-M图以分析高风险组和低风险组之间的不同生存时间。K-M分析的结果表明，高风险组患者的生存期显著低于低风险组（图8A）。图8B–F显示了训练数据集中患者的PI分布，不同风险组中的患者数量，TCGA数据集中的患者OS，检查的患者数量以及三个基因表达谱中的热图。此外，在调整了临床病理特征后，PI在多变量分析中仍然是BC患者的独立预后指标（表4）。
图6高危组和低危组之间三个关键基因的不同表达
图7膀胱癌预后指数（PI）的临床病理意义
图8膀胱癌患者的自噬相关预后指数（PI）
表4 TCGA膀胱癌患者OS的单因素和多因素分析
通过将PI与临床参数相结合来集成预后标志
基于TCGA数据集的多变量Cox回归分析，建议将年龄，阶段和PI作为有价值的独立预后因素。为了进一步提高PI预测BC患者OS的准确性，将年龄，病理分期和PI进行整合，得出ACPI为（0.028×年龄）+（0.467×分期）+（0.834×PI评分）。同样，根据ACPI的中位数将患者分为高风险和低风险组。ACPI将BC患者分为两组，其预后显著不同（图9A）。为了评估ACPI对BC患者预后的预测程度，进行了ROC曲线分析。ACPI的AUC为0.689（图9B），表明TCGA数据集中ACPI在生存预测方面的竞争表现。ACPI的预后价值也通过GSE13507和GSE31684进行了验证。与基于TCGA数据集的发现一致，高风险组的患者的总生存期明显短于基于GSE13507的低风险组的患者（图9C），ACPI的AUC为0.864（图9D）。在GSE31684中观察到了类似的趋势（图9E），ACPI的AUC为0.624（图9F）。
图9膀胱癌患者自噬临床预后指数（ACPI）的预后价值
Meta分析
共进行了19项分析，BC组织中JUN和MYC的表达低于非BC组织（图10A和C），而ITGA3的表达为相反（图10E），与TCGA中的表达趋势相同。此外，Meta分析的测试表明，JUN，MYC和ITGA3的sROC的AUC分别为0.91、0.87和0.74（图10B，D和F）。在涉及Meta分析的19项研究中，只有两个微阵列（GSE37137和GSE35824）和TCGA包含来自非肌肉浸润性膀胱癌（NMIBC）和肌肉浸润性膀胱癌（MIBC）组织的基因表达数据。然后进行Meta分析，评估NMIBC和MIBC组织之间JUN，MYC和ITGA3的表达。MIB组织中JUN和ITGA3的表达高于NMIBC组织，而MYC的表达相反。
图10 Meta分析
欢迎关注生信人
TCGA | 小工具 | 数据库 |组装| 注释 | 基因家族 | Pvalue
基因预测 |bestorf | sci | NAR | 在线工具 | 生存分析 | 热图
生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos
舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 | 进化 | 测序简史
