摘要
肺鱗狀細胞癌(LUSC)的預後仍然具有挑戰性，難以評估或預測。我們的目的是篩選預後lncRNA並挖掘它們在LUSC中的作用。從癌症基因組圖譜中提取原發性肺癌的RNA-Seq數據。一般情況下，癌症樣本中改變的lncRNA會在單變量生存分析中進行篩選和分析，以確定預後的lncRNA。生成穩健的基於似然的生存模型，並執行1000次隨機採樣迭代以計算特徵關鍵lncRNA的頻率。這些lncRNA的聚類和多變量生存分析被用來評估它們的功能和對預後的影響。最後，驗證了最優聚類模型的穩定性和有效性。
研究結果
圖1：每個lncRNA的統計頻率。
圖2：lncRNA-蛋白質相互作用網絡。
圖3：多變量生存分析中11個lncRNA的AUC曲線。
(A)AUC曲線；(B)Kaplan-Meier生存分析。
圖4：11個lncRNA聚類法的Kaplan-Meier生存分析。
圖5：每個模型的有效p值的框線圖。對6個基因模型的不同聚類方法進行了1000次隨機生存分析，得到了P值。
圖6：不同聚類算法的Kaplan-Meier生存分析。每個方塊是11個lncRNA的聚類算法的風險分值。紅色的域(標有星號)表示對p值<.05>
結論
總體而言，我們獲得了5664個在原發性肺癌樣本中普遍改變的lncRNA，其中289個在單變量生存分析中確定與預後有關。用於1000次迭代的基於穩健似然的生存建模產生了頻率大於300的11個特徵lncRNA。發現它們相互作用的蛋白參與DNA修復和細胞增殖。在11個穩定組裝的lncRNA中，最終選擇了穩定性和可行性較高的4-lncRNA模型。理想的4-lncRNA模型可以對具有顯著差異的患者樣本進行聚類，為LUSC的預後預測提供了新的途徑。
DOI：10.1080/21691401.2017.1366334
參考文獻
[1].DeSantis CE, Siegel RL, Sauer AG, et al. Cancer Statistics for African Americans, 2016: Progress and opportunities in reducing racial disparities. CA: a cancer journal for clinicians; 2016.
[2].Rahib L, Smith BD, Aizenberg R, et al. Projecting cancer incidence and deaths to 2030: the unexpected burden of thyroid, liver, and pancreas cancers in the United States. Cancer Res. 2014;74:2913–2921.
[3].Mayer JE, Swetter SM, Fu T, et al. Screening, early detection, education, and trends for melanoma: current status (2007–2013) and future directions: Part I. Epidemiology, high-risk groups, clinical strategies, and diagnostic technology. J Am Acad Dermatol. 2014;71:599.e1–599.e12.
[4].Choi M, Kadara H, Zhang J, et al. Mutation and immune profiles in early-stage lung squamous cell carcinoma. San Diego (CA): AACR; 2016.
"閱讀更多 紐創醫學bioSCI 的文章
