基因组不稳定是造成肿瘤异质性及驱动肿瘤进展的关键因素，确定不同其潜在的分子特征有重要的临床意义。2021年3月发表在frontiers in cell and Developmental Biology(IF=5.201)上的纯生信文章Identification of the Prognostic Significance of Somatic Mutation-Derived LncRNA Signatures of Genomic Instability in Lung Adenocarcinoma则为如何将这一切入点应用到肿瘤预后模型中提供了一个示范。
肺癌是恶性肿瘤中发病率和死亡率最高的一种复杂疾病，其特征是广泛的基因组不稳定性。肺腺癌（LUAD）是肺癌的一种亚型,鉴于LUAD预后差且临床异质性大，基于其突变表型开发新的生物标志物可以为LUAD患者的风险分层和预后评估提供更好的指导。
TGCA的临床数据，体细胞突变数据和转录组数据（这里我们主要用到的是lncRNA数据）（N=457）
GEO数据集GSE31210（你要的验证集有了~）。
LUAD患者基因组不稳定相关lncRNA的筛选
首先，作者基于基因组数据分析，计算了每个样本的累计体细胞突变情况，并将排名靠前的TOP25%的样本定义为基因组不稳定组，同时将排名靠后的bottom25%的样本定义为基因组稳定组。随后将两组样本进行差异分析，即可得到传说中的基因组不稳定相关lncRNA（fig 1A）。
为了验证所得到的lncRNA是否能够准确的反应患者的基因组不稳定性，作者基于上述差异lncRNA的表达进行了聚类分析，得到两个cluster（fig 1B），并对两个cluster样本的突变数进行了统计，结果表明，两个cluster的样本间突变数具有显著差异，即这两个cluster一个是基因组不稳定型cluster，一个是基因组稳定型cluster（fig 1C）。与此同时，前人报道的一个能够驱动基因组不稳定的基因 UBQLN4，在基因组不稳定型cluster中高表达（fig 1D）。
这个部分的分析，是这篇文章比较亮眼的部分，找到了一个相对少见的切入点，为后续模型构建提供了一个基因list。
后续就是大家比较常见的模型构建思路了：筛选预后相关的lncRNA→模型构建→模型验证（生存分析加ROC）→nomogram模型构建。。。。。此处省略1000字，请大家根据下面的流程图进行脑补~
在这篇文章中，作者将临床数据、体细胞突变数据与转录组数据相结合，基于基因组不稳定性相关的lncRNA, 构建了肺腺癌的预后模型，为LUAD患者的临床个性化管理和治疗决策提供一个有用的指标。模型构建部分是比较常规的分析，需要划重点的是基因组不稳定性相关的XXX鉴定，得益于TCGA中一个样本可能会同时上传基因组数据及其他数据类型，这个切入点才有了分析的可行性，除了可以迁移到不同数据不同疾病的模型构建类思路中，连ceRNA都可以被救赎，如可以构建XXX（疾病）中基因组不稳定性驱动的XXX（不同分子类型）的ceRNA调控网络。
