构建基于自噬相关lncRNAs皮肤黑色素瘤预后模型

目的：构建预测皮肤黑色素瘤（SKCM)预后的自噬相关长链非编码RNA(lncRNAs)风险模型,寻找与SKCM预后相关的新的生物学标志物。方法：从癌症基因组图谱(TCGA)数据库中获得SKCM的lncRNAs的表达谱,以构建自噬基因与lncRNAs共表达网络。Lasso回归和多因素Cox回归寻找与自噬相关lncRNAs。根据自噬相关lncRNAs建立风险评分,并使用Cox回归检验其是否为独立的预后因素。利用GO和KEGG分析自噬相关lncRNAs的功能富集。结果：SKCM中鉴定出有11个自噬相关lncRNAs,其中7个（USP30-AS1、HCP5、WAC-AS1、EBLN3P、AL162171.1、LINC00339、THCAT158）是保护性因素,4个（LINC00518、AC009570.1、AC009495.2、LINC00665）是危险因素。根据风险评分Kaplan-Meier生存分析发现,高风险组SKCM预后明显差于低风险组,差异有统计学意义（P<0.001）。Cox回归提示风险评分（HR=1.333,95%CI:1.214～1.465,P<0.001）是影响S...     

基于转录组学膀胱癌临床预后模型的构建

目的：筛选膀胱癌预后相关基因,建立膀胱癌预后评分模型。方法：通过UCSC Xena平台下载癌症基因组图谱（TCGA）数据库、基因型和基因表达量关联数据库（GTEx）中406例膀胱癌患者的临床信息和膀胱癌组织RNA测序数据,以及28名健康对照者正常膀胱组织RNA测序数据。采用加权基因共表达网络分析（WGCNA）、单因素Cox回归分析、LASSO回归分析和多因素Cox回归分析筛选膀胱癌预后相关基因并建立预后模型,结合Kaplan-Meier生存曲线、受试者操作特征曲线（ROC曲线）验证模型的准确性。结果：分析得到膀胱癌相关差异表达基因共2308个。WGCNA拟合得到6个基因模块,筛选出对膀胱癌预后有显著作用的基因829个。运用单因素Cox回归与LASSO回归分析筛选出24个与膀胱癌患者预后相关的基因,多因素Cox回归分析训练集数据得到9个作为独立预测因子的基因,分别是ADCY9、MAFG_DT、EMP1、CAST、PCOLCE2、LTBP1、CSPG4、NXPH4、SLC1A6,以此建立膀胱癌患者预后预测模型。训练集中高风险组和低风险组3年存活率分别为31.814%和59.821%,测试集中高风险组和低风险组3年存活率分别为32.745%和68.932%,模型预测训练集和测试集患者预后的ROC曲线下面积均在0.7以上。结论：本研究建立的模型对膀胱癌高风险和低风险人群的生存情况具有较好的预测能力。     

肝癌索拉非尼敏感性预测模型的构建及临床意义

目的：基于生物信息学方法构建并验证肝细胞癌(以下简称肝癌)对索拉非尼敏感性相关基因的预后风险模型,探究该模型对肝癌患者预后和对索拉非尼敏感性的预测能力。 方法：本研究对GSE109211数据集、TCGA-LIHC队列、ICGC-LIRI队列进行差异基因分析,通过交集筛选出肝癌索拉非尼敏感性相关基因。利用单因素Cox分析和LASSO回归构建预后风险模型并进行验证。通过GDSC数据库分析索拉非尼的IC50值并探索其与风险评分的关系。 结果：筛选出365个与索拉非尼敏感性相关的基因,富集分析显示存在与药物代谢相关的信号通路。单因素Cox回归分析出221个与预后相关的基因,通过LASSO回归构建了一个包含7个关键基因的预后风险模型,与低风险组相比,高风险组具有较短的生存时间。多因素Cox回归分析显示风险评分是独立的预后因素。通过对比高、低风险组患者的索拉非尼IC50值,发现高风险组的索拉非尼IC50值较低,提示高风险组对索拉非尼的治疗可能更敏感。 结论：基于索拉非尼敏感性相关基因构建的预后风险模型对肝癌患者预后具有良好的预测价值,并为评估肝癌患者的索拉非尼敏感性提供理论依据。     

染色质调节因子相关的lncRNA肾透明细胞癌预后模型的构建和验证

目的 构建染色质调节因子（CR）相关长链非编码RNA（lncRNA）的肾透明细胞癌（ccRCC）预后模型,提高ccRCC的预后管理。 方法 从TCGA数据库下载ccRCC的转录组数据和临床数据,并通过“caret”R包将ccRCC样本以7∶3的比例分为训练集（166例）和验证集（71例）。基于“DESeq2”R包筛选出差异表达的CR及相关的lncRNA。构建CR与lncRNA的共表达网络,并筛选出相关系数|rs|＞0.3且P＜0.05的差异lncRNA。利用单因素Cox、Lasso和多因素逐步Cox回归分析,构建CR相关的lncRNA预后模型。计算训练集和验证集样本的风险评分,根据风险评分的中位数将ccRCC患者分为高、低风险组。K-M曲线和受试者操作特征（ROC）曲线评价模型,单因素和多因素Cox回归分析评估风险评分的独立预测性能。“DynNom”和“shiny”R包开发在线预测工具。单样本基因集富集分析探索风险评分与免疫微环境及免疫检查点的关系。 结果 本研究最终纳入237个肿瘤样本和72个癌旁正常组织样本,鉴定了1 025个CR相关的lncRNA,最终筛选得到7个CR相关lncRNA（DUXAP8、AC026462.3、LINC01460、AL592494.1、AL353804.2、AC012462.1、AC009518.1）构建预后模型,并将其开发成在线工具（https://xzlmodelshiny.shinyapps.io/DynNomapp/）。高危组患者的生存率低于低危组（P＜0.05）,ROC曲线表明模型预测效能较好,单因素分析和多因素分析中风险评分的HR值分别为4.058（95%CI：2.530~6.508,P＜0.001）和3.096（95%CI：1.887~5.080,P＜0.001）。高风险组MDSC和Tregs细胞等免疫抑制细胞的浸润比例高于低风险组,趋化因子、免疫检查点及副炎症等通路的富集水平高于低风险组（P＜0.05）。此外,风险评分与免疫检查点TNFRSF25和TNFSF14呈正相关（r＞0.3,P＜0.05）。 结论 本研究构建的CR相关的lncRNA风险模型可独立有效地预测ccRCC患者的预后。     

基于预后相关基因构建的分析模型可识别高风险胶质母细胞瘤

目的：通过对多个公共数据库中胶质母细胞瘤转录组数据进行挖掘,筛选胶质母细胞瘤预后相关的基 因,并构建预后分析模型。方法：利用生物信息学技术对GEO(GSE53733)中生存时间大于36个月和小于12个月的样 本数据对比分析得到差异表达基因,即胶质母细胞瘤预后相关基因;采用Cox风险回归方法在CGGA和TCGA两个独 立数据库中筛选与预后相关的标签基因并构建预后分析模型;采用基因探针富集分析(GSEA),GO(gene ontology)功能 富集分析和蛋白网络互作分析(PPI)等方法分析高、低风险胶质母细胞瘤的分子特征。结果：分析得到211个胶质母细 胞瘤预后相关基因,并且从中筛选出17个标签基因。利用分子标签基因构建的模型能将胶质母细胞瘤划分为高风险 组和低分险组,高风险组的患者预后较差,在分子特征上更具免疫抑制性和侵袭性。结论：通过挖掘公共数据库建 立的分析模型对胶质母细胞瘤预后有良好的预测作用,判定为高风险组的胶质母细胞瘤预后更差,可作为潜在的胶 质母细胞瘤预后指示标签。     

肺腺癌失巢凋亡相关lncRNA预后模型的建立与验证

目的：构建基于失巢凋亡相关长链非编码RNA(lncRNA)的肺腺癌(LUAD)预后模型,探究LUAD潜在的治疗靶点。方法：从癌症基因组图谱(TCGA)数据库下载LUAD转录组和临床数据,从GeneCards网站获取失巢凋亡相关基因,利用共表达分析、差异分析筛选差异基因。通过Cox回归分析及Lasso回归分析构建预后模型,并进一步检验其有效性。对样本进行基因集富集分析(GSEA)及免疫相关性分析。结果：基于800个差异表达基因构建了一个由8个失巢凋亡相关lncRNA组成的预后模型,生存分析结果显示,高风险组总生存期比低风险组低(P<0.05);Cox回归分析和ROC曲线验证了该模型的准确性;GSEA分析表明,低风险组多富集于免疫相关信号通路;免疫相关性分析结果显示,该预后模型与多种免疫细胞、免疫功能和免疫检查点有关。结论：基于8个失巢凋亡相关lncRNA构建的LUAD预后模型有良好的预测效能,并为LUAD的治疗提供了参考。     

基于代谢相关基因的胃癌预后模型的构建和验证

目的整合胃癌（GC）分子亚型和代谢相关基因,并依此构建GC预后模型。方法从基因综合表达（GEO）数据库中采集GC患者基因表达谱和临床数据,通过整合网络分析筛选出主调控上皮间质转化（EMT）亚型的代谢标志基因,再通过Cox比例风险回归整合标志基因与生存信息,构建基于代谢相关基因的GC预后模型;依据该模型对GC患者进行风险分层,采用Kaplan-Meier生存曲线评估模型的预后预测作用,通过基因集富集分析（GSEA）筛选富集的通路。结果整合网络分析筛选出3个主调控EMT亚型的代谢标志基因,分别为人脂质磷酸磷酸酶相关蛋白4型基因、谷氨酸胺-果糖-6-磷酸转氨酶2基因和硫酸酯酶1基因;基于这3个代谢标志基因构建的预后模型可将GC患者划分为高危组和低危组。生存曲线分析表明,高危组患者的预后更差,在多组验证数据集中均呈现一致结果,该模型表现出较强的预后预测效能。GSEA分析表明,高危组中转化生长因子-β信号传导、EMT等与癌恶性特征相关的通路显著富集;M2巨噬细胞、M0巨噬细胞及中性粒细胞浸润与高风险显著相关。结论基于代谢相关基因的GC预后模型可实现GC患者风险分层,有助于指导GC患者的精准治疗。     

基于细胞焦亡与炎症反应相关基因构建肝细胞癌预后风险评估模型及验证

目的基于细胞焦亡与炎症反应相关基因构建肝细胞癌预后风险评估模型,并进一步探索该模型对肿瘤免疫微环境状态的预测效能,为制定个性化的治疗方案提供方向。方法从癌症基因组图谱（TCGA）数据库（365例）和国际癌症基因组联盟（ICGC）数据库（231例）下载有关肝细胞癌样本的细胞焦亡和炎症反应基因的mRNA数据,通过LassoCox回归分析构建肝细胞癌预后风险评估模型,计算细胞焦亡与炎症反应评分（PIRS）。采用R语言进行生存预后分析及临床病理特征分析;单样本基因集富集分析（GSEA）以及肿瘤免疫功能障碍与逃逸预测肿瘤免疫微环境状态;GSEA分析PIRS相关的信号通路及生物学功能。结果TCGA数据库中64个基因与肝细胞癌患者的总生存期有关（P＜0.05）,筛选出15个基因构建肝细胞癌预后风险评估模型。Kaplan-Meier生存分析显示,高风险组的总生存期较低风险组短（P＜0.01）。TCGA数据库中PIRS的AUC在1、2和3年时分别为0.871、0.846和0.831,ICGC数据库中AUC分别为0.844、0.733和0.751。PIRS是肝细胞癌患者预后的独立预测指标（HR=2.802,95%CI：2.286~3.433,P＜0.01）。高风险组中免疫杀伤细胞含量、细胞毒反应和干扰素活性均低于低风险组（均P＜0.01）,但巨噬细胞含量、免疫功能障碍评分和T细胞驱逐评分均高于低风险组（均P＜0.01）。高风险组中富集了细胞周期、血管内皮生长因子和转化生长因子β等相关信号通路。结论PIRS与肝细胞癌患者预后有关,高风险组处于免疫抑制状态,肝细胞癌预后风险评估模型能准确预测患者预后。     

基于焦亡相关lncRNAs的肺鳞癌预后风险模型

目的 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...     

嘌呤代谢相关基因预测肺腺癌预后模型的构建及验证

目的 探讨嘌呤代谢相关基因预测肺腺癌预后模型的临床应用价值。 方法 嘌呤代谢相关基因数据来源于人类基因数据库,肺腺癌 mRNA 转录组数据和临床数据来源于癌症基因组图谱数据库,并使用 Perl 及 R 软件筛选出与肺腺癌预后有关的表达差异的嘌呤代谢相关基因,并进行京都基因与基因组百科全书和基因本体论富集分析,用 Cox 回归分析及套索回归分析建立预后模型,通过 Kaplan-Meier 生存曲线比较高、低风险组的预后差异,通过 ROC 曲线验证该预后模型预测 1、3、5 年总生存期（OS）的可靠性,使用 Cox 回归分析临床因素与肺腺癌患者预后的关系。最后使用基因表达数据库中的 GSE26939 数据集进行外部验证。 结果 本研究最终筛选出了 5 个与肺腺癌预后相关的嘌呤代谢相关基因（CD19、CYP17A1、KHDRBS2、INHA、PLK1）,并建立了相关预后风险评分模型。Kaplan-Meier 生存曲线显示,低风险组患者 OS 高于高风险组（P＜0.01）。生存状态图及建模基因表达热图显示,高风险组患者比低风险组患者的预后差。1、3、5 年 OS 的 AUC 分别为 0.76、0.74、0.77,提示该模型有较好的预测效能。多因素 Cox 回归分析显示肿瘤分期和风险评分均是肺腺癌患者预后的独立危险因素（均 P＜0.05）。外部验证集的 Kaplan-Meier 生存曲线显示,低风险组患者 OS 高于高风险组（P＜0.01）。生存状态图及建模基因表达热图显示,高风险组患者具有更差的预后。1、3、5 年 OS 的 AUC 分别为 0.96、0.82、0.84,提示模型有较好的预测效能。 结论 嘌呤代谢相关基因可能通过促进肺腺癌细胞的增殖来影响肺腺癌患者的预后,本文建立的预后模型可为临床研究提供潜在依据。     

Novel Long Non-coding RNA Markers for Prognostic Prediction of Patients with Bladder Cancer

Objective To explore novel long non-coding RNA (lncRNA) molecular markers related to bladder cancer prognosis and to construct a prognostic prediction model for bladder cancer patients.Methods LncRNA expression data of patients with bladder cancer were downloaded from TCGA database. Univariate Cox regression and likelihood-based survival analysis were used to discover prognosis related lncRNAs. Functional studies of prognosis related lncRNAs were conducted by co-expression analysis and pathway enrichment analysis. Multivariate Cox regression analysis was used to establish risk score model, and Receiver Operating Characteristic analysis was used to determine the optimal cut-off point of the model. The risk score model was validated through Kaplan Meier estimation method and log-rank test.Results Seven prognosis related lncRNAs (OCIAD1-AS1, RP11-111J6.2, AC079354.3, RP11-553A21.3, RP11-598F7.3, CYP4F35P and RP11-113K21.4) which can predict survival of bladder cancer patient were discovered. Co-expression analysis and pathway analysis of these novel lncRNA signature and their target genes further revealed that these lncRNAs play important roles in the occurrence and development of bladder cancer. Additionally, a seven-lncRNA signature based risk score model for prognostic prediction of bladder cancer patients was established and validated. Notably, we identified the potential significance of two tumor-related antisense lncRNAs (OCIAD1-AS1 and RP11-553A21.3) in the prognosis of bladder cancer.Conclusion Our results suggest that these lncRNA markers may serve as potential prognosis predictors for bladder cancer and deserve further functional verification studies.     

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。     

m6A修饰相关lncRNA与宫颈癌的预后不良及免疫治疗的相关性分析

  目的   本研究旨在通过挖掘宫颈癌TCGA数据库,分析N6-甲基腺嘌呤（N6-methyladenosine, m6A）修饰相关长链非编码RNA（lncRNA）与宫颈癌预后不良及免疫治疗的相关性,从而有效地评估宫颈癌患者的预后和宫颈癌免疫治疗的可行性。   方法   基于TCGA数据库宫颈癌样本,利用生物信息学的方法鉴定与宫颈癌预后相关的m6A修饰相关lncRNA,并以此构建宫颈癌的预后风险模型。   结果   从304例患者样本中筛选出343个m6A修饰相关lncRNA,通过单因素Cox回归分析得到26个m6A修饰相关lncRNA与宫颈癌患者预后相关,并利用Lasso回归分析得到7个m6A修饰相关lncRNA（DLEU1、AC099850.4、DDN-AS1、EP300-AS1、AC131159.1、AL441992.2、AL021707.6）用以构建预后风险模型。Kaplan-Meier曲线显示低风险组的OS高于高风险组（P<0.001）;ROC曲线下面积（AUC）表明本风险模型准确性高、可信度强;多因素Cox分析显示风险评分是评估宫颈癌患者预后的独立因素。TIDE评分预测高风险组接受免疫治疗后获益更大。免疫检查点PD1与DDN-AS1等m6A修饰相关lncRNA表达相关,且在高风险组中表达更高（P<0.05）。   结论   基于上述7个m6A修饰相关lncRNA构建的预后风险模型能够有效预测宫颈癌患者的预后,并能评估以PD1为靶点的免疫治疗疗效。     

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。     

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。     

TIPE2 Ki67在子宫内膜癌组织中的表达及对预后的评估价值

目的 探讨肿瘤坏死因子诱导蛋白8样蛋白2(TIPE2)、细胞增殖核抗原Ki67在子宫内膜癌组织中的表达及对患者预后的评估价值。方法 选取2018年1月至2020年1月河北工程大学附属医院妇科收治的子宫内膜癌患者120例作为观察组,另选取同期收治的非子宫内膜癌患者130例作为对照组,所有入组患者均接受手术治疗。回顾性收集患者的临床及病理资料,比较两组患者子宫内膜组织中TIPE2、Ki67的表达水平。同时定期对观察组患者进行随访,分析患者2年生存情况,通过Cox比例风险回归模型分析子宫内膜癌患者预后的影响因素。结果 观察组、对照组子宫内膜组织中TIPE2阳性率分别为28.33%、71.54%。与对照组相比,观察组子宫内膜组织TIPE2阳性率降低（P<0.05）;观察组、对照组子宫内膜组织中Ki67阳性率分别为33.33%、5.38%。观察组子宫内膜组织Ki67阳性率高于对照组（P<0.05）。对120例子宫内膜癌患者随访2年,至随访结束,93例患者存活,生存率77.50%。Cox模型分析结果显示,TIPE2阴性（HR=3.736,95%CI=1.016～13.157）为子宫内膜...     

胰腺神经内分泌肿瘤预后模型的建立与验证

目的 探讨影响胰腺神经内分泌肿瘤预后的危险因素,构建胰腺神经内分泌肿瘤预后预测模型。方法 选取SEER数据库中2004年1月至2015年12月经病理明确诊断为胰腺神经内分泌肿瘤的患者3606例,按照3∶1分割为训练集（n=2704）和验证集（n=902）,在训练集中通过Cox比例风险模型筛选影响胰腺神经内分泌肿瘤预后的危险因素,进一步构建其预后模型并绘制列线图。分别在训练集和验证集中对模型的预测效能进行内部及外部验证。结果 单因素Cox回归分析显示,性别、年龄、婚姻状态、肿瘤部位、分化程度、TNM分期、美国癌症联合委员会（American Joint Committee on Cancer,AJCC）分期、手术均是影响胰腺神经内分泌肿瘤预后的危险因素（P<0.05）;多因素Cox回归分析显示,年龄、性别、婚姻状态、分化程度、TNM分期、手术均是影响胰腺神经内分泌肿瘤预后的危险因素（P<0.05）。最终将年龄、性别、分化程度、肿瘤部位、TNM分期、手术、婚姻状态等变量纳入预测模型并绘制列线图。在训练集和验证集中,预测模型的C指数分别为0.8579和0.8572。训练集和验证集...     

基于TCGA数据库的胰腺癌临床预后风险模型的构建与药物筛选

目的：基于基于癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库构建胰腺癌预后风险模型和筛选候选药物。方法：通过TCGA数据库下载胰腺癌转录组和临床数据，通过R软件进行加权基因共表达网络分析(weighted correlation network analysis,WGCNA)、预后风险模型的构建、差异分析、Kaplan-Meier法生存分析、风险分析和临床相关性分析。通过受试者工作特征曲线(receiver operating characteristic curve，ROC曲线)的曲线下面积(area under curve，AUC)和多因素cox回归分析判断模型准确性和独立性，最后运用CMAP平台进行胰腺癌药物的筛选。结果：下载得到胰腺癌转录组数据182例和临床数据185例，数据合并交集后纳入病例样本177例。WGCNA分析筛选模块基因为“MEgreen（P=0.04<0.05）”；通过单因素cox回归分析得到28个预后相关免疫基因和70个预后相关的lncRNA，进一步用Lasso回归和多因素cox回归分析进行预后风险模型构建。模型评价显示该模型可区分高低风险组的患者，高风险的患者较低风险预后较差（P<0.05）。训练组和验证组ROC曲线下面积（AUC）显示该模型具有一定的准确性。多因素cox回归分析显示风险得分可作为胰腺癌独立预后因子（P<0.05）。临床相关性分析显示年龄、性别、Grade、Stage、M和N期等临床性状在高低风险组之间无明显差异（P>0.05），T期在高低风险组之间具有明显差异（P=0.0215<0.05）。利用CMAP平台筛选出前5抑制胰腺癌高风险基因表达的药物中，HDAC抑制剂2种，FLT3抑制剂、种VEGFR抑制剂与细菌细胞壁合成抑制剂各1种。结论：根据TCGA患者生存数据和表达谱，结合基因库获得胰腺癌预后相关免疫基因和lncRNA构建的预后风险模型能作为胰腺癌预后判断的新指标。