与铜细胞凋亡相关的 lncRNA 特征预测结肠腺癌的预后和免疫微环境

2023-04-26 09:31 作者:275276 0人读过 | 我要投稿

A cuproptosis-related lncRNA signature to predict prognosis and immune microenvironment of colon adenocarcinoma

Dongming Li,#1,3 Guangzhen Qu,#2,3 Shen Ling,3 Yuanlin Sun,1 Yingnan Cui,1 Yingchi Yang,

结果

铜凋亡相关基因在COAD中的表达与突变

10 个 CRG 中有 7 个在正常组织和 COAD 组织之间差异表达，包括 CDKN2A、GLS、LIPT1、DLAT、DLD、FDX1、MTF1。其中，肿瘤样本中CDKN2A、GLS和LIPT1的表达水平显着上调，而DLAT、DLD、FDX1、MTF1的表达水平显着下调。此外，我们调查了 COAD 样本中的遗传改变。在374个COAD样本中，27个（7.22%）显示CRGs突变

COAD 样本中铜脱垂相关基因 (CRG) 的表达和突变。( A )正常组织和肿瘤组织CRG表达的差异。* p < 0.05，*** p < 0.001。( B ) 374 个 COAD 样本中 CRG 突变的概况。( C ) CRG 的拷贝数变异 (CNV)。( D ) CNV 修饰的 CRG 在 23 条染色体上的定位。

共表达网络的建立和CRL的鉴定

来自 TCGA 的转录组数据显示，在 COAD 样本中鉴定出 19,790 个 mRNA 和 16,773 个 lncRNA。通过对CRGs和lncRNAs进行共表达分析，共获得了1410个潜在的CRLs（图1）。 3个A，补充表S1 )。随后，通过Cox回归分析，发现18个与COAD患者预后相关的CRL，包括AC015712.2、AC022210.1、AC025171.2、AC025171.4、AC067817.2、AC068205.2、AC107308.1、AL161729。 4、AL356019.2、AP001619.1、EIF2AK3-DT、GABPB1-IT1、LINC00205、LINC01138、LINC02175、SNHG26、ZEB1-AS1、ZKSCAN2-DT

共表达网络和预后与铜细胞凋亡相关的 lncRNA (CRL)。( A ) 铜凋亡相关基因与预后 lncRNA 之间的共表达网络。( B ) 用于预后 CRL 的单变量 Cox 回归分析的森林图。

CRL的共识聚类分析

共识聚类分析将 k = 2 确定为最佳聚类参数（图 1）。。因此，所有 378 名患者被分为第 1 组（n = 314）和第 2 组（n = 64）。如图所示。 4个D，我们发现集群 2 中的操作系统比集群 1 中的操作系统差 ( p < 0.001)。此外，还根据 CRL 的表达水平探讨了不同簇亚型与临床特征之间的相关性。如热图所示，所有 18 个 CRL 在簇 2 中均上调，并且簇 2 中的患者比簇 1 中的患者具有更晚期的病理 N 分期 ( p < 0.01). 总体而言，这 18 个 CRL 可能有助于 COAD 的病理进展。

COAD 样本中簇亚型与临床特征的相关性。( A – C ) k = 2 作为一致聚类分析中的最佳聚类参数。( D ) 不同集群中总生存 (OS) 的 Kaplan-Meier 曲线。( E ) 簇亚型与临床病理特征的相关性分析。** p < 0.01。

不同簇之间肿瘤微环境特征的差异

我们观察到聚类 1 中的 PD-1 和 PD-L1 表达均显着高于聚类 2（所有p < 0.05）。。这可能意味着第 1 组对免疫疗法的反应更好。同时，我们根据 CIBERSORT 算法揭示了 22 种免疫细胞丰度的差异。小提琴图显示记忆 B 细胞和单核细胞在簇 2 中具有高丰度 ( p < 0.05)。尽管 ESTIMATE 分析表明不同聚类之间的基质评分没有显着差异，但毫无疑问，聚类 1 中存在更高基质评分的趋势。此外，我们发现与簇 2 相比，簇 1 具有更高的免疫和估计分数，这意味着簇 1 中的肿瘤纯度较低，免疫细胞丰度较高。

不同簇亚型的免疫分析。( A ) 簇亚型与 PD-1 之间的相关性，* p < 0.05。( B ) 簇亚型与 PD-L1 之间的相关性，* p < 0.05。( C ) 22 种免疫细胞在不同簇亚型中的浸润。( D – F )不同簇亚型中基质评分 ( D )、免疫评分 ( E ) 和估计评分 ( F ) 的分析。

铜细胞凋亡相关预后特征的构建

所有 378 名患者被随机分为训练队列 (n = 190) 或验证队列 (n = 188)。两个队列之间的基本临床特征显示在表中的表格1。1个. 通过利用训练队列数据集，进行了 LASSO-Cox 分析以进一步筛选预后 CRL 并构建 CRL 签名（补充表S5）。最终，我们基于最佳 lambda 值创建了一个包含五个 lncRNA 的预后特征（图 1）。 6个一个，乙）。根据每个lncRNA的系数和表达水平，我们提出了一个计算风险评分的公式。风险评分 = AC015712.2 × 0.678990448067854 + ZEB1-AS1 × 0.575425114920727 + SNHG26 × 0.191678723955985 + AP001619.1 × 0.119431792481994 + ZKSCAN2-DT27 × 39.0577

构建预后 CRL 签名。( A , B ) 具有最佳 lambda 值的最小绝对收缩和选择算子 (LASSO) 回归分析。( C ) 训练队列中高风险组和低风险组之间五个 CRL 的表达。( D , E ) 训练队列中所有 COAD 患者的风险评分和生存状态分布。( F ) 基于训练队列中风险评分的 OS 的 Kaplan-Meier 曲线。( G ) 训练队列中的接受者操作特征 (ROC) 曲线分析。( H , I ) 单变量 Cox 回归分析 ( H) 和训练队列中的多变量 Cox 回归分析 ( I )。

此后，训练队列中的患者根据中位风险评分分为高风险亚组 (n = 95) 或低风险亚组 (n = 95)。如图所示 6个C，所有五个 CRL 的表达水平在高风险亚组中均显着上调。每个患者的风险评分、生存状态和生存时间如图 1 所示。如 K-M 曲线所示，我们发现与低风险评分患者相比，高风险评分患者的 OS 较差 ( p < 0.001)。如 ROC 曲线所示，1 年、3 年和 5 年的 AUC 值分别为 0.707、0.742 和 0.744。此外，单变量 Cox 回归分析显示年龄、T 分期、N 分期、M 分期和风险评分是 COAD 预后的潜在危险因素（所有p < 0.05）。多变量 Cox 回归分析显示年龄、T 分期和风险评分是 COAD 预后的独立危险因素（所有p < 0.05）

铜凋亡相关预后特征的验证

验证队列数据用于测试 CRL 签名的预测能力。通过使用与训练队列相同的计算公式和中值风险评分，验证队列中的患者也被分为高风险组 (n = 85) 或低风险组 (n = 103)。我们注意到所有 5 个 CRL 的表达水平与训练队列的结果一致。验证队列中每位患者的风险评分、生存状态和生存时间也显示在图 1 中。 7公元前。同样，我们观察到高风险评分患者的 OS 较差 1 年、3 年和 5 年 AUC 值分别为 0.668、0.682 和 0.689，接近 0.70。 7E). 最后，单变量和多变量 Cox 回归分析也证实风险评分是 COAD 预后的独立危险因素（p < 0.05）

预后 CRL 签名的验证。( A ) 验证队列中高风险组和低风险组之间五个 CRL 的表达。( B , C ) 验证队列中所有 COAD 患者的风险评分和生存状态分布。( D ) 基于验证队列中风险评分的 OS 的 Kaplan-Meier 曲线。( E ) 验证队列中的接受者操作特征 (ROC) 曲线分析。( F , G )验证队列中的单变量 Cox 回归分析 ( F ) 和多变量 Cox 回归分析 ( G )。

构建诺模图以预测生存

构建列线图是为了根据临床信息（包括年龄、性别、TNM 分期和特征计算的风险评分）预测 COAD 患者的 1 年、3 年和 5 年 OS。不同时期的生存概率清楚地显示在图1中。，对于一名 70 岁的女性，根据我们的 CRL 特征将其肿瘤 III 期归类为高风险，则小于 1 年、3 年和 5 年的 OS 概率分别为 0.174、0.324 和 0.541。1 年、3 年和 5 年校准曲线的结果表明，列线图预测的 OS 与最佳预测性能非常匹配. 列线图的时间依赖性 ROC 曲线表明，1 年、3 年和 5 年的 AUC 值分别为 0.785、0.817 和 0.787。这些发现表明，预后列线图对 COAD 患者的 1、3 和 5 年生存率具有显着的预测价值。此外，DCA 分析显示，当阈值概率大于 0.1 时，列线图显着具有最佳临床净收益.

列线图的构建。( A ) 预测 COAD 患者 1 年、3 年和 5 年 OS 的列线图，** p < 0.01，和 *** p < 0.001。( B ) 列线图的校准曲线。( C ) 列线图的时间相关 ROC 曲线。( D )诺模图的决策曲线分析。

风险特征与临床特征之间的相关性

如热图中所述，确认了风险评分与患者临床特征之间的强相关性。具体来说，我们发现高风险评分与聚类 2 显着相关、M1阶段(图 9D）和 TNM III-IV 期（图 1）。 9E)（所有p < 0.05）。这些发现进一步说明，用于构建这种预后特征的 CRL 可以促进 COAD 患者的肿瘤进展和转移。

预后特征与临床特征之间的相关性。( A ) 不同风险组临床特征分布的热图。( B – E ) 具有显着差异的风险评分分布直方图，按聚类 ( B )、病理 N 分期 ( C )、病理 M 分期 ( D ) 和肿瘤分期 ( E )。** p < 0.01，并且 *** p < 0.001。

通路富集分析

我们执行 GSEA 以寻找不同风险亚组之间的信号通路是否存在差异。如图所示。 10, GSEA揭示了两条KEGG通路，包括“MAPK信号通路”和“Wnt信号通路”，在高风险评分侧显着富集。相反，在风险评分较低的另一侧，许多代谢通路显着集中，富集前五位的通路包括“半乳糖代谢”、“谷胱甘肽代谢”、“丙酮酸代谢”、“果糖和甘露糖代谢”和“糖酵解糖异生”

风险特征的免疫分析

热图中显示了具有统计学意义的免疫细胞浸润。多种免疫细胞在高风险亚组中浸润更多，如 CD4 + T 细胞、CD8 + T 细胞、B 细胞、肥大细胞和 M2 巨噬细胞，而中性粒细胞在低风险亚组中浸润更多（所有p < 0.05） . 此外，免疫细胞和免疫功能评分表明，Th2 细胞和趋化因子受体 (CCR) 在低风险亚组中更为丰富（所有p < 0.05）。免疫检查点基因表达水平，除HHLA2和LGALS9在高危亚组下调外，许多免疫检查点在高危亚组上调，包括CD200、TNFSF4、NRP1、BTLA、TNFRSF25、IDO2 , CD160, LAIR1, CD200R1, ADORA2A（所有p < 0.05）因此，靶向铜细胞凋亡联合免疫治疗可能为未来的 COAD 治疗提供一种新的策略。

基于CRL签名的高危和低危人群免疫相关性分析。( A ) 不同风险人群免疫细胞浸润差异显着分析。( B ) 不同风险人群免疫细胞评分的差异。( C ) 不同风险人群免疫功能评分的差异。( D ) 免疫检查点在不同风险人群中的差异表达。* p < 0.05，** p < 0.01，*** p < 0.001。

风险特征的甲基化相关性分析

使用源自先前文献组分析了风险特征和 RNA 甲基化修饰之间的相关性，22 个 m6A 相关基因中有 12 个在高风险亚组中上调，包括 FMR1、FTO、IGF2BP2、METTL3、METTL14、RBM15、RBMX、VIRMA、WTAP、YTHDC1、YTHDC2、ZC3H13（ p < 0.05 ）。一半的m7G相关基因显着差异表达，其中大部分在高危组上调，包括AGO2、DCP2、EIF4A1、EIF4G3、GEMIN5、IFIT5、NCBP2、NCBP2L、NCBP3、NUDT10（p < 0.05）。

N 6-甲基腺苷（m6A）和N 7-甲基鸟苷（m7G）在高危和低危人群中的甲基化相关性分析。( A ) m6A相关基因在不同风险人群中的差异表达。( B ) m7G相关基因在不同风险人群中的差异表达。* p < 0.05，** p < 0.01，*** p < 0.001。

药敏分析

我们筛选了一系列抗肿瘤药物的敏感性，这些药物涉及化疗、靶向药物和小分子药物。，除了索拉非尼在低风险组中更敏感外，我们发现 AKT 抑制剂、ATRA、喜树碱和毒胡萝卜素在高风险组中相对更敏感（均 p < 0.05 ）。这些发现可为COAD的临床治疗提供参考。

高危和低危人群的药物敏感性和潜在治疗药物。AKT 抑制剂 ( A )、全反式维甲酸 ( B )、喜树碱 ( C )、索拉非尼 ( D ) 和毒胡萝卜素 ( E )。

标签：