A 16‐mRNA signature optimizes recurrence‐free survivalprediction of Stages II and III gastric cancer16-mRNA特征有效预测胃癌Ⅱ期和Ⅲ期的无复发生存一、摘要：胃癌世界上最普遍的恶性肿瘤之一，尽管不断改进治疗方案，死亡率依旧在排在世界前列。临床诊断中，即使患者具有相同的TNM分期（tumor, lymph node, metastasis），可能基于肿瘤分子特征不一，生存情况也各不相同。因此，对评估术后复发风险的有效方法需求日益迫切。基于此，研究人员通过绝对收缩和选择算子的方法以及COX回归模型，在三个临床患者数据集内，开发了一个可以有效预测胃癌二、三期复发风险的工具，将有效提高临床诊断预后评估水平。二、材料方法：1、胃癌基因表达数据：本研究相关的胃癌数据全部来自于GEO (https://www.ncbi.nlm.nih.gov/geo/) 和TCGA (https://cancergenome.nih.gov/)。
2、16-mRNA特征挖掘及验证：通过使用R语言包“WGCNA” (weighted correlation network analysis)在实验数据集GSE62254中筛选到预后相关的680个基因，并通过“glmnet” package of R software 进行LASSO回归模型分析并验证16mRNA特征。
3、诺模图建立及评估：通过“rms”R包构建了诺模图和标定图，并通过“pROC”R包构建了ROC曲线以检测诺模图的准确性。4、数据分析：相关数据分析使用了t检验，ROC分析，GSVA，PEC，单变量以及多变量Cox回归分析等方法。三、结果1、研究人员首先对实验数据集GSE62254进行Cox回归分析，确定与胃癌二、三期RFS（relapse‐free survival，RFS）相关的680个基因。随后，对这些基因进一步采用最小绝对收缩和选择算子的LASSOCOX回归分析（fig1a，b）。
图1. LASSOCOX回归分析胃癌二期三期相关的680个RFS基因2、Kaplan-Meier生存曲线中位风险评分为临界值，将患者分为低风险组或高危组，结果表明，与低风险组相比，高危组预后较差，此结论在另外两个独立的数据集GSE26253和TCGA中也得到了一致验证。
图2. Kaplan-Meier生存曲线中位风险评分为临界值，将患者分为低风险组或高危组。3、以风险评分、肿瘤分期、年龄和性别为协变量，采用单变量和多变量Cox回归分析，风险评分是二、三期GCS的独立危险因素。并且研究人员得到结论，三个数据集中风险评分均与RFS显着相关。
图3. 对三个数据集的风险评分、年龄、性别和肿瘤分期进行了单变量和多变量Cox回归分析4、研究人员为了将分析结果更适用于临床，在GSE62254数据集中构建了整合16-mRNA标记、肿瘤分期、Lauren分类、淋巴结比率和化疗为一体的诺模图（fig4a），同时，通过标定图证明诺模图的良好性能（fig4b），通过基于诺模图的ROC曲线证明其预测准确性（fig4c），AOC曲线分析证明使用诺模图预测5年复发率会更有利于临床治疗方案的设计（fig4d）。
图4. 诺模图数据集中预测复发风险的诺模图。5、研究人员为了寻找16-mRNA特征相关的基因集，对数据集GSE62254进行GSVA分析，发现高风险组中有许多转移和化疗耐药相关的基因组丰富（fig5a），并且16-mRNA特征标记与这些基因存在很强的正相性（fig5b）。
图5. 在数据集GSE62254中进行GSVA分析四、结论本文综合使用了绝对收缩和选择算子方法以及COX回归模型等经典的生信分析手段，挖掘到Ⅱ、Ⅲ期胃癌的新预后评估指标。在解决高维数据的处理方法中，此生信分析方法的综合使用不失为一张锦囊妙计。该研究没有做实验吧，图也很少，用的还都是公共数据库数据集
如果觉得《发文——踩好点 选好数据很重要》对你有帮助，请点赞、收藏，并留下你的观点哦！
