基于6个基因的预后模型预测颈部鳞状细胞癌的生存


今天给大家分享一个关于预后基因模型的套路。来自2020年Aging-us(IF=5.515)刚发表的新鲜文章。文章题目是:Six-gene signature for predicting survival in patients with head and neck squamous cell carcinoma(基于6个基因的预后模型预测颈部鳞状细胞癌的生存)。
1
文章思路



2
步骤分析


确定与患者总生存率相关的基因组

利用TCGA数据库,建立OS与基因表达之间的关系。确定425个单因素Cox回归对数P值小于0.01。列出了危险比(HR)值最高的20个基因。



基因组变异的基因集识别

利用TCGA中的拷贝数变异数据,使用GISTIC2.0来鉴定显著扩增或缺失的基因。利用Mutsig2的TCGA突变注释数据,确定了具有显著突变的基因。



基因组变异基因的功能分析

对显著突变基因进行GO和KEGG富集分析。结果显示,基因组变异的基因的功能与癌症密切相关。



头颈部癌症生存期的6个基因标志物的鉴定

整合变异和预后同时相关的基因作为候选基因,使用随机森林进行特征选择。通过多因素Cox回归分析建立基因特征。计算每个样本的风险评分,并根据中位风险评分进行分组。



6个特征基因模型顽健性(robustness)的验证

【robustness:很多地方翻译为鲁棒性。棒字本身还是挺合robust中“强健、健康的”这个义项,鲁字则比较合“粗鲁”的义项。但是感觉怪怪的。我这里翻译为顽健性,指系统的健壮度,耐用性。】

为了验证6个特征基因模型的顽健性,作者首先计算了测试集。根据训练集的阈值,样本被分成两组,预后显著不同。这6个基因的表达与风险评分之间的关系也与训练集一致。将该模型应用于所有TCGA肿瘤样本,发现低风险组的表现明显好于高风险组。这6个基因的表达与风险评分之间的关系也与训练集一致。同时验证6个特征基因模型在不同数据平台下的分类性能,作者使用GEO平台数据作为外部数据集。因此,我们选择的6特征基因模型可以预测内部和外部数据集的预后。



6个特征基因预后模型的临床独立性

为了评估6个特征基因预后模型在临床应用中的独立性,作者使用单因素和多因素Cox回归分析了来自TCGA训练集、TCGA测试集和GSE65858数据的HRs、95%的CIs和P值。系统地分析了TCGA和GSE65858数据集中记录的患者的临床信息。结果表明,特征基因预后模型是一个独立于其他临床因素的预后指标,在临床应用中表现出独立的预测性能。



高危和低危人群致病途径差异的GSEA分析

在TCGA训练中使用GSEA分析高危和低危人群中显着丰富的通路。共检测到20条丰富的信号通路。值得注意的是,这些途径在高危样本中显著富集。


原文已经帮大家下载好啦,领取方式后台回复关键词:预后

生信发文助手

长按识别二维码关注我们
如需生信分析服务请加微信:keyan-zhishi2




多点好看,少点脱发

抢沙发

  • QQ号
  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

登录

忘记密码 ?

切换登录

注册