生物信息学方法分析与宫颈癌有关联的基因

目的 通过TCGA和GEO数据库筛选与宫颈癌相关的关键基因,探讨其分子机制及临床意义。 方法 通过TCGA和GEO数据库获取宫颈癌的基因表达谱数据,采用加权基因共表达网络分析(WGCNA)获取宫颈癌与正常宫颈组织差异表达基因(DEGs),对DEGs进行富集分析、蛋白-蛋白互作网络(PPI)分析并识别关键基因,进一步对关键基因与预后及蛋白表达、以及与宫颈癌免疫浸润的关系进行分析。 结果 通过TCGA与GEO数据库中共得到88个宫颈癌DEGs,GO分析发现大部分基因与核染色体减速分裂、核染色体分裂、染色体集缩、核染色体等相关;KEGG信号通路分析发现宫颈癌DEGs参与了细胞周期、DNA复制、卵母细胞减数分裂、p53信号通路、同源重组等信号通路。鉴定出20个宫颈癌关键基因,仅有丝分裂阻滞缺陷2样蛋白1(MAD2L1)低表达患者的总生存期(OS)长于MAD2L1高表达患者(P=0.013),但MAD2L1高表达患者的无病生存期(DFS)与低表达患者差异无统计学意义(P>0.05),宫颈癌组织中MAD2L1蛋白高于正常组织。TIMER在线软件分析显示,MAD2L1与肿瘤的免疫浸润水平均相关(P<0.05)。 结论 发现了与宫颈癌相关的候选基因MAD2L1,其与宫颈癌患者的预后及免疫浸润均有关,可能成为宫颈癌预后预测及治疗的新靶点。     

利用上皮源性卵巢癌预后的多基因信息建立预测预后模型

目的 通过基因表达谱汇编(GEO)数据库和癌症基因组图谱(TCGA)数据库筛选并建立与上皮源性卵巢癌(EOC)患者预后有关联的多基因模型,并验证其预后价值。 方法 从GEO数据库中下载EOC有关芯片数据(GSE14407),筛选出在EOC组织和正常卵巢上皮组织中差异表达的基因(DEGs),采用单因素和多因素Cox回归模型筛选出与预后有关联的DEGs,建立多基因预后模型和预后指数(PI)公式。对TCGA数据库中EOC患者的mRNA数据及临床信息进行整理,通过PI公式对患者进行评分,并根据评分将患者分为低风险组和高风险组。通过Cox回归风险模型分析临床病理参数(年龄、发病位置、组织分级、肿瘤残余及FIGO分期)和预后指数参数与EOC预后的关系。根据年龄、发病位置、组织分级、肿瘤残余及FIGO分期进行分组,采用Kaplan-Meier(K-M)生存分析验证多基因模型对卵巢癌的预后价值。 结果 共筛选出47个在EOC组织和正常卵巢组织中的DEGs,其中有37个表达下调的DEGs和10个表达上调的DEGs。将上述DEGs进行单因素和多因素Cox回归分析,共筛选出4个DEGs,分别是PACSIN3、KCNT1、LAMP3及KIR3DX1。PI公式:(-0.169×PACSIN3的表达量+0.078×KCNT1的表达量-0.246×LAMP3的表达量-0.147×KIR3DX1的表达量)。Cox回归模型分析证实,年龄、肿瘤残余和预后模型是卵巢癌患者的独立预后因素(P<0.01)。通过K-M生存分析证实,在TCGA数据库的312例EOC患者中,预后评分低风险的患者总体生存期(OS)较高风险患者延长,差异有统计学意义(P<0.05)。在不同的年龄、临床分期、发病位置(单侧和双侧)、肿瘤残余<10 mm的EOC患者亚组中,预后评分低风险的患者OS较高风险患者延长,差异有统计学意义(P<0.05)。 结论 四基因预后模型是EOC患者的独立预后因素,并在总体和根据各临床病理特征分组的EOC患者亚组中得到了验证。     

胃癌miRNAs预后风险评分模型的构建与应用

目的 筛选与胃癌预后存在关联性的微小RNAs(miRNAs)生物标志物,构建风险评分模型用于患者预后评估。 方法 基于人类癌症和肿瘤基因图谱(TCGA)数据库下载胃癌miRNAs表达谱数据及样本相关临床信息,通过“DESeq2”软件包对miRNAs表达谱进行差异分析。采用单因素Cox回归分析和Kaplan-Meier生存分析筛选与预后存在关联性的miRNAs,并将预后miRNAs纳入多因素Cox回归分析用于预后风险评分模型的构建。通过“timeROC”软件包绘制受试者工作特征曲线(ROC),对模型效能进行评价。最后通过在线数据库对miRNAs可能结合的信使RNAs(mRNAs)进行预测,并通过基因本体(GO)、京都基因与基因组百科全书(KEGG)预测其功能。 结果 以log₂ | Fold Change |>1,P<0.05为标准,筛选得到248个胃癌组织中差异表达的miRNAs。通过单因素Cox回归分析及Kaplan-Meier生存分析筛选到6个与患者总体生存率有关联性的差异表达的miRNAs,随后使用多因素Cox回归分析成功构建胃癌miRNAs预后风险评分模型,风险评分=0.048 35×miR-181b-1 +0.112 06×miR-548d-1+0.068 00×miR-675+0.075 87×miR-708+1.175 21×miR-4640+0.089 89×miR-4709。Kaplan-Meier生存曲线结果显示,风险评分高的患者预后较差(P<0.001);模型5年总体生存率ROC曲线下面积(AUC)为0.776,证明该模型能够有效预测胃癌患者预后风险。GO和KEGG功能分析结果显示,模型miRNAs分子参与多个肿瘤相关代谢通路。 结论 成功构建了miRNAs预后风险评分模型,且该模型对胃癌患者生存状态具有良好的预测效能。     

利用数据库信息构建乳腺癌免疫关联lncRNAs风险评估模型

目的 筛选乳腺癌中免疫关联长链非编码RNA(lncRNA),并构建乳腺癌预后风险评估模型,探索预后相关因素。 方法 从UCSC Xena(https://xena.ucsc.edu/)、TCGA、immport(https://www.immport.org/home)官网分别下载乳腺癌患者的测序数据、临床信息以及免疫基因集,并将这些数据进行整理和清洗,最终得到乳腺癌免疫关联lncRNA表达矩阵及临床信息。利用单因素Cox和多因素Cox回归分析筛选出与预后相关的免疫关联 lncRNA,用于构建预后风险评分。根据风险评分的中位数,将患者分为高风险组和低风险组,利用Kaplan-Meier(K-M)生存分析、受试者工作特征曲线(ROC)分析及独立预后因素评估对模型进行评价,并将此模型联合其他临床因素构建列线图,对乳腺癌患者进行生存率预测。 结果 最终确定10个免疫关联 lncRNAs 用来构建风险评分模型;高风险组较低风险组预后差;风险评分可作为乳腺癌患者的独立预后因素;列线图的C指数(CI)为0.751,校准图显示预测值与实际观测值一致性较好。 结论 由10个免疫关联lncRNAs 组成的风险评分模型可用于评估乳腺癌患者的预后,由此建立的列线图可进一步预测乳腺癌患者的生存率。     

基于数据库分析CCR基因对肾透明细胞癌预后的预测价值

目的 利用信息库资料探讨趋化因子受体家族对肾透明细胞癌(ccRCC)预后的预测价值。 方法 下载并分析癌症基因组图谱(TCGA)的基因表达数据,筛选CC趋化因子受体(CCR)亚基因家族在正常组织与ccRCC组织中的差异表达基因。采用COX回归分析构建预后模型并进行相关功能学分析。 结果 从 TCGA 数据库下载包括539例ccRCC组织和72例正常组织的基因转录组数据,筛选出11个差异表达的CCR家族基因。通过多因素Cox回归分析得到 2个(CCR3与CCR10)与ccRCC预后相关的CCR基因,并以此构建预后模型。根据模型风险评分的中位值将训练集样本分为高风险组(n=184)与低风险组(n=197)。Kaplan-Meier生存分析结果显示,低风险组总生存率高于高风险组,差异有统计学意义(P<0.001)。 结论 本研究构建的CCR基因预后模型可较好地评估ccRCC患者的预后并指导其个体化治疗。     

基于焦亡相关lncRNAs的肺鳞癌预后风险模型

探讨焦亡相关的长链非编码RNA(lncRNAs)在肺鳞癌(LUSC)中的预后价值,构建基于焦亡相关lncRNAs的预后风险评估模型。方法 从TCGA数据库获取LUSC患者的临床资料和RNA转录组数据,筛选在LUSC患者中差异表达的lncRNAs,将这些lncRNAs与焦亡基因进行Pearson相关分析以获得差异表达的焦亡相关lncRNAs。通过Cox回归分析构建焦亡相关的lncRNAs预后风险模型,将患者分为高、低风险组,使用Kaplan-Meier生存分析和ROC曲线评估模型的准确性。通过KEGG分析高、低风险组差异基因的富集情况。结果Pearson相关分析发现743个焦亡相关的lncRNAs,并鉴定出277个焦亡相关的差异lncRNAs。单因素Cox回归分析显示21个焦亡相关的lncRNAs与LUSC患者的预后相关,进一步多因素Cox回归分析获得8个与焦亡及预后相关的lncRNAs,分别为PICART1、MIR3945HG、LINC01322、AC010422.4、AC112722.1、AL122125.1、AC104248.1、SFTA1P。生存分析显示高风险组预后较差,总体生存期显著低于低风险组(P<0.001)。单因素和多因素Cox分析表明风险评分可以作为独立预后因子。另外,高、低风险组在通路富集、免疫细胞浸润、免疫检查点和m6A相关基因方面存在差异。结论 通过生物信息学方法筛选出的8个焦亡相关lncRNAs与LUSC预后相关,构建的预后风险评估模型具有一定的使用价值。     

基于长链非编码RNA的生物信息学分析构建膀胱癌预后模型并确定预后生物标志物

目的:构建基于长链非编码RNA(long non-coding RNA,lncRNA)的膀胱癌预后模型,并寻找预后生物标志物。方法:从癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载膀胱癌转录组及临床数据,Perl软件和R软件用于数据处理和分析。首先筛选差异表达lncRNA,继而对筛选结果进行单因素Cox回归分析以初步筛选与预后相关的lncRNA,再进一步用Lasso回归分析筛选影响预后的关键lncRNA,并运用多因素Cox回归分析构建预后模型。根据风险评分的中位数将患者分为高风险组和低风险组,运用Kaplan-Meier(K-M)生存分析、受试者接受特征(receiver operating characteristic,ROC)曲线和C指数对模型进行评价。此外,运用多因素Cox回归分析计算预后模型中各lncRNA的危险比和95%置信区间,并对差异有统计学意义的lncRNA进行K-M生存分析以确定预后生物标志物。结果:单因素Cox回归分析显示,在691个差异表达的lncRNA中, 35个可能与预后相关,其中23个经Lasso回归分析确认为影响预后的关键lncRNA。此外,K-M生存分析结果显示低风险组的总生存时间较高风险组长[(2.85±2.72)年vs. (1.58±1.51)年, P<0.001], ROC曲线显示3年生存率和5年生存率的曲线下面积分别为0.813和0.778,C指数为0.73。多因素Cox回归表明,23个关键lncRNA中有11个lncRNA差异有统计学意义,进一步的K-M生存分析表明,其中有3个lncRNA可能具有独立的预后价值,包括lncRNA AL589765.1(P = 0.004), AC023824.1(P = 0.022)和PKN2-AS1(P = 0.016)。结论:通过生物信息学分析,成功构建了基于23个lncRNA表达水平的膀胱癌预后模型,预测准确性中等,并确定了一个保护性预后生物标志物AL589765.1,以及两个不利的预后生物标志物AC023824.1和PKN2-AS1。     

肺腺癌预后相关坏死性凋亡基因标志物的构建及验证

目的 构建肺腺癌(LUAD)预后相关坏死性凋亡基因标志物并对其进行评估。方法 KEGG数据库筛选坏死性凋亡相关基因(NRGs);TCGA和GEO数据库中分别下载LUAD样本和正常样本的RNA测序及其相应临床数据,并以TCGA数据集作为训练队列,以GEO数据集作为验证队列,对筛选的NRGs进行差异和功能富集分析;单因素Cox及Lasso Cox回归分析构建NRGs的LUAD预后标志物;采用Kaplan-Meier生存分析、timeROC分析、多因素Cox回归分析和临床列线图评估该预后标志物;以GEO数据集(GSE31210)外部验证该预后标志物。结果 筛选获得159个NRGs;在训练队列中鉴定出26个差异表达的NRGs(DENRGs);富集分析发现DENRGs主要参与坏死性凋亡和NOD样受体等信号通路;构建由6个NRGs(PLA2G4F、IL33、TLR4、RNF103.CHMP3、ALOX15、IL1A)组成的预后标志物;生存分析显示高风险组总体生存率(OS)明显低于低风险组(log-rank P<0.001);该预后标志物预测1年、3年和5年OS的AUC分别为0.672、0.631和0.624,且与LUAD患者OS显著相关(HR:2.30,95%CI:1.30～4.00,P<0.01);建立的列线图能较好地预测LUAD患者的生存;验证队列的分析结果与训练队列一致。结论 成功构建一种新的NRGs预后标志物,其可用于预测LUAD患者的预后,且该预后标志物的预测能力良好。     

基于公共数据库构建肺腺癌肿瘤干性评分模型预测免疫治疗疗效

目的 鉴定肺腺癌肿瘤干细胞相关基因亚型,构建肿瘤干性评分模型以预测肺腺癌免疫检查点抑制治疗疗效。 方法 从TCGA数据库下载肺腺癌RNA测序数据,使用“limma”包分析肺腺癌(535例)与癌旁组织(59例)中329个肿瘤干细胞相关基因的差异表达(FDR<0.05, |log₂ Fold Change|>2),利用差异基因鉴定肺腺癌肿瘤干细胞相关亚型,通过单因素Cox回归分析进一步筛选出肿瘤干细胞相关亚型之间对预后有意义的共同差异基因。基于主成分分析(PCA)算法,利用123个预后有意义的共同差异基因对TCGA与GEO合并后的630例肺腺癌患者进行肿瘤干性评分,利用Kaplan-Meier 曲线分析确定最佳截断值,将肺腺癌患者分成高、低肿瘤干性评分组(截断值为-1.91)。探究不同肺腺癌肿瘤干细胞相关亚型和肿瘤干性评分组在肿瘤微环境、免疫治疗方面的差异。 结果 鉴定出了36个差异表达基因和3个预后有统计学意义的肿瘤干细胞相关亚型(CSC-A、 CSC-B、 CSC-C)(P=0.033),其在免疫细胞浸润方面差异有统计学意义并与抗原递呈、细胞毒性作用等多条免疫通路相关。单因素Cox回归分析筛选出123个对预后有意义的共同差异基因,构建了肿瘤干性评分模型。低肿瘤干性评分组各类免疫细胞浸润程度普遍上升,PD1、PD-L1、CTLA4表达显著升高。无论是单独的抗CTLA4或抗PD1治疗,亦或是二者联合治疗,低肿瘤干性评分组的疗效都优于高肿瘤干性评分组,无免疫检查点抑制治疗时,高、低肿瘤干性评分组的疗效差异无统计学意义(P=0.060)。在抗PD-L1和抗PD1的两个独立免疫治疗队列中,低肿瘤干性评分组的反应率均高于高肿瘤干性评分组(抗PD-L1治疗队列反应率:50% vs 20%;抗PD1治疗队列反应率:23% vs 0%)。 结论 肿瘤干性评分模型在预测肺腺癌患者免疫检查点抑制治疗疗效方面具有潜在价值,有望为肺腺癌患者免疫检查点抑制治疗提供理论依据。     

763例宫颈癌患者预后影响因素分析

目的 调查我院宫颈癌住院患者的生存状况及预后相关因素,为我市宫颈癌的有效防治提供科学依据。方法 回顾性分析延安大学附属医院2011-01～2015-12宫颈癌患者(ⅠA-ⅣB期)共763例,利用比例风险模型(COX模型)进行多因素分析,筛选出独立预后因素。结果 单因素分析显示:分期、分化程度和肿瘤大小对生存有影响(P＜0.05)。多因素分析显示:分期、分化程度是预后的独立因素(P＜0.05)。结论 分期、分化程度和肿瘤大小是宫颈癌的预后因素,分期晚,分化程度差是宫颈癌的独立预后因素。     

生物信息学在三阴性乳腺癌mi RNA生物标志物筛选中的应用

目的：通过医学癌症数据库（TCGA）和基因表达数据库（GEO）分析三阴性乳腺癌（TNBC）中差异表达微小RNA（miRNAs）并预测其靶基因,探讨其生物学功能和分子机制,寻找TNBC预后相关靶点。方法：下载TCGA数据库中343项关于乳腺癌组织与癌旁组织相关的miRNAs表达数据,筛选乳腺癌与癌旁组织中差异表达的miRNAs;GEO数据库验证miRNAs在TNBC细胞系的26种细胞株中的表达以及TNBC患者经过化疗前后血清中miRNAs的变化;通过基因本体（GO）功能注释及京都基因和基因组百科全书（KEGG）信号通路富集、蛋白质互作网络分析候选miRNAs的靶基因功能。结果： TCGA数据库,在乳腺癌组织中的miR-21-5p表达水平明显高于相邻癌旁组织（logFC=5.557,P<0.01）;GEO数据库筛选,miR-21-5p在TNBC细胞系中表达水平明显升高,在26种TNBC细胞株中超过20种细胞株相对表达水平>70 000,TNBC患者经联合化疗后miR-21-5p的表达水平明显降低（logFC=-5.07,P<0.01）;GO分析,miR-21-5p主要在DNA复制、转录以及血管重构等方面发挥调控作用;KEGG富集分析,miR-21-5p主要通过促分裂原活化蛋白激酶（MAPK）和转化生长因子β（TGF-β）等通路影响TNBC的发生发展。结论： miR-21-5p在TNBC组织中表达上调,在TNBC进展中发挥正调控作用,可能成为鉴定TNBC相关预后程度的关键生物学标志物。DUSP8等可能作为miR-21-5p的靶基因参与调控TNBC的发生发展。     

基于生物信息学分析宫颈癌关键基因及预后相关的生物标志物

目的 从公共数据库筛选并探讨宫颈鳞状细胞癌的关键致病基因。方法 从GEO数据库GSE122697、GSE89657里下载宫颈组织表达谱芯片数据。利用R软件和韦恩图查找数据集的差异表达基因(DEGs)交集,进行GO 和 KEGG 通路富集分析。利用STRING数据库构建了DEGs的蛋白质-蛋白质相互作用网络(PPIs)并导入Cytoscape软件进一步分析,通过cytohubba插件和MCC算法筛选出DEGs。利用癌症基因组图谱数据(TCGA)对已初步筛选的DEGs进行验证及生存曲线分析,并进一步筛选与宫颈癌总生存率相关的DEGs进行ROC分析,获得关键基因。结果 宫颈鳞状细胞癌差异基因56个,其中15个上调和41个下调。GO 及 KEGG 分析结果显示, 这些 mRNA 主要参与细胞核分裂、细胞外基质代谢调控等生物学进程; 主要富集于细胞周期、减数分裂、PIK-Akt信号通路、ECM受体相互作用通路等。通过PPI网络中筛选出18 个核心基因,并在TCGA数据集中得以验证,生存曲线分析的结果表明18个差异基因中的ASF1B基因对宫颈癌患者生存预后具有显著影响 (HR=0.437(0.272-0.704), P<0.01), ROC分析的结果表明其对宫颈癌患者具有很好的诊断价值(AUC=0.998)。结论 本研究通过综合生物信息学分析,有望为宫颈癌诊断和预后提供可靠的分子生物标志物和治疗靶点。     

基于生物信息学的结肠癌核心基因筛选及验证

目的: 利用生物信息学方法筛选结肠癌核心基因,并通过体外实验进行验证,挖掘潜在的结肠癌分子标志物。方法：从GEO数据库下载GSE23878、GSE37182和GSE74602数据集,应用R语言筛选结肠癌和癌旁组织的差异表达基因（differentially expressed genes, DEGs）,并对DEGs进行GO富集分析、KEGG信号通路分析。利用STRING数据库构建蛋白质相互作用（protein protein interaction, PPI）网络,采用Cytoscape软件筛选结肠癌核心基因。利用TCGA数据库验证核心基因表达及预后价值,采用细胞转染及MTT法进一步验证核心基因的功能。结果：3个数据集筛选出270个共有DEGs,GO富集分析显示DEGs参与生长负调控、细胞外基质组织、细胞外结构组织等生物学过程,KEGG信号通路分析DEGs主要富集于Wnt、NF-κB、细胞周期等信号通路。PPI筛选出11个核心基因。经GEPIA数据库验证,MYC、TIMP1、UBE2C、SOX9、AURKA、COL1A1、CDC20、TOP2A和CENPF在结肠癌中高表达,而CAV1和CXCL12低表达。进一步生存分析显示,AURKA高表达与结肠癌患者总体生存期呈正相关（P<0.05）,TIMP1高表达与结肠癌患者总体生存期呈负相关（P<0.05）,COL1A1高表达与结肠癌患者无病生存期呈负相关（P<0.05）。细胞转染及MTT实验结果显示,过表达AURKA、TIMP1可显著促进结肠癌细胞增殖。结论：筛选出可能参与结肠癌发生的11个核心基因,其中AURKA和TIMP1表达变化可能与结肠癌患者预后相关。     

VNN1基因在急性髓系白血病中的表达及临床意义

目的 通过在线数据库挖掘分析VNN1基因在急性髓性白血病（acute myeloid leukemia，AML）中的表达并探讨其临床意义。 方法 使用癌症基因图谱（the cancer genome atlas，TCGA）、组织特异性基因表达库（the genotype-tissue expression，GTEx）和高通量基因表达数据集（gene expression omnibus，GEO）等数据库分析VNN1基因在AML患者和正常对照组中的表达水平; 通过下载TCGA、GEO数据集中AML患者的数据信息，进行VNN1基因表达水平与临床特征及总体生存期的相关性分析; 利用STRING数据库分析VNN1蛋白－蛋白互作网络，并进行GO基因富集和KEGG通路富集分析，通过单样本基因集富集分析(ssGSEA)来评估VNN1与免疫细胞浸润之间的相关性。 结果 与健康对照组（0.025±0.053）相比，VNN1在AML中显著高表达（3.306±1.991）（P＜0.001），且其表达水平与AML患者细胞遗传学风险、FLT3突变状态、NPM1突变状态存在密切关系（P＜0.05）；ROC曲线表明VNN1的表达水平可以准确区分正常人群和AML患者（曲线下面积为0.969）；生存分析结果显示VNN1低表达的AML患者中位生存期为27.4个月，而高表达组中位生存期只有10.1个月，差异有统计学意义( P＜0.001) 。单因素和多因素COX回归分析均表明高表达的VNN1是AML总体预后的独立危险因素（风险比分别为1.998,1.763）（P＜0.05）；STRING数据库显示与VNN1相互作用的蛋白有PANK1、PANK3、PANK2、VNN2、VNN3、SERPIN2、TAAR2、TAAR5、TAAR1、STX7。GO功能及KEGG信路通路的富集分析显示VNN1主要参与的生物学过程包括囊泡运输中的核心蛋白复合体相互作用、泛酸和辅酶A生物合成、补体和凝血级联反应过程、血小板活化等。 结论 通过对在线数据库进行挖掘分析发现，VNN1在AML中显著高表达且与患者总体生存期呈负相关，为进一步深入研究AML发病机制和靶向治疗提供了理论依据。     

基于生物信息学的子宫内膜癌预后模型构建

目的 筛选与子宫内膜癌（endometrial carcinoma，EC）预后相关的差异基因并构建预后模型。方法 从癌症基因图谱（The Cancer Genome Atlas，TCGA）数据库和基因表达谱数据库（Gene Expression Omnibus，GEO）的数据集GSE63678中下载EC和正常对照样本的基因表达数据，筛选出共有差异基因。采用LASSO回归分析筛选出具有预后意义的基因，并构建预后特征。从TCGA数据库中获取具有完整信息的EC患者，按1∶1的比例随机分为训练组和验证组。对训练组患者基于预后特征构建生存曲线；采用基因本体论（gene ontology，GO）分析和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG）对预后特征进行功能注释和通路富集分析；结合预后特征及临床危险因素构建列线图，采用校准曲线和C指数评估列线图性能。最后使用验证组加以验证。结果 从TCGA和GEO数据库分别筛选出4800个和257个差异基因，其中共表达的上调基因73个，下调基因52个；LASSO回归分析筛选出6个预后基因，分别为ORMDL2、BNC2、TTK、MAMLD1、KCTD7、DCLK2；生存曲线结果表明高风险组患者的总生存率显著低于低风险组（P<0.01）；GO分析和KEGG结果显示预后特征与细胞周期相关。列线图在训练组与验证组中均显示出良好的预测能力。结论 本研究构建一种基于预后特征的预测模型，可准确预测EC患者的预后，为临床诊疗提供新的理论支持。     

骨肉瘤关键基因及免疫浸润的生物信息分析

目的 通过生物信息学方法筛选骨肉瘤潜在的关键基因,并分析其免疫浸润模式。方法 从基因表达综合数据库(GEO)获取与骨肉瘤相关的基因表达谱GSE16088和GSE12865,采用生物信息学方法筛选与骨肉瘤相关的差异表达基因(DEGs),并进行基因本体(GO)功能注释和京都基因与基因组百科全书(KEGG)富集分析、免疫细胞浸润分析。通过蛋白质-蛋白质相互作用网络筛选出骨肉瘤潜在的关键基因,利用癌症基因组图谱数据库(TCGA)验证关键基因在骨肉瘤和正常组织样本中的表达情况。结果 共筛选出108个DEGs。GO功能注释和KEGG富集分析显示,DEGs主要富集在整合素结合、细胞外基质(ECM)结构成分、ECM受体相互作用和磷脂酰肌醇3-激酶/蛋白激酶B(PI3K/Akt)信号通路。巨噬细胞是骨肉瘤最主要的免疫浸润细胞。分泌型磷蛋白1(SPP1)、基质金属肽酶2(MMP2)、赖氨酰氧化酶(LOX)、V型胶原蛋白α(II)链(COL5A2)、黑色素瘤细胞黏附分子(MCAM)5个关键基因在骨肉瘤和正常组织样本中的表达存在差异(P均<0.05)。结论 SPP1、MMP2、LOX、COL5A2、MCAM在骨肉瘤中均上调,可能是骨肉瘤潜在的生物标志物。巨噬细胞是骨肉瘤最主要的免疫浸润细胞,可为骨肉瘤的治疗提供新的方向。