基于铜死亡相关长链非编码RNA构建膀胱癌患者预后风险评估模型

目的:基于铜死亡相关长链非编码RNA(lncRNA)构建膀胱癌患者预后风险评估模型。方法:下载癌症基因组图谱数据库中的膀胱癌患者RNA序列数据和临床数据，采用Pearson相关性分析、单因素Cox回归、Lasso回归和多因素Cox回归分析筛选与铜死亡及膀胱癌患者预后相关的lncRNA，并构建铜死亡相关的lncRNA膀胱癌患者预后风险评分方程。根据风险评分方程计算的中位数将患者分为高风险组和低风险组，比较两组免疫细胞丰度差异。应用Kaplan-Meier生存曲线评估风险评分方程的准确性；应用受试者操作特征曲线(ROC曲线)评估风险评分方程预测患者1、3、5年存活率的价值；采用单因素和多因素Cox回归筛选与膀胱癌患者预后相关的影响因素，构建膀胱癌患者预后风险评估列线图，并通过校准曲线评估列线图预测的准确性。结果:膀胱癌患者预后风险评分方程由9个铜死亡相关的lncRNA构建。免疫浸润分析结果显示，高风险组M0巨噬细胞、M1巨噬细胞、M2巨噬细胞、静息肥大细胞及中性粒细胞丰度明显高于低风险组，而低风险组CD8⁺T细胞、辅助性T细胞、调节性T细胞及浆细胞丰度明显高于高风险组...     

基于数据库构建乳腺癌焦亡相关基因的预后风险模型

目的 探究焦亡相关差异表达基因(DEGs)在乳腺癌中预后价值并构建预后风险模型。 方法 从癌症基因组图谱(TCGA)和肿瘤基因表达数据库(GEO)官网下载乳腺癌的基因测序、临床数据,筛选焦亡相关DEGs。将乳腺癌患者进行聚类分析。在TCGA队列中以最小绝对收缩和选择算子(LASSO)方法建立模型。利用Kaplan-Meier生存曲线、受试者工作特征曲线(ROC)、单因素及多因素Cox回归独立预后因素分析等评价该模型。GEO队列为验证集。通过GO、KEGG、ssGSEA分析风险DEGs的富集情况。 结果 筛选出焦亡相关DEGs,聚类分析可见C2组总生存期(OS)延长,差异有统计学意义(P=0.020)。该模型K-M生存分析显示,高风险组OS缩短(TCGA队列中P<0.001,GEO队列中P=0.018)。ROC曲线下面积(AUC)表明该模型具有一定预测能力。单因素、多因素Cox回归分析表明,年龄、M、N分期和风险评分为OS的独立预测因子。GO、 KEGG富集与ssGSEA分析证实了风险相关DEGs与免疫炎症因子和通路有关。 结论 本研究构建了由9个焦亡相关基因组成的乳腺癌预后风险模型,为乳腺癌患者的风险预后评估提供了参考。     

基于长链非编码RNA的生物信息学分析构建膀胱癌预后模型并确定预后生物标志物

目的:构建基于长链非编码RNA(long non-coding RNA,lncRNA)的膀胱癌预后模型,并寻找预后生物标志物。方法:从癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载膀胱癌转录组及临床数据,Perl软件和R软件用于数据处理和分析。首先筛选差异表达lncRNA,继而对筛选结果进行单因素Cox回归分析以初步筛选与预后相关的lncRNA,再进一步用Lasso回归分析筛选影响预后的关键lncRNA,并运用多因素Cox回归分析构建预后模型。根据风险评分的中位数将患者分为高风险组和低风险组,运用Kaplan-Meier(K-M)生存分析、受试者接受特征(receiver operating characteristic,ROC)曲线和C指数对模型进行评价。此外,运用多因素Cox回归分析计算预后模型中各lncRNA的危险比和95%置信区间,并对差异有统计学意义的lncRNA进行K-M生存分析以确定预后生物标志物。结果:单因素Cox回归分析显示,在691个差异表达的lncRNA中, 35个可能与预后相关,其中23个经Lasso回归分析确认为影响预后的关键lncRNA。此外,K-M生存分析结果显示低风险组的总生存时间较高风险组长[(2.85±2.72)年vs. (1.58±1.51)年, P<0.001], ROC曲线显示3年生存率和5年生存率的曲线下面积分别为0.813和0.778,C指数为0.73。多因素Cox回归表明,23个关键lncRNA中有11个lncRNA差异有统计学意义,进一步的K-M生存分析表明,其中有3个lncRNA可能具有独立的预后价值,包括lncRNA AL589765.1(P = 0.004), AC023824.1(P = 0.022)和PKN2-AS1(P = 0.016)。结论:通过生物信息学分析,成功构建了基于23个lncRNA表达水平的膀胱癌预后模型,预测准确性中等,并确定了一个保护性预后生物标志物AL589765.1,以及两个不利的预后生物标志物AC023824.1和PKN2-AS1。     

肝癌中m7G甲基化相关lnc RNAs预后模型和动态列线图的开发

目的 基于癌症基因组图谱（TCGA）数据库探究m7G甲基化相关的长非编码RNAs(lnc RNAs)在肝癌中的预后价值并开发动态列线图。方法 应用TCGA数据库来检索临床和转录组数据。采用单因素Cox回归分析和多因素Cox回归分析筛选预后相关的m7G甲基化相关lncRNAs,最后构建预后模型和动态列线图。结果 通过单因素和多因素Cox回归分析,得到4个m7G甲基化相关的lnc RNAs(AL031985.3、AL365203.2、AC009403.1和AC015908.3)。构建了预后模型并验证了该模型的有效性。在评估了免疫细胞浸润水平、免疫功能、免疫检查点后,发现高风险组和低风险组之间存在显著差异。最后开发了有效的在线版动态列线图。结论 基于m7G甲基化相关的lncRNAs的肝癌预后模型和动态列线图可以更准确预测肝癌患者的预后,并为临床的诊治提供了更大的方便性。     

基于TCGA数据库的胃腺癌铜死亡相关lncRNA预后模型构建

目的基于癌症基因组图谱（TCGA）数据库建立胃腺癌的铜死亡相关长链非编码RNA（lncRNA）预后模型。方法从TCGA数据库中获取胃腺癌的转录组数据和临床数据,检索相关文献获取铜死亡相关基因,应用Pearson相关分析确定胃腺癌铜死亡相关lncRNA。对目标lncRNA进行单因素Cox和套索算法回归分析,筛选出预后相关lncRNA,然后对其进行多因素Cox回归分析,根据预后模型公式计算风险评分,将患者分成高、低风险组进行生存差异分析。通过Kaplan-Meier曲线、主成分分析、ROC曲线、列线图评价预后模型的预测效能。对高、低风险组进行肿瘤微环境（TME）、肿瘤突变负荷（TMB）、微卫星状态、免疫逃逸和药物敏感性分析。结果10个lncRNA被纳入构建预后模型,通过预后模型对样本进行生存分析发现,高风险组患者生存状况较差。主成分分析、ROC曲线证实该预后模型具有更高的灵敏度和准确度。单因素和多因素Cox回归分析显示年龄、临床分期和风险评分是预后的独立因子,以上述独立预后因子构建的列线图具有良好的区分度和一致性。进一步研究发现高风险组患者表现出更高的免疫浸润、低TMB、高度微卫星不稳定,并且高TMB和低风险的患者具有更好的预后。低风险组患者对更多的药物敏感,并且从免疫治疗中获益更多。结论铜死亡相关ln-cRNA构建的预后模型可预测胃腺癌患者的预后,同时可反映患者TME及免疫治疗获益情况,从而为胃腺癌患者的药物选择提供参考依据。     

基于 TCGA 数据库确定低级别胶质瘤免疫 相关lncRNA并构建预后模型

目的 筛选低级别胶质瘤(LGG)预后相关的免疫lncRNA,构建免疫相关lncRNA 预后风险模型。方法 从 公共数据库 TCGA 下载 LGG转录组数据及相应的临床信息,用 R 语言以共表达法获取免疫相关lncRNA,单因素和多 因素 Cox回归分析筛选得到有预后价值的免疫相关lncRNA,并以其构建风险模型。根据风险值将患者划分为高风险 组和低风险组,采用 Kaplan-Meier法进行生存分析并绘制生存曲线图,使用 ROC曲线对风险模型的准确性进行评估。 同时采用单因素和多因素 Cox回归法分析风险评分和其它临床因素与 LGG患者生存预后的关系。通过 Cibersort软件 计算22种免疫浸润细胞在高、低风险分组中的相对比例。最后对风险模型中4个lncRNA 与主要的免疫检查点分子进 行相关性分析。结果 通过免疫基因-lncRNA 共表达网络筛选出79个免疫相关lncRNA,利用单因素 Cox回归筛选出 8个有预后价值的免疫相关lncRNA,基于 多 因 素 Cox回 归 分 析 最 终 确 定 4 个 关 键lncRNA(RFPL1S、AC145098.1、 AC090559.1、TGFB2-AS1),并构建风险模型。根据中位风险值将患者分为高风险组和低风险组,生存分析显示两组生 存时间存在显著差异(P<0.01),预后风险模型曲线 AUC值为0.788。多因素 Cox回归分析显示患者年龄、肿瘤级别和 风险分数均是预后不良的独立危险因素。Cibersort法分析结果显示高风险组 LGG 患者肿瘤中有较多的单核细胞和 M2型巨噬细胞浸润。相关性分析显示模型中的4个lncRNA 与 PD1、PD-L1、CD47及 CTLA4之间存在较强的相关性 (均P<0.05)。结论 通过生物信息分析技术成功构建基于lncRNA 表达水平的 LGG患者预后模型,所确定的4个关键lncRNA 有望成为判断 LGG患者预后的指标和潜在治疗靶点。     

基于生物信息学分析构建肺腺癌蛋白质预后模型

目的: 通过生物信息学分析构建肺腺癌蛋白质预后模型。方法: 从癌症蛋白质组图谱和肿瘤基因组图谱数据库分别获取肺腺癌的蛋白质数据和相应的临床数据,通过单因素 Cox 回归分析和逐步回归分析筛选与肺腺癌预后相关的蛋白质,建立预后风险模型;使用多因素 Cox 回归对其进行预后风险评分分析,计算曲线下面积(AUC)评价模型的稳健性和准确性。结果: 筛选出3个与生存显著相关的蛋白质用于预后模型的构建;预后模型风险评分与预后显著相关(P＜0.001),可作为评估患者预后的独立风险因子;预后模型AUC=0.710,说明模型具有稳定的特异性和灵敏度。结论: 该预后模型能准确预测肺腺癌患者的总体生存率,有助于临床早期识别预后不良的肺腺癌患者并对其进行早期干预治疗,对提高肺腺癌的生存率具有重要意义。此外,筛选出3个促进肺腺癌进展的风险蛋白有望成为肺腺癌治疗的新靶点。     

m6A修饰相关lncRNA与宫颈癌的预后不良及免疫治疗的相关性分析

  目的   本研究旨在通过挖掘宫颈癌TCGA数据库,分析N6-甲基腺嘌呤（N6-methyladenosine, m6A）修饰相关长链非编码RNA（lncRNA）与宫颈癌预后不良及免疫治疗的相关性,从而有效地评估宫颈癌患者的预后和宫颈癌免疫治疗的可行性。   方法   基于TCGA数据库宫颈癌样本,利用生物信息学的方法鉴定与宫颈癌预后相关的m6A修饰相关lncRNA,并以此构建宫颈癌的预后风险模型。   结果   从304例患者样本中筛选出343个m6A修饰相关lncRNA,通过单因素Cox回归分析得到26个m6A修饰相关lncRNA与宫颈癌患者预后相关,并利用Lasso回归分析得到7个m6A修饰相关lncRNA（DLEU1、AC099850.4、DDN-AS1、EP300-AS1、AC131159.1、AL441992.2、AL021707.6）用以构建预后风险模型。Kaplan-Meier曲线显示低风险组的OS高于高风险组（P<0.001）;ROC曲线下面积（AUC）表明本风险模型准确性高、可信度强;多因素Cox分析显示风险评分是评估宫颈癌患者预后的独立因素。TIDE评分预测高风险组接受免疫治疗后获益更大。免疫检查点PD1与DDN-AS1等m6A修饰相关lncRNA表达相关,且在高风险组中表达更高（P<0.05）。   结论   基于上述7个m6A修饰相关lncRNA构建的预后风险模型能够有效预测宫颈癌患者的预后,并能评估以PD1为靶点的免疫治疗疗效。     

免疫相关LncRNA与乳腺癌预后关系分析及预后风险模型建立

目的 探讨免疫相关LncRNA的表达与乳腺癌预后的关系,构建乳腺癌免疫相关LncRNA预后风险模型。 方法 从TCGA公共数据库下载乳腺癌的转录组数据和临床病理信息,利用Perl软件提取乳腺癌数据表达矩阵,采用R语言使用共表达法提取免疫相关LncRNA,单因素和多因素Cox回归分析筛选预后相关LncRNA,根据最佳AIC值确定免疫预后相关LncRNA构建预后风险模型,根据风险值将患者分为低分险组和高风险组,采用Kaplan-Meier分析法进行生存分析并绘制两组患者生存曲线,使用ROC曲线对预后风险模型准确性进行评估,同时单因素和多因素Cox回归分析评估预后风险模型与肿瘤预后相关性。 结果 从TCGA数据中共下载1 041例乳腺癌样本,提取到14 142个LncRNA表达谱,通过共表达法获得免疫相关LncRNA 644个,对免疫相关LncRNA进行单因素Cox回归分析筛选出14个LncRNA,对14个LncRNA进行多因素Cox回归分析,根据最佳AIC值筛选出6个LncRNA用于构建预后风险模型,根据风险值将患者分为低分险组和高风险组,生存分析显示两组患者差异有统计学意义,同时预后风险模型曲线下AUC值为0.703,模型具有较好的准确性。多因素Cox回归分析结果显示,年龄和患者风险评分为乳腺癌的独立危险因素。 结论 免疫相关LncRNA预后风险模型为乳腺癌的独立预后影响因子,可以有效预测乳腺癌患者的生存预后,可作为乳腺癌独立的预后生物标志物。     

肾透明细胞癌中预后相关RNA编辑位点的筛选

目的 探讨肾透明细胞癌(ccRCC)中与患者生存预后相关的RNA编辑位点。方法 下载癌症基因组图谱(TCGA)中RNA编辑位点的表达数据,使用最小绝对收缩和选择算子(LASSO)及Cox回归筛选出与ccRCC预后密切关联的RNA编辑位点。根据多因素Cox结果计算患者的风险评分后构建预后模型和列线图,进一步采用接受者操作特征(ROC)曲线评估预后模型和列线图的准确性,并进行相关的功能学分析。结果 共筛选出25个与ccRCC预后相关的RNA编辑位点。根据风险评分的中位值将患者分为高风险组(n=222)与低风险组(n=226)。Kaplan-Meier生存分析结果显示,高风险组患者的总生存时间与疾病无进展生存时间均低于低风险组(P<0.001)。预后模型和列线图预测患者1、3、5年生存的曲线下面积(AUC)值分别为0.801、0.824和0.806、0.858,0.833和0.821。风险分组之间具备不同的生物学功能及药物敏感性。结论 通过公共数据库筛选出的25个RNA编辑位点有望会成为ccRCC患者新的预后标记物。     

Novel Long Non-coding RNA Markers for Prognostic Prediction of Patients with Bladder Cancer

Objective To explore novel long non-coding RNA (lncRNA) molecular markers related to bladder cancer prognosis and to construct a prognostic prediction model for bladder cancer patients.Methods LncRNA expression data of patients with bladder cancer were downloaded from TCGA database. Univariate Cox regression and likelihood-based survival analysis were used to discover prognosis related lncRNAs. Functional studies of prognosis related lncRNAs were conducted by co-expression analysis and pathway enrichment analysis. Multivariate Cox regression analysis was used to establish risk score model, and Receiver Operating Characteristic analysis was used to determine the optimal cut-off point of the model. The risk score model was validated through Kaplan Meier estimation method and log-rank test.Results Seven prognosis related lncRNAs (OCIAD1-AS1, RP11-111J6.2, AC079354.3, RP11-553A21.3, RP11-598F7.3, CYP4F35P and RP11-113K21.4) which can predict survival of bladder cancer patient were discovered. Co-expression analysis and pathway analysis of these novel lncRNA signature and their target genes further revealed that these lncRNAs play important roles in the occurrence and development of bladder cancer. Additionally, a seven-lncRNA signature based risk score model for prognostic prediction of bladder cancer patients was established and validated. Notably, we identified the potential significance of two tumor-related antisense lncRNAs (OCIAD1-AS1 and RP11-553A21.3) in the prognosis of bladder cancer.Conclusion Our results suggest that these lncRNA markers may serve as potential prognosis predictors for bladder cancer and deserve further functional verification studies.     

基于生物信息学筛选子宫内膜癌预后相关的lncRNAs分子标签

目的：寻找与子宫内膜癌预后相关的lncRNAs分子标签,为预测子宫内膜癌患者的预后及个体化治疗提供有效指导。方法：下载TCGA数据库中的523例子宫内膜癌患者样本,随机分为训练集（n =262）和测试集（n =261）。在训练集中,采用单因素Cox回归结合LASSO回归分析筛选与子宫内膜癌预后相关的lncRNAs分子标签,构建lncRNAs风险评分模型,预测子宫内膜癌预后,并在测试集中验证其预测的有效性。最后,采用基因集富集分析（GSEA）研究lncRNAs风险评分模型预测的高、低风险组之间生物学通路富集的差异。结果：基于LASSO Cox回归分析,一共筛选出13个与子宫内膜癌预后显著相关的差异lncRNAs（P ＜0.001）,并以它们作为分子标签构建lncRNAs风险评分模型,将子宫内膜癌患者划分为高风险组和低分险组;生存曲线分析表明,低风险组患者的总生存期在训练集（P ＜0.001）和测试集（P ＜0.001）中均显著优于高风险组。多因素Cox回归分析显示,这13个lncRNAs在训练集（HR =1.08,95%CI：1.06～1.10,P ＜0.001）和测试集（HR =1.54,95%CI：1.34～1.78,P ＜0.001）中均为影响子宫内膜癌预后的独立危险因素。进一步构建lncRNAs分子标签联合临床指标模型并绘制ROC曲线发现,lncRNAs分子标签联合临床指标的模型可进一步提高预测效能。GSEA富集分析表明,细胞周期调控相关的基因集在高风险组中有显著富集,免疫和代谢相关通路则更多地在低风险组富集。结论：本研究确定了与子宫内膜癌预后相关的lncRNAs,基于13 个lncRNAs构建的风险评估模型可作为预测子宫内膜癌预后标志物的分子标签。     

m7G相关lncRNAs是影响结肠癌患者预后和肿瘤微环境的潜在生物标志物

目的 探讨m7G-lncRNAs能否作为结肠癌患者预后及肿瘤微环境的生物标志物。方法 TCGA数据库筛选m7G-lncRNAs（|Pearson R|>0.4,P<0.001）,多因素Cox分析构建m7G-lncRNAs风险模型。使用ROC和C-index曲线对风险模型进行验证。构建诺莫图和诺莫图的校准曲线用于预测结肠癌患者的预后。点柱图和K-M生存曲线评估风险打分对患者临床分期和预后的影响。CIBERSORT和ESTIMATE探究高低风险组患者肿瘤微环境和免疫细胞浸润程度的联系,同时分析风险打分对结肠癌患者微卫星不稳定性,干细胞指数和免疫检查点表达的影响。使用相互作用基因搜索工具（STRING）构建蛋白质-蛋白质相互作用网络,挖掘m7G-lncRNAs调控的关键靶点。最后,使用蛋白印迹实验在4对结肠癌组织与癌旁正常组织中验证这些关键靶点的表达。结果 从TCGA数据库鉴别出1722个m7G-lncRNAs。多因素Cox分析筛选出12个lncRNAs用于构建风险模型,其中AC003101.2、AC005014.2、AC008760.1、AC092944.1、AL1161729.4、AL301422.4、AP001619.1、AP003355.1和ZEB1-AS1为高风险lncRNAs,AC025171.4、AC073957.3及TNFRSF10A-AS1为低风险lncRNAs。ROC曲线显示风险模型对患者1年、3年、5年生存预测的AUC值分别为0.727、0.747、0.794。诺莫图预测患者预后的AUC值为0.794,校准曲线显示诺莫图对患者生存的预测与患者实际的生存基本一致。高风险组患者的T分期（T1~T2 vs T3~T4：P=0.034）、N分期（N0 vs N2：P=7.8e-08; N1 vs N2：P=0.00081）以及M分期（M0 vs M1：P=0.007）均高于低风险组患者。低风险组患者常伴随高微卫星不稳定状态（MSS vs MSI-H：P=0.034）。肿瘤干性指数与风险得分呈负相关（r=-0.19;P=7.3e-05）。高风险组患者基质细胞打分（P=0.0028）以及总打分（P=0.007）明显高于低风险组患者较高,激活的肥大细胞（r=-0.11;P=0.045）和静息CD4+T细胞（r=-0.14;P=0.01）的表达也较低。多数免疫检查点在高风险患者中高表达（P<0.05）。蛋白印迹实验表明m7G-lncRNAs调控的关键靶点ATXN2 （P=0.006）and G3BP1（P=0.007）在4对结肠癌组织中表达均高于配对的癌旁正常组织。结论 12个m7G-lncRNAs构建的风险模型对结肠癌具有重要的预后价值,同时也能反映结肠癌患者肿瘤微环境及免疫治疗的疗效。     

基于铁死亡基因的乳腺癌预后模型构建

目的 通过癌症基因组图谱(TCGA)数据库挖掘与乳腺癌预后相关的铁死亡基因,构建乳腺癌预后模型.方法 下载TCGA数据库中转录组与临床数据,获取与预后相关的在乳腺癌组织与癌旁正常组织中存在差异表达的铁死亡基因,利用最小绝对收缩和选择算子(LASSO)回归法构建风险评分模型.将TCGA数据库中获取的患者信息作为模型测试集...     

胃癌miRNAs预后风险评分模型的构建与应用

目的 筛选与胃癌预后存在关联性的微小RNAs(miRNAs)生物标志物,构建风险评分模型用于患者预后评估。 方法 基于人类癌症和肿瘤基因图谱(TCGA)数据库下载胃癌miRNAs表达谱数据及样本相关临床信息,通过“DESeq2”软件包对miRNAs表达谱进行差异分析。采用单因素Cox回归分析和Kaplan-Meier生存分析筛选与预后存在关联性的miRNAs,并将预后miRNAs纳入多因素Cox回归分析用于预后风险评分模型的构建。通过“timeROC”软件包绘制受试者工作特征曲线(ROC),对模型效能进行评价。最后通过在线数据库对miRNAs可能结合的信使RNAs(mRNAs)进行预测,并通过基因本体(GO)、京都基因与基因组百科全书(KEGG)预测其功能。 结果 以log₂ | Fold Change |>1,P<0.05为标准,筛选得到248个胃癌组织中差异表达的miRNAs。通过单因素Cox回归分析及Kaplan-Meier生存分析筛选到6个与患者总体生存率有关联性的差异表达的miRNAs,随后使用多因素Cox回归分析成功构建胃癌miRNAs预后风险评分模型,风险评分=0.048 35×miR-181b-1 +0.112 06×miR-548d-1+0.068 00×miR-675+0.075 87×miR-708+1.175 21×miR-4640+0.089 89×miR-4709。Kaplan-Meier生存曲线结果显示,风险评分高的患者预后较差(P<0.001);模型5年总体生存率ROC曲线下面积(AUC)为0.776,证明该模型能够有效预测胃癌患者预后风险。GO和KEGG功能分析结果显示,模型miRNAs分子参与多个肿瘤相关代谢通路。 结论 成功构建了miRNAs预后风险评分模型,且该模型对胃癌患者生存状态具有良好的预测效能。