 导语 今天给同学们分享一篇MVI相关基因预后模型的构建和验证的生信文章“Identification and Validation of a Prognostic Model Based on Three MVI-Related Genes in Hepatocellular Carcinoma”，这篇文章于2022年1月1日发表在Int J Biol Sci期刊上，影响因子为10.75。在研究中，作者探索了新的MVI(微血管侵犯)相关生物标志物，并建立了预测肝细胞癌（HCC）预后的风险评分模型，旨在为HCC患者提供合适的治疗方法。 1. MVI阳性和MVI阴性HCC组织中的差异表达基因 TCGA数据库共识别出93个具有MVI数据的癌组织样本、206个没有MVI数据的癌组织样本和30个正常组织样本，均与临床数据相匹配。MVI阳性癌组织和MVI阴性癌组织分别与非癌组织样本进行比较，以获得它们的差异表达基因。差异生信分析结果表明，HCC样本可以与正常组织明显区分开来（图1A，图1B）。火山图显示MVI中有66个下调的DEG和771个上调的DEG-阳性癌组织（图1A），以及MVI阴性癌组织中35个下调的DEG和668个上调的DEG（图1B）。与非癌组织，作者将具有MVI的HCC组织中上调的DEG记录为“MVI(+)up”组，并将没有MVI的HCC组织中上调的MVIRGs记录为“MVI(-)up”组。'MVI(+)up'组和'MVI(-)up'组，作者获得了120个DEGs。使用相同的方法，与非癌组织相比，作者记录了以MVI作为HCC组织中下调的DEGs'MVI(+)down'组，并将没有MVI的HCC组织中下调的DEG记录为'MVI(-)down'组。在比较“MVI(+)down”组和“MVI(-)down”组时，作者获得了33个DEG。这153个个DEG被确定为差异表达的MVIRG，用于后续建模（图1C）。  图1 DEGs和功能生信分析 2. 差异表达MVIRGs的功能分析 为了进一步研究差异表达的MVIRGs的生物学功能，作者对153个MVIRGs进行了GO富集生信分析和KEGG生信分析。在生物学过程（BP）方面，MVIRGs主要参与血管内皮的生长和微管的聚集（图1D）。从作用途径来看，这些基因主要参与代谢相关途径、肿瘤转录障碍和DNA复制途径（图1E）。 3. 预后模型的构建和识别 单因素Cox回归生信分析用于确定与患者临床结果相关的MVIRG。共筛选出与HCC患者OS显着相关的10个MVIRG（图2A）。基于与预后相关的10个基因，进行LOSSO回归和逐步Cox回归生信分析构建基于MVI的预后模型，最后选择三个关键的MVIRG（DBF4、ARG2和SLC16A3）构建模型（图2B）。  图2 逐步识别模型的关键MVIRGs和TCGA队列中的预后生信分析 结果显示了TCGA数据库中每位HCC患者的风险评分（图2C），基于风险评分的患者存活率（图2D），以及三个MVIRG的热图在高风险组和低风险组（图2E）。这些表明，随着风险评分的增加，三个关键MVIRGs的表达增加，生存时间减少，死亡率增加。Kaplan-Meier曲线显示，高危组（n=136）的存活率明显低于低危组（n=137）（图2F）。此外，ROC曲线显示AUC值分别为0.740（1年）、0.664（2年）和0.693（3年），说明该模型在预测HCC患者生存率方面表现良好（图2G）。 为了进一步验证该模型，作者分析了三种MVIRGs的表达与HCC患者临床参数之间的相关性。首先，作者分析了三种MVIRGs各自表达水平与HCC患者生存率之间的相关性。Kaplan-Meier曲线显示，DBF4和SLC16A3基因的高表达与HCC患者的低OS显着相关（图3A），而ARG2的高表达可能预示着预后不良在HCC患者中，但这没有统计学意义（图3C）。其次，作者分析了三种MVIRGs各自表达水平与临床数据之间的相关性。Wilcox检验结果显示，DBF4高表达、SLC16A3高表达与HCC的肿瘤分级存在显着相关性(图3D、3F)。同样，作者分析了模型计算的风险评分与临床数据之间的相关性。分析表明，高危评分与癌症分级、分期、T分期显着相关（图4A）。同时，作者对高危组和低危组的临床资料进行亚组生信分析，验证该预后模型对不同临床特征患者的预测能力，结果表明预后存在显着差异。根据不同年龄组（图4B），不同性别组（图4C），不同年级组（图4D），不同阶段组（图4E），这意味着预后模型具有良好的预测和判别能力。  图3三种MVIRGs各自表达水平与肝癌患者OS及临床资料的相关性  图4风险评分与临床资料的相关性，以及临床资料的亚组生信分析、多因素Cox回归生信分析及OS的ROC曲线 此外，作者确定了HCC患者的风险评分或常规临床参数是否是OS的独立危险因素。多元Cox回归生信分析结果显示，风险评分和分期是OS的独立危险因素（图4F）。作者使用ROC曲线将风险评分的预测值与其他临床参数进行比较。结果表明，分期在常规临床参数中具有最高的预测价值。然而，风险评分的预测值优于阶段的预测值（图（图4G）。 4. 使用附加数据队列(ICGC)确认预后模型 为了进一步确认预后模型的预测价值，作者采用相同的方法将HCC患者分为ICGC队列中的低风险或高风险组。结果显示ICGC数据库中每位HCC患者的风险评分（图5A），基于风险评分的患者存活率（图5B），以及三个MVIRG的热图在高风险组和低风险组（图5C）。Kaplan-Meier生信分析显示两组之间存在显着差异（图5D），与TCGA队列中观察到的趋势一致。此外，ICGC数据的多因素Cox回归生信分析还显示，风险评分和分期是HCC患者OS的独立危险因素（图5E）。ROC曲线显示AUC值分别为0.655（1年）、0.581（2年）、0.643（3年），验证了预测模型具有良好的预测价值（图5F）。  图5 在ICGC队列中进一步验证模型 5. 临床组织样本的验证 对34对HCC组织和成对的相邻组织的组织切片的免疫组化结果显示，与相邻组织相比，与3个MVIRGs（DBF4、ARG2和SLC16A3）相对应的特征蛋白在癌组织中染色更强烈，阳性区域更多（图6A）。  图6 三个MVIRGs在组织样本中的表达 156对样本的qRT-PCR结果显示，HCC样本中三种MVIRGs（DBF4、ARG2和SLC16A3）的表达水平高于配对的相邻组织（图6D）。同时对随访数据进行分析，发现高表达水平的RFS和OS率低于低表达水平的RFS和OS率。（图6E）。此外，作者发现这三种MVIRGs在MVI阳性（MVI组）HCC样本中的表达水平高于MVI阴性（非MVI组）HCC样本（图6F）。为了验证样本qRT-PCR数据中模型的正确性，作者计算了这些患者的风险评分，并以风险评分的中位数作为临界值，将他们分为高危组或低危组。结果显示，高危组的RFS和OS率更差（图6G）。作者进一步对结果进行了森林图生信分析，发现这三个MVIRGs的高表达和较高的风险评分更容易导致MVI的发生。其中风险评分影响最大（图6H）。 6. 列线图模型的构建与识别 为了进一步对个体预后做出具体预测，作者将常规临床参数引入模型，构建列线图模型，c-index为0.697（图7A）。此外，校准曲线验证了该模型具有良好的预测值（图（图7B）。  图7 列线图模型的构建与识别 总结 综上所述，作者构建并验证了基于MVI相关基因的HCC患者预后模型，该模型产生的风险评分可以作为独立的预后指标，可以区分不同生存结局的患者，具有很好的可靠性和准确性。对MVI相关基因和预后模型的生信思路感兴趣的老师，欢迎扫码咨询。 生信分析定制服务 请扫描下方二维码 |
|
|
