一.研究背景m6A RNA甲基化调控因子在ccRCC的发生和发展中起着重要的作用。本研究旨在探讨13种m6A RNA甲基化调节因子在中的作用,并确定m6A RNA甲基化调节因子在ccRCC中的risk signature和预后价值。 二.分析流程三.结果解读1.m6A RNA甲基化调控因子的表达与ccRCC的临床病理特征相关作者基于TCGA-KIRC样本RNA-Seq数据和临床病理特征,筛选了13个m6A调节因子。
2.ccRCC中13m6a RNA甲基化调控因子的相互作用及相关性研究从STRING数据库中检索到13个m6A RNA甲基化基因之间的相互关系,构建PPI网络(图3A),并使用R中的“corrplot”包对它们之间的相关性进行分析(图3B)。结果显示:
3.m6A RNA甲基化调控因子的预后价值和基于两个m6A RNA甲基化调控一致建立的Risk Signature接下来为了研究ccRCC中这13个m6A RNA甲基化调节因子的预后价值,作者根据TCGA-KIRC中调节因子的表达水平进行了单变量Cox回归分析(图4A)。
为了确定最优的预后m6A调节因子 ,作者对7个预后相关基因进行了LASSO Cox回归分析(图4B),每个独立预后基因的系数如图4C所示。
然后作KM生存分析,对这两个调节因子的预后进行了验证。结果显示:
作者基于这两个强有力的预后因素(METTL14和METTL3),构建risk signature。然后,根据LASSO分析得到的系数构建risk score。risk score(RS)的计算公式如下: 其中n为RNA模块的数量,Coef (i)为系数,X(i)表示经LASSO分析鉴定的每个基因的z-score-transformed相对表达量。每个基因的z-score-transformed相对表达量分别乘以各自的Coef系数后加和,即为RS。 将TCGA-KIRC患者(n = 525)按中位risk score分为高、低风险组(表1),来测试METTL14和METTL3基因risk signature的预后作用。生存分析的结果表明,低风险组的患者的OS较好(图4F)。 采用ROC曲线来评价预测的敏感性和特异性,结果显示AUC值为0.704(图4G),预测效果良好。 4.risk score预后与ccRCC的临床特征密切相关图5A:热图显示两种m6A RNA甲基化调控因子在高风险组和低风险组中的表达水平。结果显示,高风险组与低风险组中WHO分级(p < 0.001)、病理分期(p < 0.001)、T分期(p < 0.001)、M分期(p < 0.01)统计学上显著性差异。 还探讨了risk score与临床病理特征之间的关系:
然后进行了单变量和多变量Cox回归分析:
作KM生存分析,分析不同分级及病理分期的risk signature对预后的影响。结果显示,低risk score组的具有更好的OS(图5I-J)。这些结果表明,risk score可以作为ccRCC的独立预后因素。 5.两组独立预后m6A调节因子的一致聚类鉴定了两组具有不同临床结果的ccRCC基于2个m6A 的METTL14和METTL3两个强有力的独立预后因子,作k = 2 - 9逐渐增加的聚类分析,发现k = 4为最优选择(图6A,B)。但当k = 2时,各子组之间的干扰最小。 所以作者使用k = 2进行一致性聚类分析,并确定了两个cluster:cluster1和cluster2。KM生存分析发现cluster1组患者的OS明显短于cluster2组(图6C)。 此外,使用主成分分析(PCA)来比较cluster1和cluster2的转录谱。结果表明,两个cluster之间存在显著差异(图6D)。 接着利用KEGG (图6E)和GO(图6F)对cluster1中不同表达的基因进行通路分析和功能注释。
最后我们总结一下本文献的分析套路:首先根据TCGA-KIRC,分析m6A的表达情况,然后筛选关键的独立预后因子。然后建立risk signature,将ccRCC患者分为高危组和低危组。接着根据关键的独立预后因子的表达,通过一致性聚类方法。验证聚类后的结果与临床病理特征的关系。也对risk score与临床病理特征关系相关性验证。最后作GO、KEGG分析,验证与ccRCC癌症相关通路、关键的生物学过程和特征相关。 |
|