分析淋巴结转移建立预测模型用于肿瘤预后分析生信新手小白适用，快来码住吧

2023-07-09 19:00 作者:生信鸟 0人读过 | 我要投稿

哈喽哈喽~今天布小谷给大家带来的文章是最近的热点关于肿瘤分析的喔~快跟布小谷一起去看看吧！

转录组分析已广泛用于表征癌症患者的预后特征中，而今天的文章是淋巴结转移，与已建立的临床病理特征相结合的新分子特征分析。淋巴结转移预测模型的建立、验证、评价到应用，有一个完整的临床预测模型过程。关于临床预测模型的建立等一系列问题有不懂的可以问布小谷喔

文章思路是根据淋巴结转移预测了肺腺癌患者的情况，采用了WGCNA技术进行分析，用LASSO建立预测模型。传统肿瘤标志物对早期肺腺癌的进展缺乏特异性和敏感性，作者根据淋巴结转移来进行预测，选题角度新颖，加上当下热门的生信分析技术~这样简单的分析方法就可以发一篇4分+的文章咯~

题目：与淋巴结转移相关的11个基因风险模型预测肺腺癌的总生存率

影响因子：IF=4.997

发表时间：2023.04

研究背景

肺腺癌（LUAD）是肺癌常见的组织学亚型之一，占癌症发病率的40%以上。目前，LUAD预后的临床评估主要取决于诊断时的TNM分期，无法提供准确的个体化预后预测。在LUAD的治疗方面，能够可靠评估预后标志物具有重要价值。

数据来源

研究思路

在这项研究中，作者目的在于识别和验证与总生存率（OS）相关的预测的稳健和可靠的预后特征。在本研究中，作者从TCGA数据集和相关地理数据集下载了LUAD mRNA表达谱。进行差异表达分析筛选出DEGs，进行WGCNA分析，GO富集分析，KEGG分析。通过lasso回归建立了基于11个基因的LUAD预测模型，并在GEO据集上进行了验证。

主要结果

1.DEG的鉴定和WGCNA分析

从TCGA中提取LUAD患者数据，通过R-package的差异分析获得DEGs，提取RNA序列数据并进行了WGCNA，构建共表达模块，并将其分为14个有意义的模块（图1A），图1B中，进行基因模块与LNM之间的相关性分析。

2.GO/KEGG富集分析

将上述与LNM相关的DEGs基因进行GO和KEGG分析。如图3A所示，GO分析中有很多显著项。此外，KEGG分析显示， DEGs在“细胞因子-细胞因子受体相互作用”、“病毒蛋白与细胞因子和细胞因子受体的相互作用”，“趋化因子信号通路”、“细胞粘附分子”和“T细胞受体信号通路”中显著富集（图3B）。

3.风险模型的构建和验证

作者进行lasso回归模型分析，并通过交叉验证方法以获得相对独立的特征基因，用于后续的模型分析（图3A，B）。11个基因的表达彼此显著相关，特别是在数据集中CD19和P2RX1、TLR10和P2RX一、PKHD1L1和P2RX-1之间（图4C）。图3D中，绘制了高风险组和低风险组11个基因的表达热图，热图中还显示了两组之间的临床病理差异。根据11个独立的预后特征基因计算每个样本的风险评分。LUAD患者被分为两组：低风险组和高风险组（图3E）。进行Kaplan–Meier生存分析，绘制ROC曲线来验证风险评估模型（图3F,G）。

4.LUAD中OS预测图的开发与评估

首先进行LUAD患者临床病理因素与总生存率之间相关性的单变量和多变量分析，如图4A所示。根据TCGA LUAD患者OS的多变量分析，生成列线图进行预后预测（图第4B）。对列线图进行判别和校准（图4C）。然后，根据列线图总分，将TCGA队列平均分为三个亚组，并进行Kaplan-Meier生存率分析（图4D）。为了进一步探索列线图的有效性，进行了ROC曲线分析，并计算了总生存概率的ROC曲线下面积（图4E）。

5.风险模型在GEO中的验证

为了证实这个11基因风险模型的可用性，我们对GEO数据库中的两个外部集合（GSE31210和GSE72094）进行了相同的分析。在两个外部集合中，风险评分的分布（图5A）、生存状态（图5B）和11个基因分类器的表达模式（图5C）也显示出与TCGA LUAD队列一致的结果。ROC生存曲线表明有两个风险组（图5D）。风险模型分析中，也分成了两个风险组（图5E，F）。风险组有显著差异（图5G）。生存曲线表明，与低风险组相比，高危组患者的预后明显较差（图5H）。