文献解读｜lncRNA的signature的文章思路如何做到“滴水不漏”？

摘要

肺鳞状细胞癌(LUSC)的预后仍然具有挑战性，难以评估或预测。我们的目的是筛选预后lncRNA并挖掘它们在LUSC中的作用。从癌症基因组图谱中提取原发性肺癌的RNA-Seq数据。一般情况下，癌症样本中改变的lncRNA会在单变量生存分析中进行筛选和分析，以确定预后的lncRNA。生成稳健的基于似然的生存模型，并执行1000次随机采样迭代以计算特征关键lncRNA的频率。这些lncRNA的聚类和多变量生存分析被用来评估它们的功能和对预后的影响。最后，验证了最优聚类模型的稳定性和有效性。

研究结果

图1：每个lncRNA的统计频率。

图2：lncRNA-蛋白质相互作用网络。

图3：多变量生存分析中11个lncRNA的AUC曲线。

(A)AUC曲线；(B)Kaplan-Meier生存分析。

图4：11个lncRNA聚类法的Kaplan-Meier生存分析。

图5：每个模型的有效p值的框线图。对6个基因模型的不同聚类方法进行了1000次随机生存分析，得到了P值。

图6：不同聚类算法的Kaplan-Meier生存分析。每个方块是11个lncRNA的聚类算法的风险分值。红色的域(标有星号)表示对p值<.05的预后有显着影响。右纵坐标是每个基因组的基因模型；水平纵坐标是根据TNM进行分类。

结论

总体而言，我们获得了5664个在原发性肺癌样本中普遍改变的lncRNA，其中289个在单变量生存分析中确定与预后有关。用于1000次迭代的基于稳健似然的生存建模产生了频率大于300的11个特征lncRNA。发现它们相互作用的蛋白参与DNA修复和细胞增殖。在11个稳定组装的lncRNA中，最终选择了稳定性和可行性较高的4-lncRNA模型。理想的4-lncRNA模型可以对具有显著差异的患者样本进行聚类，为LUSC的预后预测提供了新的途径。

DOI：10.1080/21691401.2017.1366334

参考文献

[1].DeSantis CE, Siegel RL, Sauer AG, et al. Cancer Statistics for African Americans, 2016: Progress and opportunities in reducing racial disparities. CA: a cancer journal for clinicians; 2016.

[2].Rahib L, Smith BD, Aizenberg R, et al. Projecting cancer incidence and deaths to 2030: the unexpected burden of thyroid, liver, and pancreas cancers in the United States. Cancer Res. 2014;74:2913–2921.

[3].Mayer JE, Swetter SM, Fu T, et al. Screening, early detection, education, and trends for melanoma: current status (2007–2013) and future directions: Part I. Epidemiology, high-risk groups, clinical strategies, and diagnostic technology. J Am Acad Dermatol. 2014;71:599.e1–599.e12.

[4].Choi M, Kadara H, Zhang J, et al. Mutation and immune profiles in early-stage lung squamous cell carcinoma. San Diego (CA): AACR; 2016.