2020-07-26 脂质代谢+胶质瘤+生信=4分

题目

image.png

摘要

脂质代谢重编程在癌症的细胞生长，增殖，血管生成和侵袭中起重要作用。但是，胶质瘤进展过程中的各种脂质代谢程序和预后价值仍然不清楚。在这里，使用来TCGA和CGGA）数据库的RNA测序数据对脂质代谢相关基因进行了分析。GO和GSEA发现，神经胶质瘤（GBM）主要表现出糖鞘脂代谢进程的富集，而低级神经胶质瘤（LGGs）表现出磷脂酰肌醇代谢进程的富集。根据LGG和GBM之间脂质代谢的差异基因，我们使用Cox比例风险模型开发了一个9基因集，并将CGGA队列用于验证数据集。生存分析表明，所获得的基因组可以区分这两个队列中低风险和高风险患者的结果。同时，多变量Cox回归分析表明该信号是弥漫性神经胶质瘤的独立预后因素。GO和GSEA表明，高危病例与细胞表型和免疫反应有关。总的来说，我们的发现为弥漫性胶质瘤中的脂质代谢提供了新的视角。

方法和材料

患者和数据集

我们分别从TCGA和CGGA数据库中收集了550例和309例弥散性神经胶质瘤的RNA序列数据和临床信息。 TCGA队列用作训练集，而CGGA队列用作验证集。

基因组选择

四个与脂质代谢相关的基因组（反应组代谢脂和脂蛋白，Reactome磷脂代谢，标志性脂肪酸代谢和KEGG甘油磷脂禁忌症）从分子特征数据库v5.1收集（MSigDB）。 去除重叠的基因后，614种脂质代谢物

生物信息学分析

对差异基因的功能注释进行了基因本体论（GO）分析。 基因组富集分析（GSEA）通过GSEA v3软件用于鉴定两组之间统计学上不同的基因组。 使用R包“ princomp”进行了13个主成分分析（PCA），以分析分组患者的表达模式。利用基因表达数据，用R包“ ESTIMATE”计算每个样品的基质和免疫评分，这反映了基质和免疫细胞的基因特征富集。

结果

image.png

图1：LGG和GBM之间的脂质代谢。 A，TCGA队列的LGG和GBM之间脂质代谢相关基因的热图。 B，LGG和GBM之间脂质代谢相关基因的主成分分析。 C，LGG和GBM之间差异基因的GO分析。 D和E，LGG和GBM之间脂质代谢状态的基因集富集分析。

image.png

图2：在TCGA队列中通过Cox比例风险模型识别预后特征。 A,Venn图显示了与预后相关的脂质代谢基因，它们在GBM和LGG之间也有差异表达。 B，用于验证比例风险模型中参数选择的交叉验证。C，热图显示特征基因。 D，九个选定基因的系数（Coeff）值。 E，高风险和低风险患者的OS生存分析

image.png

图3：脂质代谢相关基因组与病理特征之间的关联。 A‐E，TCGA队列中按等级，亚型，IDH，MGMT启动子和1p / 19q状态在分层患者中风险评分的分布。 F‐J，按年龄，亚型，IDH，MGMT启动子和CGGA队列中的1p / 19q状态在分层患者中的风险评分分布

image.png

图4：分层患者中基因集结果的预测。 A‐H，分层患者的生存分析

按等级，IDH，MGMT启动子和1p / 19q状态

image.png

图5：低风险和高风险病例之间的功能丰富。 A和B，两个队列中低风险和高风险病例之间差异基因的GO分析。 C和D，基于两个队列中风险评分的中位数的GSEA分析