lncRNA结直肠预后

不知不觉，2019年就只剩一个月了！！！大家定的小目标还有没有希望实现呢？小编今天跟大家分享的是一篇11月末发表在Frontiers in Oncology杂志的文章，题目见下文。结直肠癌(CRC)是一种高异质性的癌症，多年来其发病率和死亡率一直居高不下。该研究基于TCGA数据，识别出了三个CRC中差异表达的lncRNAs作为预后生物标志物。此外，还构建了一个lncRNA-miRNA-mRNA网络，以研究lncRNAs在CRC中的生物学功能。

An Integrated Three-Long Non-coding RNA Signature Predicts

Prognosis in Colorectal Cancer Patients

整合的3-lncRNAs结直肠癌预后特征

数据和方法

CRC的RNA表达谱和临床信息下载自TCGA，包含482个CRC样本和42个癌旁组织样本。lncRNAs通过Ensembl数据库中的hg38进行注释，DElncRNAs筛选条件为|log 2FC| >1.5 & P-value < 0.05(使用R包edgeR)，然后用R包pheatmap进行分层聚类分析，并绘制了火山图。此外，作者还对来自江南大学附属医院的85例CRC患者做了RT-PCR作为临床验证集。研究流程如图1所示：

 图1. 研究流程

识别总生存期相关的lncRNAs

作者将没有生存信息和lncRNA表达数据的样本删除后，还剩余439个CRC患者，其中42个有配对的正常样本。然后，使用单变量Cox分析评估DElncRNAs与患者总生存期(OS)之间的关系，筛选P-value <0.05做进一步分析；接下来，用最小绝对收缩和选择算子(LASSO)模型从预后DElncRNAs中识别关键lncRNAs(基于R包”glmnet”)；最后，对这些关键lncRNAs进行Kaplan-Meier分析，筛选出与OS显著相关的lncRNAs。

预后风险模型

基于lncRNAs的表达水平和回归系数，作者用多变量Cox回归分析建立了预后风险公式，计算了每个患者的风险得分，根据中位数将患者分为高、低风险组。然后，利用Kaplan-Meier生存曲线评估两组的预后情况，并根据3年和5年OS概率的风险得分，通过ROC曲线来评估其准确性。

构建ceRNA网络

该研究使用LncBOOK识别出了1,039个与三个DElncRNAs互作的miRNAs；然后基于lncRNAs和miRNAs间的得分，筛选了跟每个lncRNA相关的前30个miRNAs；接下来，利用miRDB、TargetScan和miRTarBase预测了miRNA的靶mRNAs；最后，通过Cytoscape构建了lncRNA–miRNA–mRNA网络。

功能预测和统计分析

对于差异表达的mRNAs(DEmRNAs)，作者利用R包“clusterProfiler”做了KEGG通路分析，并用SPSS23.0或R做了统计分析，P-value < 0.05认为是具有统计显著性。

结果

识别OS相关的关键lncRNAs

在439例CRC患者中，研究基于42组CRC和癌旁组织配对样本的表达数据，利用R包edgeR筛选出了580个DElncRNAs(319个上调，216个下调)，图2.A-B是它们相应的热图和火山图；接下来，研究通过单变量Cox回归分析，评估了lncRNA表达谱与患者OS的预后关系，46个p<0.05的DElncRNAs被筛选出来做进一步分析，它们的LASSO系数如图2.C所示，基于最小λ法筛选出了17个lncRNAs(图2.D)。

 图2. 识别CRC相关的DElncRNAs

对这17个lncRNAs的Kaplan-Meier生存分析结果表明，有10个与OS显著相关(图3)；多变量Cox回归分析识别出3个lncRNAs(AP003555.2, AP006284.1和 LINC01602)作为整合的CRC患者的预后标志物(图4.A)。

 图3. 10个预后lncRNAs

训练集中预后风险评分公式的建立

利用3个预后lncRNAs构建的预后风险得分公式为：risk score = 0.2212*(the expression level of AP003555.2)+ 0.2081*(the expression level of AP006284.1)+0.1214*(the expression level of LINC01602)，根据中位数患者被分为高、低风险组。患者的危险得分和生存状况的分布见图4.B-C，风险得分越高，患者预后越差。该风险模型在临床验证集中的结果与TCGA数据集一致（见图5）。

 图4. 基于三个预后lncRNAs的风险模型

图5.模型临床数据集中验证

三个lncRNAs在训练集和验证集中的预后价值

首先，作者用Kaplan-Meier分析评估了风险公式在训练集中的预后价值，发现低风险组的OS高于高风险组群(图6.A)。此外，时间依赖的ROC分析表明整合的lncRNAs特征效能优于单个lncRNA(图6.B)。验证集中的分析结果训练集中的结果一致(图6.C-D)。

 图6. 整合的lncRNAs特征的预后价值

最后，对ceRNA中mRNAs的KEGG富集分析发现，这3个lncRNAs参与到了一些癌症相关通路，如PI3K-Akt、TGF-b、CRC和P53通路。

总的来说，研究构建了一个与CRC患者OS显著相关的整合的3-lncRNA特征，能够准确地识别低预后风险和高预后风险患者。此外，作者利用临床验证集评估了该预后特征的准确性和可靠性，表明了整合的3-lncRNA特征作为CRC预后模型的潜能。

今天，送给大家的是：It's not our abilities that show what we truly are, it’s our choices.