今天跟大家分享的是11月份发表在aging-us杂志上的一篇文章，影响因子5.5
Glycolysis gene expression profilings screen for prognostic risk signature of hepatocellular carcinoma
糖酵解基因表达谱筛选对肝细胞癌预后的风险特征
首先我们来看一下这篇文章的主要内容，这项研究的目的是通过四种常见的癌症类型开发糖酵解相关的风险标志物作为生物标志物。仅肝细胞癌显示与糖酵解密切相关。该研究包括肝细胞癌，乳腺浸润癌，肾透明细胞癌，结直肠腺癌的mRNA测序和芯片数据。作者进行了基因集富集分析，分析了三个与糖酵解相关的基因集，它揭示了与生物学过程相关的基因。单因素和多因素Cox比例回归模型用于筛选预后相关的基因特征。作者在肝细胞癌的Cox比例回归模型中确定了与总体生存率显著相关的6种mRNA。基于此基因特征，将患者分为高危和低危亚组。此外，作者在55对配对的肝细胞癌和邻近组织中验证了该数据。结果表明，与邻近组织相比，这些蛋白在肝细胞癌组织中高表达。高危组生存时间明显短于低危组，表明高危组预后较差。作者计算了六个蛋白质之间的相关系数，发现这六个蛋白质彼此独立。总之，作者开发了一种与糖酵解相关的基因标记，可以预测肝细胞癌患者的生存。该发现为糖酵解的机制提供了新颖的见解，对于鉴定预后不良的肝细胞癌患者很有用。该工作的流程图1所示。
图1.流程图
结果展示
1. 糖酵解相关基因集在相邻的癌症样本和癌旁样本之间存在显著差异
该研究包括四种实体瘤，包括COAD，KIRC，HCC和BRCA。作者从TCGA中获取所有患者的mRNA表达和临床数据，在MSigDB 数据库中找到三个与糖酵解相关的基因集。首先，作者使用GSEA来探索癌症样本和癌旁样本之间这三个糖酵解相关基因集是否存在显著差异。结果显示，HCC中的HALLMARK_GLYCOLYSIS基因集在两组样本之间存在显著差异；COAD中的REACTOME_GLYCOLYSIS基因集在两组样本中存在显著差异；BRCA中的HALLMARK_GLYCOLYSIS基因集在两组样本中存在显著差异；KIRC中无显著的基因集（图2）。
图2.每个肿瘤中三个糖酵解相关基因集的富集图
接下来，作者筛选了上述基因集中的核心基因即其表达在肿瘤组织中被上调的基因。因此，作者分别在COAD，HCC和BRCA中筛选了差异表达的基因。结果显示，COAD中75个上调的mRNA，HCC中109个上调的mRNA，BRCA中101个上调的mRNA（表1）。
表1.三种癌症的核心基因
为了验证核心基因是否参与糖酵解，作者使用GO分析和KEGG通路富集分析进行了深入研究。结果表明选择的核心基因确实与糖酵解有关（图3）。
图3.从GSEA中选出的糖酵解相关基因的GO和KEGG通路富集分析
2. 识别与患者生存相关的糖酵解相关基因
作者从GSEA结果表中选择了核心基因，并进行了单变量Cox回归分析，以进一步筛选与患者OS相关的mRNA。结果在HCC中选择了22种与患者OS相关的mRNA，在COAD中未发现与OS相关的mRNA，在BRCA中4种mRNA与OS有关（表2），但ROC曲线下面积AUC小于0.7，表明诊断性能不高（图4）。因此在BRCA中无法筛选与糖酵解相关的预后基因。
表2. BRCA中单变量Cox分析的结果
图4. BRCA中糖酵解相关基因的ROC曲线
接下来作者采用多变量Cox回归分析进一步检查了肝癌患者糖酵解基因表达谱与OS之间的关系。筛选了六个mRNA（DPYSL4，HOMER1，ABCB6，CENPA，CDK1，STMN1）作为独立的预后指标（表3）。作为基因标记，它们可以分为风险基因（DPYSL4，HOMER1，ABCB6，CENPA，STMN1，HR> 1）和保护基因（CDK1，HR <1）。
表3.六个选定的mRNA的详细信息
接下来，作者通过cBioPortal在线网络数据库中的临床HCC样本分析了HCC中选定的6个mRNA的突变。结果显示309名患者中有19名（6％）有突变（图5A）。作者进一步分析了DPYSL4，HOMER1，ABCB6，CENPA，CDK1，STMN1在癌症和癌旁组织中的差异表达，发现与癌旁组织相比，309个HCC组织中的6个基因显著上调（图 5B）。
图5.鉴定与糖酵解相关的预后风险特征
3. 构建和验证六种mRNA signature以预测患者的预后
为了构建预后标记，在生存的整个数据集中使用多元Cox回归分析对这六个mRNA进行了分析。接下来，作者通过整合多元Cox回归分析获得的六个mRNA的表达谱和相应的回归系数，构建了一个预后特征：
Risk score = (0.1142 × expression level of DPYSL4) + (0.1982 × expression level of HOMER1) + (0.2647 × expression level of ABCB6) + (0.4603 × expression level of CENPA) + (-0.5359 × expression level of CDK1) + (0.3966 × expression level of STMN1)
作者计算了整个数据集中每个患者的风险评分（图6A）并使用风险中位数作为阈值，将整个数据集中的309名患者分为高风险组（n = 154）和低风险组（n = 155）。Kaplan-Meier（KM）分析显示两组之间患者的预后有显著差异（图6C）。为了评估诊断水平，进行了ROC曲线分析其中糖酵解相关基因的ROC曲线的AUC为0.765（图6D），证明了这6个mRNA的signature对于整个数据集中的生存预测具有良好的诊断意义。
图6.糖酵解相关基因signature预测了HCC患者的OS
作者应用卡方检验来揭示风险评分与临床特征之间的关系（表4）。结果表明，T，N，M，阶段，等级，相对家族史与肝癌患者的风险评分有关。
表4.风险评分与临床特征之间关系的卡方检验
接下来，作者在训练集和验证集中验证了该的6-mRNA signature。309名患者被随机分为训练组（n = 151）和验证组（n = 158）。交叉验证显示，CLF评分为0.82，表明分组是稳定可靠的。与整个研究结果一致，高风险组的患者生存时间明显短于训练组低风险组的患者生存时间（图7A）。验证数据集，观察到相似的结果：高危组的患者生存率显著低于低危组（图7B）。
图7.验证风险标志物的预后价值
为了确认多基因标记比单基因生物标记更为重要，作者通过KM分析和ROC曲线对其进行了验证，结果表明当六个基因分别充当单个生物标记时，它们的诊断意义并不比六个mRNA标记好（图8）。
图8. 验证风险标志物的预后和诊断价值比单一生物标志物更好
4. 六个mRNA的风险评分与其他临床变量无关
为了评估这六个mRNA标记物的预后能力是否独立于其他临床参数，包括家族史，初始治疗后的新肿瘤事件，肿瘤状态和肿瘤分期，在整个数据集中进行了单因素和多因素Cox回归分析。结果表明，六个mRNA的风险评分与患者的生存率显著相关。令人惊讶的是，在调整了整个数据集中的其他临床参数后，6-mRNA signature仍然保留了独立的预后指标表5和表6）。
表5.每个临床特征的单变量分析
表6.每个临床特征的多变量分析
然后根据人的肿瘤状态，初始治疗后的新肿瘤事件，等级分别进行分层分析。在这里作者按人的肿瘤癌状态将所有309例HCC患者分为无肿瘤数据集（n = 135）和肿瘤数据（n = 100）。然后将所有患者按等级进一步分为早期数据集（I级和II级，n = 182）和晚期数据集（III级和IV级，n = 123）。结果显示从单变量和多变量Cox的回归分析以及分层分析中表明，六个mRNA signature的预测能力与其他临床参数无关，并且可以预测HCC患者的存活率。
图9.对患者风险标记的预后价值进行分层分析
5.六个基因的蛋白质在肝癌组织中过表达
为了进一步验证六种基因在肝癌中的蛋白表达水平，在包含55对配对的肝癌和邻近组织的TMA中进行了免疫组织化学。结果显示这六种蛋白在大多数肝癌组织中高表达（图10）。
图10.六种蛋白质在肝癌组织中的表达
接下来作者分析了蛋白表达与肝癌临床特征之间的潜在关联。结果表明与低表达组患者相比，高表达（STMN1，HOMER1，CENPA）患者的总生存率明显较低（图11）。
图11.验证六种蛋白质的预后价值和风险特征
最后作者分析了肝癌中这六种蛋白质的相关性。结果表明这六个蛋白彼此独立（图12）。
图12.55个HCC组织中这6种蛋白质的相关性
好啦，这篇文章的所有内容就这么多啦，总体来说还是很丰富的~
网友评论