点击蓝字｜关注我们
铁死亡(ferroptosis) 是在小分子物质诱导下发生的氧化性细胞死亡，具有铁离子依赖性，是近几年发现的一种新的细胞死亡方式。其发生是细胞内脂质活性氧(reactive oxygen species，ROS) 生成与降解的平衡失调所致。铁死亡诱导剂通过不同的通路直接或间接作用于谷胱甘肽过氧化物酶，导致细胞抗氧化能力降低、ROS堆积、最终引起细胞氧化性死亡。研究发现铁死亡与帕金森综合征、胰腺癌等多种疾病相关，可以通过激活或抑制铁死亡来干预疾病的发展，因此铁死亡已成为近年来的研究热点。今天给大家分享一篇发表在International Journal of Biological Sciences（IF：）上的铁死亡相关的纯生信文章“A Novel Ferroptosis-related Gene Signature for Overall Survival Prediction in Patients with Hepatocellular Carcinoma”，主要研究是基于铁死亡相关基因构建肝细胞癌的预后signature。
主要内容本研究的RNA-seq数据集来自TCGA（分析数据集）和ICGC（验证数据集）。基于TCGA数据集，筛选预后相关的差异表达因子，并通过Lasso-cox回归分析构建包含10基因的癌症预后signature，跟进risk score将肝癌划分为高低风险组，研究高低风险组之间的OS。此外，利用ICGC数据集进行预后signature的验证。具体的分析流程如图1所示。
图1  分析流程图
研究结果1. 基于TCGA识别铁死亡相关的差异表达基因（49/60）的铁死亡相关基因在肝癌和正常组织中差异表达，单因素Cox回归分析发现其中27个基因与肝癌预后相关（图2a）。其中，HMOX1在癌症中显著上调，但是表现出良好的预后，因此剔除该基因，剩下的26个铁死亡相关基因进行后续分析（图2b-c）。基于这些候选因子构建PPI互作网络，GPX4, G6PD和NQO1为hub基因（图2d），这些基因之间的相关性如图2e所示。
2. 基于TCGA数据构建预后模型利用上述26个基因的表达谱，应用LASSO Cox回归分析建立了包含10个基因的预后signature。根据每个基因的最佳切断表达值进行生存分析，这些基因的高表达均与不良预后相关。然后，根据中位数将样本划分高（182）、低风险（183）组（图3a）。高危险组与肿瘤分级高、AFP升高、血管侵犯率高、TNM晚期显著相关（表2）。PCA和t-SNE分析结果表明signature能很好的将不同分组的样本区分（图3b-c），高风险组患者的死亡风险显著高于低风险组，此外KM生存曲线显示，高风险组患者的OS生存期也更差（图3d-e）。通过ROC曲线评估OS风险评分的预测性能，曲线下面积(AUC)在1年为年为年为（图3f）。
3. 集于ICGC数据集验证预后10-基因signature为了检验TCGA队列构建模型的稳健性，我们将ICGC队列的患者按照与TCGA队列相同的公式计算的中值分为高风险组和低风险组。ICGC队列中的高危组也与TNM晚期相关（表2）。与TCGA队列的结果相似，PCA和t-SNE分析证实两个亚组的患者分布是离散的（图4b-c），与低风险患者相比，高风险组患者生存时间更短（图4e）。利用ROC曲线评估风险评分的OS预测效能，结果显示1、2、3年的AUC值分别为、、。
4. 10-genes signature独立预后价值分析对可用变量进行单因素和多因素Cox回归分析，以确定风险评分是否为OS的独立预后预测因素。单因素Cox回归分析发现，risk score 在TCGA和ICGC数据集中都与肝癌的OS显著相关（图5a-b）。校正其他混杂因素后，在多变量Cox回归分析中，risk score仍被证明是OS的独立预测因子（图5a-b）。
5. TCGA和ICGC数据集的功能富集分析为了阐明与risk score相关的生物学功能和通路，对高低风险组的差异表达基因进行了GO和KEGG功能富集分析。发现TCGA和ICGC的差异表达基因富集到了几种铁相关的生物学过程，例如ion channel activity和 ion gated channel activity（图6a，c）。TCGA的差异表达基因显著的富集到了免疫相关的生物学过程（图6a），ICGC数据也腹肌到6个免疫相关的生物学过程（chemokine-mediated signaling pathway, positive regulation of cytokine secretion, regulation of granulocyte macrophage colony-stimulating factor production, granulocyte macrophage colonystimulating factor production, cytokine activity, cytokine receptor binding）（图6c）。KEGG通路分析表明两个数据集中均富集到了cytokine-cytokine受体互作通路（图6b，d）。为了进一步探讨风险评分与免疫状态的相关性，作者量化了不同免疫细胞亚群的富集评分以及ssGSEA的相关功能或通路。结果显示，TCGA队列中低危组与高风险组在aDCs、iDCs、APC共刺激、HLA和MHC I类抗原递呈过程的含量有显著差异（图7a-b），EKGG富集分析中，高风险组有更高cytokine-cytokine受体互作通路得分（图7b）。此外，高风险组的 II型IFN反应、 I型IFN反应、NK细胞得分更低，免疫检查位点活性、巨噬细胞、Treg得分则相反（图7a-b）。ICGC队列的比较验证了两个风险组之间的HLA，I型MHC，II型IFN反应，检查点分子，巨噬细胞、Treg细胞的差异（图7c-d）。值得注意的是，TCGA 和ICGC队列中，巨噬细胞得分的差异性最显著，这与GO分析的结果一致。
总结 总之，这篇文章思路比较清晰，也比较常规，只是借助了铁死亡这个研究热点进行了诸如锁定基因集、筛选预后因子、构建预后风险signature以及效能验证等分析。感兴趣的童鞋可以下载原文研究一下哦~


往期文章


Meta分析的核心技术与应用肠道菌群机制研究及国自然课题设计专题会议国自然热点：m6A（RNA甲基化修饰）课题思路介绍及热点方向分析