掃碼聯系客服
今天跟大家分享的是發表在Briefings in Bioinformatics（IF: 11.6215）上的一篇文章，主要是基于鐵死亡相關lncRNA對構建胰腺導管腺癌的預后分類模型，思路清晰，流程簡單。基因對的預后標志物見多了，那就換換思路，看看lncRNA對的模型又是如何構建的吧。
Ferroptosis-related lncRNA pairs to predict the clinical outcome and molecular characteristics of pancreatic ductal adenocarcinoma
基于lncRNA對預測胰腺導管腺癌的預后結局和分子特征
鐵死亡（ferroptosis）是近年發現的一種新型細胞死亡方式，其特征是脂質過氧化物和活性氧(ROS)的過量蓄積。由于該過程依賴鐵，所以被稱為鐵死亡。鐵死亡不僅與眾多疾病的發生發展有關，其相關信號通路上的關鍵蛋白也可成為藥物的作用靶點。因此，鐵死亡可能與包括胰腺導管腺癌（PDAC）在內多種癌癥的化學療法和免疫療法治療效果相關。多個研究注意到lncRNA可以通過與DNA、RNA和蛋白質結合來調節癌細胞的生物學行為。然而，很少有研究報道lncRNA在鐵死亡過程中的作用以及與鐵死亡相關的lncRNA功能。本研究的主要目的是通過生物信息學方法識別與鐵死亡相關的lncRNA，并基于鐵死亡相關lncRNA間的大小秩序關系構建PDAC患者的預后模型，并從免疫浸潤特征，藥物敏感性等多方面驗證該模型的分類可靠性（圖1）。
圖1.流程圖
1.數據
（1）TCGA中的PDAC患者基因表達，lncRNA表達，突變和預后數據。
（2）來自于復旦大學上海癌癥中心（FUSCC）自測的測序數據。
（3）來自ArrayExpress中胰腺癌患者（E-MTAB-6134）的測序數據。
（4）來自于FerrDb (http://www.zhounan.org/ferrdb)的鐵死亡相關基因（FRGs）。
2.基于生物信息學和實驗驗證方法識別鐵死亡相關lncRNA（FRLs）
基于Pearson相關分析識別TCGA-PDAC中265個FRGs與14 806個 lncRNA間的相關關系，僅保留r > 0.5并且P < 0.0001的lncRNA，作為鐵死亡相關lncRNAs(FRLs)。在786個FRLs中。有132個FRLs在癌組織和正常組織中發生差異表達。部分lncRNA與三種核心鐵死亡相關調控因子ACSL4、SLC7A11和GPX4的表達高度相關（圖2A）。在FUSCC隊列或E-MTAB-6134隊列的胰腺癌樣本中，研究者同樣可以觀察到SLCO4A1-AS1在腫瘤組織中表達顯著上調，并與SLC7A11表達呈正相關(圖2B-D)。在六種常見胰腺癌細胞系中檢測SLCO4A1-AS1的表達，結果發現SLCO4A1-AS在panc-1細胞中表達最高(圖2E)。在panc-1細胞中敲除SLCO4A1-AS1的表達，其降低對癌細胞的增殖沒有明顯影響(圖2F-G)。考慮到SLCO4A1-AS1的表達與SLC7A11的表達呈正相關，研究者進一步評估SLCO4A1-AS1表達降低是否會對鐵死亡的敏感性造成影響。結果顯示，lncRNA SLCO4A1-AS1基因敲低顯著上調胰腺癌細胞對erastin-和RSL-3誘導的鐵死亡的敏感性，表明lncRNA SLCO4A1-AS1可能是介導鐵死亡抵抗的新分子(圖2H-I)。lncRNA SLCO4A1-AS1的降低顯著上調丙二醛(MDA)濃度(圖2J-K)。此外，當敲除SLCO4A1-AS1時，SLC7A11的表達顯著降低(圖2L)。
圖2. 基于生物信息學和實驗驗證方法識別鐵死亡相關lncRNA
3. 構建預測PDAC患者OS的FRL對模型(FRLM)
基于132個FRL表達的大小秩序關系，構建由鐵死亡相關lncRNA組成的0或1矩陣。當lncRNA A >lncRNA B表達時，則定義為1，反之則定義為0。基于單因素Cox回歸篩選與生存時間相關的lncRNA對，并基于Lasso回歸計算FRLM中每個lncRNA對的系數，最終識別出14對lncRNA組成的預后模型。根據FRLM風險評分，繪制ROC曲線，評估患者OS的預測準確性。最優閾值定義為可以反映最大AUC值的風險評分(圖3A-B)。根據FRLM風險的最優閾值將患者分為兩組(圖3C)，在高危組中觀察到更多的死亡事件，提示PDAC患者FRLM風險的增加與預后不良相關(圖3D)。Kaplan Meier曲線顯示， FRLM風險較高的患者的OS較短(圖3 E)。年齡、性別等在FRLM危險組之間沒有差異，但在高危患者中發現更多的肝轉移(圖3F-G)。傳統臨床參數的預測能力明顯弱于FRLM風險評分(圖3H)。多因素Cox回歸也顯示，FRLM風險評分是預測PDAC患者OS的獨立因素(圖3I)。FUSCC數據中的結果也表明，FRLM能夠準確區分不同預后的PDAC患者 (圖3J)。FRLM在FUSCC中1年和2年的AUC分別為0.82和0.64(圖3K)。
圖3. 構建預測PDAC患者OS的FRL對模型(FRLM)
4. 差異表達基因揭示PDAC中FRLM風險與代謝重編程相關
在FRLM高風險組和低風險組之間共識別出726個差異表達基因(圖4A)。GO富集分析顯示，大部分基因在糖酵解過程、NADH生成等代謝重編程過程中富集。KEGG分析也表明這些基因主要參與代謝相關途徑，如糖酵解/糖異生和n -糖生物合成(圖4B)。研究者進一步檢測PDAC樣本中與FRLM風險相關的代謝重編程過程，共識別出12條差異激活的代謝通路，其中5條通路在FRLM低風險組上調，7條通路在FRLM高風險組上調，如嘧啶代謝(圖4C)。研究者進一步檢測FRLM高危組中差異激活的代謝通路之間的相關性，結果表明該亞型中氨基酸代謝、糖代謝等代謝通路活性高度相關，顯示重組代謝網絡中的相互作用(圖4D)。
圖4. 差異表達基因揭示PDAC中FRLM風險與代謝重編程相關
5. FRLM風險與免疫浸潤
研究者進一步研究FRLM高危組和低危組之間的分子特征差異。研究者首先對FRLM分型與其他PDAC亞型分類方法進行比較比較，結果表明，PDAC各亞型的百分率與基于FRLM的聚類結果一致(圖5A -C)，表明FRLM可以產生獨立的分類。研究者進一步對FRLM風險與免疫細胞浸潤之間的相關性進行分析(圖5D)，發現FRLM風險與基質和微環境分數負相關，表明FRLM風險增加與腫瘤內浸潤基質細胞減少相關(圖5E-F)。FRLM風險與CD8 + T細胞,自然殺傷(NK)細胞和活化的樹突狀細胞等多個抗腫瘤浸潤細胞負相關(圖5D)。此外，研究者還發現一種經典的免疫檢查點基因CTLA4，在FRLM低風險組中上調(圖5G)。CD8+ T細胞浸潤數量隨著FRLM風險評分的增加而減少，提示FRLM低風險樣本中CD8+ T細胞相對富集，但抑制受體(如CTLA4)的過表達抑制CD8+ T細胞的細胞毒性功能。CTLA4抑制劑如ipilimumab和tremelimumab可能是這些患者的有效治療方式。此外，骨髓源性抑制細胞浸潤增多與FRLM風險評分呈正相關 (圖5H)。
圖5. FRLM風險與免疫浸潤
6. FRLM風險與鐵死亡相關調節因子的表達和突變特征分析
在FRLM高危組中，共有12個抗鐵死亡調控因子上調，在FRLM低危組中有3個鐵死亡促進子上調(圖6A)。進一步基于GSVA富集分析，通過整合128個抑制鐵死亡的FRG，計算抗鐵死亡指數(FRI)，將樣本分為高FRI組和低FRI組(圖6B)。FRLM風險在FRI高組顯著增加(圖6C)，表明FRLM風險評分高的患者對鐵死亡的固有抵抗可能是導致PDAC預后不良的原因之一。此外，較低的FRI與較長的OS有關。
比較FRLM高危組和低危組的突變情況。結果顯示，FRLM風險較高的樣本中傾向發生更多的突變事件，包括KRAS突變等 (圖6D)；在FRLM風險較低的組中，基因的突變頻率顯著降低(圖6D)。PDAC的四個驅動基因的突變頻率在兩組之間存在差別。在FRLM風險評分較低的樣本中，TP53而非KRAS是突變最多的基因，可能有助于解釋這些PDAC患者預后更好。
圖6. FRLM風險的分子特征
7. FRLM風險與抗癌藥物敏感性
不同的胰腺癌亞型適用于不同的臨床決策。因此，研究者比較高危組和低危組對30種常見抗癌藥物的敏感性，以確定潛在的胰腺癌治療模式。研究者首先基于pRRophetic包預測TCGA數據中PDAC患者常見抗癌藥物治療后的IC50值。結果表明，FDA批準的兩種抗腫瘤藥物伊馬替尼和阿西替尼的IC50在FRLM風險較高的患者中更高，表明FRLM風險的降低伴隨著對伊馬替尼和阿西替尼敏感性的增加(圖7)。因此，低風險患者可能受益于以上兩種藥物的治療。
圖7. FRLM風險與抗癌藥物敏感性
今天的內容就是這些，綜合鐵死亡，代謝重編程，免疫浸潤三大熱點研究方向，完美實現1+1+1>3的最終目標。但是小編在看文章時候還是發現了一點小問題哦，一是校對不夠認真，在P6把Figure 3K和Figure 3J錯寫成Figure 2K和Figure 2J。其次是沒有引用數據E-MTAB-6134的原文。大家在寫作時候一定要注意這些小細節，雖說瑕不能掩瑜，但能十全十美肯定是再好不過啦！
