一.研究背景评估结肠癌患者复发的风险很大程度上取决于肿瘤淋巴结转移(TNM)分期。然而,由于肿瘤的异质性,对于具有相同TNM分期的患者,一贯的治疗策略可能会导致差异的临床结果。研究者一直在寻找敏感的生物标志物来鉴定具有高复发风险的患者。 二.分析流程三.结果解读1.准备GEO数据集本研究共纳入919例患者,作者将557例来自GSE39582组的患者以1:1的比例随机分为训练集和内部验证集。将GSE37892,GSE17538和GSE33113集合并为验证集,来验证风险评分签名的预后价值。 2.从训练集中发展表观遗传学特征将来自GSE39582组的患者按1:1随机分为训练集和内部验证集后,作者对调控表观遗传相关基因的表达进行单变量Cox回归分析,并鉴定出70个基因。
3.11个mRNA signature在训练集中的预后价值根据risk score中位数作为临界值,将训练集中的患者分为高风险组和低风险组。 图2a:与低风险组患者相比,高风险组患者的中位RFS显著缩短。 图3a:接着在训练集中进行了ROC分析来评估11个基因signature的预后准确性。 4.在内部、外部验证集和全队列中验证11基因签名的预后预测价值图2b:在内部验证集中,与低风险组相比,高风险组患者的RFS同样较差。 图2c-d:在外部验证集和全队列中也得到了类似的结果。 接着,同样分别进行ROC分析来验证预后准确性(图 3b-d)。 5.11个基因signature的独立预后价值表1:多变量Cox分析表明,11个基因signature也是独立预后因素。 图4:K-M分析显示,在患有II期或III期疾病的患者以及接受或不接受化疗的患者中,高风险组的患者RFS同样较差。
6.开发用于预测结肠癌RFS的列线图为了预测结肠癌患者的RFS,开发了整合表观遗传调控基因特征,病理分期和辅助化疗的列线图(图 5a-b)。 图5c:1年期的时间依赖性ROC显示,整合后具有更好的预后预测准确性(AUC=0.751)。 小结 在本研究中,作者基于GEO数据库,利用LASSO回归,建立表观遗传调控相关基因signature,然后在训练集、验证集中,利用KM分析、ROC分析测试和验证预后的价值和准确性。最后也建立一个较为准确的复发风险预测模型,以便将来对患者根据复发风险进行区分。 |
|