通过五个假基因特征的识别预测胶质瘤的生存及其ceRNA网络Identification of a Five-Pseudogene Signature for Predicting Survival and Its ceRNA Network in Glioma 脑胶质瘤是最常见的原发性脑肿瘤，预后不良。本研究在TCGA中确定了五个假基因并构建了风险特征，用于预测神经胶质瘤患者的生存。此外，建立了由3个假基因结合miRNA和靶基因组成的ceRNA调控网络。最后，调查了与风险特征相关的生物学功能，为神经胶质瘤的治疗提供了新的策略。 材料和方法研究数据集从HGNC下载假基因，从GlioVis GBMLGG（RNA-seq）平台下载假基因和miRNA靶基因的表达数据，以及胶质瘤患者的临床病理和TCGA中的生存数据，并使用R语言的caret包将其随机分为一个训练队列和一个验证队列。 差异表达的假基因谱Profiles主成分分析（PCA）用于评估TCGA数据库中低级神经胶质瘤（LGG）和胶质母细胞瘤（GBM）之间可用假基因的表达分布，使用R语言生成差异表达的假基因。 鉴定预后假基因特征用单变量Cox模型根据训练队列中的数据评估假基因与神经胶质瘤患者的总生存（OS）之间的关联。进行LASSO回归过滤单变量Cox分析中显著的假基因。随后，使用多元Cox回归分析通过R中的阶跃函数进一步选择假基因。根据回归系数加权的假基因表达建立风险特征，并构建风险评分公式。根据中位风险评分值将脑胶质瘤患者分为低风险和高风险组，并通过Kaplan-Meier和ROC曲线分析测量预后风险特征。为了更好地预测神经胶质瘤患者的1年，3年和5年生存率，将风险特征和一些临床病理因素结合在一起，并使用R中的rms软件包，基于多变量分析的结果，建立了列线图，ROC曲线和校准曲线用于评估列线图。 假基因-miRNA-mRNA调控网络的构建使用dreamBase数据库鉴定与假基因结合的miRNA，从miRTarBase中提取具有至少一种强实验方法（报告分析或蛋白质印迹）的miRNA靶基因。进行Pearson分析以计算假基因和miRNA靶基因之间的表达相关性，使用Cytoscape 3.5.1构建假基因-miRNA-mRNA调控网络。 生物信息学分析用靶基因在TCGA数据集中进行功能分析，通过DAVID网站进行GO和KEGG通路分析，以分析选定的靶基因，采用Metascape验证生物学过程和信号通路。统计分析两组之间的统计学差异通过Wilcoxon检验进行检验。结果确定五个假基因并将其用于构建脑胶质瘤的风险特征TCGA数据集中共包含263个假基因，纳入TCGA数据集的脑胶质瘤患者随机分为训练组和验证组（表1）。在训练队列中，GBM分布在左侧，而LGG聚集在另一侧（图1A）。在验证队列中也有相似的结果（图1B），表明LGG和GBM中假基因的分布和功能不同。在训练队列中鉴定了15个差异表达的假基因，包括GBM中的7个上调的假基因和8个下调的假基因（图1C），这15个假基因均与神经胶质瘤的预后相关。使用LASSO回归鉴定了9个假基因（图1D，E）。最后，对9个假基因进行了多元Cox回归分析，并使用“step”功能保留了5个假基因（ANXA2P2，EEF1A1P9，FER1L4，HILS1和RAET1K）（图1E），有关五种假基因的信息如表2。EEF1A1P9是保护因子，ANXA2P2，FER1L4，HILS1和RAET1K被定义为神经胶质瘤的危险因素（图1F）。表1训练队列和验证队列中样本的临床病理特征
