大家好，今天向大家分享的是6月24日发表在Molecular Oncology(IF=6.574)上的文章，在本研究中，作者通过TCGA队列评估了戒烟与总体生存之间的关联，并提供了有效的吸烟签名模型评估吸烟对癌症患者生存的影响。
多组学+泛癌|戒烟有益于癌症患者生存
数据下载
数据库：TCGA公共数据库
癌症类型： 膀胱尿路上皮癌（BLCA）、宫颈鳞状细胞癌和宫颈内腺癌（CESC）、食道癌（ESCA）、头颈鳞状细胞癌（HNSC）、肺腺癌（LUAD）、肺鳞状细胞癌（LUSC）和胰腺腺癌（PAAD）
数据信息：基因表达RNAseq（HTSeq-FPKM）、miRNA表达RNAseq（Illumina HiSeq）、体细胞突变数据（SNV）、拷贝数变异数据（CNV）、DNA甲基化数据（(Illumina Human Methylation 450)）、临床信息
分析流程
结果展示
1.戒烟可以显著改善癌症患者的预后
作者在多种癌症中分析了吸烟状态和患者总生存率之间的的关系(表1)。结果发现，戒烟与CESC，HNSC，LUSC和PAAD中更长的生存时间显著相关，多变量分析表明在LUSC患者中，戒烟是影响预后的独立保护因素。
2. 差异表达基因分析
接下来，作者分析了戒烟患者和吸烟患者之间差异表达的mRNA，lncRNA和miRNA。共鉴定出2899个DEGs(797下调和2102上调)(图 A)，48个差异表达的miRNA(20下调和28上调)(图 B)和1326个差异表达的lncRNA(1207下调和119上调)(图 C)。
3.体细胞突变差异分析
为了揭示相关的遗传变异，作者分析了吸烟者与戒烟者之间的体细胞突变。发现71个基因的突变频率存在显著性差异，包括10个DEGs，其中GPATCH8(P = 0.037)和ZFC3H1(P = 0.034)的表达与它们的体细胞突变显著相关。
4. 拷贝数差异分析
作者共发现了781个具有不同CNV的基因，它们的拷贝数增加或减少主要集中19、1和17号在染色体上，同时作者还评估了CNV对 94个 DEGs转录的影响，其中73个 DEGs的表达与CNV密切相关。
5. DNA甲基化差异分析
为了探讨吸烟对DNA甲基化的影响，作者分析了基因甲基化水平。与吸烟者相比，作者在戒烟者中发现了964个具有不同DNA甲基化的基因，其中10个DEGs的表达与甲基化水平显著相关，包括HOXB2(Cor = -0.728，P<0.001)和PTHLH(Cor ＝ -0.565，P<0.001)。
6. ceRNA网络的构建
接下来，作者使用差异表达的lncRNA，miRNA和关键DEGs构建了ceRNA网络。基于lncRNA-miRNA和miRNA-mRNA链接，建立了lncRNA-miRNA-DEGs复杂网络(69个lncRNA，5个miRNA和13个DEGs)来总结吸烟者的潜在分子特征。
7. LUSC中免疫细胞类型组分的估计
作者使用三种不同的算法评估了免疫细胞的丰度。发现戒烟患者中免疫细胞的分布与吸烟患者存在较大差异，包括CD8 +T细胞(TIMER)，滤泡辅助性T细胞(CIBERSORT)，γ-δT细胞(CIBERSORT)，M0巨噬细胞(CIBERSORT)，中央记忆CD4 +T细胞(XCELL)和中央记忆CD8 +T细胞(XCELL)。
8. 吸烟签名的构建和验证
接下来，作者通过单变量Cox回归分析和LASSO-COX分析识别关键的预后指标，并建立了吸烟签名模型。吸烟签名=0.5410×(吸烟状态)+ 0.3278×ZFC3H1 | snv + 0.2153×GPATCH8 | snv + 0.3625×NOL8 | cnv + -0.5947×RPL10A | cnv + -0.3870×滤泡辅助性T细胞(CIBERSORT)+ 0.5414×M0巨噬细胞(CIBERSORT)+ −0.1420×中央记忆CD8 + T细胞(XCELL)。
结果表明，吸烟患者的吸烟签名分布明显高于吸烟者(P<0.001)(图A)，K-M曲线显示高吸烟特征患者的预后较差（P<0.001）(图B)，ROC曲线证明吸烟签名模型具有较好的2年，3年和5年生存预后预测能力(图C)。单因素和多因素Cox回归分析表明，吸烟签名可能成为潜在的独立预后指标（P<0.001）(图D、E)，同时构建了将LUSC吸烟者的吸烟签名和临床信息相结合的预后列线图(图 F)，列线图的校准曲线显示出预测和观察之间的良好一致性(图G)。
为了确认吸烟签名的适用性和可靠性，作者在各种癌症中进行了验证。结果表明，在年龄校正模型中，吸烟特征与BLCA，CESC，HNSC，LUAD，LUSC和PAAD的总体生存率显著相关。在多变量调整模型中，吸烟签名较高的患者比吸烟签名较低的患者具有更高的危险率( HNSC[HR = 1.97，95％CI = 1.41–2.76]，LUAD[HR = 1.73，95％CI = 1.16–2.57]，LUSC[HR = 1.70，95％CI = 1.19–2.43]和PAAD[ HR = 4.28，95％CI = 1.47–12.47])。
写在最后
近年来，关于生物信息学挖掘的文章日益增多，有分析意向（http://gaptechsxr.mikecrm.com/1vdMmqy）生信人公众号我们的文章若想脱颖而出，就必须独具一格，在本文中作者通过纯生信分析就能够发表影响因子6+的文章，其中必定有许多值得我们借鉴的地方。本研究不仅涵盖了差异表达基因、体细胞突变、拷贝数变化以及DNA甲基化等常规生信分析，还建立了lncRNA-miRNA-DEGs复杂网络，最重要的是构建了癌症患者吸烟签名模型（这个signature跟普通的可不一样，囊括了关注指标状态、拷贝数、突变、浸润信息），同时在多种癌症中进行了验证，研究内容十分丰富，结果可靠。可见，我们在平时的生信分析中也可以采用这种多组学联合分析的手段，适当增加研究癌种类型，提高文章的可读性和可信度。
网友评论