得分超高-失巢凋亡大热点+LncRNA方向玩转肿瘤分型/预后分析，5分+文章立刻搞定！

失巢凋亡是一种防止细胞迁移的防御机制，可以通过丧失细胞粘附力来阻止细胞迁移，这一机制近来受到学者们的青睐，布小谷翻了翻近5年的相关发文有3000多条，这说明这种分析模型已被不断接受，但是分析失巢凋亡相关的长链非编码RNA（LncRNA）现在仅仅只有300多条，这是因为研究人员对LncRNA发挥预后功能的发掘还不够，文章巧妙的选取这一崭新的角度分析宫颈癌预后，是不是感觉非常机智呢？那就和小谷一起去看看吧！！！

题目：失巢凋亡相关长链非编码RNA标记预测宫颈癌预后和小分子药物响应

杂志：Frontiers in Pharmacology

影响因子：IF=5.988

发表时间：2023年3月

研究背景

宫颈癌（CC）对女性健康造成了严重威胁，早期宫颈癌可以通过筛查和疫苗接种预防，晚期CC会发生转移使得其预后较差，因而寻找合适的预后标志物非常必要。而失巢凋亡就可以抑制肿瘤细胞迁移、延缓癌症进展。但是肿瘤细胞可以分泌生长因子来抵抗失巢凋亡，因而研究表明抗失巢凋亡是肿瘤远端迁移的标志性事件。因此本文构建了能够预测预后的新型ARLs相关标记，并为CC患者的治疗反应提供了新思路。

数据信息

研究思路

首先从TCGA数据库中提取宫颈鳞状细胞癌和宫颈内膜腺癌（CESC）长链非编码RNA（lncRNA）的表达矩阵，利用ssGSEA分析ARG评分，并通过Hmisc包识别失巢凋亡相关lncRNA（ARL）。根据ARL对患者进行聚类分析并探索不同亚型的存活率（OS）、表达、免疫相关及遗传景观，且对高度相关的AC3亚型通过GSVA进行生物功能分析。其次根据ARL的LASSO回归分析构建风险模型并对模型进行验证。最后讨论模型评分（ARP评分）与肿瘤免疫环境（TME）、药物敏感性和生物功能的相关性。

主要结果

1.ARL的识别

使用Gencode获得大量LncRNAs，并利用ssGSEA计算ARG分数，根据相关性筛选574个ARL。单变量回归分析筛选这些ARL，其中与OS相关的有37个ARL（图 1A），并对这37个ARL的相关性进行分析（图 1B），最后分析表达发现，37个ARL的差异表达使得ARG分数也发生变化（图 1C）。

2.ARL相关分子亚型的鉴定与分析一致聚类分析发现通过37 个ARL的表达矩阵可以将TCGA-CESC患者分成3个亚型，AC1、AC2和AC3（图2 A-C）。KM分析发现，AC1预后最好，AC3预后最差（图2 D），同时存活率统计也发现AC3死亡人数最多（图2 E），且其ARG评分也最高（图2 F）。（ps：分析亚型有利于更好的理解风险模型的结果）

上述说明不同亚型ARG评分有差异，那么不同亚型的ARL表达是怎样呢？热图发现风险因子在AC3中高表达，保护因子在AC1中高表达（图 3）。

不同亚型的OS和表达已分析，免疫层面有何差异呢？文章使用CIBERSORT方法评估22种免疫细胞的的浸润（经典的评估免疫细胞方法），其中AC3的浸润差异尤为明显，在B cells naïve、T cells CD8以及T cells regulatory（Tregs）等细胞中，AC3浸润明显较低；而在Macrophages M0、Mast cells activated和Neutrophils中，AC3浸润较其他亚型高（图 4A）。这说明了AC3簇的特殊性，也说明了这一亚型与CC癌症的相关性更高。另外，CC癌症发生远端转移时，血管生成与其息息相关。意料之中，分析血管评分发现AC3血管生成评分最高（图 4B）。同时癌症造成的免疫逃逸也可以由免疫检查点分析来判定，结果又发现AC3中17个免疫检查点基因的高表达（图 4C）。这说明了AC3亚型较高的ARG评分与免疫抑制相关，癌症躲过免疫就可以发生远端转移，造成较高的血管生成评分。   

AC3亚型中的表达、预后以及免疫结果说明了这一亚型与CC远端转移密切相关，那这是由什么引起的？文章分析了遗传景观去观察突变频率，结果发现AC3的突变频率远高于其他亚型（图 5A-C）。基于ssGSEA功能分析的结果发现AC3亚型在肿瘤发生通路富集（图 5D），进一步用GSVA分析发现在AC3中TGF BETA SIGNALING、PI3K AKT MTOR SIGNALING、NOTCH SIGNALING等被激活，而在AC1中却被抑制（图 5E）。

3.风险模型构建、验证和分析

为了构建风险模型，将TCGA-CESC中的患者分为数据集和验证集，利用LASSO回归分析和多变量分析结果筛选出7个ARL，构建风险模型，得出ARL评分（APR）并将患者分为高APR组和低APR组。分析预后发现高APR组的预后较差（图6 A-C），并通过ROC曲线对这一模型进行验证，准确性较高（图 6 D-F）。表明APR评分在预测CC患者的OS上准确性较高。

那这个风险模型与临床病理特征有何关系？首先，APR评分最高的是AC3亚型（图7 A）。风险评分越高死亡率越高，同时不同风险类型中7个ARL表达也存在差异（图7 B）。根据这一基础分析不同临床病理特征相关性，结果发现在不同阶段、等级和年龄的亚组下，高APR患者的OS显著高于低APR患者。

为了让这些结果可以应用于临床，单变量（图 8A）和多变量（图 8B）分析相关性，最终选择APR评分和分期来构建列线图以应用临床进行OS预估（图 8C）。校准曲线也显示该列线图是一个可靠的预测工具（图 8D）。ROC曲线分析表明相比其他临床特征，列线图和APR评分在预测OS上有更高的准确性（图 8E）。

4.APR评分中TME的评估分析

为了检测该风险模型不同评分的免疫情况，利用CIBERSORT和MCP-count算法进行评估。结果显示高APR组，T cells CD8和Treg的浸润丰度较低（图 9A）。MCP也显示高APR的CD8 T cells的免疫评分较低（图 9B）。进一步分析免疫治疗反应，发现高APR患者的TIDE和Exclusion scores分数略高（图 9C、D），这是因为高评分患者的免疫逃逸更容易发生。

5.APR评分与化疗药物敏感性的相关性分析

为了分析APR评分对化疗药物的预测，对20种药物的IC50值进行计算。结果发现低APR组对Rapamycin、KIN001-135和Roscovitine等有着积极的响应，高APR组对Sunitinib、MG-132、Paclitaxel等有着积极响应（图 10）。不同评分对小药物的敏感性不同，也就是APR评分与药物敏感性相关。

6.APR评分与生物途径

高评分组的生物途径是不是也有不同？利用GSEA分析不同APR评分组的富集途径，结果发现高评分组的血管生成、细胞凋亡等途径显著富集（图10）。

小结

本文的选题方向非常创新，失巢凋亡本身就是这几年火起来的热点，而且文章又采用了与其相关的LncRNA做预后，这一方向的发文少之又少，一下子将文章拔高起来；其次一致聚类分析不同亚型，并对高度相关亚型做功能分析这一思路为预后分析进行了良好的铺垫，也是文章很巧妙的一个得分点。这篇文章思路创新，逻辑清楚，是一篇容易学习和模仿的分析模板。如果您也有相关的肿瘤需要分析，就赶快收藏起来噢！

如果您的时间和精力有限或者缺乏相关经验，并且对生信分析和思路设计有所需要的话，“布谷鸟”非常乐意为您提供如下服务：免费思路评估、付费生信分析和方案设计以及实验项目实施等，有意向的小伙伴欢迎咨询布小谷哦！