https://pubmed.ncbi.nlm.nih.gov/?term=autophagy-related+genes+cancer&filter=datesearch.y_10&size=200
https://pubmed.ncbi.nlm.nih.gov/33457234/
ARGs 来自人类自噬数据库(HADb,http ://www.autophagy.lu/index.html ),这是一个自噬专用数据库,旨在保留参与自噬的人类基因。
基于 ARGs 的 RI 构建:然后使用Forward Stepwise(似然比)方法对与其他变量没有共线性的DEARGs进行多元逻辑回归分析,以保留可能作为监测独立指标的基因。
生存相关的 ARGs 和预后指数和自噬临床预后指数 (ACPI) 的构建
首先应用单变量 Cox 回归分析,使用Forward Stepwise(似然比)方法进行多变量Cox回归分析。
用基因的相对表达水平乘以回归系数的线性组合构建了预后指数(PI)。
image.png
分类准确率为96.5%,阳性预测值(PPV)为97.4%,阴性预测值(NPV)为85.7%。
https://pubmed.ncbi.nlm.nih.gov/30984540/
通过构建自噬-lncRNA共表达网络(P ≤ 0.05)来鉴定自噬相关的lncRNA 。
共表达网络由cytoscape 3.4 软件可视化。
接下来,我们使用风险评分方法来开发与自噬相关的 lncRNA 特征。我们根据中位风险评分将神经胶质瘤患者分为两组(低风险组和高风险组)(图 2)。 3)。
https://pubmed.ncbi.nlm.nih.gov/32477008/
DE-ATGs的鉴定和富集分析
然后,我们使用字符串数据库(https://string-db.org/)构建自噬相关基因的蛋白质-蛋白质相互作用(PPI)网络,并将数据导入Cytoscape的软件中,以可视化PPI网络的相互作用。
单变量Cox
将鉴定出的OS相关基因纳入LASSO回归分析。建立胃癌ATGs的预后模型。
列线图的构建
ccRCC 细胞系的药物敏感性
接下来,我们使用 GDSC 数据库分析了几种 ccRCC 细胞系的药物敏感性与BAG1和BIRC5表达之间的关系,BAG1和BIRC5分别是 OS 和 DFS 的风险 DEARG。相关链接:https://www.jianshu.com/p/f2806673e0f5
https://pubmed.ncbi.nlm.nih.gov/32203889/ 【WGCNA】
体细胞突变谱: 高危组存在特定的体细胞突变
https://pubmed.ncbi.nlm.nih.gov/32618109/
我们通过 MEXPRESS 工具 ( http://mexpress.be/ )探索了 TCGA 数据库中四个 ARG 与 DNA 甲基化之间的这种关系。
https://pubmed.ncbi.nlm.nih.gov/33194668/
预后风险模型的临床效用
我们发现两组之间存在一些显着的突变富集——IDH1、TP53、ATRX和CIC突变在低风险组中更为丰富。图 8A)。通过检查 TCGA 和 CGGA 队列中风险评分与临床特征之间的关联,我们发现风险评分与神经胶质瘤的分级呈正相关。图 8C、F) 并且它在 1p/19q 共缺失和 IDH 突变样本中显着较低 (图 8B、D、E、G)。
构建列线图,将1p/19q 共缺失和 IDH 突变纳入
为了确定该模型是否能够反映胶质瘤患者肿瘤免疫微环境的状态,使用 Pearson 相关分析分析了风险评分与免疫细胞浸润之间的相关性。
https://pubmed.ncbi.nlm.nih.gov/33392087/
通过对TCGA和基因表达综合 (GEO) 数据库的组合分析构建了一个预测 HCC 患者 OS 的新列线图。
【???】从人类自噬数据库 ( http://www.autophagy.lu/index.html ) 中总共获得了 232 个 ATG,从分子特征数据库 v6.2 ( http: //software.broadinstitute.org/gsea/msigdb/)。删除两个数据库中重叠的基因后,最终构建了487个ATGs( 补充表 S1 )。肿瘤环境
我们使用 ESTIMATE 在线工具 ( https://bioinformatics.mdanderson.org/estimate/ ) 来预测高风险和低风险组中基质细胞和免疫细胞的比例。EPIC 方法使用“EPIC”包计算 TCGA 和 GEO 数据集中免疫细胞的浸润丰度,该包基于复杂的组织转录组分析估计细胞组成。
使用 ESTIMATION 进行的肿瘤环境分析表明,低风险组与高免疫和基质评分密切相关。图 6E、F)。基于EPIC 的免疫细胞分数预测表明,低风险组的 B 细胞和 CD8+ T 细胞分数高于 TCGA 数据集的高风险组(对于 B 和 CD8+ T 细胞,p < 0.0001;图 6G、H) 以及GSE54236数据集(B 细胞 P < 0.0001,CD8+T 细胞 P = 0.0003;数字 6K、L)。
https://pubmed.ncbi.nlm.nih.gov/32707305/
表2。自噬相关基因特征和总生存期和无复发生存期的预测临床病理因素的单变量和多变量 Cox 回归分析。【OS,DFS:单,多cox分析】图 6。按 ER 状态(A、B)、PR 状态(C、D)、T 期(E、F)、N 期(G、H)、年龄(I、J)分层的队列中自噬相关基因特征的总生存期, 阶段 (K, L, M)。
最后,我们探讨了关键自噬相关基因、风险评分特征和临床病理特征之间的相关性。
https://pubmed.ncbi.nlm.nih.gov/33126898/
基于自噬相关基因的结肠癌预后模型的建立【有】
https://pubmed.ncbi.nlm.nih.gov/33227411/
基因集变异分析(GSVA)[ 22 ](http://www.bioconductor.org/packages/release/bioc/html/GSVA.html)和基因集富集分析(GSEA)[ 23 ](http://www.bioconductor.org/packages/release/bioc/html/GSVA.html) .broadinstitute.org/gsea/index.jsp ) 以揭示基因特征的潜在途径。GSVA ,GSEA这两个不是一样的。
图2。13个预后基因之间的相关性分析。
3.3 . 预后模型与临床病理特征的相关性
发现较高的风险评分与较高的分期和晚期肿瘤分级显着相关(表 2)。
3.4 . ARGs 是 HNSCC 的独立预测因子
3.6 . 在蛋白质表达水平上验证预后基因特征
https://pubmed.ncbi.nlm.nih.gov/32003756/
【多轮验证。】
GEO 数据集中的第一轮验证
oncomine 数据库中的第二轮验证
HPA 中的第三轮验证
实验验证
image.png
https://pubmed.ncbi.nlm.nih.gov/32964050/ ------基于自噬相关lncRNA分析的结肠腺癌预后指标的开发
相关系数的平方 ∣ R 2 | > 0.3 和P < 0.001 被认为是自噬相关的 lncRNA。
https://pubmed.ncbi.nlm.nih.gov/32415055/
转录组表达谱从 TCGA 和 GTEx数据库下载,ARGs 从人类自噬数据库下载。
比较毒物基因组学数据库 (CTD; http://ctdbase.org/ ) 是一个基于网络的数据库检测调控独立预后基因的 miRNA 和 lncRNA
TargetScan ( www.targetscan.org ) 是一个广泛使用的数据库,可以预测 miRNA 的生物靶点。StarBase v2.0(http://starbase.sysu.edu.cn/)可以预测lncRNAs的生物学靶点。
miRNAs的富集分析
DIANA 工具 ( http://diana.imis.athena-innovation.gr/DianaTools/index.php ) 是一个 miRNA 通路分析网络服务器
候选小分子药物的鉴定
Connectivity map (CMap)是一个基于网络的数据库,将人类疾病与潜在基因和靶向药物联系起来。独立预后基因的预后价值评估
OSecc 数据库(bioinfo.henu.edu.cn/DBList.jsp)是一种基于网络的交互式生存分析工具,可用于评估癌症患者的 OS [ 9 ]。
https://pubmed.ncbi.nlm.nih.gov/31938577/
2019年9月9日从TCGA数据库下载。相应患者的补充临床信息来自cBioPortal(http://www.cbioportal.org)。
https://pubmed.ncbi.nlm.nih.gov/32903592/
使用独立数据集进一步验证了 BUC 中 P4HB 和 RGS19 的过表达,包括来自 Oncomine和基因表达综合 (GEO) 数据库的那些。cBioPortal 和 UALCAN分析表明,改变的 P4HB 和 RGS19 mRNA 表达与突变和临床特征(淋巴结转移和癌症分期)显着相关。关联组学分析
LinkedOmics 13
LinkedOmics的LinkFinder模块用于分析TCGA队列BUC中与P4HB或RGS19相关的差异表达基因。我们使用 GeneMANIA 14 ( 23 ) 来可视化 P4HB 和 RGS19 的基因网络。
https://pubmed.ncbi.nlm.nih.gov/33402116/
已证明 miRNA 通过靶向某些 ARG 来调节自噬。然而,它们在 PCa 中的潜在作用仍不清楚。大多数 ARGs 的相关研究只集中在一个信号基因上。我们的研究使用高通量表达谱从自噬的角度捕获前列腺癌所需的基因。
NKX2-3与自噬相关风险特征相互作用网络的构建
我们通过FunRich软件预测了12个DEMs的靶基因,发现在众多自噬相关基因中,预测NKX2-3与DEMs中的miR-205有特殊的相关性。
https://pubmed.ncbi.nlm.nih.gov/33133307/
肿瘤免疫估计资源 (TIMER; http://cistrome.shinyapps.io/timer),一个用户友好的网络界面,为我们提供了全面研究肿瘤免疫相互作用的分子特征。
https://pubmed.ncbi.nlm.nih.gov/33042422/
研究的目的是确定预后自噬相关基因,分析其与胶质瘤临床病理特征的相关性,并进一步构建胶质瘤患者的预后模型。从GeneCards数据库中获取139个自噬相关基因后
此外,我们还基于 Oncomine 数据库的数据分析了自噬相关基因的 mRNA 水平,以及基于 HPA 数据库的数据分析了蛋白质表达水平。表3; 图 S1 )。
https://pubmed.ncbi.nlm.nih.gov/33042422/
不同预后模型之间预测效率的比【列线图后】
为了进一步评估本研究开发的列线图临床应用价值的优越性,我们比较了列线图与传统预测模型(即年龄、WHO 分类和组织病理学)、基于 10 自噬的基因模型之间的预测精度结果表明,列线图预测患者预后的准确率明显优于传统预测模型、IDH突变、WHO分级(图 7)。
image.png
https://pubmed.ncbi.nlm.nih.gov/33149738/ 【自噬相关的长链非编码 RNA 特征导致结直肠癌预后不良】
进行 Pearson 相关性检验以研究自噬相关基因 (ATGs) 和 lncRNAs 之间的关系。相关系数|R2| >0.4 和p < 0.001 证实了 lncRNA 与 ATG 的相关性。【如何实现?】
利用 Akaike 信息准则来优化风险模型。
图1-----自噬基因和相关预后lncRNA的共表达网络。
红色节点代表自噬相关的 lncRNA。蓝色节点代表自噬基因Sankey图
(b) 使用多指标 ROC 分析验证模型的准确性。
https://pubmed.ncbi.nlm.nih.gov/32684843/
将整个集合以 6 比 4 的比例随机分为训练集和测试集。【也有7:3的】体细胞突变分析
“maftools”包用于汇总、分析、注释和可视化突变注释格式(MAF) 文件 [ 13 ]。应用 T 检验来识别高危组和低危组之间的差异突变基因。plotmaf 摘要函数用于绘制各种 MAF 文件的数量和类型。OncoPlot 用于绘制前十个最明显突变的基因。
训练集中风险评分与OS的关系
验证测试集中的风险评分
验证整个集合中的风险评分风险评分与临床病理因素的关系
体细胞突变分析
临床组织样本中ARGs的表达水平
https://pubmed.ncbi.nlm.nih.gov/32558072/
TCGA数据库(https://portal.gdc.cancer.gov/)用于获取转录组数据,cBioPortal数据库(https://www.cbioportal.org/)用于获取患者临床病理数据。
https://pubmed.ncbi.nlm.nih.gov/31516391/
实验文章:
最近的研究表明,长链非编码 RNA (lncRNA) 通过与其他细胞大分子(包括 DNA、RNA 和蛋白质)的相互作用来驱动许多重要的癌症表型 [ 16 ]。关于 lncRNA 功能机制的一种假设是竞争性内源 RNA (ceRNA) 假设 [ 17 ],该假设认为特定的 RNA 可以通过隔离损害 microRNA (miRNA) 活性,从而上调 miRNA 靶基因表达 [ 17 ]。
https://pubmed.ncbi.nlm.nih.gov/32769067/ 【自噬相关基因表达分类定义了结肠癌中具有不同临床和微环境细胞浸润特征的三种分子亚型】
吉尼等人。将六个独立的分类系统合并为四个具有显着特征的共有分子亚型,包括微卫星不稳定性免疫亚型、经典亚型、代谢亚型和间充质亚型[[4]](https://www.sciencedirect.com/science/article/pii/S1567576920305026?via%3Dihub#b0020).
【多个GEO】
自噬相关基因的共识聚类【?????】
应用共识聚类算法,确定稳定亚型的最佳数量。在使用 ConsensuClusterPlus 包[18]、[19]执行上述步骤时,保持 1000 次重复以确保分类稳定性。
3.3 . TME细胞浸润的不同自噬亚型的特征
https://pubmed.ncbi.nlm.nih.gov/33604190/
Reactome ( https://reactome.org/ ) 是一种用于通路可视化、解释和分析的生物信息学资源 ( Jassal et al., 2020 )。Oncomine 差异基因表达分析
不同肿瘤类型中不同ATGs mRNA的表达。
https://pubmed.ncbi.nlm.nih.gov/32021258/
使用 ESTIMATE R 包 ( https://sourceforge.net/projects/estimateproject/ ),我们计算了来自 CGGA 和 TCGA 数据集的所有样本的免疫评分、基质评分、ESTIMATE 评分以及肿瘤纯度。我们分析了 531 个自噬相关基因,包括来自人类自噬数据库 (HADb) 的 232 个基因和来自 MSigDB 的 GO_AUTOPHAGY 基因组的 394 个基因。
为了筛选与临床预后相关的基因,在两个数据集(分别来自 CGGA 的 138 个 RNA-seq 数据和来自 TCGA 的 152 个 RNA-seq 数据)中进行了单变量 Cox 回归分析。最后,确定了 14 个基因与 OS 显着相关(p < 0.05)。将来自 CGGA 数据集的 138 名 GBM 患者与 14 个基因的表达谱进行聚类【类似WGCNA】,确定了两个稳健的组。图 1A)【分组模式稍有不同】
https://pubmed.ncbi.nlm.nih.gov/33777735/【自噬相关基因和lncRNA在结直肠癌治疗和预后中的作用】
免疫细胞浸润计算和肿瘤微环境评分聚类分析
通过 R 包“Consensus ClusterPlus”的无监督聚类,我们基于 DEAGs 的相似性对 CRC 样本进行聚类,以根据 CDF 曲线下的最大面积(http://www.bioconductor.org/)评估最佳聚类数。结直肠癌差异自噬相关基因的无监督聚类分析及临床特征
我们根据训练集中的 DEAG 对具有不同 AG 质量的 CRC 患者进行分类。最终使用基于 CDF 曲线的无监督聚类确定了两种不同的表达模式,包括 cluster1 中的 374 个案例和 cluster1 中的 192 个案例(图 2B-E)。
结直肠癌风险模型的免疫评分和免疫细胞浸润
Oncomine 数据库和人类蛋白质图谱中预后相关差异自噬相关基因验证的表达
https://pubmed.ncbi.nlm.nih.gov/32649310/
然后我们使用cbioProtal数据库研究了上述基因的 CNV 和 mRNA 表达变化。图 10A)。
图 2。
怎么来的??
https://pubmed.ncbi.nlm.nih.gov/33050642/【ceRNAs介导的自噬在癌症化疗耐药和转移中的作用】
https://pubmed.ncbi.nlm.nih.gov/33960661/【★★★★★】
我们收集了总自噬相关基因,并通过 BLCA 中的 LASSO cox 回归分析建立了自噬相关基因特征 (ATGRS)。Kaplan-Meier 生存率和多变量 cox 回归分析都表明 ATGRS 是一个可靠的独立预后因素,具有很高的准确性。随后,综合分析表明ATGRS与分子亚型、临床病理特征和体细胞突变改变有很强的相关性。而且,发现 ATGRS 与肿瘤微环境 (TME)中免疫细胞的浸润和免疫检查点表达呈正相关,表明自噬通过调节 TME 发挥了强大的作用。
此外,ATGRS 被证明可有效预测基于免疫检查点抑制剂 (ICI)的免疫疗法和化学疗法在 BLCA 中的临床益处。
此外,我们观察了自噬相关基因的异常表达水平,并通过 LASSO cox 回归分析发现了 ATGRS 在泛癌中的不同行为。
2.3. 预测列线图的构建
“ forestplot ”包----------过包“ rms ”构建列线图R. 36 中的 “ nomogramEx ”和“ regplot ”2.4. TME免疫细胞浸润的估计
2.5. 化疗和免疫检查点抑制剂 (ICI) 免疫治疗反应预测
公开可用的药物基因组学数据库 Genomics of Drug Sensitivity in Cancer (GDSC) ( https://www.cancerrxgene.org/ ) 用于根据 ATGRS 风险评分预测每个样本的化疗反应。
通过 R 中的“pRRophetic”包,通过 10 倍交叉验证基于 GDSC 训练集评估每个样本中的半数最大抑制浓度 (IC50)。所有参数均设置为默认值,通过使用 R 中的包“combat”去除批次效应,组织类型选择为“allSoldTumours”。
2.6. ATGRS 的泛癌验证
2.7. 自噬相关基因的异常蛋白质水平验证
将来自 HDAB 和 MSigDB 的 ATG 合并后,我们最终得到了 436 个候选 ATG 用于后续研究(图 1A)。
3.6. ATGRS 可预测免疫疗法和化学疗法的临床反应
而在 CHOL、LGG、LUAD、PAAD 和READ 中,ATGRS 谱可用作有益标记。