大家好，今天与大家分享的一篇文献是年4月9日发表在MolecularTherapy:NucleicAcid（IF：7.）的一篇文章。该文章的题目为N6-Methyladenosine-RelatedlncRNAsarePotentialBiomarkersforPredictingPrognosesandImmuneResponsesinPatientswithLungAdenocarcinoma。文章从m6A调控的lncRNA入手，详细研究了m6A相关lncRNA。确定了具有预后预测作用的lncRNA，用于预测LUAD患者的总生存率（OS）。

肺腺癌（LUAD）是世界范围内最常见的肺癌亚型。随着诊断、手术、放射治疗和分子治疗学的进步，LUAD患者的临床预后有了显著改善。但LUAD患者的5年生存率仍处于较低水平。RNA 化修饰约占所有RNA修饰的60%以上，而N6- 腺嘌呤（N6- 腺苷，m6A）是高等生物的mRNA和lncRNA最为普遍的修饰。m6A这种 化修饰包括 化转移酶、去 化酶和 化阅读蛋白等共同参与。

m6A调控的lncRNA的作用可能对癌细胞的增殖和迁移至关重要，但是具体作用尚不清楚。了解m6A调控的lncRNA在LUAD发生中的机制可能有助于预测疾病的预后。在该研究中研究者从个lncRNA中筛选出12个m6A相关lncRNA的风险模型，这些lncRNA被确定为预后的独立预测因子，用于预测LUAD患者的总生存率（OS）。除此以外，研究者还发现了靶向m6A相关lncRNA信号的候选药物，对风险模型进行了全面的验证。

图1

1、LUAD患者m6A相关lncRNA的鉴定

研究方法与结果：研究者从TCGA数据库中提取了21个m6A和个lncRNA。将m6A相关的lncRNA定义为与大于或等于21个m6A基因中的一个基因显著相关的lncRNA(

PearsonR

0.3andp0.)。使用Sankey图可视化了m6A-lncRNA共表达网络，个m6A相关的lncRNA被识别为m6A相关的lncRNA（图2A）。TCGA全组中m6A基因和m6A相关lncRNA之间的相关性如图2B所示。

图2

研究结论：鉴定出个m6A相关的lncRNA

2、LUAD患者m6A相关lncRNA风险模型的构建与初步验证

研究方法与结果：1）使用单变量Cox回归分析从TCGA数据集中的个m6A相关lncRNA中筛选出m6A相关的预后lncRNA。TCGA数据集中38个m6A相关的lncRNA与OS显著相关（图3A）。

2）LASSO方法进一步筛选m6A相关的预后lncRNA，24个m6A相关的lncRNA被筛选出来（图3B-3C）。

3）多变量Cox比率风险回归分析来区分自发性预后蛋白，最终筛选出12个m6A相关的lncRNA是与数据集中OS独立相关的预后蛋白，用于构建风险模型来评估LUAD患者的预后风险（图3D）。

图3

研究结论：最终筛选出12个m6A相关的lncRNA用于构建风险模型来评估LUAD患者的预后风险。

4）根据预后风险等级的中位数将LUAD样本分为低风险组和高风险组。低风险组和高风险组之间的风险等级分布如图4A所示，图4B显示了两个不同风险组患者的生存状态和生存时间。图4C显示了每个患者12个m6A相关lncRNA的相对表达标准。生存分析表明，低风险组的OS长于高风险组。

图4

5）为了检验这个模型的预后能力，研究者使用统一公式计算了测试集中和整个测试集中每个患者的风险评分。图5描述了风险等级的分布、生存状态和生存时间的模式，以及m6A相关lncRNA在测试数据集（图5A-5C）和整个数据集（图5E-5G）中的表达。

6）对测试数据集和整个数据集进行的Kaplan-Meier生存分析显示，两者结果没有差异，风险分数较高的LUAD患者的OS比风险分数较低的患者差（图5D；图5H）。

图5

7）在TCGA全组的低危组和高危组中，根据普遍的临床病理学特征分层的OS差异进行了分析。根据按性别、年龄、分期或肿瘤分期划分的亚组，低危组的OS继续优于高危组（图6）。

图6

研究结论：经过初步的验证，多变量Cox分析构建12个m6A相关lncRNA风险模型可以评估LUAD患者的预后风险。

3、主成分分析（PrincipalComponentAnalysis，PCA）进一步验证了m6A相关lncRNA模型的分组能力

研究方法与结果：基于全基因表达谱、21个m6A基因、12个m6A相关lncRNA和12个m6A相关lncRNA表达谱分类的风险模型，进行PCA以测试低风险组和高风险组之间的差异。图7A-7C显示，高风险和低风险人群的分布相对分散。然而，根据研究者构建的模型得出的结果表明，低风险组和高风险组具有不同的分布（图7D）。

图7

研究结论：进一步验证了12个m6A相关lncRNA风险模型可以评估LUAD患者的预后风险。

4、用m6A相关lncRNA模型评价肿瘤免疫微环境和肿瘤免疫治疗反应

研究方法与结果：1）采用m6A相关lncRNA模型，对例LUAD标本中几种免疫细胞、免疫途径或免疫功能的富集水平和活性进行了分析。低风险组和高风险组在免疫指标的表达上存在显著差异（图8A）。

2）GO富集分析揭示许多免疫相关生物过程在m6A的模型风险评估中起作用（图8B）。

3）研究m6A相关lncRNA模型与免疫治疗生物标志物之间的相关性发现，高风险组比低风险组更有可能对免疫治疗产生反应，这表明基于m6A的分类指数可以预测TIDE算法（TumorImmuneDysfunctionandExclusion）（图8C）。

注释：TIDE（Tumorimmunedysfunctionandexclusion）：利用基因表达信息预测肿瘤对免疫检查点治疗的敏感性。

4）研究者筛选出在高风险和低风险亚组之间具有 改变频率的前20个驱动基因（图8D-8E）。然后根据TGCA体细胞突变数据计算了TMB得分。低风险组的TMB超过高风险组，表明基于m6A的分类指数与TMB有很高的相关性（图8F）。

5）TP53突变与生存率降低相关，可作为肺癌的预后指标。研究者测试了m6A相关的lncRNA模型是否比TP53突变状态能更好的预测患者OS。首先研究者将高风险组中TP53突变人群和TP53野生人群分开，命名为TP突变/高和TP野生/高。同样低风险组中TP53突变人群和TP53野生人群命名为TP突变/低和TP野生/低。如图8G可以到TP53野生型/高OS结果比TP53突变型/低患者差。TP53突变/高的生存曲线与TP53野生/高的生存曲线相似，说明TP53突变状态无法区分高危组的生存率。

图8

研究结论：m6A相关lncRNA风险模型可以评估肿瘤免疫微环境并且可能比TP53突变评估具有更大的意义。

5、靶向m6A相关lncRNA模型的新候选化合物的鉴定

研究方法与结果：研究者为了确定针对lncRNA模型治疗LUAD患者的潜在药物，根据癌症（GDSC）数据库中药物敏感性基因组学的半数 抑制浓度（IC50），使用PRrophy算法来估计每个样本的治疗反应。研究者最终筛选出78种化合物IC50估计值存在显著差异，高浓度组对所有这些化合物都更敏感。

注释：图片在补充材料，没有披露。

研究结论：鉴定出78个新候选化合物具有治疗LUAD患者的潜力。

6、m6A相关lncRNA预后风险模型的评价及LUAD的临床特征

研究方法与结果：1）研究者进行单变量和多变量Cox回归分析，以评估12个m6A相关lncRNA的风险模型是否具有LUAD的独立预后特征。单因素Cox回归分析的危险度评分（HR）和95%CI分别为1.06和（1.04-1.08）（p0.）。在多变量Cox回归分析中，HR为1.07，95%CI为（1.05–1.09）（p0.）（图9A），表明12个m6A相关lncRNA的风险模型与临床病理参数无关，如性别、年龄、TNM分期和吸烟史。

2）随着时间的延长，危险评分的一致性指数总是大于其他临床因素的一致性指数，表明危险等级可以更好地预测LUAD的预后（图9B）。

3）风险等级的AUC也高于其他临床病理特征的ROC曲线下面积（AUC），表明12个m6A相关lncRNA的风险模型对LUAD的预后风险评估相对可靠（图9C）。

图9

研究结论：12个m6A相关lncRNA的风险模型对LUAD的预后风险评估可靠。

7、预测列线图的构建与评价

研究方法与结果：研究者编造包括风险等级和临床风险特征的列线图来预测1年、2年和3年的OS发病率。通过与临床因素的比较，预后模型的风险等级在列线图中显示出突出的预测能力（图10A）。校准图显示，1年、2年和3年OS的观察和预测比率显示出理想的一致性（图10B-10D）。

图10

研究结论：预后模型的风险等级在列线图中显示出突出的预测能力。

本研究从个lncRNA中筛选出12个m6A相关lncRNA的风险模型，这些lncRNA被确定为预后的独立预测因子，用于预测LUAD患者的总生存率（OS）。通过对lncRNA风险模型的反复验证，证实了12个m6A相关lncRNA可以作为LUAD患者风险预测的指标。本文结构严谨，思路清晰，除了在候选药物筛选上的研究稍显单薄，值得大家学习和借鉴。

全文可点击阅读原文查看。

文献详解

单细胞测序数据这样分析，说不定你也能发Science

文献详解

10分+期刊单细胞测序肿瘤研究范文，大家赶紧“抄作业”

文献详解丨RNA修饰writer你听说过吗？纯生信发15+文章的新思路

文献解析丨又一篇IF=6.肿瘤预后纯生信套路文章，巨详细的思路解析，快来复制！

文献详解丨给脑胶质瘤绘制家谱，单细胞测序在肿瘤异质性和发育研究中的大显神通！

欢迎扫描加入我们的分学科新社群