喉鳞状细胞癌颈部淋巴结转移关键长链非编码RNA预测模型构建

目的　分析喉鳞状细胞癌（laryngeal squamous cell carcinoma,LSCC）颈部淋巴结转移相关长链非编码RNA（long non-coding RNA,lncRNA）和mRNA表达谱的变化,构建LSCC颈淋巴结转移关键lncRNA预测模型。方法　选取2例LSCC伴颈部淋巴结转移患者和1例LSCC无颈部淋巴结转移患者的喉癌组织标本、癌旁组织标本和颈部淋巴结组织标本,通过CeRNA芯片技术筛选出喉癌组织、伴颈部淋巴结转移的喉癌组织及淋巴结阳性转移的淋巴结组织中差异表达的lncRNA和mRNA;基于差异lncRNA和mRNA表达信号值进行共表达分析,通过靶基因的生物学功能间接预测LSCC颈淋巴结转移关键lncRNA的生物学功能。结果  筛选出喉癌组织、伴颈部淋巴结转移的喉癌组织、淋巴结阳性转移的淋巴结组织中差异表达最明显的lncRNA6种：CCAT1、lnc-AC096644.1-5:1、lnc-KRT79-1:1、lnc-RP11-90M5.1.1-5:1、ONHSAT132596和RP11-574O7.1;伴颈部淋巴结转移的喉癌组织中43个差异表达的lncRNA和15个差异表达的mRNA,淋巴结阳性转移的淋巴结组织中102个差异表达的lncRNA和38个差异表达的mRNA参与lncRNA-mRNA共表达网络图的构建。结论　LncRNA的异常表达与LSCC发生及颈淋巴结转移有关,LSCC颈淋巴结转移相关ncRNA-mRNA共表达网络图的构建为LSCC的临床研究提供实验依据。     

喉鳞状细胞癌m6A相关基因预后预测模型的构建及分析

目的 构建基于N6-甲基腺嘌呤(N6-methyladenosine,m6A)相关基因的喉鳞状细胞癌(laryngeal squamous cell carcinoma,LSCC)预后预测模型。方法 从TCGA数据库下载LSCC RNA-seq数据及相关临床数据,利用R4.0.3软件筛选并提取LSCC组织中显著差异表达的m6A相关基因(P＜0.05)。利用Lasso回归算法构建预后预测模型,并根据风险评分公式计算各临床样本的风险系数,取中位数将样本分为高风险组和低风险组,然后使用Kaplan-Meier生存曲线和受试者工作特征 (receiver operating characteristic,ROC)曲线评估该模型效能,并进一步使用单因素及多因素COX回归分析对该预后预测模型进行独立预后分析。结果 LSCC组织中显著差异表达的m6A相关基因共有9个(METTL3、YTHDF1、YTHDC2、ALKBH5、HNRNPC、RBM15、WTAP、FTO和KIAA1429),在此基础之上利用Lasso回归算法构建了预后预测模型。Kaplan-Meier生存曲线显示高风险组的总体生存率明显低于低风险组,且两组的5年生存率之间比较,差异有统计学意义(P＜0.01)。ROC曲线显示该模型具有较好的敏感度和特异性(AUC>0.7)。独立预后分析显示该评分模型可作为独立预后因素(P=0.000)对LSCC患者的预后进行预测。结论 本研究构建了基于m6A相关基因的预后预测模型,且可作为独立的预后因素。     

基于铁死亡相关基因构建头颈部鳞状细胞癌的预后预测模型并验证

目的 构建基于铁死亡相关基因(ferroptosis-related genes, FRGs)的头颈部鳞状细胞癌(head and neck squamous cell carcinoma, HNSCC)预后预测模型并验证。方法 从TCGA和GEO数据库下载HNSCC RNA-seq数据及相关临床数据,分别作为训练队列和验证队列。从FerrDb网站提取共259个FRGs。利用单因素COX回归分析在训练队列中筛选与HNSCC患者预后有关的FRGs(P<0.01)。利用Lasso COX回归分析构建预后预测模型,并根据风险评分公式计算各临床样本的风险系数,然后使用Kaplan-Meier生存曲线和时间依赖性受试者操作特征(time-dependent receiver operating characteristic, time ROC)曲线评估该模型效能。同理,验证该模型在验证队列中的可行性和可重复性。最后采用单因素及多因素COX回归分析对该预后预测模型进行独立预后分析。结果 训练队列中与HNSCC患者预后显著相关的FRGs共有12个,在此基础之上利用Lasso COX回归算法构建了11个FRGs构成的预后预测模型。Kaplan-Meier生存曲线分析显示,高风险组的总生存率明显低于低风险组,差异有统计学意义(P<0.001)。time ROC曲线分析显示,该模型预测第1、3、5年总生存的曲线下面积(area under the curve, AUC)分别为0.649、0.729、0.688。独立预后分析显示,该评分模型可作为预测HNSCC的独立预后因素(P<0.001)。该模型在验证队列中得到了进一步验证。结论 本研究构建了11个FRGs的预后预测模型,且可作为HNSCC患者的独立预后因素。