利用Cox回歸尋找治療靶點的5+分思路

2020-12-17 17:30

＼大家好，今天和大家分享的是2020年8月發表在journal of cellular physiology（IF＝5．546）上的一篇文章：“Prognostic scoring system for osteosarcoma using network－regularized high－dimensional Cox－regression analysis and potential therapeutic targets”。基于mRNA的表達數據和臨床數據，作者開發了一種新的骨肉瘤患者預后評分系統。使用網絡正則化高維Cox回歸（network‐regularized high‐dimensional Cox regression，NET）分析mRNA的表達數據，根據回歸系數和mRNA表達值確定預后風險評分，利用The Connectivity Map（CMap）預測骨肉瘤的治療靶點。

Prognostic scoring system for osteosarcoma using network‐regularized high‐dimensional Cox‐regression analysis and potential therapeutic targets

基于網絡正則化高維Cox回歸分析的骨肉瘤預后評分系統及潛在治療靶點

一、研究背景

骨肉瘤是一種可以產生惡性骨樣物質且具有高死亡率的腫瘤，它在青少年中最常見。在過去的二十年中，骨肉瘤患者的生存率沒有明顯改善。隨著個性化和精確化醫學的發展，對患者的基因進行研究，以確定新的治療靶點是目前的研究趨勢。為了識別基因組數據中預后相關的變量，統計學家開發了許多新的分組變量的選擇方法，如網絡正則化高維Cox回歸（network‐regularized high‐dimensional Cox regression， NET）分析。

二、分析流程

三、結果解讀
1．預后評分系統

作者從GEO數據庫下載了包含53例高級別骨肉瘤患者的mRNA表達數據和臨床信息的數據集（GSE21257），其中34例來自5年內發生轉移的患者，其余19例來自未發生轉移的患者。患者特征總結在表1中。

表1．骨肉瘤患者具體信息和風險分組

作者使用Coxnet包對骨髓瘤患者基因表達數據進行網絡正則化高維cox回歸分析（ network‐regularized high‐dimensional Cox regression， NET），評估OS和mRNA表達值之間的關系。

為了獲得更有意義的結果，需要一些額外的參數。作者從六個大型數據庫（Biocarta， HumanCyc， KEGG， NCI， Panther， Reactome）獲取數據，使用graphite包構建了基因－基因通路矩陣作為正則化參數Ω。使用留一法進行NET分析來進行交叉驗證，根據最小交叉驗證誤差確定混合參數α，該參數決定L1范數和L2范數的平衡。當α的值為1時，19個基因被選擇；當α值為0．1時，148個基因被選擇，圖1和表2描述了根據α值選擇的基因數量和預后意義。圖1中橫坐標為α值，縱坐標C－index是評價模型預測能力的一個指標（C－index大于0．75表示模型對OS具有優秀的預測能力），結果顯示α的值為1和0．1時的對OS都有非常好的預測能力，考慮到其效率，最佳α值為1。預后風險評分為基因的表達水平與相應的回歸系數的乘積之和。

表2．α值為1時的19個被選基因

圖1．不同α值對應的變量數量和C－index

2．風險分層系統

基于預測評分系統，作者構建了風險分層系統對患者的預后進行預測。通過五折交叉驗證根據c指數的大小確定風險分界值，所有患者的風險評分介于9．740和6．618之間，最佳的風險分界值為8．518559，樣本被分為高風險和低風險兩組（高風險：20，低風險：33；表1），兩組之間包括年齡、性別和組織學等級在內的臨床信息沒有顯著差異（表1）。

在應用最佳α值1時，高風險組和低風險組的OS具有顯著差異（p ＜ 0．0001，圖2）。并且，預后評分系統系統獲得了較高的c指數（0．967），而年齡和性別等其他變量則獲得了較低的c指數，這證明風險分層系統在預測高級別骨肉瘤預后方面非常準確。

圖2．高風險組和低風險組生存分析（OS）

如圖3c所示，進行時間依賴性ROC曲線分析，AUC值為0．953～1．000，表示風險分層系統OS對具有優秀的預測能力。此外，作者還根據組織學分級將樣本分為兩個亞組（圖4d為組織學1、2級的亞組，圖4e為組織學3、4級的亞組），進行了生存分析，結果表明，在不同組織學分級的亞組中，高風險組和低風險組的OS同樣具有顯著差異。

圖3．風險分層系統預測不同生存時間的ROC曲線

圖4．按照組織學分級的亞組分析

經單因素Cox回歸分析發現，GSE21257中的臨床變量（年齡、性別和年級）與預后無顯著相關性（表3），多因素Cox回歸分析也得到了相似的結果。

表3．Cox回歸分析

3．骨肉瘤治療靶點的預測

作者使用The Connectivity Map（CMap）預測骨肉瘤的治療藥物和治療靶點。CMap是由Broad研究所開發的一個基于干預基因表達的基因表達譜數據庫，主要用于揭示小分子化合物，基因和疾病狀態的功能聯系。

在預后評分系統中，風險得分高表示預后較差，而風險得分低表示預后較好。按照此標準，表示良好預后的基因信號應為：具有正回歸系數的基因下調，具有負回歸系數的基因上調。將α值為0．1時選擇的148個基因分為正和負回歸系數組，將正回歸系數組作為下調基因，負回歸系數組作為上調基因輸入到CMap程序。結果顯示，BACE2、IN2、RBBP6、 SNX2等基因敲除或下調，linifanib和APEX抑制劑等藥物的使用，可以改善骨肉瘤患者的預后；而SCAP、PREEN、KBTBD、 ZNF114基因敲除或下調，糖原合成酶抑制劑SB‐216763的使用，可能會導致預后變差（圖4）。

圖5．Connectivity Map分析結果

小結

基于從GEO數據庫中獲取的mRNA的表達數據和臨床數據，作者開發一種新的骨肉瘤患者預后評分系統。對mRNA的表達數據進行NET分析確定回歸系數，正則化系數Ω和混合系數α使分析結果更有意義。風險評分為基因的表達水平與相應的回歸系數的乘積，通過五折交叉驗證和c指數確定風險分界值，時間依賴性ROC曲線分析和亞組分析用于檢驗該系統的預測能力。使用The Connectivity Map（CMap）預測骨肉瘤的治療藥物和治療靶點。