Establishment of a prognostic model for ovarian cancer based on sialylation-related long chain non-coding RNA
-
摘要:目的
基于唾液酸化相关长链非编码RNA(lncRNA)构建卵巢癌(OC)预后模型, 分析患者预后免疫反应与抗癌药物敏感性。
方法从癌症基因图谱(TCGA)数据库获取OC基因表达数据和临床数据; 采用相关性分析筛选唾液酸化相关lncRNA; 采用Lasso和Cox回归分析筛选卵巢癌生存相关唾液酸化lncRNA(OCSS lncRNA)并构建预后模型; 通过生存分析、受试者工作特征(ROC)曲线等评估模型的效能; 应用单因素和多因素Cox回归分析筛选OC的独立预后因素，并绘制列线图; 采用CIBERSORT算法、肿瘤免疫功能障碍和排斥(TIDE)评分评估OC患者免疫细胞浸润与免疫治疗获益情况; 采用药物敏感性分析获取潜在治疗药物。
结果构建了7个OCSS lncRNA组成的OC预后模型; 生存分析显示，总数据集、训练组和验证组中，高风险者的总体生存率(OS)均低于低风险者，差异有统计学意义(P < 0.05), 总数据集中高风险者的无进展生存期OS低于低风险者，差异有统计学意义(P < 0.05)。OC预后模型1、3、5年的ROC曲线显示，模型效能较好且优于其他临床特征; 单因素和多因素Cox回归证实，年龄和风险评分是独立预后因素(P < 0.05); 列线图结合校正曲线表明，预测的患者OS与实际OS基本一致。免疫细胞浸润分析显示, γδT细胞和M1巨噬细胞的含量在高、低风险组中的差异有统计学意义(P < 0.05); 免疫治疗敏感性分析显示，高、低风险组的TIDE评分差异有统计学意义(P < 0.05)。药物敏感性分析筛选出9种对高风险OC患者具有较高治疗价值的药物(P < 0.01)。
结论7个OCSS lncRNA构建的OC预后模型有助于预测OC患者预后，并为OC患者的临床应用、免疫与药物治疗提供参考依据。
Abstract:ObjectiveTo establish a prognostic model for ovarian cancer (OC) based on sialylation-related long non-coding RNA (lncRNA), and to analyze prognostic immune response of patients and sensitivity to anticancer drugs.
MethodsThe Cancer Genome Atlas (TCGA) database was utilized to acquire gene expression data and clinical data for OC; correlation analysis was used to screen for sialylation-related lncRNA; the Lasso and Cox regression analyses were used to screen for ovarian cancer survival-related salivation-related lncRNA (OCSS lncRNA), and a prognostic model was established; the efficiency of the evaluation model was assessed by survival analysis and receiver operating characteristic (ROC) curve; single-factor and multi-factor Cox regression analyses were applied to screen for independent prognostic factors for OC, and a Nomogram was drawn; the CIBERSORT algorithm and Tumor Immune Dysfunction and Exclusion (TIDE) score were used to evaluate immune cell infiltration and immunotherapy benefits in OC patients; the drug sensitivity analysis was used to obtain potential therapeutic drugs.
ResultsA prognostic model for OC comprising 7 OCSS lncRNAs was established; the survival analysis revealed that the overall survival rate (OS) of high-risk patients was significantly lower than that of low-risk patients in the total dataset, training set and validation set (P < 0.05), and the progression-free survival OS of high-risk patients was also significantly lower than that of low-risk patients in the total dataset (P < 0.05). The ROC curves of the OC prognosis model at 1 year, 3, and 5 years demonstrated that the efficiency of model was excellent and better than other clinical characteristics; the single-factor and multi-factor Cox regression confirmed that age and risk score were independent prognostic factors (P < 0.05); the Nomogram combined with calibration curve demonstrated that the predicted OS of patients was basically consistent with the actual OS. Immune cell infiltration analysis showed significant differences in the contents of γδT cells and M1 macrophages between high-risk group and low-risk group (P < 0.05); immunotherapy sensitivity analysis revealed a significant difference in TIDE score between high-risk group and low-risk group (P < 0.05). Drug sensitivity analysis identified 9 drugs with higher therapeutic value for high-risk OC patients (P < 0.01).
ConclusionThe prognostic model for OC constructed with 7 OCSS lncRNAs can help predict the prognosis of OC patients, and provide reference for clinical application, immunotherapy and drug treatment of OC.
-
卵巢癌(OC)是女性生殖系统常见的恶性肿瘤之一[1], 病死率居女性生殖系统恶性肿瘤之首[2], 严重威胁女性的生命健康[3]。近年来，随着转录组和计算机技术的发展，长链非编码RNA(lncRNA)作为癌基因或肿瘤抑制因子在癌症发生及发展中的作用被逐步揭示[4]。有学者[5-7]从铜死亡相关lncRNA、缺氧相关lncRNA、甲基化与免疫相关lncRNA等角度构建了OC预后模型。研究[8]表明，唾液酸化相关lncRNA与许多癌症病理情况相关，例如ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶6反义1(ST8SIA6-AS1)过表达时, OC患者的总体生存率(OS)显著下降，加速乳腺癌、肺癌、胰腺癌等细胞周期进程，促进增殖并抑制化疗诱导的细胞凋亡; lncRNA母系表达基因3(MEG3)高表达时，肾癌细胞的增殖、迁移和侵袭能力显著增强[9]。
一直以来，以铂类药物为基础的治疗方式在OC中表现出原发性耐药，其化疗反应率仅为11%~56%, 患者5年生存率约为60%[10], 需要在新型抗癌药物方面取得突破。近年来，免疫疗法以其高效性、持久性、个体化、毒副作用小等优势，在恶性肿瘤治疗中显现出良好效果[11]。本研究基于唾液酸化相关lncRNA构建OC预后模型，分析OC患者预后的免疫反应和抗癌药物敏感性，现将结果报告如下。
1. 材料与方法
1.1 数据获取
从MSigDB数据库(http://www.gsea-msigdb.org)获取19个唾液酸化基因集数据，见表 1。从癌症基因图谱(TCGA)数据库(https://portal.gdc.cancer.gov)获取420个OC样本的基因表达数据(其中已包含研究所需的唾液酸化基因表达数据与lncRNA表达数据)及临床数据。
表 1 唾液酸化基因列表序号 基因中文名称 基因 1 ST3-乙酰神经氨酸半乳糖苷酸基转移酶1 ST3GAL1 2 ST3-乙酰神经氨酸半乳糖苷酸基转移酶2 ST3GAL2 3 ST3-乙酰神经氨酸半乳糖苷酸基转移酶3 ST3GAL3 4 ST3-乙酰神经氨酸半乳糖苷酸基转移酶4 ST3GAL4 5 ST3-乙酰神经氨酸半乳糖苷酸基转移酶5 ST3GAL5 6 ST3-乙酰神经氨酸半乳糖苷酸基转移酶6 ST3GAL6 7 ST6-乙酰神经胺酸半乳糖苷酸转移酶1 ST6GAL1 8 ST6-乙酰神经胺酸半乳糖苷酸转移酶2 ST6GAL2 9 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶1 ST6GALNAC1 10 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶2 ST6GALNAC2 11 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶3 ST6GALNAC3 12 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶5 ST6GALNAC5 13 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶6 ST6GALNAC6 14 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶1 ST8SIA1 15 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶2 ST8SIA2 16 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶3 ST8SIA3 17 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶4 ST8SIA4 18 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶5 ST8SIA5 19 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶6 ST8SIA6 1.2 筛选OC唾液酸化相关lncRNA
采用R包"stat(4.2.1)"对lncRNA和唾液酸化基因进行Pearson相关性分析，以r>0.4且P < 0.001为筛选阈值。采用R包"ggalluvial(0.12.3)" 与"ggplot2(3.4.0)"对获得的唾液酸化基因与lncRNA的共表达数据进行可视化展示。
1.3 筛选OC生存相关唾液酸化lncRNA
将OC唾液酸化相关的lncRNA表达数据与OC生存数据进行合并，以1∶ 1的比例随机分为训练组(n=210)和验证组(n=210)，采用卡方检验评价训练组与验证组临床特征的差异，以P>0.05为筛选阈值。训练组采用单因素Cox回归与Lasso回归的10倍交叉验证明确预后显著的唾液酸化lncRNA, 以P < 0.05为筛选阈值。对获取的预后唾液酸化lncRNA进行偏似然比算法与向前逐步回归的多因素Cox分析(以进入P=0.05、除去P=0.10为阈值)，筛选卵巢癌生存相关的唾液酸化lncRNA(OCSS lncRNA)。验证组则验证OCSS lncRNA的准确性。
1.4 OC预后模型构建与验证
基于OCSS lncRNA构建预后模型，计算每例OC患者的风险评分。风险评分=Coef(i)×Expr(i), 公式中的Coef(i)代表回归系数, Expr(i)代表lncRNA的表达水平。将训练组风险评分中位数作为分界点，把涵盖OC的样本分为高、低风险组，并绘制风险评分图、患者生存状态散点图与基因表达热图。采用R包"survival(3.4.0)"分析总数据集、训练组和验证组OC患者高、低风险OS的差异，以及总数据集高、低风险组无进展生存期OS的差异。采用R包"timeROC(0.4)"绘制受试者工作特征(ROC)曲线，用于验证模型效能。
1.5 OC预后模型临床价值分析
采用单因素和多因素Cox回归分析筛选OC的独立预后因素。基于风险评分与临床特征数据，采用R包"rms(6.3.0)" "nomogramEx(1.0)" "regplot(1.1)"绘制预测OC患者OS的列线图，并构建校正曲线验证列线图准确性。
1.6 免疫细胞浸润与免疫治疗分析
采用"CIBERSORT"算法分析不同风险人群22种免疫细胞含量的差异，在肿瘤免疫功能障碍和排斥(TIDE)网站检索OC的TIDE数据(http://tide.dfci.harvard.edu), 分析不同风险人群对免疫治疗敏感性的差异，以P < 0.05为筛选阈值。
1.7 药物敏感性分析
从癌症药物敏感性基因组学(CDSG)数据库(https://www.cancerrxgene.org)获取治疗OC的潜在药物数据，计算药物的半数有效抑制浓度(IC50)，并分析不同风险人群的药物敏感性差异，以P < 0.01为筛选阈值。本研究采用的R软件版本是4.2.1。
2. 结果
2.1 OC唾液酸化相关lncRNA
通过Pearson相关性分析获得了1 568个OC唾液酸化相关lncRNA, 见图 1。
2.2 OC预后模型构建
分组临床统计结果显示，总数据集、训练组和验证组的OC患者在年龄、肿瘤分级和肿瘤分期方面比较，差异无统计学意义(P>0.05), 见表 2。基于训练组的单因素Cox与Lasso回归的10倍交叉验证分析筛选出21个预后显著的OC唾液酸化lncRNA，见图 2。通过偏似然比算法与向前逐步回归的多因素Cox分析最终确定7个OCSS lncRNA纳入预后模型，见表 3。风险评分= (-0.437×AC015 802.4)+(0.070×AC008 982.2)+(0.063×AC125 807.2)+(-0.704×AC002 306.1)+(0.236×PTPRD-AS1)+(0.111×AC010 834.3)+(-0.293×AL590 133.1)。
表 2 训练组与验证组临床资料比较[n(%)]临床特征 分类 训练组(n=210) 验证组(n=210) P 年龄 ≤65岁 144(68.57) 144(68.57) 1.000 >65岁 66(31.43) 66(31.43) 肿瘤分级 G1 0 1(0.48) 0.548 G2 23(10.95) 24(11.43) G3 184(87.62) 177(84.29) G4 0 1(0.48) 未知 3(1.43) 7(3.33) 肿瘤分期 Ⅰ期 1(0.48) 0 0.314 Ⅱ期 16(7.62) 9(4.29) Ⅲ期 162(77.14) 165(78.57) Ⅳ期 29(13.81) 35(16.67) 未知 2(0.95) 1(0.48) ![]()
图 2 卵巢癌预后显著的唾液酸化lncRNAA: 单因素COX筛选的预后显著的唾液酸化lncRNA, 图中绿色表示保护因素，红色表示危险因素; B: Lasso回归中的Coef系数剖面图; C: Lasso回归中调整参数进行10倍交叉验证(2条虚线之间的区域表示合理值)。表 3 多因素Cox回归纳入模型的OCSS lncRNAlncRNA 系数 P Exp(B) Exp(B)的95%CI 下限 上限 AC015 802.4 -0.437 0.012 0.646 0.460 0.907 AC008 982.2 0.070 0.013 1.073 1.015 1.135 AC125 807.2 0.063 0.003 1.065 1.022 1.110 AC002 306.1 -0.704 0.014 0.495 0.282 0.867 PTPRD-AS1 0.236 0.015 1.267 1.048 1.531 AC010 834.3 0.111 0.001 1.118 1.045 1.196 AL590 133.1 -0.293 0.027 0.746 0.575 0.968 2.3 OC预后模型效能检验
总数据集、训练组与验证组的风险评分图与患者生存状态散点图显示，高风险组的风险值较高，并且随着风险值的升高，患者的生存时间缩短，死亡例数增加; 总数据集、训练组与验证组的基因表达热图显示, 7个OCSS lncRNA在高、低风险组中的表达情况一致。见图 3。Kaplan-Meier(K-M)生存曲线显示，高风险较低风险患者的OS下降，差异有统计学意义(P < 0.05或P < 0.01), 见图 4。此外，预后模型1、3、5年的ROC曲线与不同临床特征比较的ROC曲线显示，模型预测患者OS具有较高的准确性，见图 5。
![]()
图 3 总数据集、训练组与验证组的风险评分图、患者生存状态散点图及基因表达热图A~C: 总数据集、训练组与验证组的风险评分图; D~F: 总数据集、训练组与验证组的患者生存状态散点图; G~I: 7个OCSS lncRNA在总数据集、训练组与验证组中的基因表达情况。![]()
图 4 总数据集、训练组、验证组的K-M生存曲线A: 总数据集的K-M生存曲线; B: 训练组的K-M生存曲线; C: 验证组的K-M生存曲线; D: 总数据集无进展生存期的K-M生存曲线。2.4 OC预后模型的临床价值
本研究纳入年龄、肿瘤分级、肿瘤分期、风险评分为协变量，构建Cox比例风险模型，评估上述临床特征预测预后的潜力。单因素Cox回归分析显示，年龄的大小、肿瘤分期的早晚和风险评分的高低是影响OC患者OS的危险因素(P < 0.05); 多因素Cox回归分析显示，年龄的大小和风险评分的高低是影响OC患者OS的危险因素(P < 0.05)。见图 6。因此，年龄和风险评分是影响OC患者OS的独立预后因素。列线图可以对OC患者1、3、5年的OS进行预测，校正曲线显示预测结果与患者实际结果的重合度较好，见图 7。
2.5 免疫细胞浸润与免疫治疗分析
考虑到免疫浸润在免疫治疗中的作用，本研究比较了高、低风险组中的免疫细胞浸润差异，结果显示，高风险组的γδT细胞和M1巨噬细胞含量高于低风险组(P < 0.05或P < 0.01); 免疫治疗敏感性分析结果显示，高风险组的TIDE评分总体高于低风险组(P < 0.05)。见图 8。
2.6 药物敏感性分析
为探寻治疗OC的潜在药物，本研究比较了高、低风险组的药物敏感性差异，共获得药物9种(ERK_2440、ERK_6604、GSK269962A、PD0325901、SCH772984、VX-11e、Selumetinib、Staurosporine、Ulixertinib), 且高风险组的IC50值均低于低风险组，差异有统计学意义(P < 0.05)，说明上述药物可能对高风险OC患者具有较高的治疗价值。见图 9。
![]()
图 9 高、低风险组的药物敏感性A: ERK_6604敏感性; B: GSK269962A敏感性; C: ERK_2440敏感性; D: Selumetinib敏感性; E: SCH772984敏感性; F: PD0325901敏感性; G: VX-11e敏感性; H: Ulixertinib敏感性; I: Staurosporine敏感性。3. 讨论
唾液酸化是一种翻译后修饰，由唾液酸转移酶、转运蛋白和神经氨酸酶家族控制的生物学过程[12]。这一过程与许多病理情况有关，例如癌症、胚胎致死和免疫系统异常[13]。研究[14]表明，唾液酸化相关lncRNA不但可以调节癌细胞的增殖、分化，还可调节癌细胞的代谢重编程，在癌细胞的侵袭和转移中有至关重要的作用。有学者[15]从唾液酸化相关lncRNA角度构建了结直肠癌预后模型。由于化疗药物的耐药性，探索新型免疫治疗方式与开发新型抗癌药物一直是研究者关注的焦点。本研究基于唾液酸化相关lncRNA构建OC预后模型，并进一步分析患者预后免疫反应与药物敏感性，以期为OC患者的精准医疗以及免疫与药物治疗提供依据。
本研究通过分析获取了1 568个与OC唾液酸化相关的lncRNA, 再通过单因素Cox、Lasso和多因素Cox回归分析最终确定了7个OCSS lncRNA, 并基于此构建了OC预后模型(AC015802.4、AC008982.2、AC125807.2、AC002306.1、PTPRD-AS1、AC010834.3与AL590133.1)。单因素和多因素Cox回归分析显示，年龄和风险评分是OC患者高危的独立预后因素。列线图可以较为准确地预测OC患者各阶段的OS。
7个OCSS lncRNA中，已有2个被报道与OC密切相关。AC008982.2被认为是一种新型致癌基因，可以促进OC细胞增殖、迁移，与OC患者OS密切相关，并可能作为OC的新型治疗靶点[16]。以PTPRD-AS1构建的预后模型不仅可以预测OC患者预后，还与多囊卵巢综合征显著相关[17]。剩余的5个OCSS lncRNA未见与OC相关的报道。然而，研究[18]发现AC002306.1的低表达与前列腺癌患者的预后恶化显著相关, AC015802.4是预测膀胱癌患者OS的关键lncRNA。此外, AC125807.2被证实是肺腺癌预后模型的重要成员[19]，其在肺腺癌细胞中呈高表达，这种高表达与肺腺癌的不良预后密切相关，当下调AC125807.2表达时，肺腺癌的进展被抑制[20]。因此，进一步研究上述lncRNA在OC中的作用，可以作为对OC认识的一个新维度，可能有助于预测OC患者的预后。
本研究对OC低风险和高风险人群的免疫细胞浸润进行分析，结果显示γδT细胞和M1巨噬细胞的含量在低风险组较高。γδT细胞具有识别热休克蛋白和超级抗原的重要功能，是人体抵御病原体的首道防线[21]。研究[22]证实, γδT细胞浸润到肿瘤中与OC患者OS增加有关，促进γδT细胞反应可能是OC的治疗选择。巨噬细胞的主要免疫系统功能依赖于其吞噬功能，即在感染环境中吞噬各种细胞底物的过程[23]。M1巨噬细胞表现为促炎、抗感染状态，是一种激活的抗肿瘤状态[24]。研究[25]表明, M1巨噬细胞通过诱导型一氧化氮合酶优先产生一氧化氮，一氧化氮是一种自由基气体，对癌细胞和各种病原体都有直接的细胞毒性。结合本研究结果，抑制γδT细胞和M1巨噬细胞反应可能是引起OC进展的因素之一。本研究使用TIDE评分分析患者的免疫治疗敏感性，高风险组TIDE评分显著高于低风险组，提示存在高免疫逃逸倾向，表明高风险组患者不太可能从免疫治疗中获益。
本研究通过比较高、低风险组的药物敏感性差异，获得了9种对高风险OC患者具有较高治疗价值的药物(ERK_2440、ERK_6604、GSK269962A、PD0325901、SCH772984、VX-11e、Selumetinib、Staurosporine、Ulixertinib), 上述药物大多具有抑制细胞外信号调节激酶1/2(ERK1/2)活性或阻断ERK1/2信号转导通路的作用[26-29]。ERK1/2是一种参与ERK信号转导级联的丝氨酸/苏氨酸激酶，其活化后进入OC细胞核作用于各种转录因子，调节相关基因的转录，进而影响OC细胞的生长发育及增殖分化[30]。研究[31]表明，高表达的唾液酸化基因 ST6Gal1 可通过ERK1/2信号转导通路，增强OC细胞凋亡抗性，促进OC细胞在富含肿瘤坏死因子的肿瘤微环境中存活。因此，将上述药物应用于治疗高风险OC患者可能具有广阔的前景。作为前瞻性研究，本研究依然存在一定的局限性，所用数据均来源于在线数据库，仍需进一步结合大量临床标本及实验数据来验证其临床应用价值。
综上所述, 7个OCSS lncRNA构建的OC预后模型有助于预测OC患者预后，而基于模型结果的免疫分析表明，抑制γδT细胞和M1巨噬细胞生长可能是引起OC进展的因素之一。药物敏感性分析获取了9种可能对高风险患者具有治疗价值的抗癌药物。
-
![]()
图 2 卵巢癌预后显著的唾液酸化lncRNA
A: 单因素COX筛选的预后显著的唾液酸化lncRNA, 图中绿色表示保护因素，红色表示危险因素; B: Lasso回归中的Coef系数剖面图; C: Lasso回归中调整参数进行10倍交叉验证(2条虚线之间的区域表示合理值)。
![]()
图 3 总数据集、训练组与验证组的风险评分图、患者生存状态散点图及基因表达热图
A~C: 总数据集、训练组与验证组的风险评分图; D~F: 总数据集、训练组与验证组的患者生存状态散点图; G~I: 7个OCSS lncRNA在总数据集、训练组与验证组中的基因表达情况。
![]()
图 4 总数据集、训练组、验证组的K-M生存曲线
A: 总数据集的K-M生存曲线; B: 训练组的K-M生存曲线; C: 验证组的K-M生存曲线; D: 总数据集无进展生存期的K-M生存曲线。
![]()
图 9 高、低风险组的药物敏感性
A: ERK_6604敏感性; B: GSK269962A敏感性; C: ERK_2440敏感性; D: Selumetinib敏感性; E: SCH772984敏感性; F: PD0325901敏感性; G: VX-11e敏感性; H: Ulixertinib敏感性; I: Staurosporine敏感性。
表 1 唾液酸化基因列表
序号 基因中文名称 基因 1 ST3-乙酰神经氨酸半乳糖苷酸基转移酶1 ST3GAL1 2 ST3-乙酰神经氨酸半乳糖苷酸基转移酶2 ST3GAL2 3 ST3-乙酰神经氨酸半乳糖苷酸基转移酶3 ST3GAL3 4 ST3-乙酰神经氨酸半乳糖苷酸基转移酶4 ST3GAL4 5 ST3-乙酰神经氨酸半乳糖苷酸基转移酶5 ST3GAL5 6 ST3-乙酰神经氨酸半乳糖苷酸基转移酶6 ST3GAL6 7 ST6-乙酰神经胺酸半乳糖苷酸转移酶1 ST6GAL1 8 ST6-乙酰神经胺酸半乳糖苷酸转移酶2 ST6GAL2 9 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶1 ST6GALNAC1 10 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶2 ST6GALNAC2 11 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶3 ST6GALNAC3 12 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶5 ST6GALNAC5 13 ST6-N乙酰半乳糖胺α-2, 6-酰基转移酶6 ST6GALNAC6 14 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶1 ST8SIA1 15 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶2 ST8SIA2 16 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶3 ST8SIA3 17 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶4 ST8SIA4 18 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶5 ST8SIA5 19 ST8 α-N-乙酰神经酰胺α-2, 8-酰基转移酶6 ST8SIA6 
下载: 导出CSV
表 2 训练组与验证组临床资料比较[n(%)]
临床特征 分类 训练组(n=210) 验证组(n=210) P 年龄 ≤65岁 144(68.57) 144(68.57) 1.000 >65岁 66(31.43) 66(31.43) 肿瘤分级 G1 0 1(0.48) 0.548 G2 23(10.95) 24(11.43) G3 184(87.62) 177(84.29) G4 0 1(0.48) 未知 3(1.43) 7(3.33) 肿瘤分期 Ⅰ期 1(0.48) 0 0.314 Ⅱ期 16(7.62) 9(4.29) Ⅲ期 162(77.14) 165(78.57) Ⅳ期 29(13.81) 35(16.67) 未知 2(0.95) 1(0.48)
下载: 导出CSV
表 3 多因素Cox回归纳入模型的OCSS lncRNA
lncRNA 系数 P Exp(B) Exp(B)的95%CI 下限 上限 AC015 802.4 -0.437 0.012 0.646 0.460 0.907 AC008 982.2 0.070 0.013 1.073 1.015 1.135 AC125 807.2 0.063 0.003 1.065 1.022 1.110 AC002 306.1 -0.704 0.014 0.495 0.282 0.867 PTPRD-AS1 0.236 0.015 1.267 1.048 1.531 AC010 834.3 0.111 0.001 1.118 1.045 1.196 AL590 133.1 -0.293 0.027 0.746 0.575 0.968
下载: 导出CSV
-
[1] ANCHISI S, WOLFER A, BISIG B, et al. Deep and lasting response and acquired resistance to BRAFV600E targeting in a low-grade ovarian cancer patient[J]. Cancer Biol Ther, 2023, 24(1): 2193116. doi: 10.1080/15384047.2023.2193116
[2] HURWITZ L M, PINSKY P F, TRABERT B. General population screening for ovarian cancer[J]. Lancet, 2021, 397(10290): 2128-2130. doi: 10.1016/S0140-6736(21)01061-8
[3] 王喆, 张颐. 卵巢癌内分泌治疗研究进展[J]. 实用临床医药杂志, 2021, 25(13): 115-118, 128. doi: 10.7619/jcmp.20211462 [4] 万淑琼, 刘佳栋, 陈静青, 等. 长链非编码RNA肿瘤易感候选基因11在卵巢癌组织中的表达及意义[J]. 实用临床医药杂志, 2021, 25(17): 114-118, 123. doi: 10.7619/jcmp.20211548 [5] LIU L, WANG Q, ZHOU J Y, et al. Developing four cuproptosis-related lncRNAs signature to predict prognosis and immune activity in ovarian cancer[J]. J Ovarian Res, 2023, 16(1): 88. doi: 10.1186/s13048-023-01165-7
[6] ZHANG Y, ZHANG J, WANG F, et al. Hypoxia-related lncRNA prognostic model of ovarian cancer based on big data analysis[J]. J Oncol, 2023, 2023: 6037121.
[7] GAO K F, LIAN W Q, ZHAO R, et al. The joint role of methylation and immune-related lncRNAs in ovarian cancer: defining molecular subtypes and developing prognostic signature[J]. Transl Oncol, 2023, 34: 101704. doi: 10.1016/j.tranon.2023.101704
[8] LUO M L, LI J J, SHEN L P, et al. The role of APAL/ST8SIA6-AS1 lncRNA in PLK1 activation and mitotic catastrophe of tumor cells[J]. J Natl Cancer Inst, 2020, 112(4): 356-368. doi: 10.1093/jnci/djz134
[9] GONG A H, ZHAO X Y, PAN Y, et al. The lncRNA MEG3 mediates renal cell cancer progression by regulating ST3Gal1 transcription and EGFR sialylation[J]. J Cell Sci, 2020, 133(16): jcs244020.
[10] 马婧兰, 殷霞. 卵巢透明细胞癌基因突变特征及相关靶向和免疫治疗研究进展[J]. 现代肿瘤医学, 2023, 31(9): 1756-1760. https://www.cnki.com.cn/Article/CJFDTOTAL-SXZL202309033.htm [11] 孔北华, 刘继红, 殷爱军, 等. 妇科肿瘤免疫检查点抑制剂临床应用指南(2023版)[J]. 现代妇产科进展, 2023, 32(5): 321-348. doi: 10.13283/j.cnki.xdfckjz.2023.05.001 [12] 蒲从丽, 赵迎超. 唾液酸化和岩藻糖基化在卵巢癌中的研究进展[J]. 现代肿瘤医学, 2023, 31(3): 561-566. doi: 10.3969/j.issn.1672-4992.2023.03.034 [13] HUANG J M, HUANG J M, ZHANG G N. Insights into the role of sialylation in cancer metastasis, immunity, and therapeutic opportunity[J]. Cancers, 2022, 14(23): 5840. doi: 10.3390/cancers14235840
[14] CHEN L J, WANG J E, LIU Q A. Long noncoding RNAs as therapeutic targets to overcome chemoresistance in ovarian cancer[J]. Front Cell Dev Biol, 2022, 10: 999174. doi: 10.3389/fcell.2022.999174
[15] ZHOU M X, LV S L, HOU Y F, et al. Characterization of sialylation-related long noncoding RNAs to develop a novel signature for predicting prognosis, immune landscape, and chemotherapy response in colorectal cancer[J]. Front Immunol, 2022, 13: 994874. doi: 10.3389/fimmu.2022.994874
[16] ZHU L L, HE J Y, YANG X Y, et al. Derivation and validation of a necroptosis-related lncRNA signature in patients with ovarian cancer[J]. J Oncol, 2022, 2022: 6228846.
[17] ZOU J, LI Y K, LIAO N C, et al. Identification of key genes associated with polycystic ovary syndrome (PCOS) and ovarian cancer using an integrated bioinformatics analysis[J]. J Ovarian Res, 2022, 15(1): 30. doi: 10.1186/s13048-022-00962-w
[18] KUANG X Y, CAI G G, LI C X, et al. Comprehensive characterization of necroptosis-related lncRNAs in bladder cancer identifies a novel signature for prognosis prediction[J]. Dis Markers, 2022, 2022: 2360299.
[19] YI W W, GUO X Q, XU Y, et al. A prognostic model based on ferroptosis-related long non-coding RNA signatures and immunotherapy responses for non-small cell lung cancer[J]. Eur Rev Med Pharmacol Sci, 2023, 27(6): 2591-2604.
[20] LI X Y, CHEN X, YUAN Y X, et al. Identifying immune cell infiltration and effective diagnostic biomarkers in lung adenocarcinoma by comprehensive bioinformatics analysis and in vitro study[J]. Front Oncol, 2022, 12: 916947. doi: 10.3389/fonc.2022.916947
[21] QUAN Q L, XIONG X X, WU S Y, et al. Identification of immune-related key genes in ovarian cancer based on WGCNA[J]. Front Genet, 2021, 12: 760225. doi: 10.3389/fgene.2021.760225
[22] CHEN X, ZHANG X J, XU R, et al. Implication of IL-17 producing ɑβT and γδT cells in patients with ovarian cancer[J]. Hum Immunol, 2020, 81(5): 244-248. doi: 10.1016/j.humimm.2020.02.002
[23] NING F, COLE C B, ANNUNZIATA C. Driving immune responses in the ovarian tumor microenvironment[J]. Frontiers in oncology, 2020, 10: 604084.
[24] PENG J C, LI S, LI B, et al. Exosomes derived from M1 macrophages inhibit the proliferation of the A549 and H1299 lung cancer cell lines via the miRNA-let-7b-5p-GNG5 axis[J]. Peer J, 2023, 11: e14608. doi: 10.7717/peerj.14608
[25] GUO Y, JIANG F, YANG W Q, et al. Effect of 1α, 25(OH)2D3-treated M1 and M2 macrophages on cell proliferation and migration ability in ovarian cancer[J]. Nutr Cancer, 2022, 74(7): 2632-2643. doi: 10.1080/01635581.2021.2014903
[26] PAN T, WANG S J, FENG H, et al. Preclinical evaluation of the ROCK1 inhibitor, GSK269962A, in acute myeloid leukemia[J]. Front Pharmacol, 2022, 13: 1064470. doi: 10.3389/fphar.2022.1064470
[27] SIGAUD R, RÖSCH L, GATZWEILER C, et al. The first-in-class ERK inhibitor ulixertinib shows promising activity in mitogen-activated protein kinase (MAPK)-driven pediatric low-grade glioma models[J]. Neuro Oncol, 2023, 25(3): 566-579. doi: 10.1093/neuonc/noac183
[28] LUO M, XIA Y H, WANG F, et al. PD0325901, an ERK inhibitor, enhances the efficacy of PD-1 inhibitor in non-small cell lung carcinoma[J]. Acta Pharm Sin B, 2021, 11(10): 3120-3133.
[29] KOPCZYNSKI M, RUMIENCZYK I, KULECKA M, et al. Selective extracellular signal-regulated kinase 1/2(ERK1/2) inhibition by the SCH772984 compound attenuates in vitro and in vivo inflammatory responses and prolongs survival in murine Sepsis models[J]. Int J Mol Sci, 2021, 22(19): 10204. doi: 10.3390/ijms221910204
[30] CHEN S H, LI Z Y, WANG Y Y, et al. BTN3A3 inhibits the proliferation, migration and invasion of ovarian cancer cells by regulating ERK1/2 phosphorylation[J]. Front Oncol, 2022, 12: 952425.
[31] NAG S, MANDAL A, JOSHI A, et al. Sialyltransferases and neuraminidases: potential targets for cancer treatment[J]. Diseases, 2022, 10(4): 114.
-
期刊类型引用(2)
1. 曹晓华，杜凤铭，胡超扬，孙焱. 基于免疫与代谢相关基因的肝细胞癌预后模型的构建及药物预测. 实用临床医药杂志. 2024(23): 27-35+41 . 
本站查看
2. 刘浩然，董雨晴，王萍玉. 双硫死亡相关基因乳腺癌预后模型的构建与验证. 现代预防医学. 2024(24): 4585-4590+4608 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 130
- HTML全文浏览量: 42
- PDF下载量: 9
- 被引次数: 2
苏公网安备 32100302010246号