非小细胞肺癌预后的免疫相关预测基因

刘 澍 张 鑫 许 顺

中国医科大学附属第一医院胸外科，辽宁沈阳 110001

肺癌发病率和死亡率均很高[1]，其中非小细胞肺癌（non-small cell lung carcinoma，NSCLC）约占所有肺癌病例的85%[2]。NSCLC 的治疗手段不断发展，但总体疗效仍不理想。TMN 分期是公认的预后评估标准之一[3]，但仍有一定的局限性。学者们致力于找到一个更准确的标准来评估NSCLC 患者的预后[4]。

免疫功能在NSCLC 的发生发展中起着重要作用[5]。本研究利用癌症基因组图谱（the cancer genome atlas，TCGA）中肺癌数据来开发一个预测NSCLC 患者预后的风险模型。

1 资料与方法

1.1 实验数据

从TCGA 下载肺癌数据，从IMMPORT 数据库中获得免疫相关基因。从基因表达综合数据库（gene expression omnibus，GEO）下载GSE37745[6]数据集。

1.2 分析方法

1.2.1 鉴定免疫相关差异基因 TCGA 中数据标准化后通过“edgeR”包[7-8]，按照准似然F 检验，筛选出差异表达基因（differentially expressed genes，DEG），标准为|log2FC|>1.5 且P <0.05。取与ImmPort 基因中交集部分。

1.2.2 Cox 回归分析 进行Cox 回归分析，进而建立风险模型。风险评估公式为：

其中Coefi是特定模型基因的系数，Expi是每个选定基因的表达水平。

1.2.3 生存分析 利用“survival”[9]包，通过对数秩检验进行生存分析，研究了风险评分对患者总生存期（overall survival，OS）的预后价值。

1.2.4 模型性能评估及验证 将TCGA 中样本随机分为7∶3 的训练集（647 个样本）和验证集（262 个样本），进行生存分析，绘制受试者操作特征曲线（receiver operator characteristic curve，ROC curve）并计算曲线下面积（area under the curve，AUC），进行100 次重复。最后利用GSE37745 数据按照模型计算风险评分，并依据风险评分将样本分成高、低风险组，通过KM 曲线验证模型。

2 结果

2.1 鉴别差异表达的免疫相关基因

针对1135 个队列筛选出4549 个DEGs，其中与ImmPort 获得的1810 个免疫相关基因有336 个重复。

2.2 模型的建立和验证

本研究共纳入909 例NSCLC 患者。通过单因素Cox 回归分析，共有31 个基因与患者的OS 相关。后进行多因素Cox 回归分析，将7 个基因的表达作为风险评估模型的指标基因（表1），风险评分公式定义如下：Risk score=FGA×0.050+LCN15×0.106+PTX3×0.118+SEMA4B×0.128-CRHR2×0.070-LIFR×0.104-UMODL1×0.073。

表1 多因素Cox 分析结果

鉴于中值（中位数）风险评分为0.995，患者被分为高风险组（455 例）和低风险组（454 例），两组间患者OS、各基因表达比较差异均有高度统计学意义（P <0.001）（图1～2）。TCGA 数据的内部验证表明模型可以作为预测NSCLC 预后的有效标志模型，其AUC=0.703（图3，见封三）。该分组方式在GSE37745 中依然可以将患者OS 区分，外部数据也验证了模型的有效性（图4）。

图1 TCGA 数据库中高、低风险组生存曲线

图2 7 个基因在高、低风险组中的表达

图3 模型ROC 曲线

图4 GSE37745 数据集患者高、低风险组生存曲线

2.3 建模基因的生存分析

对7 个基因进行OS 分析（图5 A～G）。模型中所有基因均与NSCLC 患者的OS 相关。UMODL1、CRHR2、LIFR、LCN15、FGA、PTX3、SEMA4B 高、低表达组总生存期比较，差异有高度统计学意义（P <0.001）。

图5 7 个基因的生存分析

3 讨论

随着医疗技术的发展，NSCLC 患者接受了更有效的治疗，但临床治疗的努力并没有明显改善生存时间。免疫功能在NSCLC 中起着重要的作用，本实验重点即研究免疫相关的DEGs，以期对患者进行更准确的评估。

本研究通过Cox 回归分析，建立了7 个基因构成的预后风险模型。通过查找文献发现，在结直肠癌的研究中，抑制CRHR2 的表达与肿瘤扩张、上皮-间充质转换、远处转移风险和生存差有关[10]。CRHR2 还被证明能抑制乳腺癌细胞的转移[11]。FGA 参与肿瘤预后生物标志物的组成[12-13]。LCN15 的突变也参与了多类型的癌症[14]。LIFR 和PTX3 也已被证明可以抑制肿瘤发展和转移[15-21]。同时，SEMA4B 和UMODL1 也参与了肿瘤预后生物标志物的组成，并能抑制NSCLC 的发展和转移[22-25]。这些结果与本研究得到的结果相似。

实验使用7 个免疫相关DEGs 建立了一个预后风险模型，并得到了一个计算风险评分的公式。本研究考虑免疫功能对NSCLC 的影响，建立了完全由免疫相关DEGs 构成的预后模型模型，但是该模型的评估预后价值还需要在未来的临床试验中进一步验证。