CN116013403A - ***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 - Google Patents
***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 Download PDFInfo
- Publication number
- CN116013403A CN116013403A CN202211516235.7A CN202211516235A CN116013403A CN 116013403 A CN116013403 A CN 116013403A CN 202211516235 A CN202211516235 A CN 202211516235A CN 116013403 A CN116013403 A CN 116013403A
- Authority
- CN
- China
- Prior art keywords
- prognosis
- risk
- cervical cancer
- patients
- methylation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000004393 prognosis Methods 0.000 title claims abstract description 82
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 77
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 77
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 77
- 238000009169 immunotherapy Methods 0.000 title claims abstract description 51
- 230000000694 effects Effects 0.000 title claims abstract description 18
- 230000011987 methylation Effects 0.000 title claims abstract description 18
- 238000007069 methylation reaction Methods 0.000 title claims abstract description 18
- 108091027963 non-coding RNA Proteins 0.000 title claims abstract description 10
- 102000042567 non-coding RNA Human genes 0.000 title claims abstract description 10
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 230000006093 RNA methylation Effects 0.000 claims abstract description 76
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 67
- 230000004083 survival effect Effects 0.000 claims abstract description 33
- 108020005198 Long Noncoding RNA Proteins 0.000 claims abstract description 19
- 210000002865 immune cell Anatomy 0.000 claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 229940079593 drug Drugs 0.000 claims abstract description 15
- 230000008595 infiltration Effects 0.000 claims abstract description 14
- 238000001764 infiltration Methods 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 230000036737 immune function Effects 0.000 claims abstract description 7
- 238000011119 multifactor regression analysis Methods 0.000 claims abstract description 4
- 201000011510 cancer Diseases 0.000 claims description 44
- 230000014509 gene expression Effects 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 108091032973 (ribonucleotides)n+m Proteins 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 101000877823 Homo sapiens Protein FAM27E3 Proteins 0.000 claims description 16
- 102100035451 Protein FAM27E3 Human genes 0.000 claims description 16
- 238000000611 regression analysis Methods 0.000 claims description 16
- 230000001024 immunotherapeutic effect Effects 0.000 claims description 13
- 241000282376 Panthera tigris Species 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 9
- 210000001744 T-lymphocyte Anatomy 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 102100024216 Programmed cell death 1 ligand 1 Human genes 0.000 claims description 6
- -1 ICOS Proteins 0.000 claims description 5
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 claims description 5
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 claims description 5
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 239000000090 biomarker Substances 0.000 claims description 5
- 230000004186 co-expression Effects 0.000 claims description 5
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 claims description 5
- 102000037982 Immune checkpoint proteins Human genes 0.000 claims description 4
- 108091008036 Immune checkpoint proteins Proteins 0.000 claims description 4
- 210000003719 b-lymphocyte Anatomy 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010837 poor prognosis Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000004547 gene signature Effects 0.000 claims description 3
- 239000000092 prognostic biomarker Substances 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- SWDZPNJZKUGIIH-QQTULTPQSA-N (5z)-n-ethyl-5-(4-hydroxy-6-oxo-3-propan-2-ylcyclohexa-2,4-dien-1-ylidene)-4-[4-(morpholin-4-ylmethyl)phenyl]-2h-1,2-oxazole-3-carboxamide Chemical compound O1NC(C(=O)NCC)=C(C=2C=CC(CN3CCOCC3)=CC=2)\C1=C1/C=C(C(C)C)C(O)=CC1=O SWDZPNJZKUGIIH-QQTULTPQSA-N 0.000 claims description 2
- 102100022464 5'-nucleotidase Human genes 0.000 claims description 2
- 229940126638 Akt inhibitor Drugs 0.000 claims description 2
- 102100029822 B- and T-lymphocyte attenuator Human genes 0.000 claims description 2
- 102100027207 CD27 antigen Human genes 0.000 claims description 2
- 102100038078 CD276 antigen Human genes 0.000 claims description 2
- 101150013553 CD40 gene Proteins 0.000 claims description 2
- 102100032937 CD40 ligand Human genes 0.000 claims description 2
- 102100025221 CD70 antigen Human genes 0.000 claims description 2
- 206010057248 Cell death Diseases 0.000 claims description 2
- 102100039498 Cytotoxic T-lymphocyte protein 4 Human genes 0.000 claims description 2
- 102100029722 Ectonucleoside triphosphate diphosphohydrolase 1 Human genes 0.000 claims description 2
- 102100038664 Fibrinogen-like protein 1 Human genes 0.000 claims description 2
- 206010064571 Gene mutation Diseases 0.000 claims description 2
- 102100034459 Hepatitis A virus cellular receptor 1 Human genes 0.000 claims description 2
- 101000678236 Homo sapiens 5'-nucleotidase Proteins 0.000 claims description 2
- 101000864344 Homo sapiens B- and T-lymphocyte attenuator Proteins 0.000 claims description 2
- 101000914511 Homo sapiens CD27 antigen Proteins 0.000 claims description 2
- 101000884279 Homo sapiens CD276 antigen Proteins 0.000 claims description 2
- 101000868215 Homo sapiens CD40 ligand Proteins 0.000 claims description 2
- 101000934356 Homo sapiens CD70 antigen Proteins 0.000 claims description 2
- 101000889276 Homo sapiens Cytotoxic T-lymphocyte protein 4 Proteins 0.000 claims description 2
- 101001012447 Homo sapiens Ectonucleoside triphosphate diphosphohydrolase 1 Proteins 0.000 claims description 2
- 101001031635 Homo sapiens Fibrinogen-like protein 1 Proteins 0.000 claims description 2
- 101001068136 Homo sapiens Hepatitis A virus cellular receptor 1 Proteins 0.000 claims description 2
- 101001019455 Homo sapiens ICOS ligand Proteins 0.000 claims description 2
- 101001037256 Homo sapiens Indoleamine 2,3-dioxygenase 1 Proteins 0.000 claims description 2
- 101001137987 Homo sapiens Lymphocyte activation gene 3 protein Proteins 0.000 claims description 2
- 101000589307 Homo sapiens Natural cytotoxicity triggering receptor 3 Proteins 0.000 claims description 2
- 101001117317 Homo sapiens Programmed cell death 1 ligand 1 Proteins 0.000 claims description 2
- 101000611936 Homo sapiens Programmed cell death protein 1 Proteins 0.000 claims description 2
- 101000709472 Homo sapiens Sialic acid-binding Ig-like lectin 15 Proteins 0.000 claims description 2
- 101000764622 Homo sapiens Transmembrane and immunoglobulin domain-containing protein 2 Proteins 0.000 claims description 2
- 101000764263 Homo sapiens Tumor necrosis factor ligand superfamily member 4 Proteins 0.000 claims description 2
- 101000638251 Homo sapiens Tumor necrosis factor ligand superfamily member 9 Proteins 0.000 claims description 2
- 101000801234 Homo sapiens Tumor necrosis factor receptor superfamily member 18 Proteins 0.000 claims description 2
- 101000851370 Homo sapiens Tumor necrosis factor receptor superfamily member 9 Proteins 0.000 claims description 2
- 101000955999 Homo sapiens V-set domain-containing T-cell activation inhibitor 1 Proteins 0.000 claims description 2
- 101000666896 Homo sapiens V-type immunoglobulin domain-containing suppressor of T-cell activation Proteins 0.000 claims description 2
- 102100034980 ICOS ligand Human genes 0.000 claims description 2
- 102100040061 Indoleamine 2,3-dioxygenase 1 Human genes 0.000 claims description 2
- 102000017578 LAG3 Human genes 0.000 claims description 2
- 102100032852 Natural cytotoxicity triggering receptor 3 Human genes 0.000 claims description 2
- 102100040678 Programmed cell death protein 1 Human genes 0.000 claims description 2
- 102100034361 Sialic acid-binding Ig-like lectin 15 Human genes 0.000 claims description 2
- 208000034254 Squamous cell carcinoma of the cervix uteri Diseases 0.000 claims description 2
- 102100026224 Transmembrane and immunoglobulin domain-containing protein 2 Human genes 0.000 claims description 2
- 108060008683 Tumor Necrosis Factor Receptor Proteins 0.000 claims description 2
- 102100026890 Tumor necrosis factor ligand superfamily member 4 Human genes 0.000 claims description 2
- 102100032101 Tumor necrosis factor ligand superfamily member 9 Human genes 0.000 claims description 2
- 102100033728 Tumor necrosis factor receptor superfamily member 18 Human genes 0.000 claims description 2
- 102100040245 Tumor necrosis factor receptor superfamily member 5 Human genes 0.000 claims description 2
- 102100036856 Tumor necrosis factor receptor superfamily member 9 Human genes 0.000 claims description 2
- 102100038929 V-set domain-containing T-cell activation inhibitor 1 Human genes 0.000 claims description 2
- 102100038282 V-type immunoglobulin domain-containing suppressor of T-cell activation Human genes 0.000 claims description 2
- 230000002411 adverse Effects 0.000 claims description 2
- SHGAZHPCJJPHSC-YCNIQYBTSA-N all-trans-retinoic acid Chemical compound OC(=O)\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C SHGAZHPCJJPHSC-YCNIQYBTSA-N 0.000 claims description 2
- 239000002246 antineoplastic agent Substances 0.000 claims description 2
- 201000006612 cervical squamous cell carcinoma Diseases 0.000 claims description 2
- 238000002512 chemotherapy Methods 0.000 claims description 2
- 229940044683 chemotherapy drug Drugs 0.000 claims description 2
- 238000013211 curve analysis Methods 0.000 claims description 2
- 230000009089 cytolysis Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 201000003908 endometrial adenocarcinoma Diseases 0.000 claims description 2
- 208000029382 endometrium adenocarcinoma Diseases 0.000 claims description 2
- 238000010195 expression analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 229940126546 immune checkpoint molecule Drugs 0.000 claims description 2
- 230000028709 inflammatory response Effects 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 229950005069 luminespib Drugs 0.000 claims description 2
- 210000000822 natural killer cell Anatomy 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000007112 pro inflammatory response Effects 0.000 claims description 2
- 239000003197 protein kinase B inhibitor Substances 0.000 claims description 2
- 102000004169 proteins and genes Human genes 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 claims description 2
- 102000003298 tumor necrosis factor receptor Human genes 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 2
- 102100035943 HERV-H LTR-associating protein 2 Human genes 0.000 claims 1
- 101001021491 Homo sapiens HERV-H LTR-associating protein 2 Proteins 0.000 claims 1
- 238000010220 Pearson correlation analysis Methods 0.000 claims 1
- 238000003556 assay Methods 0.000 claims 1
- 208000035269 cancer or benign tumor Diseases 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 claims 1
- 238000011269 treatment regimen Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000000556 factor analysis Methods 0.000 abstract 1
- 108091046869 Telomeric non-coding RNA Proteins 0.000 description 41
- 230000002596 correlated effect Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 108010074708 B7-H1 Antigen Proteins 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- VQAYFKKCNSOZKM-IOSLPCCCSA-N N(6)-methyladenosine Chemical compound C1=NC=2C(NC)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O VQAYFKKCNSOZKM-IOSLPCCCSA-N 0.000 description 2
- 206010061309 Neoplasm progression Diseases 0.000 description 2
- 238000007475 c-index Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 230000000869 mutational effect Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000011127 radiochemotherapy Methods 0.000 description 2
- 230000009257 reactivity Effects 0.000 description 2
- 210000003289 regulatory T cell Anatomy 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000005751 tumor progression Effects 0.000 description 2
- GFYLSDSUCHVORB-IOSLPCCCSA-N 1-methyladenosine Chemical compound C1=NC=2C(=N)N(C)C=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O GFYLSDSUCHVORB-IOSLPCCCSA-N 0.000 description 1
- LRSASMSXMSNRBT-UHFFFAOYSA-N 5-methylcytosine Chemical compound CC1=CNC(=O)N=C1N LRSASMSXMSNRBT-UHFFFAOYSA-N 0.000 description 1
- OGHAROSJZRTIOK-KQYNXXCUSA-O 7-methylguanosine Chemical compound C1=2N=C(N)NC(=O)C=2[N+](C)=CN1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OGHAROSJZRTIOK-KQYNXXCUSA-O 0.000 description 1
- 108010007730 Apyrase Proteins 0.000 description 1
- 102000007347 Apyrase Human genes 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 108700020796 Oncogene Proteins 0.000 description 1
- 239000012269 PD-1/PD-L1 inhibitor Substances 0.000 description 1
- 208000009608 Papillomavirus Infections Diseases 0.000 description 1
- 230000026279 RNA modification Effects 0.000 description 1
- 108010065158 Tumor Necrosis Factor Ligand Superfamily Member 14 Proteins 0.000 description 1
- 102100024586 Tumor necrosis factor ligand superfamily member 14 Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000037844 advanced solid tumor Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013103 analytical ultracentrifugation Methods 0.000 description 1
- 239000004037 angiogenesis inhibitor Substances 0.000 description 1
- 229940121369 angiogenesis inhibitor Drugs 0.000 description 1
- 230000001093 anti-cancer Effects 0.000 description 1
- 239000000611 antibody drug conjugate Substances 0.000 description 1
- 229940049595 antibody-drug conjugate Drugs 0.000 description 1
- 229960000397 bevacizumab Drugs 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000009702 cancer cell proliferation Effects 0.000 description 1
- 238000011342 chemoimmunotherapy Methods 0.000 description 1
- 238000002648 combination therapy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011354 first-line chemotherapy Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 239000000101 novel biomarker Substances 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 229940121653 pd-1/pd-l1 inhibitor Drugs 0.000 description 1
- 229960002621 pembrolizumab Drugs 0.000 description 1
- 238000011518 platinum-based chemotherapy Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009711 regulatory function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011125 single therapy Methods 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 229940021747 therapeutic vaccine Drugs 0.000 description 1
- 230000005747 tumor angiogenesis Effects 0.000 description 1
- 230000005186 women's health Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明开发并公开***甲基化相关长链非编码RNA预后及免疫治疗疗效预测模型的构建方法和用途。采用Pearson相关性算法筛选RNA甲基化相关lncRNAs。单因素及多因素回归分析构建***RNA甲基化相关IncRNA的预后模型。绘制ROC及Kaplan‑Meier生存曲线、构建Nomo模型及绘制Calibration图、进行独立预后分析来评估模型的准确性。评估风险模型与临床特征、免疫细胞浸润、肿瘤突变负荷(TMB)、免疫功能、免疫治疗相关分子间的相关性。最后,采用在线数据库评估甲基化关键lncRNAs的预后及免疫治疗价值,计算IC50来预测基于目标风险模型的新型药物的有效性。总之,该预后及免疫治疗疗效预测模型可用于指导预后及制定个体化的治疗策略,并可根据预后模型中的关键分子进一步开发***诊治和预后相关的产品。
Description
技术领域
本发明涉及生物医学技术领域,尤其涉及***甲基化相关长链非编码RNA预后及免疫治疗疗效预测模型的构建方法。
背景技术
***(CC)是女性第四大最常见的癌症,最新研究报告指出每年约有57万个新发病例和31万个死亡病例。目前,手术或者放化疗是***最初的治疗模式。近年来,结合综合的治疗方法(包括手术、化放疗和免疫疗法),晚期***患者的临床预后虽明显改善,但仍不乐观。晚期***患者的5年生存率仅有17%。鉴于***对妇女的健康和生命构成严重威胁,确定有用的预测性生物标志物和治疗目标似乎势在必行。
晚期或转移性***的预后很差。以前的研究发现,在***的癌前病变和鳞状细胞癌中存在高危HPV感染和PD-L1表达升高有关。PD-L1高表达的患者预后较差。一些临床研究证明了PD-1/PD-L1抑制剂的初步安全性和有效性。目前正在进行的单药治疗和联合治疗试验,使用不同的免疫检查点抑制剂、聚腺苷二磷酸核糖聚合酶抑制剂、肿瘤血管生成抑制剂(即贝伐珠单抗)、抗体药物结合物、治疗性疫苗和肿瘤浸润性T淋巴细胞(采用免疫疗法)。这些新模式中的一些也正在与标准的铂类化疗方案进行联合评估。目前,pembrolizumab被批准用于治疗一线化疗后复发或转移的程序性死亡配体1(PD-L1)阳性***。总之,免疫疗法,特别是免疫检查点抑制剂(ICI)在晚期实体瘤中取得了初步成功,而在晚期或转移性***中的疗效和安全性仍有待探索。探索一种能够预测***患者免疫治疗疗效的分子标志物,对应提高免疫治疗效果及安全性具有重要的意义。
N6-甲基腺苷(m6A)、N1-甲基腺苷(m1A)和5-甲基胞嘧啶(m5C)及N7-甲基鸟苷(m7G)是RNA甲基化最常见的类型。RNA甲基化的改变通过与lncRNAs相互作用对特定的生物过程产生影响。另一方面,lncRNAs也可以影响参与RNA甲基化修饰的基因的功能。RNA修饰在癌症进展中具有重要的调节功能,这些改变可能为癌症诊断和治疗提供新的生物标志物近期研究表明:RNA甲基化与促进癌细胞增殖、侵袭性和转移有关。研究发现m6A与肿瘤的增殖、迁移和耐药性有关,并被确定为肿瘤的预后标志物。在HCC组织中,总的m6A及其调节因子水平的异常变化与不利的生存状况密切相关。m6A及其调节因子在恶性肿瘤中起着致癌基因或抗癌基因的作用。研究发现m5C修饰在肿瘤进展中起重要作用,可作为癌症治疗的有效生物标志物。m1A甲基化修饰加速肿瘤进展及影响预后。目前,上述RNA甲基化相关的长非编码RNA(lncRNAs)对治疗***的预后价值和免疫疗法的有效性的影响仍是未知的。因此,研究RNA甲基化在***中的作用并初步探讨其在***中的预后价值至关重要。
长链非编码RNA(IncRNA)被定义为非编码长度≥200个核苷酸的RNA。研究表明lncRNAs很有希望成为癌症的新型生物标志物和治疗靶点。然而,目前还没有研究探索***与RNA甲基化修饰相关的lncRNAs之间的相关性。其次,RNA甲基化相关的长非编码RNAs(lncRNAs)对***的预后价值和免疫疗法的有效性的影响仍是未知的。因此,临床上迫切需要构建***风险分层的关键相关lncRNAs模型,以期这些关键的RNA甲基化lncRNAs模型能够预测***患者的预后、对免疫治疗的反应性和药物敏感性,协助制定更精确和个性化的治疗策略。
发明内容
拟解决的技术问题
基于上述问题,本发明提供一种***RNA甲基化相关的长链非编码RNA预后及免疫治疗疗效预测模型的构建方法。拟解决RNA甲基化相关的IncRNA对于预测宫颈啊癌患者的预后及免疫治疗疗效没有准确可靠的分子指标问题。此项发明的开展为***患者的预后及免疫治疗疗效的评估提供可靠的生物标志物,从而有助于提高***患者预后及免疫治疗疗效的评测能力、实现早期干预和个体化治疗策略的制定。
为了达到如上目的,本发明采取如下技术方案:
一种***(CervicalCancer,CC)RNA甲基化相关的长链非编码RNA(IncRNA)预后及免疫治疗疗效预测的模型。本发明首先从TCGA数据库收集***患者的转录组数据、肿瘤突变数据及相关的临床资料。进一步从已发表研究中获取55个RNA甲基化关键分子,采用皮尔逊相关性算法筛选RNA甲基化相关IncRNAs。
采用单因素回归分析及多因素回归方法构建***RNA甲基化相关IncRNA的预后模型。采用ROC曲线和绘制Kaplan-Meier生存曲线评估预后模型的准确性。构建关键RNA甲基化IncRNAs与甲基化分子共表达网络。分析评估风险模型与临床特征、免疫细胞浸润、肿瘤突变负荷(TMB)、免疫功能、免疫治疗相关分子间的相关性。TIDE数据库评价高低风险组患者免疫治疗疗效差异。最后,采用GEPIA,Lnc2Cancer3.0,GEPIA2,GEPIA2021及TIGER在线数据库验证筛选出的RNA甲基化关键lncRNAs的预后及免疫治疗价值。进一步通过计算IC50来预测基于目标风险模型的新型药物的有效性。本发明的预后及免疫治疗预测模型可用于指导预后及制定个体化的治疗策略,并可根据预后模型中的关键分子进一步开发***诊治和预后相关的产品。
采用如上技术方案的本发明,相对于现有技术有如下有益效果:本发明上述技术方案具有以下特点:
1)本发明在TCGA数据库中提取***患者的转录组数据、肿瘤突变数据及相关的临床资料。从已发表研究中获取55个RNA甲基化关键分子。进一步采用皮尔逊相关性算法筛选RNA甲基化相关IncRNAs。采用单因素回归分析及多因素回归方法构建***RNA甲基化相关IncRNA的预后模型。采用ROC曲线、绘制Kaplan-Meier生存曲线及计算一致性指数(C-index)以评估预后模型的准确性。
构建关键RNA甲基化IncRNAs与甲基化分子共表达网络。分析评估风险模型与临床特征、免疫细胞浸润、肿瘤突变负荷(TMB)、免疫功能、免疫治疗相关分子间的相关性。TIDE数据库评价高低风险组患者免疫治疗疗效差异。通过计算IC50来预测基于目标风险模型的新型药物的有效性。最后,采用GEPIA和Lnc2Cancer3.0在线数据库验证关键RNA甲基化相关lncRNAs的预后价值。本发明的开展,可以合理、可靠地筛选出RNA甲基化相关IncRNAs分子标志物,构建RNA甲基化相关lncRNAs的风险评分模型,此风险评分模型对于预测CC患者的预后、对免疫疗法的反应性和药物敏感性、协助制定更精确和个性化的治疗策略具有重要的意义。
2)本发明构建的RNA甲基化相关lncRNAs预后风险模型能独立于其他临床因素(年龄、性别、分期、分级、T分期及N分期等)准确的预测1年、3年和5年***患者的预后。
3)与现有技术相比,本发明考虑到RNA甲基化和lncRNAs在***生物学中的重要意义,确定了一个与RNA甲基化相关的lncRNAs风险模型来预测CC患者的预后、对免疫疗法的反应性和药物敏感性。
能够对CC样本的预后进行较为精准的判定;通过更加准确地提取对RNA甲基化相关的lncRNAs,使所选择出的与RNA甲基化相关的lncRNAs可以反应大部分***患者样本的情况,从而使得最终的预后模型具有普适性,使得更多的***患者受益。
附图说明
为了进一步说明本发明,下面结合附图进一步进行说明:
图1为本发明实施流程;
图2A到图2F为***患者中RNA甲基化相关lncRNAs的筛选
图3A到图3E为为KM曲线评估5个关键RNA甲基化lncRNAs预后价值;
图3F到图3I为ROC曲线验证模型准确性;
图3J到图3K单因素及多因素回归分析风险评分独立预后特征;
图3L到图3M构建Nomogram模型及绘制Calibration图进一步验证模型准确性;
图4A到图4O为风险评分与临床特征的相关性分析;
图5A到图5I为风险评分与免疫细胞浸润、肿瘤突变负荷及免疫特征间相关性;
图6A到图6I为RNA甲基化关键lncRNAs的预后及免疫治疗的疗效评估;
图7A到图7K为预测基于目标风险模型的新型药物的有效性及验证RNA甲基化相关的关键lncRNAs的预后价值;
图8表1RNA甲基化相关基因;
图9表2单因素回归分析筛选出8个与RNA甲基化相关的IncRNAs;
图10表3多因素回归分析筛选出5个与RNA甲基化相关的IncRNAs;
图11表4FAM27E3和SOX21-AS1与CC患者免疫治疗疗效有关。
具体实施方式
1)数据收集与准备
TCGA数据库(https://portal.gdc.cancer.gov/)下载***患者的转录组数据、TMB数据和对应的临床数据。包306个***样本和3个正常人的基因表达谱。数据后处理和临床信息提取使用编程语言(strawberry-perl-5.32.0.1-64bit.msi,http://www.perl.org)。蛋白质编码基因和IncRNA使用Ensembl人类基因组进行注释和分类浏览器GRCh38.p13(http://asia.ensembl.org/index.html)。
2)RNA甲基化IncRNAs筛选
已发表文献获取55个与RNA甲基化相关分子(表1)。通过计算Pearson相关系数获得RNA甲基化相关IncRNAs,筛选标准为相关系数>0.4且P值<0.001。本发明筛选出了208个RNA甲基化相关IncRNAs。RNA甲基化相关基因与208个IncRNAs间相互作用共表达网络见图2A。
3)RNA甲基化IncRNAs预后模型构建
运行R语言中的Survival包,甲基化相关IncRNAs进行单变量Cox回归分析,初步筛选预后甲基化相关IncRNAs,P<0.05具有统计学意义。进行多元Cox回归分析并计算每位患者风险评分。将CC患者分为高风险组和低风险组。计算风险得分=N1×coef1+N2×coef2+……Nn×coefn;其中,Nn代表相关差异基因的表达量,coefn代表相关差异基因所对应的回归系数。
本发明中经过单因素回归分析发现8个与***预后相关的甲基化IncRNAs(表2)。多因素回归分析发现:FAM27E3,AC024270.3,AC096992.2,SOX21-AS1和AC012306.2与***患者预后相关。其中,FAM27E3,AC024270.3,AC096992.2,SOX21-AS1与***患者良好预后相关,AC012306.2是***患者的不良预后因素(表3)。
图2B显示筛选出5个RNA甲基化相关IncRNA与RNA甲基化基因间存在相互作用。图2C-E显示风险水平、病例生存状态和模型lncRNA表达水平。KM生存分析发现高风险组较低风险组预后差(图2F)。
4)评估模型的准确性
绘制五个RNA甲基化关键的IncRNAs的Kaplan-Meier生存曲线。采用timeROC软件包,绘制1年、3年和5年ROC曲线、计算曲线下面积(AUC)和C-index指数评估模型的预测能力。AUC值范围从0.5到1.0。AUC=0.5,表示没有任何预测价值,AUC在0.5-0.7之间代表预测的准确度低,AUC在0.7-0.9之间表示预测的准确度中等,AUC>0.9代表越策准确度高。
C-index值的范围为0.5-1.0之间。单因素和多因素Cox回归分析用于确定风险评分是否能够独立于其他临床因素(年龄、性别、分期、分级等)准确的预测3年和5年CC患者的预后。HR>1且P值小于0.05代表预后不良因素。HR<1且P值小于0.05表示预后有利因素。构建Nomo模型预测患者1、3、5年预后及绘制提名图评估Nomo模型准确性。
本发明提示:Kaplan-Meier生存曲线进一步证实FAM27E3,AC024270.3,AC096992.2,SOX21-AS1与***患者良好预后相关,AC012306.2是***患者的不良预后因素(图3A-E)。ROC曲线结果表明:1年、3年、5年的AUC分别是0.782和0.717和0.763(图3F)。ROC曲线分析发现risk-score能独立于其他临床因素预测***患者的1、3、5年预后(图3G-I)。单因素和多因素独立预后分析提示:本发明构建的预后风险模型能独立于其他预后因素准确的评估患者预后(图3J-K)。基于riskscore构建的Nomo模型及绘制Calibration图发现风险模型能够准确预测患者1、3、5年预后(图3L-M)。
5)Riskscore和临床相关性分析
本研究基于R语言中limma和ggpubr包分析了不同年龄、分级、分期、T和N分期之间风险评分差异。进一步分析了不同年龄、分级、分期、T和N分期***患者的预后差异。结果表明:不同年龄、分级、分期、T和N分期之间风险评分未见明显差异,但是StageIII-IV较StageI-II,T3-4较T1-2风险评分高的趋势(图4A-E)。在GradeII-IV和T1-2的CC患者中高风险CC患者较低风险CC患者的预后差,而在不同年龄、GradeI-II,T3-4和N分期之间高低风险组患者的生存无差异(图4F-O)。这些结果进一步表明高风险评分的CC患者预后较低风险的CC患者预后差。6)风险评分与免疫细胞浸润、肿瘤突变负荷及免疫特征间相关性
采用CIBERSORT算法比较高风险和低风险患者的中免疫细胞浸润差异。进一步使用"ggplot2"、"ggpubr"和"ggExtra"R软件包分析了免疫细胞浸润和确定的关键RNA甲基化lncRNAs之间的相关性。通过GEPIA2021(http://gepia2021.cancer-pku.cn/)在线数据库,分析浸润的免疫细胞在高低风险组的生存差异。TMB是用肿瘤特异性基因突变计算的。使用R语言中的"maftools"程序包计算突变数据。所有样本被分为高TMB组和低TMB组,利用这些数据和病人的生存率统计来检查每组病人的生存率。接下来使用四个亚组(高TMB+高风险、高TMB+低风险、低TMB+低风险评分、低TMB+高风险)的生存率来研究风险评分与患者生存率之间的关系。通过使用R软件包"Limma"、"GSVA"、"GSEABase"、"pheatmap"和"reshape2"[22],比较高风险组和低风险组之间免疫相关功能的差异。RNA甲基化相关lncRNAs和典型的免疫检查点分子(包括CD70、TNFSF9、FGL1、CD276、NT5E、HHLA2、VTCN1、TNFRSF18、CD274。PDCDL1LG2、IDO1、CTLA4、ICOS、HAVCR、PDCD1、LAG3、SIGLEC15、TNFSF4、TNFRSF9、ENTPD1、VSIR、ICOSLG、TNFSF14、TMIGD2、CD27、NCR3、BTLA、CD40LG、CD40和TNFRSF4)之间的关系。运用TIDE算法来计算免疫治疗有效的可能性。利用肿瘤免疫治疗基因表达资源的相关矩阵(TIGER,http://tiger.canceromics.org/#/)来检查确定的RNA甲基化相关的lncRNAs是否与已知的免疫治疗反应特征相关。我们进一步使用GEPIA2(http://gepia2.cancer-pku.cn/)来估计我们确定的RNA甲基化相关的lncRNAs与免疫治疗反应特征之间的相关性。
免疫微环境分析显示,幼稚B细胞和CD4+记忆型静止T细胞主要富集在低风险得分组,而活化的NK细胞主要集中在高风险组(图5A)。此外,免疫功能分析发现活性细胞溶解、促炎反应、T细胞相关刺激、免疫检查点、T细胞相关抑制、CCR、MCH-I型、副炎症反应、IFN-I型反应在高低风险中存在差异(图5B)。筛选出的5个RNA甲基化关键IncRNAs与免疫检查点抑制剂存在相关性(图5C)。
TMB是对免疫疗法反应的预测性生物标志物。因此,我们比较了高风险得分组和低风险得分组的TMB差异,并显示了突变率最大的前20个基因(图5D-E)。然而,高风险评分组和低风险评分组之间的TMB没有明显的差异(图5F)。高TMB与CC患者良好的OS有关(图5G),高TMB与低风险评分相结合的CC患者的OS最长(图5H)。低风险组免疫治疗效果更好(图5I)。7)RNA甲基化关键lncRNAs的预后及免疫治疗的疗效评估
采用GEPIA2021(GeneExpressionProfilingInteractiveAnalysis2021,http://gepia2021.cancer-pku.cn/)分析免疫细胞浸润与筛选的RNA甲基化相关的关键IncRNAs之间的相关性,并根据浸润的免疫细胞比例比较两组的生存差异。进一步使用基因表达分析互动分析2(GEPIA2,http://gepia2.cancer-pku.cn/)来估计我们确定的关键RNA甲基化相关lncRNAs和免疫疗法反应特征之间的相关性。肿瘤免疫治疗基因表达资源的相关矩阵(TIGER,http://tiger.canceromics.org/#/)通过将已发表的基因签名应用于我们提供的宫颈鳞癌和宫颈内膜腺癌(CESC)的lncRNAs,预测患者对免疫治疗的反应,并利用基因表达数据与免疫治疗的临床信息比较我们提供的lncRNAs与已知免疫治疗反应签名的性能。
本发明专利表明:AC024270.3、FAM27E3和SOX21-AS1与幼稚B细胞呈正相关。幼稚B细胞与患者的良好的总生存相关,进一步说明高表达AC024270.3、FAM27E3和SOX21-AS1的患者预后好(图6A-D)。我们评估了关键lncRNAs(FAM27E3和SOX21-AS1)对CC患者免疫治疗反应的影响。结果表明:通过应用已发表的基因签名,FAM27E3和SOX21-AS1与CC患者的免疫治疗反应相关(表4)。根据TIGER数据库分析表明在黑色素瘤-GSE91061_anti-PD-1中,FAM27E3的表达在无反应者中高于反应者,FAM27E3的过度表达与总生存期有关(图6E-F)。根据GEPIA2的分析结果:FAM27E3与衰竭的T细胞相关特征呈负相关,影响Treg细胞和静止的Treg细胞特征(图6G-I)。本发明进一步表明:低分组对免疫治疗更敏感,FAM27E3和SOX21-AS1与CC患者免疫治疗的反应明显相关。
8)IC50来预测基于目标风险模型的新型药物的有效性
本专利使用R软件中"pRRophetic"包计算化疗药物的IC50,以评估化疗对***患者的影响,该结果可用于指导具体的治疗。IC50分析发现:低风险组的患者对ABT.263、AKT抑制剂VIII及ATRA更敏感(图7B、C、F)。高风险评分的患者对A.770041、AP.24534、AS601245、AUY922、AZ628、和AZD.0530的IC50值小,表明这些患者对这五种药物更敏感(图7A,D,E,G,H,I)。
9)验证关键RNA甲基化相关lncRNAs的预后价值
采用在线分析数据库GEPIA(http://gepia.cancer-pku.cn/)和Lnc2Cancer3.0(http://bio-bigdata.hrbmu.edu.cn/lnc2cancer)来确认RNA甲基化相关lncRNAs在CC患者中的预后价值。结果进一步证实,FAM27E3和SOX21-AS1高表达与CC患者良好的预后有关(图7J,K)。
本发明有益效果
本发明上述技术方案具有以下特点:
1)本发明在TCGA数据库中提取***患者的转录组数据、肿瘤突变数据及相关的临床资料。从已发表研究中获取55个RNA甲基化关键分子。进一步采用皮尔逊相关性算法筛选RNA甲基化相关IncRNAs。采用单因素回归分析及多因素回归方法构建***RNA
甲基化相关IncRNA的预后模型。采用ROC曲线、绘制Kaplan-Meier生存曲线及计算一致性指数(C-index)以评估预后模型的准确性。
构建关键RNA甲基化IncRNAs与甲基化分子共表达网络。分析评估风险模型与临床特征、免疫细胞浸润、肿瘤突变负荷(TMB)、免疫功能、免疫治疗相关分子间的相关性。TIDE数据库评价高低风险组患者免疫治疗疗效差异。通过计算IC50来预测基于目标风险模型的新型药物的有效性。最后,采用GEPIA和Lnc2Cancer3.0在线数据库验证关键RNA甲基化相关lncRNAs的预后价值。本发明的开展,可以合理、可靠地筛选出RNA甲基化相关IncRNAs分子标志物,构建RNA甲基化相关lncRNAs的风险评分模型,此风险评分模型对于预测CC患者的预后、对免疫疗法的反应性和药物敏感性、协助制定更精确和个性化的治疗策略具有重要的意义。
2)本发明构建的RNA甲基化相关lncRNAs预后风险模型能独立于其他临床因素(年龄、性别、分期、分级、T分期及N分期等)准确的预测1年、3年和5年***患者的预后。
3)与现有技术相比,本发明考虑到RNA甲基化和lncRNAs在***生物学中的重要意义,确定了一个与RNA甲基化相关的lncRNAs风险模型来预测CC患者的预后、对免疫疗法的反应性和药物敏感性。
能够对CC样本的预后进行较为精准的判定;通过更加准确地提取对RNA甲基化相关的lncRNAs,使所选择出的与RNA甲基化相关的lncRNAs可以反应大部分***患者样本的情况,从而使得最终的预后模型具有普适性,使得更多的***患者受益。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本领域的技术人员应该了解本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的范围内。
Claims (7)
1.***甲基化相关长链非编码RNA预后及免疫治疗疗效预测模型的构建方法,其特征在于,包含如下步骤,
1)从TCGA数据库中分别获取***样本及正常样本组织的转录组数据、肿瘤突变数据及对应的临床数据;从已发表的文章中汇总并下载RNA甲基化相关的分子;
2)皮尔森相关性分析(Pearson’scorrelationalcoefficients)筛选RNA甲基化相关IncRNAs,correlationalcoefficients>0.4且p-values<0.001为筛选标准;
3)将RNA甲基化相关lncRNAs与对应患者的临床数据进行整合,进行单因素Cox回归分析,初步获得与***生存相关的RNA甲基化lncRNAs;
4)进一步将单因素回归分析筛选出的生存相关的关键lncRNAs纳入多因素回归分析筛选出关键的RNA甲基化lncRNAs,筛选条件设定为P<0.05;
5)建立预后风险评分模型绘制,计算风险得分=N1×coef1+N2×coef2+……Nn×coefn;其中,Nn代表相关差异基因的表达量,coefn代表相关差异基因所对应的回归系数;
6)通过绘制ROC曲线和Kaplan-Meier生存曲线评估预后模型的准确性;
7)单因素和多因素Cox独立预后分析用于确定风险评分是否能够独立于其他临床因素(年龄、分期、分级、T及N分期等)准确的预测1年、3年和5年***患者的预后;
8)构建Nomo模型及绘制Calibration图进一步评估模型准确性;
9)分析风险评分与***患者临床特征、免疫细胞浸润、肿瘤突变负荷(TMB)、免疫功能、免疫治疗相关分子间的相关性;
10)TIDE数据库评价高低风险组患者免疫治疗疗效差异;
11)采用GEPIA,Lnc2Cancer3.0,GEPIA2,GEPIA2021及TIGER在线数据库评估筛选出的RNA甲基化关键lncRNAs的预后及免疫治疗价值;
12)通过计算IC50来预测基于目标风险模型的新型药物的有效性。
2.如权利要求1所述的***甲基化相关长链非编码RNA预后疗效预测模型的构建方法,其特征在于,
1)数据收集与准备
TCGA数据库(https://portal.gdc.cancer.gov/)下载***患者的转录组数据、TMB数据和对应的临床数据;转录组数据中包306个***样本和3个正常人的基因表达谱;数据后处理和临床信息提取使用编程语言(strawberry-perl-5.32.0.1-64bit.msi,http://www.perl.org);蛋白质编码基因和IncRNA使用Ensembl人类基因组进行注释和分类浏览器GRCh38.p13(http://asia.ensembl.org/index.html);
2)RNA甲基化IncRNAs筛选
已发表文献获取55个与RNA甲基化相关分子;通过计算Pearson相关系数获得RNA甲基化相关IncRNAs,筛选标准为相关系数>0.4且P值<0.001;本发明筛选出了208个RNA甲基化相关IncRNAs;RNA甲基化相关基因与208个IncRNAs间相互作用共表达网络;
3)RNA甲基化IncRNAs预后模型构建
运行R语言中的Survival包,甲基化相关IncRNAs进行单变量Cox回归分析,初步筛选预后甲基化相关IncRNAs,P<0.05具有统计学意义;进行多元Cox回归分析并计算每位患者风险评分;将***患者分为高风险组和低风险组;计算风险得分=N1×coef1+N2×coef2+……Nn×coefn;其中,Nn代表相关差异基因的表达量,coefn代表相关差异基因所对应的回归系数;
经过单因素回归分析发现8个与***预后相关的甲基化IncRNAs多因素回归分析发现:FAM27E3,AC024270.3,AC096992.2,SOX21-AS1和AC012306.2与***患者预后相关;其中,FAM27E3,AC024270.3,AC096992.2,SOX21-AS1与***患者良好预后相关,AC012306.2是***患者的不良预后因素;
5个RNA甲基化相关IncRNA与RNA甲基化基因间存在相互作用;图2C-E显示风险水平、病例生存状态和模型lncRNA表达水平;KM生存分析发现高风险组较低风险组预后差;
4)评估模型的准确性
绘制五个RNA甲基化关键的IncRNAs的Kaplan-Meier生存曲线;采用timeROC软件包,绘制1年、3年和5年ROC曲线、计算曲线下面积(AUC)和C-index指数评估模型的预测能力;AUC值范围从0.5到1.0;AUC=0.5,表示没有任何预测价值,AUC在0.5-0.7之间代表预测的准确度低,AUC在0.7-0.9之间表示预测的准确度中等,AUC>0.9代表越策准确度高;
C-index值的范围为0.5-1.0之间;单因素和多因素Cox回归分析用于确定风险评分是否能够独立于其他临床因素(年龄、性别、分期、分级等)准确的预测3年和5年CC患者的预后;HR>1且P值小于0.05代表预后不良因素;HR<1且P值小于0.05表示预后有利因素;构建Nomo模型预测患者1、3、5年预后及绘制提名图评估Nomo模型准确性;
Kaplan-Meier生存曲线进一步证实FAM27E3,AC024270.3,AC096992.2,SOX21-AS1与***患者良好预后相关,AC012306.2是***患者的不良预后因素;ROC曲线结果表明:1年、3年、5年的AUC分别是0.782和0.717和0.763;ROC曲线分析发现risk-score能独立于其他临床因素预测***患者的1、3、5年预后;单因素和多因素独立预后分析提示:本发明构建的预后风险模型能独立于其他预后因素准确的评估患者预后;基于riskscore构建的Nomo模型及绘制Calibration图发现风险模型能够准确预测患者1、3、5年预后;
5)Riskscore和临床相关性分析
本研究基于R语言中limma和ggpubr包分析了不同年龄、分级、分期、T和N分期之间风险评分差异;进一步分析了不同年龄、分级、分期、T和N分期***患者的预后差异;结果表明:不同年龄、分级、分期、T和N分期之间风险评分未见明显差异,但是StageIII-IV较StageI-II,T3-4较T1-2风险评分高的趋势;在GradeIII-IV和T1-2的CC患者中高风险CC患者较低风险CC患者的预后差,而在不同年龄、GradeI-II,T3-4和N分期之间高低风险组患者的生存无差异;进一步提示高风险的CC患者预后较低风险的CC患者预后差;
6)风险评分与免疫细胞浸润、肿瘤突变负荷及免疫特征间相关性采用CIBERSORT算法比较高风险和低风险患者的中免疫细胞浸润差异;进一步使用"ggplot2"、"ggpubr"和"ggExtra"R软件包分析了免疫细胞浸润和确定的关键lncRNAs之间的相关性;通过GEPIA2021(http://gepia2021.cancer-pku.cn/)在线数据库,分析浸润的免疫细胞在高低风险组的生存差异;TMB是用肿瘤特异性基因突变计算的;使用R语言中的"maftools"程序包计算突变数据;所有样本被分为高TMB组和低TMB组,利用这些数据和病人的生存率统计来检查每组病人的生存率;接下来使用四个亚组高TMB+高风险、高TMB+低风险、低TMB+低风险评分、低TMB+高风险的生存率来研究风险评分与患者生存率之间的关系;通过使用R软件包"Limma"、"GSVA"、"GSEABase"、"pheatmap"和"reshape2",比较高风险组和低风险组之间免疫相关功能的差异;RNA甲基化相关lncRNAs和典型的免疫检查点分子,免疫检查点分子包括CD70、TNFSF9、FGL1、CD276、NT5E、HHLA2、VTCN1、TNFRSF18、CD274;PDCDL1LG2、IDO1、CTLA4、ICOS、HAVCR、PDCD1、LAG3、SIGLEC15、TNFSF4、TNFRSF9、ENTPD1、VSIR、ICOSLG、TNFSF14、TMIGD2、CD27、NCR3、BTLA、CD40LG、CD40和TNFRSF4)之间的关系;运用TIDE算法来计算免疫治疗有效的可能性;利用肿瘤免疫治疗基因表达资源的相关矩阵(TIGER,http://tiger.canceromics.org/#/)来检查确定的RNA甲基化相关的lncRNAs是否与已知的免疫治疗反应特征相关;我们进一步使用GEPIA2(http://gepia2.cancer-pku.cn/)来估计我们确定的RNA甲基化相关的lncRNAs与免疫治疗反应特征之间的相关性;
免疫微环境分析显示,幼稚B细胞和CD4+记忆型静止T细胞主要富集在低风险得分组,而活化的NK细胞主要集中在高风险组;此外,免疫功能分析发现活性细胞溶解、促炎反应、T细胞相关刺激、免疫检查点、T细胞相关抑制、CCR、MCH-I型、副炎症反应、IFN-I型反应在高低风险中存在差异;筛选出的5个RNA甲基化关键IncRNAs与免疫检查点抑制剂存在相关性;
TMB是对免疫疗法反应的预测性生物标志物;因此,我们比较了高风险得分组和低风险得分组的TMB差异,并显示了突变率最大的前20个基因;然而,高风险评分组和低风险评分组之间的TMB没有明显的差异;高TMB与CC患者良好的OS有关,高TMB与低风险评分相结合的CC患者的OS最长;低风险评分组免疫治疗效果更好;
7)RNA甲基化关键lncRNAs的预后及免疫治疗的疗效评估
采用GEPIA2021(GeneExpressionProfilingInteractiveAnalysis2021,http://gepia2021.cancer-pku.cn/)分析免疫细胞浸润与筛选的RNA甲基化相关的关键IncRNAs之间的相关性,并根据浸润的免疫细胞比例比较两组的生存差异;进一步使用基因表达分析互动分析2(GEPIA2,http://gepia2.cancer-pku.cn/)来估计我们确定的关键RNA甲基化相关lncRNAs和免疫疗法反应特征之间的相关性;肿瘤免疫治疗基因表达资源的相关矩阵(TIGER,http://tiger.canceromics.org/#/)通过将已发表的基因签名应用于我们提供的宫颈鳞癌和宫颈内膜腺癌(CESC)的lncRNAs,预测患者对免疫治疗的反应,并利用基因表达数据与免疫治疗的临床信息比较我们提供的lncRNAs与已知免疫治疗反应签名的性能。
3.如权利要求2所述的***甲基化相关长链非编码RNA预后疗效预测模型的构建方法,其特征在于,
还包含如下步骤,
8)IC50来预测基于目标风险模型的新型药物的有效性
本专利使用R软件中"pRRophetic"包计算化疗药物的IC50,以评估化疗对***患者的影响,该结果可用于指导具体的治疗;IC50分析发现:低风险组的患者对ABT.263、AKT抑制剂VIII及ATRA更敏感;高风险评分的患者对A.770041、AP.24534、AS601245、AUY922、AZ628、和AZD.0530的IC50值小,表明这些患者对这五种药物更敏感。
4.如权利要求3所述的***甲基化相关长链非编码RNA预后疗效预测模型的构建方法,其特征在于,
还包含如下步骤,
9)验证关键RNA甲基化相关lncRNAs的预后价值
采用在线分析数据库GEPIA(http://gepia.cancer-pku.cn/)和Lnc2Cancer3.0(http://bio-bigdata.hrbmu.edu.cn/lnc2cancer)来确认RNA甲基化相关lncRNAs在CC患者中的预后价值;结果进一步证实,FAM27E3和SOX21-AS1高表达与CC患者良好的预后有关。
5.AC024270.3、FAM27E3和SOX21-AS1以及三者任意之一或者组合以及其表达的物质在制备***患者的药物或者作为生物标志物的用途。
6.如权利要求6所述的用途,其特征在于,肿瘤为***。
7.FAM27E3和SOX21-AS1二者任意之一或者组合以及其表达的物质在制备治疗CC患者的药物或者作为生物标志物的用途。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516235.7A CN116013403A (zh) | 2022-11-29 | 2022-11-29 | ***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516235.7A CN116013403A (zh) | 2022-11-29 | 2022-11-29 | ***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116013403A true CN116013403A (zh) | 2023-04-25 |
Family
ID=86019905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516235.7A Withdrawn CN116013403A (zh) | 2022-11-29 | 2022-11-29 | ***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116013403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844685A (zh) * | 2023-07-03 | 2023-10-03 | 广州默锐医药科技有限公司 | 一种免疫治疗效果评估方法、装置、电子设备及存储介质 |
CN117334347A (zh) * | 2023-12-01 | 2024-01-02 | 北京大学 | 评估治疗效果方法、装置、设备及存储介质 |
-
2022
- 2022-11-29 CN CN202211516235.7A patent/CN116013403A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844685A (zh) * | 2023-07-03 | 2023-10-03 | 广州默锐医药科技有限公司 | 一种免疫治疗效果评估方法、装置、电子设备及存储介质 |
CN116844685B (zh) * | 2023-07-03 | 2024-04-12 | 广州默锐医药科技有限公司 | 一种免疫治疗效果评估方法、装置、电子设备及存储介质 |
CN117334347A (zh) * | 2023-12-01 | 2024-01-02 | 北京大学 | 评估治疗效果方法、装置、设备及存储介质 |
CN117334347B (zh) * | 2023-12-01 | 2024-03-22 | 北京大学 | 评估治疗效果方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An immune-related signature predicts survival in patients with lung adenocarcinoma | |
Wang et al. | Six-gene signature for predicting survival in patients with head and neck squamous cell carcinoma | |
Zhang et al. | Clinical significance and inflammatory landscapes of a novel recurrence-associated immune signature in early-stage lung adenocarcinoma | |
CN116013403A (zh) | ***甲基化相关长链非编码rna预后及免疫治疗疗效预测模型的构建方法和用途 | |
CN111128299B (zh) | 一种结直肠癌预后显著相关ceRNA调控网络的构建方法 | |
CN111863159B (zh) | 一种肿瘤免疫治疗疗效预测的列线图模型的建立方法 | |
Wang et al. | Identification and validation of a prognostic 9-genes expression signature for gastric cancer | |
Liu et al. | Development of a novel immune-related lncRNA signature as a prognostic classifier for endometrial carcinoma | |
CN108424970A (zh) | 用于检测癌症复发风险的生物标志物及检测方法 | |
Sun et al. | Characterization of immune landscape in papillary thyroid cancer reveals distinct tumor immunogenicity and implications for immunotherapy | |
CN111676288B (zh) | 用于预测肺腺癌患者预后的***及其应用 | |
Zhang et al. | Development and validation of a fourteen-innate immunity-related gene pairs signature for predicting prognosis head and neck squamous cell carcinoma | |
CN113444804A (zh) | ***预后相关基因及其在制备***预后预测诊断产品中的应用 | |
CN114540499A (zh) | 基于pcd相关基因组合构建的模型在制备预测结肠腺癌预后产品中的应用 | |
CN115497562A (zh) | 一种基于铜死亡相关基因的胰腺癌预后预测模型构建方法 | |
Xiao et al. | Identification of a novel immune-related prognostic biomarker and small-molecule drugs in clear cell renal cell carcinoma (ccRCC) by a merged microarray-acquired dataset and TCGA database | |
Hou et al. | Prognostic significance of mutant-allele tumor heterogeneity in uterine corpus endometrial carcinoma | |
Zhang et al. | A novel immune-related prognostic signature predicting survival in patients with pancreatic adenocarcinoma | |
Tian et al. | Identification and validation of an immune-related gene-based prognostic index for bladder cancer | |
Li et al. | A novel mitochondrial-related gene signature for the tumor immune microenvironment evaluation and prognosis prediction in lung adenocarcinoma | |
Zhang et al. | Hallmark guided identification and characterization of a novel immune-relevant signature for prognostication of recurrence in stage I–III lung adenocarcinoma | |
Tang et al. | A 10-long non-coding RNA-based expression signature as a potential biomarker for prognosis of acute myeloid leukemia | |
Cai et al. | Histological tumor response assessment in colorectal liver metastases after neoadjuvant chemotherapy: impact of the variation in tumor regression grading and peritumoral lymphocytic infiltration | |
Peng et al. | Stem signatures associating SOX2 antibody helps to define diagnosis and prognosis prediction with esophageal cancer | |
CN113721018B (zh) | 用于预测肺腺癌预后的标志物及其应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230425 |
|
WW01 | Invention patent application withdrawn after publication |