构建肺腺癌铁死亡预后模型

构建肺腺癌铁死亡预后模型

崔梦,杨佳,廖丹,陈丽龙

（乐山市人民医院检验科  四川乐山614000）

摘要：目的：利用TCGA数据库构建肺腺癌铁死亡预后模型，旨在为肺腺癌患者预后提供理论依据。方法：从TCGA数据库中下载肺腺癌及正常肺组织的基因表达谱及相关临床数据，筛选出与铁死亡相关的预后基因，运用LASSO回归模型构建铁死亡预后模型。结果：单因素COX回归分析筛选出20个铁死亡相关基因，通过LASSO回归分析，最终筛选出13个铁死亡相关预后基因。根据危险评分将患者分为高低风险组，与低风险组相比高风险组的总体生存率明显降低。ROC曲线验证了模型的预测能力。结论：ANGPTL7, DDIT4, SLC1A4, GDF15, SLC2A1,RRM2, ALOXE3, PHKG2, LINC00472, LINC00336, ALOX15,SLC7A11, 和GLS2的风险预测模型能够有效的对肺腺癌患者的预后进行预测。

关键词：肺腺癌 铁死亡 预后模型

Construct a prognostic model of ferroptosis-related genes in lung adenocarcinoma

Meng Cui, Jia Yang, Dan Liao, Lilong Cheng

(Department of Medical laboratory, People's Hospital of Leshan, Leshan, Sichuan 614000)

Abstract: Objective: A prognostic model of ferroptosis in lung adenocarcinoma was established by using TCGA database to provide theoretical basis for the prognosis of lung adenocarcinoma patients. Methods: the gene expression profiles and related clinical data of lung adenocarcinoma and normal lung tissues were downloaded from TCGA database, and the prognostic genes related to ferroptosis were screened. The prognosis model of ferroptosis-related gene was constructed by lasso regression model. Results: 20 ferroptosis-related genes were screened by univariate Cox regression analysis, and 13ferroptosis-related prognostic genes were finally screened by lasso regression analysis. Patients were pided into high-risk and low-risk groups according to the risk score. Compared with the low-risk group, the overall survival rate of the high-risk group was significantly lower. ROC curve verifies the prediction

ability of the model. Conclusion: the risk prediction models of ANGPTL7, DDIT4,

SLC1A4, GDF15, SLC2A1, RRM2, ALOXE3, PHKG2, LINC00472, LINC00336, ALOX15, SLC7A11 and GLS2 can effectively predict the prognosis of patients with lung adenocarcinoma.

Key words: lung adenocarcinoma, ferroptosis , prognostic model

肺癌是人类常见的恶性肿瘤，其发病率和死亡率已经位于癌症发病率和死亡率的首位，2020年全球新增肺癌患者220万，180万患者死于肺癌[1]。肺腺癌是常见的一种肺癌类型，约占肺癌患者的80%。尽管手术、化疗、放疗、靶向治疗显著提高了患者的预后，但患者的5年生存率仍然低于25%[2]。考虑到肺腺癌患者的不良预后，因此迫切需要一种新的预后模型对患者的预后进行预测。

铁死亡是一种依赖铁的，以细胞内活性氧堆积为特征的非细胞凋亡形式的细胞死亡。最近研究发现铁死亡在肿瘤的发生、发展，通过诱导铁死亡能够抑制肿瘤的增值和转移。因此铁死亡相关基因有望成为肿瘤治疗的新的标志物。

本研究通过TCGA在线数据库中肺腺癌的基因表达及临床相关数据，运用R语言筛选出肺腺癌中差异表达的铁死亡基因，通过LASSO回归分析构建铁死亡预后预测模型，旨在为肺腺癌患者的预后进行预测。

1材料与方法

1.1 数据下载 通过TCGA(https://portal.gdc.cancer.gov/) 在线数据库下载535个肺腺癌的基因表达谱及相关临床数据。FerrDb数据库下载铁死亡基因。

1.2 差异基因表达 利用R语言的“limma”包筛选出差异表达基因，其中|logFC>2|和p<0.05认为有差异。结合FerrDb数据库中铁死亡相关基因，最终筛选出差异表达的铁死亡相关基因。

1.3 构建预后模型 通过对铁死亡相关差异表达基因进行单因素COX分析，得到与患者生存相关的铁死亡基因，利用R软件的“glmnet” 包将得到的基因进行LASSO回归，构建铁死亡预后模型。每个基因的标准化表达水平和其相应的回归系数用于计算患者的风险评分，其公式如下：风险评分(RS)=∑回归系数(铁死亡基因i)×表达量 (铁死亡基因i)。

1.4统计与分析 同研究通过R软件（4.0.1）进行统计分析，利用“limma”包筛选查差异表达铁死亡基因，利用“glmnet” 包构建预后模型，p<0.05认为具有统计学意义。

2.结果

2.1差异基因的筛选 下载的TCGA数据库中肺腺癌数据包括了535例肺腺癌和59例正常肺组织，通过分析腺癌与正常组织筛选出71个差异表达的铁死亡基因。

2.2功能富集分析通过对差异表达的铁死亡相关基因进行富集发现，差异表达的基因富集在几个铁死亡相关分子功能上，比如：通道活性和金属离子跨膜转运体活性。

2.3 构建铁死亡预后模型 将筛选出的差异表达铁死亡基因进行单因素COX回归分析，筛选出20个与预后相关的基因，分别为TXNRD1、ANGPTL7、DDIT4、SLC1A4、SLC1A5、GDF15、SLC2A1、RRM2、AURKA、DUOX1、ALOXE3、PHKG2、CDO1、LINC00472、DPP4、LINC00336、ALOX15、SLC7A11、GCLC、GLS2。将20个基因进行LASSO回归，构建基于ANGPTL7、 DDIT4、SLC1A4、 GDF15、SLC2A1、RRM2、 ALOXE3、PHKG2、LINC00472、LINC00336、 ALOX15、SLC7A11和GLS2的风险预后预测模型。

2.4 预后模型评估 根据风险评分将患者分为高低风险组，K-M生存曲线表明，与低风险评分组相比高风险评分组的预后较差（p=7.234e-06），ROC曲线下面积为0.677。

讨论

肺腺癌是常见的恶性肿瘤，是肿瘤死亡的主要原因，尽管肺癌的治疗不断提高，但患者的5年生存率仍较低。铁死亡是一种依赖铁的，以细胞内活性氧堆积为特征的非细胞凋亡形式的细胞死亡。进来研究发现，铁的异常调节与肺癌和患者生存率低有关。并且有大量统计学数据和实验表明铁死亡与肺癌密切相关。铁的合成对肿瘤微环境有重要影响，因此，肿瘤细胞含铁量高于正常细胞[3]。

本研究构建了13个铁死亡相关基因的肺腺癌预后模型，模型能够较好的预测肺腺癌患者的预后，对预后模型进行评估，将患者分为高低风险组，高风险组的预后明显低于低风险组，ROC曲线下面积为0.677。

研究表明LINC00472， DPP4， DDIT4和 GLS2与铁代谢和铁死亡相关，其在P53介导的铁死亡中扮演着重要作用[4, 5]。基因GDF15、SLC7A5和SLC7A11保护细胞免受高尔基体应激防止铁死亡期间的细胞死亡。LINC00336基因通过作为竞争性内源性RNA发挥作用，抑制肺癌的铁死亡。花生四烯酸脂氧合酶15（ALOX15）与胃癌中脂质ROS的合成相关。而谷氨酸-半胱氨酸连接酶催化亚单位（GCLC）可预防肺癌的铁死亡[6]。此外研究发现上调的花生四烯酸脂氧合酶3（ALOXE3）可促进结直肠癌的铁死亡[7]。铁代谢受磷酸化酶激酶G2（PHKG2）和半胱氨酸双加氧酶1（CDO1）调节，最终导致铁死亡[8]。

在本研究中，我们构建了肺腺癌的铁死亡预后预测风险模型，我们的预后模型可以提供个体化的死亡率风险预测，可为肺腺癌患者提供个体化治疗提供新的视野，这对临床医生的临床应用具有重要意义。但是本研究仍有局限性，首先，本研究是一个回顾性分析，这限制了预后模型的应用。其次，该模型建立在TCGA公共数据库的基础上，没有进行实验验证，未来需要进行临床试验来进行验证。

参考文献

[1]Siegel R L, Miller K D, Fuchs H E, et al. Cancer Statistics, 2021[J]. CA Cancer J Clin, 2021, 71(1): 7-33.

[2]Ettinger D S, Wood D E, Aisner D L, et al. Non-Small Cell Lung Cancer, Version 5.2017, NCCN Clinical Practice Guidelines in Oncology[J]. J Natl Compr Canc Netw, 2017, 15(4): 504-535.

[3]Pfeifhofer-Obermair C, Tymoszuk P, Petzer V, et al. Iron in the Tumor Microenvironment-Connecting the Dots[J]. Front Oncol, 2018, 8: 549.

[4]Basu S, Barnoud T, Kung C P, et al. The African-specific S47 polymorphism of p53 alters chemosensitivity[J]. Cell Cycle, 2016, 15(19): 2557-2560.

[5]Xie Y, Zhu S, Song X, et al. The Tumor Suppressor p53 Limits Ferroptosis by Blocking DPP4 Activity[J]. Cell Rep, 2017, 20(7): 1692-1704.

[6]Kang Y P, Mockabee-Macias A, Jiang C, et al. Non-canonical Glutamate-Cysteine Ligase Activity Protects against Ferroptosis[J]. Cell Metab, 2021, 33(1): 174-189 e177.

[7]Xia Y, Liu S, Li C, et al. Discovery of a novel ferroptosis inducer-talaroconvolutin A-killing colorectal cancer cells in vitro and in vivo[J]. Cell Death Dis, 2020, 11(11): 988.

[8]Yang W S, Kim K J, Gaschler M M, et al. Peroxidation of polyunsaturated fatty acids by lipoxygenases drives ferroptosis[J]. Proc Natl Acad Sci U S A, 2016, 113(34): E4966-4975.

基金项目：乐山市科技计划项目（21S2D151）