科研星球

m6A RNA甲基化调节因子的鉴定与筛选套路,学会这篇4分+SCI就够了

大家好,这次给大家分享的文献是A newly defined risk signature, consisting of three m6A RNA methylation regulators, predicts the prognosis of ovarian cancer,2020年9月发表在Aging杂志上,影响因子4.831。本文从18个m6A RNA甲基化调节因子出发,筛选与卵巢癌(OC)预后显著相关的3个m6A RNA甲基化调节因子。


摘要


背景:N6-甲基腺苷(m6A) RNA甲基化,涉及癌症的发生和发展,由m6A RNA甲基化调节剂动态调节。然而,m6A RNA甲基化调节因子在卵巢癌中的表达及其与预后的相关性仍不清楚。

方法:这里作者证明了卵巢癌和正常组织之间有18个中心m6A RNA甲基化调节因子存在差异表达。通过应用一致性聚类,基于所有18个m6A RNA甲基化调节因子的总体表达水平,将所有卵巢癌患者病例分为三个亚组(聚类1/2/3),进而系统分析了18种m6A RNA甲基化调节因子转录水平在卵巢癌中的预后价值,发现IGF2B 1、VIRMA和ZC3H13在预测卵巢癌预后方面得分最高。

结论:因此,作者得出了由这三个m6A RNA甲基化调节剂在转录水平组成的风险特征,作为OC的独立预后标记,并通过来自不同卵巢癌队列的数据验证了这一发现。此外,通过基因集富集分析(GSEA),作者证明了三种选定的调节因子都与癌症通路和WNT信号通路相关。


研究流程图

640.png

图1


结果


1、18个差异表达的m6A甲基化调控因子(正常VS肿瘤)

m6A RNA甲基化调控因子的表达水平以热图和方框图的形式呈现(图2A和2B),这表明卵巢癌患者m6A RNA甲基化调控因子的表达水平与正常对照组有显著差异。根据表达模式,m6A RNA甲基化调控子可分为两组。一组(包括IGF2BP2、IGF2BP1、IGF2BP3、ZC3H13、ALKBH5、RBM15、YTHDF3、YTHDF2、ELF3和YTHDF1)在肿瘤中高度表达,而另一组(包括WTAP、HNRNPC、METTL3、YTHDC3、YTHDC2、YTHDC1、VIRMA、METTL14和FTO)在正常组织中高表达。

为了理解18个m6A RNA甲基化调节剂之间的相互作用,作者对这18个基因进行了相关性分析(基于OV数据集)(图2C)和PPI网络分析(图2D、E)。PPI网络分析表明,WTAP、RBM15、METTL3、METTL14和VIRMA与其他调节因子的联系更多,而IGF2BP2、IGF2BP1、IGF2BP3和ELF3与其他调节因子的相互作用更少(图2D和2E)。在18个m6A RNA甲基化调节因子中,ZC3H13与其他蛋白质的相互作用最多,主要与细胞周期蛋白依赖性激酶(CDKs)家族、RNA聚合酶II (POLR2)家族和介体(MED)复合物家族相互作用。总之,这18个m6A RNA甲基化调节剂中的大多数彼此密切相关。其中,ZC3H13与CDKs、POLR2和MED的相互作用最多。

640 (1).png

图2

2、 m6A RNA甲基化调控因子的一致聚类识别了三个OC聚类

为了进一步研究m6A RNA甲基化调节因子的表达谱与这些OC病例预后之间的关系,作者通过一致聚类,对18种m6A RNA甲基化调节因子的表达谱数据进行分组,K=3时聚类结果最好(图3A)。然后,应用主成分分析(PCA)来比较集群1、2和3组之间的转录谱。然而,结果并没有显示出它们之间的明显分离。此外,三个亚群的生存差异不大(图3B)。进一步的比较这三个亚组的临床病理特征,发现它们之间几乎没有差异(图3C)。
640 (2).png

图3

3、由三个m6A RNA甲基化调节剂组成的风险特征

对TCGA数据集的18个调节因子应用LASSO 回归算法,并通过R包LASSO回归分析获得了风险评分(图4A,4B)。以中位风险评分(中位风险评分= 5)为分界点,我们将所有患者分为两组,比较两组的OS差异(图4C)。ROC分析 (图4D)结果显示AUC 值为0.58,说明风险模型预测效能较好。然后,作者还分析了风险评分和生存状态的分布(图4E,4F)。可以看出,高危评分患者的死亡人数略大于低危评分患者的死亡人数。

为了研究每个m6A RNA甲基化调节因子在OC中的预后作用,作者对TCGA数据集中每个m6A RNA甲基化调节因子进行单变量Cox回归分析(图5A)。结果表明,18个被测试的调节器中有3个显著与OS相关(图5A–5C)。这三个基因(IGF2BP1、VIRMA和ZC3H13)都是HR > 1的风险基因。因此,作者比较了三种调节因子的临床病理特征(包括肿瘤病理分级和年龄)。很明显,在大多数高危患者中,三种选定的调节因子的表达都很高(图5D)。为了更好的预测,作者建立了一个列线图,该图纳入了三个与OC预后相关的m6A RNA调节因子(图5E)。对所有变量应用单变量Cox回归分析表明,风险评分和年龄都是卵巢癌患者的独立不良预后因素(图5F)。多变量cox回归分析也得到相同的结果(图5G)。 

640 (3).png

图4


640 (4).png

图5

4、不同OC队列数据验证风险特征,并探索它们涉及的信号通路

为了计算由IGF2BP1、VIRMA和ZC3H13组成的风险特征中每个基因的预后重要性,将特征中的每个基因的高表达水平患者的OS与低表达水平的患者的OS进行比较。可以看到,高VIRMA表达的OC患者的OS比低表达的患者短(图6B)。但是,对于IGF2BP1和ZC3H13,患者的OS率与他们的表达水平无关(图6A和6C)。然而,通过单变量分析,本研究中开发的风险特征基因可以使用从GEO(图6D-6F)下载的不同队列的数据中得到进行验证。这一结果进一步证实了本研究中开发的风险特征对预测预后的有效性。使用基因集富集分析(GSEA),作者发现IGF2BP1、VIRMA和ZC3H13都与癌症和WNT信号通路中的通路相关(图6G-6I)。
640 (5).png

图6


结语


作者从卵巢癌的正常组织和肿瘤组织差异分析出发,得到18个差异表达的m6A RNA甲基化调节因子,基于这18个m6A RNA甲基化调节因子展开单因素cox、LASSO、多因素cox、列线图、生存分析等一系列分析,目的只有一个,就是找出与卵巢癌预后显著相关的m6A RNA甲基化调节因子,可以说文章的思路很明确且分析的也很深入,是一篇值得模仿与借鉴的文章!


没有账号?