今天我们分享的是12月份发表在Aging（IF=5.5）上的一篇纯生信文章。这篇文章主要研究的是自噬相关基因在非小细胞肺癌中的预后意义。对于自噬的研究近来一直比较火热，但关于自噬基因的生信分析还不算多，今天介绍的自噬基因这种生信分析加预后模型也就2019年发了两篇，都在3分之上。所以自噬相关分析可研究范围十分广阔，心动的话快跟着解读一起了解具体分析套路吧。
首先，我们先简要了解一下细胞自噬。自噬（autophagy）是将细胞内受损、变性或衰老的蛋白质以及细胞器运输到溶酶体进行消化降解的过程。自噬在肿瘤中扮演着双面角色，正常生理情况下，细胞自噬利于细胞保持自稳状态，细胞自噬还可以防止致癌的损伤蛋白质和细胞器的累积，抑制细胞癌变。然而肿瘤一旦形成，细胞自噬为癌细胞提供更丰富的营养，促进肿瘤生长。
这篇文章首先获取了非小细胞肺癌中的自噬相关基因，而后进行COX分析挑选与预后密切相关的基因构建风险评分模型。下一步将风险评分也作为一个变量与其他临床变量（如年龄、性别、分期）再次进行COX分析以证实风险评分可以单独作为影响患者预后的因素，而后进行预后和ROC分析验证模型的可信度。接下来，作者进行了基因的功能分析，包括GO、KEGG和GSEA分析。为了进一步验证风险模型的效度，作者又在GEO数据库中挑选数据集进行了生存分析和ROC分析。最后，作者绘制了列线图整合多种危险因素来定量确定患者个人在临床环境中的风险。
下面我们就进入正文，逐步拆解这篇文章。
1 获取数据
2 通过COX分析筛选自噬基因构建肺癌预后相关模型
3 展示预后相关基因和模型
图 1
图 2
4
对风险模型和肺癌临床病理特征进行COX分析
为了验证上文中构建的风险模型能否作为肺癌预后的独立影响因素，作者把预后模型合并临床病理特征（包括年龄、性别、分期、T、N、M）进行了单因素和多因素COX回归分析。
图3E、F分别为肺腺癌、鳞癌的单因素COX分析，图4A、B分别为肺腺癌、鳞癌的多因素因素COX分析。由于两种肺癌风险模型在单因素和多因素COX分析中P值均小于0.05，可以认为作者构建的模型是肺癌预后的一个独立影响因素。接着作者又对预后模型进行了生存分析，绘制了ROC曲线，进一步体现该模型的预后价值（图5C、E、G为腺癌，图5D、F、H为鳞癌）。
图 3
图 4
图 5
5 基因的通路分析
图 6
6 对风险模型进行外部数据集验证
图 7
7 列线图的绘制 文章到这里就结束了，总结一下，就是先获取自噬基因进行COX风险模型的构建，而后联合其他临床病理特征进行单因素和多因素COX回归以证实该模型可以作为预后的独立影响因素，而后对模型中的基因进行通路分析，最后在外部数据库中进一步验证该风险模型。当然，加上列线图的绘制及验证文章的结构会更加丰满。 这篇文章的分析算是比较全面了，其实主要分析到风险模型联合其他临床病理特征进行单因素和多因素COX回归就可以构成一篇文章，大家可以根据研究实际情况选择相应的分析步骤，或者把自噬相关基因换成免疫相关基因、miRNA、LncRNA等也可以进行相似的分析。套路有限，变化无限，快快一起学起来！
图 8
