大家好呀！今天小编和大家分享的是2021年3月发表在杂志Theranostics（IF = 11.556）上的一篇文章，题目为：缺氧因子的鉴定及其在肺腺癌I期患者临床诊断和治疗反应中的应用。
DOI: 10.7150/thno.56202
摘要
【研究背景】肿瘤TNM（肿瘤-关键调控蛋白-转移）分期系统不能够满足肺腺癌（Lung adenocarcinoma, LUAD）I期患者精确的临床诊断和生存预测需要，迫切需要更可靠的生物标志物辅助指导治疗。【研究方法】本研究分析了14个公共数据集的共1400例LUAD I期患者转录组图谱和临床参数数据，其中包括13个微阵列（microarray）数据集和TCGA数据库中的1个RNA-Seq数据集。研究综合使用生物信息学和机器学习方法鉴定缺氧信号因子以预测LUAD I期患者总生存期（Overall survival, OS）和免疫检查点阻断（Immune checkpoint blockade, ICB）治疗反应。此外，研究还分析了不同风险亚组的富集通路、基因组和拷贝数变化，并进行比较分析。
【研究结果】研究结果表明，缺氧是影响LUAD I期患者生存率的主要因素。与传统临床病理特征相比，缺氧相关基因的预后风险评估（Hypoxia-related prognostic risk score, HPRS）显示出更强大的生存预测能力，缺氧相关的免疫治疗反应评估（Hypoxia-related immunotherapeutic response score, HIRS）也要优于传统的生物标记物，最终生成决策树和列线图，定量分析、评估肿瘤发病风险。
关键词：肺腺癌I期；缺氧；基因组改变；机器学习
材料与方法
1. 数据获取 共14个公共数据集：13个微列阵数据集+1个RNA-Seq数据集，纳入标准：①详细的TNM分期信息（I，IA，IB或T1N0M0和T2aN0M0等）；②完整的随访时间和生命状态。本研究共获取1400个LUAD I期患者数据信息。选择GSE72094数据集作为训练集。从TCGA数据库下载体细胞突变和拷贝数变异数据，体细胞突变数据分析使用R包“maftools”，使用GISTIC 2.0软件检验拷贝数扩增或缺失。
2. 组织、单细胞和细胞系转录组分析 从CCLE癌症细胞系百科全书获得69种LUAD细胞系转录组基因表达量TPM值。此外，研究分析LUAD样本微阵列数据集（GSE30979），LUAD样本在体外缺氧（氧浓度1%）或常氧条件下培养3天。从GSE69405数据集获取LUAD患者单细胞RNA-Seq数据（N = 77）。用于分析的微阵列和RNA-Seq数据集均经标准化处理和log2转换。
3. 候选基因的选择和缺氧相关基因预测模型的建立 Hanahan和Weinberg（2000）提出了肿瘤细胞的十大基本特征，例如：细胞周期（Cell cycle progression, CCP）、上皮间质转化（Epithelial-mesenchymal transition, EMT）和缺氧（Hypoxia）。本研究基于训练集中每个样本的转录组数据和从MSigDB数据库中检索到的相应基因集，使用单样本基因集富集分析（Single-sample gene set enrichment analysis, ssGSEA）算法进行定量分析。基于训练集中每个样本的转录组数据，使用CIBERSORT软件量化免疫浸润。使用加权基因共表达网络分析（WGCNA）寻找与缺氧密切相关的基因模块。Z-score归一法标准化ssGSEA和免疫浸润得分。
4. 生物信息学和统计学分析 数据分析和作图使用的工具：IBM SPSS Statistics 20、GraphPad Prism 8.0、Stata 12、R。
1）使用层次聚类分析方法描述不同癌症特征之间的距离；
2）使用多因素Cox回归分析评估各因素对生存期的影响；
3）使用非负矩阵分解进行特征聚类；
4）主成分分析及可视化使用R包“pca3d”，提取及方差可视化使用R包“factoextra”；
5）进行Kaplan-Meier生存分析，log-rank检验用于评估样本生存曲线之间的差异；
6）使用随机效应meta分析模型计算风险比（hazard ratio, HR）；
7）C-index和tROC分析用于比较不同变量间的生存预测能力，使用R包“survConcordance”和“survivalROC”；
8）进行决策曲线分析（DCA）计算各变量的生存净获益，使用R包“stdca.R”；
9）递归分区分析构建生存决策树，使用R包“rpart”。
研究思路
基于Hanahan和Weinberg（2000）所定义的癌症特征，缺氧被认为是LUAD I期患者总生存期最主要的危险因素。本研究综合使用WGCNA和LASSO Cox算法筛选缺氧相关的预后标志物，基于训练集和5个独立的验证集评估缺氧相关特征的预后能力，使用meta分析对其预后能力进一步验证。决策曲线分析（DCA）用于比较各变量的生存净获益，构建决策树和列线图，提高患者风险分层管理和生存预测能力。最后，研究分析比较了差异表达基因、基因组改变和治疗反应的富集通路。
