大家好，今天要和大家分享的文章是2020年8月发表在Frontiers in Genetics（IF：3.258）上的文章。该文章构建了两个ceRNA 和3个risk score,what!!!预知详情,请听这回讲解。
背景
甲状腺癌是最常见的内分泌系统肿瘤，其中以甲状腺乳头状癌（PTC）最为常见，且近年来发病率逐渐上升。虽甲状腺乳头状癌进展缓慢且大多数进展不致命，但患者会承受极大的精神压力和经济压力。所以，探索并发现与PTC无瘤间期（PFI）相关的预后指标，对于提高患者的生活质量有重要意义。
研究过程解读
1.数据来源与统计分析
PTC患者的mRNA、miRNA、lncRNA的测序数据均来自于TCGA-THCA队列，与之匹配的临床参数从UCSC Xena下载。按1:1随机将患者分为训练集和验证集两组。所用统计分析均通过R软件3.6.1版本完成，P＜0.05认为有统计学意义。
2.差异RNA筛选以及构建PFI相关ceRNA网络的
按∣logFC∣＞1和FDR＜0.05筛选差异RNA（DEmRNAs、DEmiRNAs和DElncRNAs，图1A、B、C）。基于这些差异RNA，利用数据库miRcode、miRDB、TargetScan、miRTarBase构建全局的ceRNA网络。
在训练集中，将差异RNA经单因素Cox回归分析，得到与PFI相关的123个lncRNA、209个mRNA和9个miRNA，并从全局的ceRNA网络中得到了PFI相关的ceRNA网络（图1D）。
3.基于RNA构建的PFI分类器
分别将单变量Cox回归识别的PFI相关差异RNA经LASSO-Cox回归分别构建了6-mRNA分类器(图2A、B)，5-lncRNA分类器(图2C、D)，和一个4-miRNA分类器(图2E、F)。这些mRNA、lncRNA、miRNA的信息见表1。
图2 基于LASSO-Cox构建PFI的三种RNA分类器
表1 用于构建分类器的RNA详细信息
4.三个分类器与临床参数的关系
分别按照三个分类器计算出每个患者的风险评分，以评分中位数划分高低风险组，Kaplan-Meier曲线显示，在三个分类器中，训练组(图3A、C、E)和测试组(图3B、D、F)中高风险组的PFI都低于低风险组，提示三个分类器与PFI间良好的关系。表2展示了基于分类器的风险评分与临床参数之间的关系，提示T分期较高的患者倾向于较高的风险评分。
图3 训练集和验证集中PTC患者的PFI曲线
表2 基于分类器的风险评分与临床参数的关系
5.评估PFI分类器的预后价值
时间依赖性ROC曲线显示，三种分类器均有较好的预测能力。将TNM分期系统与三种分类器一起绘制1年、3年、5年的ROC曲线，结果显示这三种分类器的预测精度均高于TNM分期系统（图4）。
共406例患者有完整的临床资料供下一步分析。虽然单因素Cox回归显示三种分类器和各项临床特征均与PFI显著相关，但采用AIC选择标准进行多因素Cox回归分析后，仅保留6- mRNA分类器、5- lncRNA分类器和病理T分期作为PFI的独立预后因素(表3)。
图4 三种分类器1、3、5年的时间依赖性ROC曲线以及三种分类器和TNM分期系统的ROC曲线
表3 三种基于RNA的PFI分类器与临床特征单因素、多因素Cox回归分析
6.列线图对预后模型进行可视化
基于多变量Cox回归中验证的6- mRNA分类器、5-lncRNA分类器和病理T分期构建了列线图预测PTC患者的预后，通过计算总评分来估计PFI预后；列线图模型的C指数为0.792 (95% CI: 0.716-0.867)，校准曲线显示了模型的良好识别力（图5）。以上结果均表明，这个模型具有良好预测患者PFI的能力。
图5预后模型的列线图和校准曲线
总结
这篇文章的内容大概就是这些啦，因为甲状腺癌致死率并不高,所以作者选择研究无瘤间期(宝宝们要学习哦)。基于PFS相关的三种RNA，构建了PFS生相关的ceRNA网络，并开发了三种基于RNA的分类器：
有分析意向（http://gaptechsxr.mikecrm.com/1vdMmqy）生信人WX公众号
6-mRNA、5-lncRNA、4-miRNA，并通过时间依赖性ROC来验证三种分类器良好的预测能力；最后,通过引入AIC的多因素Cox回归来构建预后模型并绘制列线图。列线图的本质其实就是回归方程的可视化，根据方程中的回归系数给模型中的每个组成制定评分标准，这样就可以给每位患者计算出一个总分，再用总分来评估预后。列线图把枯燥的方程转化成图形的形式，是一种有趣的算法，可以为你的论文、项目标书增色不少，感兴趣的朋友可以学习一下。
网友评论