2020年的可变剪切有什么不一样？

2020-04-16 本文已影响0人科研菌

今天跟大家分享的是2020年3月发表在Cancer Med（IF：3.357）杂志上的一篇文章Profiles of prognostic alternative splicing signature in hepatocellular carcinoma.在文章中作者从TCGA SpliceSeq数据库中挖掘数据，并用单变量Cox回归模型来识别TCGA-KIHC中生存相关的ASs（选择性剪接体）。然后作者根据AS类型确定PIs（预后指标），并建立预测HCC患者预后的risk score。最后，作者构建了一个潜在的ASs和剪接因子的调控网络，识别了多种HCC特异性和生存相关的ASs。这些ASs可能是治疗HCC的有希望的治疗靶点。

Profiles of prognostic alternative splicing signature in hepatocellular carcinoma

肝细胞癌选择性剪接预后特征的概述

一.研究背景

选择性剪接是一种重要的转录后调控机制。之前有几项研究评估了AS在HCC中的作用。然而，很少有研究对HCC中的剪接事件进行综合评估。进一步确定新的预测HCC患者预后的指标是非常重要的。

二.分析流程

三.结果解读

1.TCGA-KIHC队列中ASs的综合分析

作者总共在8985个基因中鉴定出34163个mRNA剪接体，包括多个AAs（选择性受体位点）、ADs（选择性供体位点）、APs（选择性启动子位点）、ATs（选择性终止子位点）、ESs（外显子跳跃位点）、MEs（互斥外显子位点）和RIs（保留内含子位点）(图1A)。这些结果表明一个基因可能有多达五种类型的mRNA ASs。

图1B：3064个TCGA-KIHC基因与正常样本中检测到4666个DEASs（差异表达的剪接体）。

图1C：构建了Venn图来描述DEASs以及差异表达的mRNA。

图1.本研究中七种选择性剪接的概述

2.TCGA-LIHC队列中与生存相关的AS

进行单因素cox分析，确定了547个生存相关的ASs，其分布如下:27个AA、4个AD、157个AP、156个AT、107个ES、3个ME和55个RI。大部分的ASs是低OS的危险因素(图2A)。

图2B：生存相关的选择性剪接基因。外层代表染色体模型，内层代表与生存相关的基因。

图2C‐I：在7种AS类型中，与生存相关的具有top20显著差异的基因。

图2.7种与生存相关的选择性剪接(AS)概述

3.TCGA-LIHC患者的预后预测因素

作者使用多变量Cox回归和建立预后模型来评估每个候选的ASs。八个预后指标（PI）如下:PI‐AA、PI‐AD、PI‐AP、PI‐AT、PI‐ES、PI‐ME、PI‐RI和PI‐ALL。

如图3A‐H所示，根据8个PI的中位数，HCC患者被分为低和高PI组，并进行KM曲线分析。按照OS的统计学的显著性降序为：PI-ALL、PI-ES、PI-AP、PI-RI、PI-AD、PI-AA、PI-ME、PI-RI。

图3I：验证了AS‐ALL是最佳的预后预测因子(AUC = 0.993)。

图3.8个预后指标(PI)的生存分析

4.生存相关ASS网络

使用TCGA-LIHC RNA‐seq数据集获得的基因表达水平，作单变量Cox分析。显示，67个剪接因子中有12个的OS统计学显著。作KM生存分析(图4A)。低表达的10个剪接因子具有较好的OS，包括PSF和nPTB(图4A,B)。

然后对剪接因子的基因表达水平和PSI（percent-spliced-in）值作Spearman相关性分析。在图4C所示的网络中总结了显著的相关性。剪接因子PSF和nPTB与ASs的相关程度较高。最具代表性的相关关系如图4D所示。

接着对作基因功能注释和通路分析：

GO分析发现，本研究发现的ASs和剪接因子在脂肪酸代谢、有机阴离子转运、细胞脂质分解代谢过程中富集(图5A)。

KEGG和Reactome进行的通路分析显示，mRNA剪接‐主通路、PPAR信号通路、FGFR2 信号通路显著富集(图5B)。

图4.剪接因子与剪接体的相关性分析

图5.与剪接体相关基因的富集分析

5.聚类构建cluster

对ASs作一致性聚类分析：k = 4是最优解(图6A‐B)。因此将TCGA-LIHC分为4个cluster，比较其临床特征和OS。分组如下:Cluster 1 (n = 66, 19.3%)， Cluster 2 (n = 51, 14.9%)， Cluster 3 (n = 125, 36.6%)， Cluster 4 (n = 100, 29.2%)。Cluster 1患者的预后明显较差(图6C)。OS、T、N、WHO分级在四个聚类中的分布存在显著性差异(图6D)。

图6.使用一致性聚类方法识别四组具有不同临床特征和预后的肝细胞癌患者

这里我们来总结一下：从TCGA获取HCC患者的临床特征和ASs。比较 DEAS的差异表达。使用单变量Cox回归分析、Kaplan - Meier曲线、ROC曲线、多变量Cox回归和聚类分析，从OS相关的DEASs中生成PI。然后，评估DEAS和剪接因子之间的相关性，然后进行功能和途径富集分析。建立了一个与HCC患者预后相关的潜在调控网络。富集分析发现了确定了四个与临床特征和预后相关的群集和与HCC的癌变和进展相关的途径，来阐明AS在HCC中的潜在机制。

还是和往常一样，后台回复「39a」，即可获取今天小编为大家解读的文献。本期的分享就到这里啦，一起期待下一期的精彩分享吧~

▼▼是否遗漏了往期精彩生信解析没看呢？▼▼

汇总贴

1. 2020年医学生信分析别人都在用哪些思路？

生信思路

1. 如何筛出一篇5分文章的核心基因

2. 筛出一个5分文章的核心基因后你可以这样做

3. 国自然前期研究基础不足？你可以这样补一些生信分析

非肿瘤生信数据挖掘

1.非肿瘤纯生信：STAT1和结核感染的机制挖掘

m6A热点

1.15+分的纯生信：胃癌m6A和肿瘤免疫微环境