CN115029442A - 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用 - Google Patents

基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用 Download PDF

Info

Publication number
CN115029442A
CN115029442A CN202210751818.1A CN202210751818A CN115029442A CN 115029442 A CN115029442 A CN 115029442A CN 202210751818 A CN202210751818 A CN 202210751818A CN 115029442 A CN115029442 A CN 115029442A
Authority
CN
China
Prior art keywords
risk
prognosis
model
lncrna
soc
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.)
Pending
Application number
CN202210751818.1A
Other languages
English (en)
Other versions
CN115029442A9 (zh
Inventor
郭刚强
叶乐乐
粘泽恺
薛向阳
冯诗雨
汤桑桑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou Medical University
Original Assignee
Wenzhou Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou Medical University filed Critical Wenzhou Medical University
Priority to CN202210751818.1A priority Critical patent/CN115029442A/zh
Publication of CN115029442A publication Critical patent/CN115029442A/zh
Publication of CN115029442A9 publication Critical patent/CN115029442A9/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/118—Prognosis of disease development
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/178—Oligonucleotides characterized by their use miRNA, siRNA or ncRNA
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Organic Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Oncology (AREA)
  • Microbiology (AREA)
  • Hospice & Palliative Care (AREA)
  • Molecular Biology (AREA)
  • Biochemistry (AREA)
  • Bioethics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用。本发明基于TCGA数据库SOC患者(n＝375)的转录组数据及临床信息，通过皮尔逊相关分析，单/多变量/lasso cox回归分析获得6条与SOC患者预后显著相关的m6A修饰调节因子相关lncRNAs。通过人群的测试和验证，并通过临床特征分层分析、主成分分析及结合TP53突变信息评估了模型的分辨能力和预测能力。建立了nomogram并进一步评估了模型的预后价值。综上所述，本发明建立了一个可靠的预测SOC患者预后的风险模型，基于所述标记物的浆液性卵巢癌预后评估模型的应用如下：(1)作为评估患者预后危险度的分子标记物；(2)应用于浆液性卵巢癌中以评估患者的预后危险度。

Description

基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床 应用
技术领域
本发明涉及生物医学技术领域，更具体地说，它涉及一种基于m6A相关 lncRNA的浆液性卵巢癌预后模型的构建及其临床应用。
背景技术
卵巢癌(Ovarian carcinoma,OC)是全球女性癌症中死亡率最高的肿瘤。 90％的OC是上皮性卵巢癌，而75％的上皮性卵巢癌是浆液性卵巢癌(Serous ovarian carcinoma,SOC)。由于卵巢解剖位置的隐蔽以及早期没有明显或特定的临床症状，大部分患者确诊时已是晚期。不仅如此，复发率高、耐药等原因，使得SOC患者的预后差。随着手术方式、化学疗法和免疫疗法的不断发展和改进，SOC患者的总体生存率得到了提高，然而，SOC患者的预后仍不理想，迫切需要有效的生物标志物进行预后及治疗反应的预测和监测。
长链非编码RNA(Long non-coding RNAs,lncRNA)广泛存在，是一类长度大于200个核苷酸，不具备或仅具备有限蛋白质编码能力的分子。lncRNA参与了多种生物学过程调控，包括肿瘤增殖、凋亡、转移和耐药等，其异常表达与包括SOC在内的多种癌症的发生发展密切相关；已经有研究表明lncRNA AB073614和HOTAIR可以作为OC患者潜在的诊断和预后生物标志物。
m6A修饰是真核生物RNA中最常见的化学修饰之一，这是一种动态且可逆的转录后修饰。其可作为临床上有效的生物标志物和潜在的治疗靶点。此外，m6A 修饰受调节因子调控，主要由甲基化酶(METTL3/14,WTAP,RBM15/15B and KIAA1429等,又称为"writers")、去甲基化酶(FTO and ALKBH5等,称为 "erasers")和m6A结合蛋白(YTHDF1/2/3,IGF2BP1 andHNRNPA2B1等,称为 "readers")组成。多项研究表明，m6A修饰及其调节因子是推动包括SOC在内的多种癌症发生发展的主要因素之一，它们在细胞死亡和增殖失调、免疫调节异常和肿瘤恶性进展等生物学过程中发挥重要作用。
越来越多的研究发现，m6A修饰与lncRNA之间存在明显的相互作用。一方面，m6A修饰及其调节因子参与了lncRNA的富集和调控，从而在lncRNA的生物学过程中发挥重要作用，继而介导多种癌症的发生发展。例如，m6A修饰可以通过reader的结合位点调节lncRNA的结构进而影响了lncRNA的生理功能。另一方面，在癌症中，m6A修饰调节因子的功能也受到lncRNA的调控。例如有研究发现，lncRNA LINC00470与PTEN mRNA结合，通过与METTL3的相互作用抑制 PTEN mRNA的稳定性，从而发挥促进胃癌进展的作用。因此，对m6A修饰与lncRNA 相互作用的进一步研究，将有助于我们更好地理解它们在SOC中的生物学作用。
然而，目前在SOC中还没有m6A相关lncRNA的研究，m6A相关lncRNA作为生物标志物对于预测SOC患者的预后判定也没有明确的参考标准。因此，选用合理的方式筛选出疾病相关分子标志物，明确SOC的潜在分子机制，为早期和精确的预防、诊断和治疗SOC提供方向，进一步提高SOC患者的临床诊断效率和预后判断能力。
发明内容
针对现有技术存在的不足，本发明的目的在于提供了一种基于m6A修饰相关lncRNA的浆液性卵巢癌预后评估模型及其临床应用。本发明系统地分析了与m6A 修饰调节因子相关的lncRNA和浆液性卵巢癌总体生存率之间的关系，经多环节分析后筛选出6条lncRNAs，并建立了基于这6条lncRNAs的风险得分预后模型以预测SOC的预后。该发明基于6条m6A相关lncRNA构建的SOC预后评估模型，能够有效地预测患者预后及治疗反应，提升SOC不良预后的临床应对能力，以改善患者的死亡率及预后。
为实现上述目的，本发明提供了如下技术方案：
一种浆液性卵巢癌的预后标记物，所述预后标记物为AL513211.1， LINC02384，RP11-508M8.1，AC138761.4，MYCNOS和AC07206.3六条lncRNAs的组合。
进一步地，基于所述标记物，所述预后风险模型公式为：风险评分＝系数(lncRNA1)×表达(lncRNA1)+系数(lncRNA2)×表达(lncRNA2)+…+系数 (lncRNAn)×表达(lncRNAn)；其中n表示第n个非零系数的lncRNA，表达为该lncRNA的表达水平(FPKM)。
所述的标记物和预后预测模型，具体构建过程包括以下步骤：
(1)从TCGA数据库下载浆液性卵巢癌全转录组数据以及相应患者的临床信息；
(2)从相关研究报道中筛选出m6A修饰调节因子，获得相关m6A基因集；
(3)根据皮尔逊相关分析筛选出与m6A修饰调节因子相关的lncRNA (m6A-lncRNAs)；
(4)结合乘积极限法(Kaplan-Meier，KM)，以及单变量Cox回归分析，计算每个m6A-lncRNAs与患者生存是否存在关系，筛选出与SOC预后相关lncRNA；
(5)利用Lasso Cox回归进一步筛选lncRNA，并使用受试者工作特征曲线分析评估进行模型自评；
(6)最后通过多变量Cox回归分析，剔除混杂因素，获得6条风险相关 lncRNA的风险权重系数，并构建风险公式；
进一步地，根据所述的SOC预后预测模型，根据计算的风险评分将患者划分为高危和低危两组，进行患者预后判断。
进一步地，基于所述标记物及构建的预后评估模型，经过测试和验证，多个角度(PCA，分层分析等)评估模型区分和预测能力。
本发明具有以下有益效果：本发明提供了在浆液性卵巢癌中，基于筛选m6A 修饰调节因子相关的风险因素lncRNAs来建立风险得分预测模型，并且在SOC的多个测试数据集中，证实了该模型稳定有效。该模型在SOC预后的评估中能够提供可靠的分子标志物，提高了对SOC预后评估的预测能力，对具有高风险(不良预后)的SOC能够有效的识别，使得在临床中能够早期监控和有效干预，以此来降低SOC的不良预后发生率及死亡率，改善患者预后。
附图说明
图1是本发明研究的工作流程；
图2是Lasso Cox分析选择的13个与疾病预后及m6A相关的lncRNA；
图3是模型内部验证，显示了这些lncRNA具有很强的辨别能力，ROC曲线下面积提示模型在SOC的预后评估中具有重要价值；
图4是多变量cox回归分析，获得6条与预后相关的m6A相关lncRNAs，它们与SOC患者总生存时间(Overall survival,OS)独立相关，其中，RP11-508M8.1 和AC138761.4为危险因子；
图5是m6A修饰调节因子和候选lncRNAs互作网络；
图6建立了包括风险评分、FIGO分期、分级和年龄的列线图，以预测SOC 患者1年、2年和3年的OS，并且结果表明列线图具有效的预后价值；
图7是存储有彩图的二维存储码。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
参照图1至图7所示，为实现上述目的，本发明提供了如下技术方案：一、方法和材料
1.数据获取、整理和分析
2021年9月，通过“TCGAbiolinks”(R软件包)下载了TCGA数据库中SOC患者的全转录组数据和突变数据，并下载了相应的临床信息 (https://www.cbioportal.org)。排除缺失了OS值的样本后，将这些数据按6： 4的比例随机分为两组，分别命名为训练集和测试集，并将总数据集重命名为验证集。根据文献报道，m6A相关调控因子包括12个writers(CBLL1、METTL14、 METTL16、METTL3、METTL5、VIRMA、RBM15、RBM15B、TRMT112、WTAP、ZC3H13、ZCCHC4)，19个readers(ELAVL1、EIF3A、FMR1、G3BP1、G3BP2、HNRNPA2B1、 HNRNPC、IGF2BP1、IGF2BP2、IGF2BP3、LRPPRC、RBMX、PRRC2A、SND1、YTHDC1、 YTHDC2、YTHDF2和YTHDF3)和2个erasers(ALKBH5和FTO)。之后，我们从TCGA 数据库中分离出编码基因、lncRNA和m6A修饰调节因子的基因表达谱，用于进行后续分析。
2.预后模型的构建
训练集用于构建基于m6A修饰调节因子相关lncRNA的SOC预后风险评分模型，该模型依次通过Kaplan-Meier生存分析(KM)、单变量Cox回归、Lasso-Cox回归和多变量Cox回归分析进行筛选后，获得关键的lncRNAs并构建模型。风险评分计算方式为风险系数乘以候选lncRNAs的基因表达谱(Gene expression profiles，GEPs)值之和，预后风险评分公式如下：风险评分＝系数(lncRNA1) ×表达(lncRNA1)+系数(lncRNA2)×表达(lncRNA2)+…+系数(lncRNAn) ×表达(lncRNAn)，其中n表示第n个非零系数的lncRNA。基于以上分析得出的结果，根据每个队列(训练、测试和总数据集)的风险评分得分，根据中位数将患者分为低风险组和高风险组。
3.标记物的独立评估和预测列线图的建立
应用测试集和验证集来验证该模型。通过主成分分析进行有效的降维，模型可有效识别风险和分组。此外，进行单变量和多变量cox回归分析，证实模型是有效的独立评估特征。进一步结合临床特征构建列线图。
4.统计分析
连续变量采用Student t检验或非参数Wilcox检验进行分析。采用KM生存分析和Cox单变量分析进行预后分析。所有数据均按R 4.0.1进行分析 (http://www.r-project.org/)，P＜0.05的结果具有统计学意义。
二、结果
1.鉴定m6A修饰调节因子相关的lncRNAs
我们在图1中总结了候选lncRNA识别的过程。首先，如方法部分所述，从TCGA 数据库中分离SOC患者的33个m6A修饰调节因子和15900条lncRNAs的表达谱。我们根据皮尔逊相关分析的结果定义了2244条与m6A相关的lncRNAs(|R|>0.3和P< 0.001)，如图7二维码中所包含的存储一号图所示。
2.SOC患者m6A相关lncRNAs风险模型(m6A-LRM)的构建
通过使用Kaplan-Meier生存分析(KM)和Cox单变量分析，从皮尔逊相关分析所定义了的2244条m6A相关lncRNAs中得到了895条与训练集中OS显著相关的 lncRNAs(P<0.05)；之后通过Lasso Cox分析显示了这些lncRNAs的相关系数，并基于最小λ法选择出13条与m6A相关的lncRNAs，如图2所示。这些lncRNA在训练集构建模型的自评中也显示出具有很强的辨别能力(图3)。进一步地，我们通过多变量cox回归分析，获得了6条与m6A及OS独立相关的lncRNAs，其中， RP11-508M8.1和AC138761.4为危险因素(风险比:Hazard ratio,HR)>1)， AL513211.1、LINC02384、MYCNOS和AC072062.3为保护因素(HR<1)，如图4所示；然后，根据这些lncRNA的基因表达谱(Gene expressionprofiles,GEPs) 和回归系数，在训练集中建立预后风险的评分计算公式；风险模型的一致性指数为0.672(se＝0.025)，显示出良好的预后价值。m6A修饰调节因子和候选lncRNAs之间的作用较为复杂，并且具有串扰，两者互作网络如图5所示。
3.三个队列中m6A-LRM的验证
以中位风险得分为临界值，将SOC患者分为低风险组和高风险组。显示了m6A 相关lncRNAs模型的风险评分分布和每个SOC患者的生存状态，如图7二维码中所包含的存储二号图所示。风险评分较高的患者OS显著低于风险评分较低的患者 (P<0.001)。为了检验该模型的预后预测，使用m6A-LRM计算测试集和验证集中每个患者的风险得分。同样，还描述了患者的风险评分、生存状态和生存时间的分布。正如预期的那样，风险得分较高的SOC患者的OS比风险得分较低的患者短(P测试集<0.001，P验证集<0.001，如图7二维码中所包含的存储二号图所示)。此外，验证集中的患者根据不同的临床病理特征分为低/高危组。结果表明，低风险患者的OS长于高风险患者(图7二维码中所包含的存储三号图)。
4.多角度判别m6A-LRM的区分能力
通过使用1)全转录组表达谱数据，2)编码基因表达谱，3)33个m6A调节因子表达谱，4)6条m6A相关lncRNAs表达谱，5)基于六条m6A相关lncRNAs构建的风险模型进行主成分分析分类。结果表明，所有RNA-seq数据、编码基因和33 个m6A修饰调节因子的GEP都不能有效地区分低风险和高风险患者。正如预期的那样，基于六个m6A相关lncRNA的GEP的结果显示出很大的区别，尤其是基于六个m6A 相关lncRNAs构建的风险模型进行分类。这些结果表明，由m6A相关lncRNA建立的风险模型是评估SOC患者预后的有效特征，如图7二维码中所包含的存储四号图所示。
此外，结合基因突变结果进行分析发现，预后预测模型较突变状态有更好的预后分辨能力(图7二维码中所包含的存储四号图)。
5.m6A-LRM与SOC患者临床特征的评价
为了评估风险模型是否作为SOC患者的独立预后预测，我们结合模型风险评分、年龄、FIGO分期和分级进行了单/多变量cox回归分析。结果表明，只有风险评分是SOC患者的独立风险预后因素(P<0.001)。在单变量回归分析中，风险评分的HR和95％置信区间(CI)分别为2.00和1.60–2.51；在多变量回归分析中，HR为1.97，95％CI为1.57–2.48；这些结果表明风险模型是SOC患者的关键独立预后因素，如图7二维码中所包含的存储五号图所示。随着时间的推移，一致性指数大于其他临床特征，表明风险模型可以更好地评估SOC患者的预后，风险评分模型的AUC大于其他临床特征(AUC风险模型＝0.634，AUCFIGO分期＝0.586， AUCGrade＝0.499，AUCAge＝0.561)，如图7二维码中所包含的存储六号图所示。这些结果表明，m6A-LRM是可靠的，可以更好地评估SOC患者预后。
6.列线图构建与评价
建立了包括风险评分、FIGO分期、分级和年龄的列线图，可以预测SOC患者 1年、2年和3年的OS。通过与临床特征分别比较，列线图显示出卓越的预测能力，如图6所示。校准图进一步显示，1年、2年和3年生存曲线在实际结果和预测结果之间显示出理想的一致性，表明列线图的有效预后价值。
通过手持终端(手机、平板等物件)，通过二维码扫描图7即可观看到有关于附图7二维码中所包含的存储一号图至附图7二维码中所包含的存储六号图的内容。其中图7二维码中所包含的存储一号图是皮尔逊相关分析定义了2244 个m6A相关的lncRNAs，并通过R软件可视化的m6A修饰调节因子-lncRNA网络；
图7二维码中所包含的存储二号图显示了训练集、测试集和验证集每个SOC 患者的m6A相关lncRNA模型(m6A-LRM)的风险评分分布和生存状态，表明风险评分较高的患者OS显著短于风险评分较低的患者；
图7二维码中所包含的存储三号图是根据按年龄和FIGO分期划分的亚组，来检验该模型的预后预测能力，显示低风险患者的OS长于高风险患者；
图7二维码中所包含的存储四号图是主成分分析表明了m6A-LRM可以有效分辨SOC患者的风险；验证了m6A-LRM是SOC患者可靠的关键独立预后因素。
图7二维码中所包含的存储五号图结合模型风险评分、年龄、FIGO分期和分级进行了单/多变量cox回归分析。结果表明，只有风险评分是SOC患者的独立风险预后因素。
图7二维码中所包含的存储六号图显示随着时间的推移，一致性指数大于其他临床特征，表明风险模型可以更好地评估SOC患者的预后，风险评分模型的AUC 优于其它临床特征。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种预测SOC预后的标记物，其特征在于，所述预后标记物为AL513211.1，LINC02384，RP11-508M8.1，AC138761.4，MYCNOS和AC07206.3六条lncRNA的组合。
2.基于权利要求1所述标记物的风险模型，其特征在于，风险评分＝系数(lncRNA1)×表达水平(lncRNA1)+系数(lncRNA2)×表达水平(lncRNA2)+…+系数(lncRNAn)×表达水平(lncRNAn)；其中n表示第n个非零系数的lncRNA。
3.如权利要求2所述的预测SOC预后的预测模型，其特征在于，具体模型构建方法包括以下步骤：
(1)从癌症基因组图谱TCGA数据库下载浆液性卵巢癌全转录组数据以及相应患者的临床信息；
(2)从相关报道中筛选m6A修饰调节因子，获得相关的m6A基因集；
(3)根据皮尔逊相关分析筛选出与m6A修饰调节因子相关的lncRNA(m6A-lncRNAs)；
(4)结合乘积极限法(Kaplan-Meier，KM)，也叫KM生存分析以及单变量Cox回归分析，计算每个m6A-lncRNAs与患者生存是否存在关系，筛选出与SOC预后相关lncRNA；
(5)利用Lasso Cox回归进一步筛选lncRNA，筛选出其中13个lncRNAs，并使用受试者工作特征曲线分析评估进行模型自评；
(6)最后通过多变量Cox回归分析，剔除混杂因素，获得6个风险因素相关lncRNA的风险权重系数，并构建风险公式。
4.根据权利要求3所述的SOC预后的预测模型，其特征在于，该方法具体包括RNA的获取，lncRNA筛选，模型的构建和风险评分的计算，根据计算的风险评分将患者划分为高危和低危两组，判断患者预后。
5.一种基于浆液性卵巢癌预后模型的应用，其特征是：(1)作为评估患者预后危险度和疗效的分子标记物；(2)应用于浆液性卵巢癌中以评估患者的预后危险度和疗效。
CN202210751818.1A 2022-06-28 2022-06-28 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用 Pending CN115029442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210751818.1A CN115029442A (zh) 2022-06-28 2022-06-28 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210751818.1A CN115029442A (zh) 2022-06-28 2022-06-28 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用

Publications (2)

Publication Number Publication Date
CN115029442A true CN115029442A (zh) 2022-09-09
CN115029442A9 CN115029442A9 (zh) 2023-08-01

Family

ID=83126169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210751818.1A Pending CN115029442A (zh) 2022-06-28 2022-06-28 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用

Country Status (1)

Country Link
CN (1) CN115029442A (zh)

Also Published As

Publication number Publication date
CN115029442A9 (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN112048559B (zh) 基于m6A相关的IncRNA网络胃癌预后的模型构建及临床应用
CN112133365B (zh) 评估肿瘤微环境的基因集、评分模型及其应用
CN110577998A (zh) 预测肝癌术后早期复发风险分子模型的构建及其应用评估
CN111564214B (zh) 一种基于7个特殊基因的乳腺癌预后评估模型的建立与验证方法
CN111128385B (zh) 一种用于食管鳞癌的预后预警系统及其应用
CN111653314B (zh) 一种分析识别淋巴管浸润的方法
Luo et al. A prognostic 4-lncRNA expression signature for lung squamous cell carcinoma
CN113234829B (zh) 结肠癌预后评估基因集及其构建方法
CN111863137A (zh) 一种基于高通量测序数据和临床表型构建复杂疾病状态评估方法及应用
CN114317532B (zh) 用于预测白血病预后的评估基因集、试剂盒、系统及应用
CN114300139A (zh) 一种乳腺癌预后模型的构建及其应用方法和存储介质
CN113450869A (zh) 基于m6A相关的lncRNA网络结直肠癌预后模型的构建及其临床应用
CN111312334A (zh) 一种影响细胞间通讯的受体-配体系统分析方法
Li et al. Performance‐weighted‐voting model: An ensemble machine learning method for cancer type classification using whole‐exome sequencing mutation
CN115497552A (zh) 一种基于内质网应激特征基因的胃癌预后风险模型和应用
CN112037863B (zh) 一种早期nsclc预后预测系统
CN113362895A (zh) 一种预测抗癌药物反应相关基因的综合分析方法
Mauguen et al. Estimating the probability of clonal relatedness of pairs of tumors in cancer patients
CN114678062B (zh) 基于多组学特征的肝细胞癌预后预测系统及其预测方法
CN115029442A (zh) 基于m6A相关lncRNA的浆液性卵巢癌预后模型的构建及其临床应用
CN116259360A (zh) 肺腺癌中高增殖肿瘤亚群的鉴别及特征基因集与应用
US20240194294A1 (en) Artificial-intelligence-based method for detecting tumor-derived mutation of cell-free dna, and method for early diagnosis of cancer, using same
JP2007520829A (ja) アレイｃｇｈデータ及び遺伝子発現データの連携解析のための方法及びシステム
CN113234823B (zh) 胰腺癌预后风险评估模型及其应用
Shi et al. An application based on bioinformatics and machine learning for risk prediction of sepsis at first clinical presentation using transcriptomic data

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
CI02 Correction of invention patent application

Correction item: Description|Drawings

Correct: Delete the relevant content of Figure 7|Delete Figure 7

False: There is relevant content in Figure 7|Figure 7

Number: 36-02

Page: ??

Volume: 38

CI02 Correction of invention patent application