今天给大家分享一篇IF=7.4的肿瘤分型的文章，2023年9月发表在Journal of Translational Medicine：A novel NET-related gene signature for predicting DLBCL prognosis，鉴定预测DLBCL预后的新型NET相关基因
Journal of Translational Medicine算是“常驻嘉宾”了
摘要
- 背景：弥漫性大 B 细胞淋巴瘤 （
DLBCL） 是一种侵袭性恶性肿瘤。中性粒细胞细胞外陷阱（NET）是肿瘤微环境中影响DLBCL进展的病原体捕获结构。然而，NET相关基因（NRGs）在DLBCL中的预测功能很少受到关注。本研究旨在探讨NRGs与DLBCL预后的相互作用，以及它们与免疫微环境的可能关联。 - 方法：DLBCL患者的基因表达和临床数据从基因表达综合数据库下载。我们通过手动收集文献确定了148个NRG。GSE10846（n = 400，GPL570）被用作训练数据集，并以7：3的比例分为训练集和测试集。单变量Cox回归分析用于识别与总生存期（OS）相关的NET，并使用最小绝对收缩和选择运算符来评估NRG的预测效果。 Kaplan-Meier图用于可视化生存函数。受试者工作特征（ROC）曲线用于评估基于NRG的特征的预后预测能力。采用多元逻辑回归和Cox比例风险回归模型构建了包含患者临床信息和预后评分的列线图。
- 结果：我们确定了36个对患者总生存期（OS）有显著影响的NRG。发现八种NRG（
PARVB，LYZ，PPARGC1A，HIF1A，SPP1，CDH1，S100A9和CXCL2）对患者生存具有出色的预测潜力。对于1年、3年和5年生存率，受试者工作特征曲线下获得的区域分别为0.8、0.82和0.79。在训练集中，高NRG风险组的患者预后较差（p < 0.0001），使用两个外部数据集（GSE11318和GSE34171）进行了验证。列线图的标定曲线表明，该图具有较好的预测能力。此外，体外定量实时PCR（qPCR）结果显示，DLBCL组CXCL2、LYZ和PARVB的mRNA表达水平显著较高。 - 结论：我们开发了一种基于NRG的遗传风险模型来预测DLBCL患者的预后，这可能有助于为这些患者选择治疗药物。
结果
图 1.两个聚类之间 DEG 的共识聚类和功能注释
- A，B共识矩阵热图定义两个集群（k = 2）及其相关区域。
- C PCA显示簇1（n = 174）和簇2（n = 106）之间的转录组有明显差异。两个簇之间DEG的D，E GO和KEGG富集分析。两个集群操作系统的
- F Kaplan-Meier曲线
图 2.筛查预后相关的NRGs和在高危和低危人群之间对DEGs进行功能鉴定
- A 显示 NET 集和单变量 Cox 结果重叠的维恩图分析。
- B 通过最小绝对收缩和选择运算符（LASSO）逻辑回归分析建立特征。36个基因在LASSO系数分布中由不同的颜色表示。
- C 在 LASSO 模型中选择最优参数 （lambda），并生成系数曲线图。
- D-F 气泡图描绘了三个功能类别中富含 GO 的 DEG 项目：生物过程（BP、D）、细胞组成（CC、E）和分子功能（MF、F)
图 3.评估预后特征以预测 DLBCL 患者的 OS
- A 高危组患者的OS明显短于低危组。
- B ROC 曲线，用于根据训练队列中的 NRG 分数预测 1 年、3 年和 5 年生存率。
- C 风险评分和临床参数的单因素Cox回归分析。
- D 风险评分和cliAaa临床参数的多变量Cox回归分析。
- E、F 显示 NRG 评分分布和患者生存状态的排名点和散点图。
- G NRG风险模型基因表达
图 4.验证 DLBCL 队列中的 NRG 预后特征
- A Kaplan–Meier 曲线显示了验证队列中的预后模型。
- B ROC 曲线用于预测验证队列中根据 NRGs 分数的1年、3年和5年生存率。
- C Kaplan–Meier 曲线显示了 GSE11318 队列中的预后模型。
- D ROC 曲线用于预测 GSE11318 队列中根据 NRGs 分数的1年、3年和5年生存率。
- E Kaplan–Meier 曲线显示了 GSE34171 队列中的预后模型。
- F ROC 曲线用于预测 GSE34171 队列中根据 NRGs 分数的1年、3年和5年生存率。
图 5.列线图的构建和验证
- A 用于预测训练队列中 DLBCL 患者的 1 年、3 年和 5 年 OS 的列线图。
- B-D 预测和观察 DLBCL 患者 1 年、3 年和 5 年生存期的临床病理列线图校准曲线
图 6.高危人群和低危人群的肿瘤免疫微环境分析
- A 肿瘤浸润免疫细胞之间的区别。蓝色框表示低风险组，红色框表示高风险组。
- B 热图显示了差异免疫细胞与八个 OS 相关 NRG 之间的 Spearman 相关性。 蓝色表示负相关，红色表示正相关。相关系数随颜色程度的增加而增加。*p < 0.05， p < 0.01， **p < 0.001
图 7.免疫治疗和靶向治疗目标风险评分的皮尔逊相关性
- A CTLA4. B DOT1L. C CD47. D IDH1. E IDH2. F MCL1. G MDM2. H PLK1. I CHEK1. J ASXL1. K BCL2. L CD33
图 8.风险评分与治疗敏感性和分子对接
- A 阿昔替尼的治疗反应。
- B OSI_027的治疗反应。
- C Left: HIF1A- AXITINIB. Right: Chemical formula of AXITINIB.
- D Left: HIF1A-SORAFENIB. Right: Chemical formula for SORAFENIB
图 9.通过qPCR评估1种NRG的相对表达
- A CDH1. B CXCL2. C HIF1A. D LYZ. E PARVB. F PPARGCA1. G S100A9. H SPP1. p < 0.05, p < 0.01, p < 0.001
小总结
- 惯例捋一捋：先做肿瘤分型，GO、KEGG富集分析，然后预后生存分析，与NET相关基因交集，预后模型构建和验证，免疫浸润分析，免疫的靶点相关性，药物敏感性分析，然后做了分子对接，qPCR。
- 本篇文章也是很典型的肿瘤分型，生存预后模型，比较特殊的点就是做了
中性粒细胞细胞外陷阱相关基因集和药敏分析后的分子对接，最后也补充了个qPCR。毕业神作思路，冲吧～
