肿瘤预后生信分析！

上午好！今天小编和大家分享一篇发表在International journal of molecular sciences杂志的文章《Identification of Anoikis-Related Subgroups and Prognosis Model in Liver Hepatocellular Carcinoma》。作者对肝癌中失巢凋亡相关亚群进行鉴定并构建预后模型。对于预后模型分析有意向的，可以与我们联系，方法适用于其他类型疾病。

背景：

对肿瘤的抗性是许多癌细胞的一个关键特征，促进细胞存活。然而，失巢凋亡在肝细胞癌（HCC）中的作用机制尚不清楚。

研究结果：

差异基因的鉴定

首先鉴定TCGA中肝细胞癌（LIHC）中的6311个差异表达基因（DEGs），进一步得到168个失巢凋亡相关的差异表达基因。

失巢凋亡相关亚群的鉴定及功能富集分析

为识别与基因相关的亚群，使用共识聚类算法进行无监督聚类，基于失巢凋亡相关差异表达基因，k = 2是将LIHC数据集划分为A亚组和B亚组的最佳参数。并且这些基因在两个亚组之间存在差异。这些结果表明，TCGA-LIHC可以根据失巢凋亡相关基因进行分两个亚群。

为探索两个亚组之间不同的生物学过程，我们采用GSVA来确定两个亚组内不同的KEGG通路和Reactome通路。结果表明，A亚组在高尔基池中心周堆叠重组、NIMA激酶NEK9、NEK6和NEK7的激活和前期染色体的凝结中高度富集。A亚组也在背腹轴形成、肌醇磷酸盐代谢和notch信号通路中富集。此外，应用ssGSEA算法来探讨两个亚组之间的免疫浸润水平。结果显示，与B亚组相比，A亚组具有明显的免疫浸润模式。此外，A亚组有显著丰富的免疫细胞包括激活CD4、IDC、MDSC、记忆B细胞、NK细胞和TGD-比亚组B，而B亚组有显著丰富的免疫细胞，包括激活CD8、巨噬细胞、肥大细胞、单核细胞和PDC-比A亚组。这些结果表明这两个亚组在KEGG通路、Reactome通路和免疫浸润水平上具有不同的特征。

在TCGA-LIHC中鉴定重要模块基因

为了探索重叠的失巢凋亡相关基因中高度相关的基因，进行了WCGNA以识别高度相关的基因模块。将软阈值功率设置为5并根据基因树状图确定了三个基因模块。在这些基因模块中，肿瘤发生与turquoise模块之间存在很强的相关性。最后，我们从turquoise模块中提取了75个基因用于进一步分析。

接下来，根据 WGCNA 分析中turquoise模块中高度相关的基因，确定了失巢凋亡相关簇。与失巢凋亡相关亚组类似，LIHC 数据集分为3个簇，使用PCA分析验证（图 4B). 此外，簇A的生存概率低于簇B和C。基因表达的热图显示了三个簇之间的差异。.

预后风险模型的构建

从LIHC数据集中随机抽取183个样本作为训练数据集，测试数据集中抽取182个样本。采用单因素Cox比例风险回归分析，75个基因筛选候选预后基因，并根据p值<为0.05鉴定出55个基因。然后，应用这些基因进行LASSO回归，鉴定出5个特征基因。风险评分计算如下：风险评分=（BAK1*0.041298989表达）+（BSG*0.0203046274表达）+（SPP1*0.018401788表达）+（DAP3*0.004892867表达）+（PBK*0.067923316表达）。根据风险评分的中位数将患者分为两组。在测试数据集中，高风险评分的患者往往比低风险评分的患者生存概率更低，死亡时间更早。此外，两组患者的预后基因表达谱存在显著差异。在外部数据集进行验证，总的来说，本文建立的失巢凋亡相关的预后模，在预测肝癌总生存率方面具有很强的表现。

两组高危患者免疫细胞浸润的不同特征

根据以上结果，发现两个亚组、三个基因簇、两个风险组和两个临床结果的分布和关系。此外，我们发现在风险评分中，两个亚组和三个基因簇之间存在显著差异。接下来，我们采用CIBERSORT算法来探讨浸润性免疫细胞与风险组之间的相关性。结果表明，风险评分与单核细胞（cor=0.26)、巨噬细胞（cor=0.15）、卵泡辅助T细胞（cor=0.13）和肥大细胞（cor=-0.16）呈显著负相关。预后基因也被发现与大多数免疫细胞高度相关。