使用生物信息學方法建立模型對肝癌免疫治療效果進行預測

譚滬生 任敏

摘要：目的：探討治療使用生信方法對肝癌免疫治療進行指導。方法：在tcga數(shù)據(jù)庫下載數(shù)據(jù)，使用R語言進行分析。結(jié)果：使用模型構建的低風險評分患者對抗PD-L1與抗CTLA4治療敏感性較高。結(jié)論：模型可以對抗PD-L1以及抗CLT4治療在肝癌患者中的應用效果起到預測作用。

關鍵詞：生物信息學;肝癌;免疫治療;預后分析

【中圖分類號】R735.7???????????? 【文獻標識碼】A???????????? 【文章編號】2107-2306（2021）15--01

肝癌是人類常見的惡性腫瘤之一。沒有療效確切的輔助治療手段?？筆D-1單克隆抗體，在多項癌癥治療中，都扮演了化腐朽為神奇的角色。但因為高額的負擔，使肝癌患者在未有正面的預期情況下，難以下決心使用。本文使用TCGA數(shù)據(jù)庫下載的數(shù)據(jù)建立模型，預測肝臟惡性腫瘤患者對于抗PD-1單克隆抗體的敏感性，探索抗PD-1單克隆抗體在于肝癌的應用。

1方法

1.1數(shù)據(jù)下載與分析

在tcga數(shù)據(jù)庫下載數(shù)據(jù)。計算腫瘤組和正常組的基因表達量標準差，進行差異分析，得到在腫瘤樣品和正常組織樣品中表達有區(qū)別的差異基因（p<0.05），對數(shù)據(jù)進行校正后保存。通過immport數(shù)據(jù)庫，找到免疫相關基因，對免疫基因與得到的差異基因進行取交集，得到差異的免疫基因。

1.2預后模型建立

對差異免疫基因的表達數(shù)據(jù)和臨床數(shù)據(jù)中的生存時間數(shù)據(jù)進行合并，排除隨訪時間小于30天的樣本。對差異的免疫基因進行生存分析，找到與預后相關的免疫基因。用這些與預后相關的免疫基因，構建預后模型。將所有的樣本數(shù)據(jù)分組，得到train和test組（2：1），對分組的各項臨床性狀使用卡方檢驗。用train組的數(shù)據(jù)來構建模型，用test組的數(shù)據(jù)來驗證模型的準確性。預測模型風險得分=每個樣品中，所有與預后相關的免疫基因的表達量*風險系數(shù)后求總和。取train組風險打分的中位值，大于中位值為高風險組，小于中位值為低風險組。同樣的在test組中，風險得分大于train組中位值為高風先祖，小于中位值為低風險組。

1.3風險系數(shù)（coef）的確定

對train進行單因素cox分析，如果P值小于0.05，則說明該基因是預后相關基因，保留，反之則剔除。對留下的單因素顯著基因及其表達量進行l(wèi)asso回歸，構建lasso模型，剔除相關性過高的基因，防止模型的過度擬合，并找到交叉驗證誤差最小的點，得到各基因的風險系數(shù)。

1.4生存分析與ROC分析

對高低風險組進行生存分析，查看是否有高低風險的患者生存曲線是否有差異。查看ROC曲線下面積，推測模型準確率。

1.5獨立預后分析

將風險得分與其他臨床特征分別與生存時間和生存狀態(tài)做關聯(lián)，若P<0.05，則認為為獨立預后相關。再做多因素獨立預后分析，若P<0.05，則認為獨立于其他臨床因素，與患者的預后相關。

1.6免疫治療分析

對于高低風險組的病人，哪一組更適合免疫治療。在tcia數(shù)據(jù)庫下載肝癌患者的免疫打分文件，與研究的全部患者取交集，按照高低風險分組，分別求得高低風險組的免疫打分，做差異分析，得到高低風險的免疫打分對比。

2結(jié)果

2.1樣本與免疫基因數(shù)量

TCGA下載數(shù)據(jù)總共465份樣本。其中正常樣品數(shù)量：58;腫瘤樣品數(shù)量：407。可以得到相對正常細胞在腫瘤細胞中高表達和低表達的差異基因。將腫瘤樣品和正常樣品中區(qū)別表達的這些差異基因與immport數(shù)據(jù)庫下載的免疫基因取交集后，總共得到343個差異的免疫基因。

2.2模型構建

2.2.1模型構建

lasso回歸數(shù)據(jù)見圖，剔除過度擬合基因后，可以得到預測模型，用我們的模型對test組和總樣本進行的生存分析結(jié)果為：1.train組的生存分析，可見高低風險組之間存在差異（p<0.05）;2.用模型對test組進行驗證，可見高低風險組之間的生存分析存在差異（p<0.05）;3.train組的AUC面積為0.782;4.test組的AUC面積為0.782;高低風險組之間的生存數(shù)據(jù)存在明顯差異，驗證了我們的模型預測價值。Roc曲線下面積train組、test組、總樣本均大于0.5，檢測方法真實性良好。

Fig2：a.lasso回歸模型;b.對lasso模型進行交叉驗證，找到誤差最小點，所對應的基因即為lasso回歸顯著基因，從而得到預測模型。

2.2.2患者預后相關基因的單因素COX分析與多因素cox分析結(jié)果

患者單因素與多因素cox結(jié)果得到，我們的風險打分能夠獨立的預測患者的預后（P小于0.01）。

2.3免疫治療相關基因分析結(jié)果

高低風險組之間CD274（PDL1基因）表達量差異P小于0.05，存在統(tǒng)計學差異。與tcia下載的免疫打分文件合并后，得到高低風險組之間的免疫打分，進行統(tǒng)計學比較，結(jié)果如圖，可以得到結(jié)果：我們的預測模型預測低風險組患者在接受抗CTL4、抗PDL1以及兩者聯(lián)合治療時，效果明顯優(yōu)于高風險組P<0.05。

a.? b.

Fig2：a.高低風險組在抗PD-L1治療時，低風險組敏感性大于高風險組，p<0.05;b.高低風險組在抗CTL4治療時，低風險組敏感性大于高風險組，p<0.05。

3討論

我們的模型能夠通過對患者進行風險評分，對于低風險組患者，我們建議行抗PD-L1或（和）抗CTLA4免疫治療，能獲得更好的療效。更重要的是，希望通過本文，給廣大同行提供思路，使用大數(shù)據(jù)來對疾病的治療進行指導。

參考文獻：

[1]肖亮， 周樂杜. 肝癌外科治療理念的革新與挑戰(zhàn)[J]. 中國普通外科雜志， 2021， 30（7）：8.

[2]陸林敏， 張衛(wèi)平. PD-1/PDL-1及CTLA-4抑制劑治療原發(fā)性肝癌的研究進展[J]. 浙江醫(yī)學， 2018， 40（13）：4.

[3]胡文龍， 梁惠芳， 李明. 基于代謝相關基因的生物信息學分析構建肺鱗癌預后模型[J]. 臨床肺科雜志， 2020， 25（11）：8.