大家好，这次给大家分享的文献是Bioinformatics profiling integrating a four immune-related long non-coding RNAs signature as a prognostic model for papillary renal cell carcinoma，2020年7月发表在Aging杂志上，影响因子4.831。本文重点研究哪些免疫相关长非编码RNA（IR-lncRs）与乳头状肾细胞癌（pRCC）患者的预后显著相关，并用这些IR-lncRs构建预测模型。
摘要
背景：乳头状肾细胞癌（pRCC）是肾癌中第二常见的亚型，约占肾癌发病率的15%。免疫相关长非编码RNA（IR-lncRs）广泛存在于免疫细胞和免疫微环境（IME）中，在评估预后和评估免疫治疗效果方面具有潜在的应用价值。
方法：基于TCGA数据集，整合322例pRCC患者LncRNA的表达谱和总生存率（OS）。根据免疫相关基因表达水平计算的免疫评分用于验证最相关的IR-lncRs。应用COX回归分析评估pRCC患者生存相关IR-lncRs（sIRlncRs）。用筛选出的sIRlncRs建立免疫相关风险分数 (IRRS)模型。通过基因集富集分析（GSEA）和主成分分析（PCA）对肿瘤进行功能注释，并通过微环境细胞计数记录评估肿瘤的免疫成分和纯度。利用实时定量PCR来检测pRCC标本sIRlncRs的表达水平。
结果：免疫评分与lncRNA表达水平的Pearson相关分析筛选出17个IR- lncRs，其中5个与pRCC患者OS显著相关。选择4个预后最显著的sIRlncRs（AP001267.3，AC026471.3，SNHG16和ADAMTS9-AS1）建立IRRS模型，低危组OS高于高危组。IRRS是独立的预后因素，与OS相关。通过PCA和GSEA检测，高危组和低危组的分布和免疫状态有显著差异。此外，进一步研究发现，SNHG16的表达水平在T期晚期的女性患者中显著增强，而ADAMTS9-AS1则相反。
研究流程图
结果
IR-lncRs的获取及其与预后的关系
从TCGA数据库中提取pRCC患者的转录组数据和临床数据。将转录组数据的ensembl ID转换为基因名并将其分为lncRNA和mRNA。从Molecular Signatures数据库的免疫系统程序M13664和免疫应答M19817中鉴定出331个pRCC 免疫相关基因，其中17个lncRNAs经相关分析证实为IR-lncRs。根据COX回归模型，确定了5个与预后相关的IR-lncRs：AP001267.3、SNHG16、AC021054.1、AC026471.3和ADAMTS9-AS1。森林图（图1）展示了这些sIRlncRs与预后的关系。
高危组与低危组的临床病理特征
取5个sIRlncRs中的前4位sIRlncRs（AP001267.3、AC026471.3、SNHG16和ADAMTS9-AS1）建立风险评估模型，根据风险得分中位数将pRCC样本分为高风险组和低风险组（图2A）。死亡率随着风险评分的增加而不断增加（图2B）。随着风险评分的增加，AC026471.3和SNHG16的表达水平升高，而AP001267.3和ADAMTS9-AS1的表达水平降低（图2C）。并且可以看出高危组的生存期明显低于低危组（图3）。
图2
图3
IRRS的临床应用及与临床病理指标的关系
为了探讨sIRlncRs与pRCC临床病理特征的相关性，作者分析了风险评分与年龄、性别、分期、T分期、N分期和M分期等临床特征的相关性。在IRRS下，老年患者（图4A），女性患者（图4B）、临床分期晚期（图4C）、T分期期晚期（图4D）、M分期晚期（图4E）和N分期晚期（图4F）患者的风险分数明显较高。除此之外，作者还分析了IRRS的组成与上述肿瘤标志物之间的关系（表1）。女性患者中SNHG16和AC026471.3的表达水平较高（图5A-5B）。然而，女性患者中AP001267.3和ADAMTS9-AS1的表达水平较低（图5C-5D）。进一步的研究发现AP001267.3和ADAMTS9-AS1的表达水平在较晚的临床分期、T期、M期和N期逐渐降低，而AC026471.3和SNHG16的表达水平升高（图6A-6D）。独立危险性分析的结果显示年龄、临床分期、N期、M期及风险评分与OS显著相关（P<0.05）。但在多变量分析中，M分期和风险评分与OS的相关性更为显著（表2）。ROC曲线显示出了模型预测的准确性，其中风险评分的AUC为0.958（图7），说明IRRS模型预测的准确性很好。以上这些结果表明风险评分是一个独立的预后因素。
图4
图5
图6
图7
高、低风险人群免疫状态分析
作者利用PCA方法，通过免疫基因集和全基因组表达集检测低危组和高危组之间的不同分布模式。在IRGs组中，低危组和高危组明显分离且低危组的免疫评分较低（图8A）。虽然没有发现基于全基因组表达谱的免疫评分的显著分离（图8B），但GSEA的结果却进一步证明了在高危人群中免疫相关反应和过程更为活跃（图8C和8D）。为了验证免疫基因组是否准确地反映了肿瘤免疫微环境的状态，作者分析了sIRlncRs与免疫细胞浸润之间的关系（图9A-9F），发现只有B细胞与sIRlncRs的关系最为显著（图9A）。
图8
图9
为了进一步验证sIRlncRs与临床病理特征的关系，以及sIRlncRs在临床预后判断中的作用，作者检测了不同性别、不同T分期的pRCC患者癌及癌旁组织中SNHG16和ADAMTS9-AS1的表达水平。鉴于年龄与5个sIRlncRs无关，因此在验证过程中将其移除。如图10所示，与邻近组织相比，在癌组织中检测到较高的SNHG16（图10A）表达水平，而ADAMTS9-AS1（图10B）显示较低的表达水平。此外，与T期相比，T3期和T4期的SNHG16（图10C）和ADAMTS9-AS1（图10D）的表达分别显著增加和降低。女性患者的SNHG16表达水平高于男性（图10E），ADAMTS9-AS1的表达水平低于男性。
结语
本文同样是一篇预测模型类的文章，但选择的基因是生存免疫相关的lncRNA（sIRlncRs）。这使得文章具有一定的吸引力，且后续的分析也证明了这些sIRlncRs确实是与pRCC患者预后显著相关的。我们在设计课题思路时也可以借鉴这种思想，即选择一些比较少见的基因去构建预测模型， 比如说转移相关的lncRNA、血管生成相关lncRNA、缺氧相关lncRNA等等。总之，这篇文章很值得我们去模仿和借鉴！
