文献解读(4)识别与m6A相关的mRNA Signature 来预测胰腺癌患者的预后情况

发表期刊:Mol Ther Oncolytics 发表日期:2020 Apr 29 影响因子:5.71 DOI: 10.1016/j.omto.2020.04.011


点击"生信学霸"添加关注,我们一起进步


The m6A-Related mRNA Signature Predicts the Prognosis of Pancreatic Cancer Patients.

识别与m6A相关的mRNA Signature 来预测胰腺癌患者的预后情况

发表期刊:Mol Ther Oncolytics

发表日期:2020 Apr 29

影响因子:5.71

DOI: 10.1016/j.omto.2020.04.011



01
研究背景


6-甲基腺嘌呤(N6-methyladenosinem6A)具有重要的转录修饰作用,可以控制癌症的自我更新和细胞代谢途径。m6A是由一个甲基转移酶复合物编码的,它包含三个同源基因,即WritersErasersReadersmRNA修饰在基因表达过程中对转录后的调控至关重要,m6A可以修饰调节mRNA代谢的不同阶段,包括折叠,翻译,编译等过程,因此可以调节许多生物过程。大量研究表明,m6A能够控制癌症自我更新和细胞代谢过程,是哺乳动物mRNA中存在的最多的转录后修饰之一,m6A修饰与肿瘤发生、发展有关,容易引起乳腺癌,肺癌,成胶质细胞瘤等各种癌症。

胰腺癌(PAAD)是很强的致死性癌症,尽管最近已经取得了很大的进展,但是患者5年生存率仍然很低。尽管通过手术治疗能够很好的改善患者的生存,但是由于胰腺癌早期的症状不明显,使大多数PAAD患者错过了肿瘤切除的机会。此外,通常以TNM分期系统为指导的辅助治疗(如化疗和放疗),也不能有效改善患者预后。因此,作者通过公共数据库如TCGA和ICGC中患者的临床数据和基因表达数据,根据m6A调节因子对不同癌症亚型和临床分期患者的调控能力不同,使用LASSO-cox回归建立了一个gene signature,能预测和改善PAAD患者的预后情况。


02
材料和方法

1. 数据来源

训练集:TCGA数据库PAAD转录组数据和体细胞突变数据以及相应的临床表型信息

验证集:ICGC数据库来自澳大利亚PAAD转录组数据(对数据进行normalized和log2转化),来自cBioPortal体细胞突变数据以及相应的临床表型信息

2. 筛选m6A相关的差异基因

将TCGA训练集分为两组,m6A突变组和无突变组,使用R包limma在两组之间筛选差异基因(DEGs),阈值p<0.05,FC>2,使用R包pheatmap绘制热图。

3. DEGs富集分析和计算免疫细胞评分

使用在线网站Metascape计算GO富集分析与KEGG富集分析,使用CIBERSORT算法计算PAAD每个样本中免疫细胞评分,并且使用R包vioplot可视化相应的结果。

4. 构建预后模型

使用单变量COX回归分析从DEGs中筛选与预后显著(p<0.01)的基因,并通过lasso-cox回归建立基因预后模型。使用R包survival绘制K-M曲线,并通过 log-rank检验计算不同组之间的生存差异,绘制K-M曲线。使用R包time ROC计算模型的ROC,最后通过单变量和多变量Cox回归模型检验风险评分的独立预后能力。


03
主要结果



1. m6A导致TCGA-PAAD患者体内基因突变

作者首先统计了TCGA-PAAD患者体细胞突变数据中三类(即Writers,Erasers和Readers)m6A的突变类型患者的比例,其中Writer中基因VIRMA突变频率最高, 其次是基因HAKAI(4%)、基因THDF3 (3.4%)、基因IGF2BP1(3.4%)和ALKBH5(2.7%)(图1A;表1)。

表1 统计PAAD患者中m6A调控因子不同突变模型(n=149)

 attachments-2020-06-AMc76prX5ee9b40c88ddc.png



由m6A引起的CNVs中,主要以插入和缺失的方式改变基因结构,剩余的75.17%的PAAD患者没有受到m6A调节因子的影响而改变基因结结构(图1C)。最后,作者在TCGA训练集中根据m6A是否发生突变,将患者分为两组即突变组和无突变组,并且对两组患者进行OS生存分析和DFS无病生存率分析,结果显示两组患者之间的OS生存结果存在显著差异(p<0.05),DFS无病生存率没有差异(图1D-E)。


2. 分析m6A导致基因突变与无突变患者两组中临床变量的差异

作者将PAAD患者分为基因突变型患者和无突变型患者,使用训练集携带的临床信息,分析两组患者中临床病理之间的关系,结果表明在年龄,性别,病理分期,组织学分级或TNM分期两组患者之间没有差异(表2)

表2 基因突变与无突变患者两组中临床变量统计表

attachments-2020-06-nzuRHjri5ee9b42904391.png

 

3. DEGs差异分析与免疫评分分析

使用limma包在训练集基因突变组和无突变组两组之间共找到196个DEGs(图2A),进一步对这些基因进行GO与KEGG功能富集,结果显示这些基因参与了胰腺的分泌,运输等功能(图2B-D)。最后,作者还分析了不同状态下的患者的免疫评分(2E),结果表明在uncommitted macrophages(M0)、 alternatively activated macrophages (M2)和cluster of differentiation (CD)4+ memory resting T cells 在无突变组中免疫评分要显著高于突变组,而其他免疫细胞评分在两组中无差异。


4. 在训练集中构建预后gene signature

将TCGA所有的样本根据是否由m6A引起的基因突变,分为突变组和无突变组,两组在年龄,性别,病理分期,组织学分级或TNM分期等临床信息上无显着差异(表2)。作者首先在训练集中使用单因素cox比例回归分析,结果有21个DEGs与预后显著相关。然后使用LASSO回归通过对lambda(λ)值进行log2变换(图3A)和10倍交叉验证(图3B)选择最佳的阈值,得到16个风险基因对PAAD患者的生存情况进行预测,这些基因中有6个基因表现为上调,10个基因表现为下调。最后,使用LASSO-Cox回归模型,构建了一个16个gene signature来对每个PAAD患者进行风险评分,这16个基因的风险评分公式如下:Risk score=(−0.07744×CDHR3)+(−0.09939×CELSR3)+(0.29421×EGF)+(0.29019×FGF10)

+(−0.60946×GAD1)+(0.08812×MT1H)+(0.09277×NMUR2)+(−0.48445×PAH)+(0.05361×PGC)+(−0.23567×PGM5)+(−0.33405×POPDC2)+(0.06505×PPFIA3)+(0.05930×SERPINA4)+(−0.37688×TMEM145)+(0.20989×TNNT1)+(0.38926×ZPLD1)。


5. 基因风险评分与PAAD患者生存率之间关系

接下来,作者使用训练集携带的临床变量和Gene signature做OS和DFS做单因素和多因素cox回归,结果如表3所示;

attachments-2020-06-9AeW0A9t5ee9b43ec49ce.png

 

进一步在训练集中进行1年、2年、3年的ROC曲线分析以评估预后gene signature对PAAD患者的预后预测的准确性,结果显示1年、2年和3年的AUC分别为0.752、0.586和0.628(图3C)。最后,使用基因风险模型得分的中值将PAAD患者分为低风险组和高风险组。PAAD高风险组的OS较差(p <0.001;图3D)。在验证集(ICGC队列)中,作者得出与训练集相似的结论,1年、2年和3年ROC分析的AUC分别为0.535、0.636和0.602(图3E),高风险组的预后较差(p = 0.043)(图3F)


6. 分析风险模型中单个基因对患者生存情况的影响

作者讲下来分析风险模型中每个gene对患者生存情况的影响,结果如下所示:PAH (HR = 0.66; log-rank p = 0.048), ZPLD1 (HR = 1.8; log-rank p = 0.008), PPFIA3 (HR = 0.58; log-rank p = 0.0095), and TNNT1 (HR = 1.7; log-rank p = 0.0084) 这些基因可作为PAAD患者独立的预后因子(图1A-D)。最后作者还分析了基因ZPLD1和PPFIA3不同,PAH和TNNT1在TCGA数据库PAAD患者正常胰腺组织和肿瘤组织之间表达的差异(图4E-F)


04
结果图


 

图1 PAAD患者中m6A导致不同突变模型以及不同突变模型对OS与DFS的影响

 

attachments-2020-06-BDqjnXAs5ee9b44c3db8b.png


图2 m6A导致基因突变组和无突变组之间差异分析

 attachments-2020-06-f1QtFWiK5ee9b5824246c.png



图3 基于DEGs构建风险模型

 

attachments-2020-06-9WyX7x2n5ee9b4eb720cb.png


图4 gene signature对患者预后的分析

attachments-2020-06-fROK0U2n5ee9b4fb7c654.png


05
结论


作者构建并验证了在不同m 6 A调调控状态的组之间DEG的mRNA signature,可以预测PAAD患者的预后状态。其次,模型风险基因可以参与PAAD的发育,因此可以作为潜在的治疗靶标。第三,我们没有对正常组和癌症组进行比较,而是使用常规的病理分期系统对亚组患者进行了分类,而是开发了一种新的方法来通过PAAD患者的m6A调节剂改变状态对其进行分类,从而提供了一种新的方法来识别不同亚型患者之间的异质性。


attachments-2020-06-TiwxrN9o5ee9b38b73e64.png


  • 发表于 2020-06-17 14:20
  • 阅读 ( 5663 )
  • 分类:文献解读

0 条评论

请先 登录 后评论
不写代码的码农
柚子

91 篇文章

作家榜 »

  1. 祝让飞 118 文章
  2. 柚子 91 文章
  3. 刘永鑫 64 文章
  4. admin 57 文章
  5. 生信分析流 55 文章
  6. SXR 44 文章
  7. 张海伦 31 文章
  8. 爽儿 25 文章