小伙伴们大家好呀，今天要为大家介绍的是于2020年8月31日发表于Genomics（IF=6.205）的文章，题目为Development and validation of a six-RNA binding proteins prognostic signature and candidate drugs for prostate cancer，作者单位是河北医科大学第二医院。
本研究的重点是研究正常样品和前列腺癌（PCa）样品之间差异表达的RNA结合蛋白（RBP），进一步进行系统分析以揭示RBPs的潜在机制和临床应用价值。RNA结合蛋白的失调调节了几种癌症的进展，关于RBPs在前列腺癌中的总体功能的信息仍需要更多的研究，本文旨在深入了解RBPs在前列腺癌治疗和预后中的作用。
这个思路的文章公众号6月推过哦 生信人 （Cancers|肿瘤RBP预后分析方案）
分析意向（http://gaptechsxr.mikecrm.com/1vdMmqy）
科学问题
前列腺癌（PCa）是男性中最普遍的癌症，并且是全球癌症特异性死亡的主要原因之一。在过去的二十年中，中国的PCa发病率从10％迅速上升到20％。尽管PCa的总生存率比其他恶性肿瘤更好，但其复发率非常高，大多数患者最终发展成为晚期阶段。因此，针对PCa分子机制的进一步研究，以开发有效的筛查和诊断方法，对于改善患者的生活质量至关重要。
RNA结合蛋白（RBP）是一组蛋白，调控基因转录，主要作用于RNA加工，例如mRNA剪接，定位，聚腺苷酸化，易位，稳定性，翻译等。尽管RBP与多种疾病的生物学进展有关，但是关于RBP在癌症发展中的作用的报道仍然很少。研究表明，肿瘤中许多RBP都发生了异常变化，从而影响了mRNA到蛋白质水平的翻译，并进一步参与了癌变。因此，这项工作旨在了解肿瘤与正常组织之间差异表达的RBPs，进一步进行系统分析以揭示RBPs的潜在机制和临床信息。
流程图
结果分析
（1）RBP蛋白的差异表达与风险模型的建立
首先，研究总共分析了499个PCa样品和52个正常前列腺样品。用limma软件包预处理这些数据并检测差异表达的RBP。结果显示，在这项研究中包括的1542个RBP中，有144个符合阈值设置（adj P<0.05，| log2fc|>0.5），其中51个RBP下调而93个RBP上调（图1A，B）。随后，使用单变量Cox回归方法，用144种不同表达的RBP来研究预后的意义，结果获得了49个与预后相关的候选RBP。然后进行LASSO回归分析以鉴定与PCa患者的预后密切相关的49个候选基因，结果发现了14个候选基因，包括PPARGC1A，EZH2，MSI1，MBNL2，SNRNP70，LENG9，PABPN1，REXO2，XPO6，RNASE1，PABPC1L，LUC7L，SMAD9，ZFP36（图1C）。为了进一步选择具有最大预后价值的RBP，进行了多次逐步Cox回归以研究其影响，选择了六个关键RBP因子来构建PRAD患者的风险模型（图1D）。
图1. 差异表达的RBP分析。
（2）风险模型基因表达谱
与正常样品相比，这六个基因的表达谱显示MSI1，LENG9，REXO2和PABPC1L在前列腺癌样品中过表达，而在肿瘤组织中MBNL2和RNASE1较低（图2A）。此外，K-M图表明，MSa，REXO2，RNASE1，PABPC1L的过表达以及MBNL2，LENG9的低表达与PCa患者的RFS差有关（图2B）。
图2. 6个关键RBP的mRNA表达谱和生存曲线
（3）风险模型基因的甲基化
紧接着，研究了六个RBP的遗传改变状态和甲基化。结果表明，MSI1，MBNL2，LENG9，REXO2，RNASE1，PABPC1L分别表现出1.8％，2.2％，0.6％，4％，0.4％，0.6％的遗传改变（图3A）。拷贝数突变与MSI1的mRNA表达之间的相关性为0.376（图3B），而其他基因的相关性小于0.3。此外，MBNL2，REXO2和RNASE1的mRNA表达与DNA甲基化之间的相关性分别为-0.470，-0.640和-0.486（图3C），这表明MSI1可能是拷贝数驱动基因，而MBNL2，REXO2，RNASE1可能是甲基化驱动基因。
图3. 六个关键RBP的遗传改变和甲基化
（4）关键RBP构建预测模型
从多元Cox回归方法中选择的六个关键RBP用于建立预测模型。根据以下系数计算每个患者的风险评分：风险评分=（0.294*ExpMSI1）+（-0.497*ExpMBNL2）+（-0.278*ExpLENG9）+（0.544*ExpREXO2）+（0.760*ExpRNASE1）+（0.366*ExpPABPC1L）。然后，以中位风险评分为分界点，将PCa患者分为低风险组（n = 245）和高风险组（n = 244）。KM结果显示，高危人群与低风险组相比，高风险组的RPS较差（图4A）。此外，时间依赖性ROC证明，该RBP风险评分模型在1年，3年，5年的ROC曲线下面积（AUC）分别为0.799、0.736、0.714（图4B），这表明它具有中等的诊断性能。
图4. TCGA PRAD队列中的六基因预后模型的风险评分分析
（5）RBP模型的预测价值
此外，单因素和多因素Cox回归分析结果表明，风险评分是RFS的独立因素。为验证六个RBP模型在其他PCa队列中是否具有相似的预测价值，使用相似的公式生成风险MSKCC数据集中每个患者的得分。与TCGA队列中的结果一致，高风险评分患者的RFS也比低风险评分患者低（图5）。
图5. MSKCC队列中六基因预后模型的风险评分分析
（6）RBP基因的聚类分析
为了进一步分析RBPs基因的潜在机制，探索了TCGA-PRAD队列中不同风险组的DEG，其中652个基因达到阈值（adj P<0.05，|log2fc|>1），包括241个下调和411个上调的RBP（图6A）。为了全面了解风险评分与PCa生物学之间的关系，使用clusterProfiler软件包进行了GO功能富集。结果表明，DEGs主要与体液免疫反应，蛋白激活级联反应，抗原结合生物学过程有关（图6B）。然后还使用GSEA进行Hallmark和KEGG功能富集，这表明高风险组在细胞周期过程中富集，特别是DNA修复（图6C-D）。因此，在高风险和低风险组之间比较了DNA损伤修复（DDR）途径中关键基因的mRNA表达，这揭示了高风险组中高表达的DDR基因（图6E）。此外，许多DDR关键基因的遗传变化从低到高变化，例如POLE，FANCA（图6F）。这些发现表明，RBP通过改变DDR基因的表达可能调节肿瘤细胞的生物学功能。
图6. 受RBP影响的潜在生物途径
（7）RBP基因的下游基因改变
RBP调节基因转录，特别是转录后调节，其潜在地影响遗传改变，例如体细胞突变，拷贝数改变。在这里，进行了进一步的分析，以更深入地了解RBP风险组。对于CNA状态，结果显示高风险组在手臂和关节水平均具有高扩增和缺失（图7A-B）。此外，在高危人群中发现高TMB（图7C）。至于肿瘤干性，尽管没有显着性，高风险组中的干性指数增加了（图8D）。值得注意的是，TMB是免疫治疗反应的潜在生物标志物，而化学疗法是治疗诊断为晚期PCa的患者的常用方法。因此，基于TIDE和GDSC数据库，计算了高危组和低危组之间的免疫疗法反应和顺铂，多西他赛和比卡鲁胺的不同反应。免疫治疗无明显反应（图7E），但是，估计的IC50值表明，低风险组显示对顺铂和比卡鲁胺有更好的反应（图7F）。上述所有结果表明，RBPs风险模型与明显更高的拷贝数变化，更高的TMB，异常的药物反应有关。
图7. RBP风险组与相关表型之间的关系
（8）小分子药物的筛选
最后，使用CMap数据库来识别可用于治疗RBP高危人群的小分子药物。根据高风险和低风险组之间的652 DEG，预测了具有高度相关性的小分子药物（表1）。最后，根据富集得分和P值过滤了三种小分子药物，利巴韦林，卡莫斯汀，羧苄酮。
表1. CMap分析的结果
总结
研究探讨了PCa中不同表达的RBP的表达和潜在的预后能力。构建了六个RBP的风险模型，旨在基于这六个基因的表达水平提供有利的预后价值。此外，研究发现高危人群与DDR途径，拷贝数改变，TMB和药物反应有关。最后，预测了三种可能对RBPs高风险组具有潜在作用的小分子药物，它们为针对PCa肿瘤的靶向治疗提供了指导。
更多精彩内容可关注生信人（Cancers|肿瘤RBP预后分析方案）
分析意向（http://gaptechsxr.mikecrm.com/1vdMmqy）