＼大家好，今天和大家分享的是2020年8月發(fā)表在journal of cellular physiology（IF＝5．546）上的一篇文章：“Prognostic scoring system for osteosarcoma using network－regularized high－dimensional Cox－regression analysis and potential therapeutic targets”。基于mRNA的表達(dá)數(shù)據(jù)和臨床數(shù)據(jù)，作者開發(fā)了一種新的骨肉瘤患者預(yù)后評分系統(tǒng)。使用網(wǎng)絡(luò)正則化高維Cox回歸（network‐regularized high‐dimensional Cox regression，NET）分析mRNA的表達(dá)數(shù)據(jù)，根據(jù)回歸系數(shù)和mRNA表達(dá)值確定預(yù)后風(fēng)險(xiǎn)評分，利用The Connectivity Map（CMap）預(yù)測骨肉瘤的治療靶點(diǎn)。

Prognostic scoring system for osteosarcoma using network‐regularized high‐dimensional Cox‐regression analysis and potential therapeutic targets

基于網(wǎng)絡(luò)正則化高維Cox回歸分析的骨肉瘤預(yù)后評分系統(tǒng)及潛在治療靶點(diǎn)

一、研究背景

骨肉瘤是一種可以產(chǎn)生惡性骨樣物質(zhì)且具有高死亡率的腫瘤，它在青少年中最常見。在過去的二十年中，骨肉瘤患者的生存率沒有明顯改善。隨著個(gè)性化和精確化醫(yī)學(xué)的發(fā)展，對患者的基因進(jìn)行研究，以確定新的治療靶點(diǎn)是目前的研究趨勢。為了識別基因組數(shù)據(jù)中預(yù)后相關(guān)的變量，統(tǒng)計(jì)學(xué)家開發(fā)了許多新的分組變量的選擇方法，如網(wǎng)絡(luò)正則化高維Cox回歸（network‐regularized high‐dimensional Cox regression， NET）分析。

二、分析流程

三、結(jié)果解讀
1．預(yù)后評分系統(tǒng)

作者從GEO數(shù)據(jù)庫下載了包含53例高級別骨肉瘤患者的mRNA表達(dá)數(shù)據(jù)和臨床信息的數(shù)據(jù)集（GSE21257），其中34例來自5年內(nèi)發(fā)生轉(zhuǎn)移的患者，其余19例來自未發(fā)生轉(zhuǎn)移的患者�；颊咛卣骺偨Y(jié)在表1中。

表1．骨肉瘤患者具體信息和風(fēng)險(xiǎn)分組

       作者使用Coxnet包對骨髓瘤患者基因表達(dá)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)正則化高維cox回歸分析（ network‐regularized high‐dimensional Cox regression， NET），評估OS和mRNA表達(dá)值之間的關(guān)系。

為了獲得更有意義的結(jié)果，需要一些額外的參數(shù)。作者從六個(gè)大型數(shù)據(jù)庫（Biocarta， HumanCyc， KEGG， NCI， Panther， Reactome）獲取數(shù)據(jù)，使用graphite包構(gòu)建了基因－基因通路矩陣作為正則化參數(shù)Ω。使用留一法進(jìn)行NET分析來進(jìn)行交叉驗(yàn)證，根據(jù)最小交叉驗(yàn)證誤差確定混合參數(shù)α，該參數(shù)決定L1范數(shù)和L2范數(shù)的平衡。當(dāng)α的值為1時(shí)，19個(gè)基因被選擇；當(dāng)α值為0．1時(shí)，148個(gè)基因被選擇，圖1和表2描述了根據(jù)α值選擇的基因數(shù)量和預(yù)后意義。圖1中橫坐標(biāo)為α值，縱坐標(biāo)C－index是評價(jià)模型預(yù)測能力的一個(gè)指標(biāo)（C－index大于0．75表示模型對OS具有優(yōu)秀的預(yù)測能力），結(jié)果顯示α的值為1和0．1時(shí)的對OS都有非常好的預(yù)測能力，考慮到其效率，最佳α值為1。預(yù)后風(fēng)險(xiǎn)評分為基因的表達(dá)水平與相應(yīng)的回歸系數(shù)的乘積之和。

表2．α值為1時(shí)的19個(gè)被選基因

圖1．不同α值對應(yīng)的變量數(shù)量和C－index

2．風(fēng)險(xiǎn)分層系統(tǒng)

基于預(yù)測評分系統(tǒng)，作者構(gòu)建了風(fēng)險(xiǎn)分層系統(tǒng)對患者的預(yù)后進(jìn)行預(yù)測。通過五折交叉驗(yàn)證根據(jù)c指數(shù)的大小確定風(fēng)險(xiǎn)分界值，所有患者的風(fēng)險(xiǎn)評分介于9．740和6．618之間，最佳的風(fēng)險(xiǎn)分界值為8．518559，樣本被分為高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)兩組（高風(fēng)險(xiǎn)：20，低風(fēng)險(xiǎn)：33；表1），兩組之間包括年齡、性別和組織學(xué)等級在內(nèi)的臨床信息沒有顯著差異（表1）。

在應(yīng)用最佳α值1時(shí)，高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的OS具有顯著差異（p ＜ 0．0001，圖2）。并且，預(yù)后評分系統(tǒng)系統(tǒng)獲得了較高的c指數(shù)（0．967），而年齡和性別等其他變量則獲得了較低的c指數(shù)，這證明風(fēng)險(xiǎn)分層系統(tǒng)在預(yù)測高級別骨肉瘤預(yù)后方面非常準(zhǔn)確。

圖2．高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組生存分析（OS）

如圖3c所示，進(jìn)行時(shí)間依賴性ROC曲線分析，AUC值為0．953～1．000，表示風(fēng)險(xiǎn)分層系統(tǒng)OS對具有優(yōu)秀的預(yù)測能力。此外，作者還根據(jù)組織學(xué)分級將樣本分為兩個(gè)亞組（圖4d為組織學(xué)1、2級的亞組，圖4e為組織學(xué)3、4級的亞組），進(jìn)行了生存分析，結(jié)果表明，在不同組織學(xué)分級的亞組中，高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的OS同樣具有顯著差異。

圖3．風(fēng)險(xiǎn)分層系統(tǒng)預(yù)測不同生存時(shí)間的ROC曲線

圖4．按照組織學(xué)分級的亞組分析

經(jīng)單因素Cox回歸分析發(fā)現(xiàn)，GSE21257中的臨床變量（年齡、性別和年級）與預(yù)后無顯著相關(guān)性（表3），多因素Cox回歸分析也得到了相似的結(jié)果。

表3．Cox回歸分析

3．骨肉瘤治療靶點(diǎn)的預(yù)測

作者使用The Connectivity Map（CMap）預(yù)測骨肉瘤的治療藥物和治療靶點(diǎn)。CMap是由Broad研究所開發(fā)的一個(gè)基于干預(yù)基因表達(dá)的基因表達(dá)譜數(shù)據(jù)庫，主要用于揭示小分子化合物，基因和疾病狀態(tài)的功能聯(lián)系。

在預(yù)后評分系統(tǒng)中，風(fēng)險(xiǎn)得分高表示預(yù)后較差，而風(fēng)險(xiǎn)得分低表示預(yù)后較好。按照此標(biāo)準(zhǔn)，表示良好預(yù)后的基因信號應(yīng)為：具有正回歸系數(shù)的基因下調(diào)，具有負(fù)回歸系數(shù)的基因上調(diào)。將α值為0．1時(shí)選擇的148個(gè)基因分為正和負(fù)回歸系數(shù)組，將正回歸系數(shù)組作為下調(diào)基因，負(fù)回歸系數(shù)組作為上調(diào)基因輸入到CMap程序。結(jié)果顯示，BACE2、IN2、RBBP6、 SNX2等基因敲除或下調(diào)，linifanib和APEX抑制劑等藥物的使用，可以改善骨肉瘤患者的預(yù)后；而SCAP、PREEN、KBTBD、 ZNF114基因敲除或下調(diào)，糖原合成酶抑制劑SB‐216763的使用，可能會導(dǎo)致預(yù)后變差（圖4）。

圖5．Connectivity Map分析結(jié)果

小結(jié)

      基于從GEO數(shù)據(jù)庫中獲取的mRNA的表達(dá)數(shù)據(jù)和臨床數(shù)據(jù)，作者開發(fā)一種新的骨肉瘤患者預(yù)后評分系統(tǒng)。對mRNA的表達(dá)數(shù)據(jù)進(jìn)行NET分析確定回歸系數(shù)，正則化系數(shù)Ω和混合系數(shù)α使分析結(jié)果更有意義。風(fēng)險(xiǎn)評分為基因的表達(dá)水平與相應(yīng)的回歸系數(shù)的乘積，通過五折交叉驗(yàn)證和c指數(shù)確定風(fēng)險(xiǎn)分界值，時(shí)間依賴性ROC曲線分析和亞組分析用于檢驗(yàn)該系統(tǒng)的預(yù)測能力。使用The Connectivity Map（CMap）預(yù)測骨肉瘤的治療藥物和治療靶點(diǎn)。