经典预后模型套路发文量不断上升，这篇4分 文章有哪些巧思？

题目：Prognostic Implications of Novel Ten-Gene Signature in Uveal Melanoma

葡萄膜黑色素瘤10基因特征的预后价值

摘要

背景：葡萄膜黑色素瘤（UM）是成人中最常见的原发性眼内癌。基因组学研究提供了有关UM的分子亚型和致癌驱动基因的信息，这些信息会提供新的治疗策略。

方法：TCGA数据库下载训练集TCGA-UVM，GEO数据集下载验证集GSE22138。使用Kaplan-Meier分析和单变量Cox回归模型初步筛选预后基因，使用LASSO构建多基因特征。随后使用Kaplan-Meier，Cox和ROC分析对验证集进行验证。通过Spearman检验评估拷贝数变异和风险打分的相关性。GSEA和免疫浸润分析这些基因的功能注释和在肿瘤微环境中的作用。

结果：构建10基因特征并通过Kaplan-Meier分析揭示总生存期，无进展生存期和五转以生存的差异。通过Cox回归分析证明10基因特征是独立的危险因素。此外，ROC分析表明，作者构建的10基因特征预测预后的效果更好。10基因特征与3号染色体，8q,6q和6p显著相关。此外，GSEA和免疫浸润分析表明，这10个基因与免疫相关通路和肿瘤环境显著相关。

结论：10基因特征可以准确鉴定患者预后并与免疫优势肿瘤环境密切相关，这可能为UM患者提供个性化的预后预测和新的治疗方法。

流程图

结果

1. 数据的获取和整理

从TCGA Xena Hub数据库获取包含80个UM患者的表达谱数据命名为TCGA-UVM。从GEO数据库获取包含63个UM患者的表达谱数据GSE22138。TCGA-UVM作为训练集，GSE22138作为验证集。

2. 临床特征

训练集TCGA-UVM和验证集GSE22138的临床特征见表1。

表1 本研究涉及患者的临床特征

3. 训练集构建的预后特征

使用Kaplan-Meier分析训练集基于总生存期、疾病特异性生存期和无进展生存期筛选预后基因，设置阈值P＜0.0001为显著基因，筛选得到423个基因。进行单因素Cox回归分析筛选潜在预后基因，设置阈值P＜0.0001位显著基因，得到283个基因。将两个基因集取交集得到110个基因作为下一步分析的潜在预后基因。进行LASSO Cox回归分析并计算回归系数，基因的回归系数见图1A。该模型包含10个基因时，其性能最佳（图1B）。基因的回归系数和在基因组上的位置见表2。

图1 LASSO回归分析构建预后基因特征

表2 预后基因特征的基因

3. 训练集和验证集10基因特征的预后价值

根据基因表达水平和基因的风险系数计算患者的风险打分。根据风险打分中位数将患者分为高风险组和低风险组。使用Kaplan-Meier分析评价两组的生存差异，Cox回归分析和ROC分析评估10基因特征的预后价值。训练集患者的风险打分，总生存期和10基因的表达水平见图2A。高风险组死亡人数更多，生存时间较短，热图显示SIRT3,HMCES,SLC44A3,TCTN1,STPG1,POMGNT2和RNF208在高危组表达水平较低，而ANXA2P2,ULBP1和CA12在高危组表达水平较高。此外，作者分析10基因特征预后无进展生存期的性能。如图2B所示，高风险组发生更多事件并且生存期较短。该组的生存模式与预测结果一致。此外，使用验证集检测10基因特征对无转移生存期的预测能力，结果表明高风险组发生转移事件更多，生存期更短（图2C）。

图2 10基因特征

Kaplan-Meier生存分析表明高风险组患者的总生存期较差（图3A），无进展生存期不良（图3B）。验证集分析结果与训练集结果一致（图3C）。

图3 基于10基因特征的Kaplan-Meier生存分析

单因素和多因素Cox回归分析表明10基因特征与总生存期和无进展生存期显著相关（图4A和4B）。对验证集进行单因素和多因素Cox回归分析表明10基因特征与无转移生存期显著相关（图4C）。这些结果表明10基因特征是独立变量。

图4 单因素和多因素Cox分析结果森林图

随后，作者使用ROC分析评估10基因特征预测预后的性能。10基因特征预测总生存期ROC曲线下面积（AUC）最大，AUC为0.916（图5A）。10基因特征预测无进展生存期的ROC曲线下面积（AUC）为0.739（图5B）。验证集结果与其一直（图5C）。

图5 ROC分析

使用相关性分析评估10基因特征和拷贝数变异的关系。结果表明，10基因特征与3号染色体8q,6q和6p的拷贝数显著相关（图6）。

图6 10基因特征与拷贝数变异的相关性

4. 10基因特征的GSEA分析

由于10基因特征的风险打分和UM患者的预后呈负相关。分别对高风险组和低风险组进行GSEA分析。高风险组中的基因在免疫反应，炎症反应，糖酵解和IL-6/JAK相关等通路显著富集（图7）。

图7 GSEA分析

5. 风险打分与肿瘤浸润免疫细胞（TICs）比例的相关性

为进一步评估风险打分和免疫微环境的相关性，作者使用CIBERSORT分析肿瘤浸润免疫亚群的比例（图8）。结合相关性分析（图9A）和差异分析结果（图9B），共有三个TIC与10基因特征风险打分有关（图9C）。其中活化CD4记忆T细胞与风险打分呈正相关，单核细胞和肥大细胞与风险打分呈负相关。

图8 相关性分析

图9 TICs比例与10基因特征风险打分的相关性

结论

作者的研究构建了UM的10基因特征，是对TCGA和GEO数据库的全面分析。10基因特征与UM预后有关，可以准确预测患者的预后风险。作者通过验证集对10基因特征进行验证。此外，富集分析和免疫浸润分析表明，10基因与免疫优势肿瘤环境密切相关，这可能会促进UM治疗方法的开发。本文的亮点在于作者使用TCGA数据集构建10基因特征可以准确预测UM患者的预后并通过验证集进行验证。但是本文也存在一定局限，例如本文选择的数据集TCGA-UVM和GSE22138数据集中样本分布可能与临床人群不一致，存在一定的偏好性。需要更多的实验数据解释构建的10基因特征与UM患者的关系。