利用生物信息學(xué)分析開(kāi)發(fā)luminal型乳腺癌自噬相關(guān)基因預(yù)后模型

湯倩倩，邵尤城，魏蕾，張京偉

論著·

利用生物信息學(xué)分析開(kāi)發(fā)luminal型乳腺癌自噬相關(guān)基因預(yù)后模型

湯倩倩，邵尤城，魏蕾，張京偉

430071 湖北，武漢大學(xué)中南醫(yī)院甲狀腺乳腺外科（湯倩倩、張京偉），醫(yī)學(xué)院病理生理學(xué)教研室（邵尤城、魏蕾）

建立基于大規(guī)模自噬相關(guān)基因的 luminal 型乳腺癌預(yù)后預(yù)測(cè)模型。利用 TCGA 數(shù)據(jù)庫(kù)乳腺癌數(shù)據(jù)，分別篩選 luminal 型與非 luminal 型乳腺癌、癌旁組織中差異表達(dá)的自噬相關(guān)基因。單因素和多因素 Cox 回歸建立 luminal 型乳腺癌自噬相關(guān)基因預(yù)后模型。Kaplan-Meier 曲線和生存依賴的受試者工作特征曲線評(píng)估預(yù)后模型的準(zhǔn)確性。基于差異表達(dá)自噬相關(guān)基因，建立了一個(gè) 3 基因（BAG1、CD46、DIRAS3）預(yù)后模型預(yù)測(cè) luminal 型乳腺癌患者總生存期。3 年、5 年和 10 年的曲線下面積分別為 0.708、0.752 和 0.837。3 基因預(yù)后模型可以有效預(yù)測(cè) luminal 型乳腺癌患者預(yù)后，或許今后可為 luminal 型乳腺癌的臨床治療提供決策依據(jù)。

luminal 型乳腺癌； 內(nèi)分泌耐藥； 自噬； 預(yù)后模型

在美國(guó)，女性乳腺癌發(fā)病率每年僅以 0.3% 的速率增加，且其死亡率在持續(xù)下降，已次于肺癌[1]。然而，在中國(guó)乳腺癌發(fā)病率和死亡率卻在逐年上升[2]。從全球的角度來(lái)看，乳腺癌的高發(fā)病率和高死亡率仍然居高不下[3]。乳腺癌的腫瘤發(fā)生和治療是高度異質(zhì)性的，探索乳腺癌的分子機(jī)制，特別是分子亞型已成為乳腺癌研究的核心。目前臨床廣泛使用的乳腺癌分子分型為：luminal A（ER+和/或 PR+，HER2?）；luminal B（ER+和/或 PR+，HER2+）；her2（ER?，PR?，HER2+）和三陰性（ER?，PR?，HER2?）[4-6]。其中，luminal 型乳腺癌（luminal A 和 luminal B）占乳腺癌的大多數(shù)[7]。目前，內(nèi)分泌治療是 luminal 型乳腺癌有效的治療策略。然而，內(nèi)分泌治療耐藥現(xiàn)象十分常見(jiàn)，在臨床實(shí)踐中占 20% ～ 30%[8]。此外，研究表明，在完成 5 年的輔助內(nèi)分泌治療后，乳腺癌復(fù)發(fā)的風(fēng)險(xiǎn)持續(xù) 15 年[9]。內(nèi)分泌抵抗機(jī)制的研究已經(jīng)有了突破，針對(duì)其中一些機(jī)制的靶向抑制劑已經(jīng)合成并用于臨床治療[10]，然而靶向抑制劑的耐藥仍然不可避免[11]。因此，探索治療內(nèi)分泌抵抗的新分子靶點(diǎn)迫在眉睫。

自噬，是一高度保守的分解代謝過(guò)程，在各種機(jī)體過(guò)程中起重要作用，如發(fā)育和衰老[12]，而異常自噬與包括腫瘤在內(nèi)的許多疾病的發(fā)生發(fā)展密切相關(guān)[13-14]。越來(lái)越多的證據(jù)表明，自噬在各種癌癥（包括腔內(nèi)乳腺癌）的治療耐藥性反應(yīng)中起著關(guān)鍵作用[15-16]。對(duì)內(nèi)分泌療法的抵抗是導(dǎo)致 luminal 型乳腺癌幸存者疾病復(fù)發(fā)的主要原因。目前尚無(wú)基于大規(guī)模自噬相關(guān)基因的預(yù)后模型。因此，本研究旨在通過(guò)鑒定差異表達(dá)的自噬相關(guān)基因（ATGs），建立一種新的預(yù)后模型預(yù)測(cè) luminal 型乳腺癌患者的預(yù)后。

1 材料與方法

1.1 數(shù)據(jù)獲取和預(yù)處理

從人自噬數(shù)據(jù)庫(kù)（HADB）（http://www. autophagy.lu/）下載共 232 個(gè)自噬基因。1109例乳腺癌樣本和 113 例癌旁樣本的 RNA-seq 表達(dá)數(shù)據(jù)從 TCGA 數(shù)據(jù)庫(kù)（https://portal.gdc.cancer.gov/）下載。乳腺癌臨床資料從 UCSC Xena 數(shù)據(jù)庫(kù)（http://xena.ucsc.edu/public）下載。排除臨床病理資料（包括 TNM 分期和病理分期）缺失或不明確，ER、PR、HER2 狀態(tài)不確定和或OS 為零的樣本。依據(jù) TCGA 免疫組化檢測(cè)，對(duì)納入的臨床樣本進(jìn)行分型。最終，共 507 例 luminal 型乳腺癌、113 例癌旁組織和 133 例非 luminal 型乳腺癌被納入本研究。通過(guò) R 語(yǔ)言包分析基因表達(dá)數(shù)據(jù)與相應(yīng)臨床特征信息的相關(guān)性。

1.2 方法

1.2.1 差異表達(dá) ATGs 的識(shí)別 采用 Limma 軟件包分別篩選 luminal 型乳腺癌和癌旁、非luminal 型乳腺癌樣本間表達(dá)差異的 ATGs。此外，使用 Venn plot 工具包（http://www.funrich.org/）分析和可視化對(duì)照組的交集。采用 wilcox 秩和檢驗(yàn)和 fold change（FC）方法鑒定差異表達(dá)的 ATGs，截?cái)嘀? 0.05 且|log FC| > 0.5[17-18]。

1.2.2 功能富集分析 使用“聚類(lèi)分析器軟件包”進(jìn)行基因本體（GO）和京都基因和基因組百科全書(shū)（KEGG）富集分析。GO 由分子功能（MF）、生物過(guò)程（BP）和細(xì)胞成分（CC）組成。通路富集分析整合自 KEGG，分別選取 GO 和 KEGG 的前 30 條富集途徑。< 0.05 被認(rèn)為統(tǒng)計(jì)學(xué)相關(guān)。

1.2.3 ATGs 相關(guān)預(yù)后模型的構(gòu)建 合并 507 例luminal 型乳腺癌患者的臨床病理資料及相應(yīng)31 個(gè) ATGs 差異表達(dá)資料。采用單變量 Cox 比例風(fēng)險(xiǎn)回歸模型，從 luminal 型乳腺癌患者 31 個(gè)差異表達(dá)的 ATGs 中鑒定 OS 相關(guān)基因。經(jīng)單變量分析，OS 相關(guān)性有統(tǒng)計(jì)學(xué)意義的 ATGs 進(jìn)一步納入多變量 Cox 回歸分析。設(shè)定閾值< 0.05，最終得到 3 個(gè)具有顯著預(yù)后價(jià)值的 ATGs 并建立了風(fēng)險(xiǎn)評(píng)分公式。風(fēng)險(xiǎn)評(píng)分公式由 3 個(gè)差異表達(dá)的ATGs 的積分，加權(quán)各自的單變量 Cox 回歸系數(shù)產(chǎn)生。根據(jù)風(fēng)險(xiǎn)評(píng)分公式，以中位風(fēng)險(xiǎn)評(píng)分作為分界點(diǎn)，將每位 luminal 型乳腺癌患者分為低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)組。采用 Kaplan-Meier 分析和 log-rank 檢驗(yàn)比較高、低風(fēng)險(xiǎn)組間患者 OS 的差異。隨后，進(jìn)行單變量和多變量 Cox 回歸分析，確認(rèn)風(fēng)險(xiǎn)評(píng)分系統(tǒng)在調(diào)整其他臨床變量后的預(yù)后意義。使用生存依賴的受試者工作特征（ROC）曲線來(lái)評(píng)估預(yù)后模型的敏感性和特異性。

1.3 統(tǒng)計(jì)學(xué)處理

采用單因素和多因素 Cox 回歸確定預(yù)后因素并建立風(fēng)險(xiǎn)評(píng)分公式。采用 Kaplan-Meier 法繪制生存曲線，并采用 log 秩檢驗(yàn)進(jìn)行比較。ROC 曲線用于評(píng)估預(yù)后特征的預(yù)測(cè)能力。所有統(tǒng)計(jì)分析都使用 R 語(yǔ)言（3.6.2版本）進(jìn)行。雙側(cè)檢驗(yàn)< 0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 差異表達(dá) ATGs 的鑒定

數(shù)據(jù)預(yù)處理后，納入 507 例 luminal 型乳腺癌標(biāo)本、133 例非 luminal 型乳腺癌標(biāo)本和 113 例癌旁標(biāo)本的 RNA-seq 數(shù)據(jù)。507 例 luminal 型乳腺癌患者和 133 例非 luminal 型乳腺癌患者的臨床特征見(jiàn)表1。熱圖和火山圖（圖1A）顯示 88 個(gè)ATGs 在 luminal 型乳腺癌和癌旁樣本之間差異表達(dá)，其中紅點(diǎn)代表顯著上調(diào)基因，綠點(diǎn)代表顯著下調(diào)基因，黑點(diǎn)代表無(wú)差異基因。圖1B 顯示了 luminal 型和非 luminal 型乳腺癌樣本差異表達(dá)的 57 個(gè)ATGs。韋恩圖（圖2A、B）顯示 31 個(gè) ATGs在兩次比較中均有差異。31 個(gè)差異表達(dá)的 ATGs 中，CD46、BAG1、RPS6KB1、IKBKB、ATG16L1、PRKCD、VMP1、IL24、PTK6 在 luminal 型乳腺癌中的表達(dá)量高于非 luminal 型乳腺癌和癌旁組織，而 NRG2、CX3CL1、EGFR、TMEM74、CCL2、MYC、PRKCQ、ITGA6、ITGB4 在 luminal 型乳腺癌中表達(dá)最低。VEGFA、ERO1A、GAPDH、BAK1、CXCR4、EIF4EBP1、CDKN2A 和 BIRC5 在 luminal 型乳腺癌中的表達(dá)水平高于癌旁樣本，但低于非 luminal 型乳腺癌樣本。另外 5 個(gè)ATGs（DIRAS3、TP63、FOS、ITPR1、BNIP3L）在癌旁組織中表達(dá)量最高，其次是 luminal 型和非 luminal 型乳腺癌樣本。箱線圖（圖2C、D）顯示了 31 個(gè)差異表達(dá) ATGs 的表達(dá)模式。

表1 luminal 型和非 luminal 型乳腺癌患者的臨床病理特征

圖1 差異表達(dá)的 ATGs 熱圖及火山圖（A：Luminal 型乳腺癌與癌旁組織間差異表達(dá)的88個(gè) ATGs；B：Luminal 型與非 luminal 型乳腺癌間差異表達(dá)的 57個(gè)ATGs；L：Luminal 型乳腺癌；N：癌旁組織；nL：非 luminal 型乳腺癌）

Figure 1 The heatmap plot and volcano plot of differentially expressed ATGs (A: 88 differentially expressed ATGs between luminal and cancer-adjacent tissues; B: 57 differentially expressed ATGs between luminal and non-luminal breast cancers samples; L: Luminal breast cancers; N: Cancer-adjacent tissues; nL: Non-luminal breast cancers)

2.2 差異表達(dá)的 ATGs 功能富集

對(duì) 31 個(gè)差異表達(dá) ATGs 進(jìn)行 GO 和 KEGG前 30 條通路富集分析。結(jié)果顯示，GO 分析（圖3A）中基因顯著富集與 BP 包括絲氨酸肽基改變、老化、氧化應(yīng)激反應(yīng)、應(yīng)對(duì)缺氧反應(yīng)、對(duì)氧水平的反應(yīng)以及調(diào)節(jié)細(xì)胞間的黏附相關(guān)，在 CC 中包括自噬體膜和自噬體，而在 MF 中包括蛋白絲氨酸/蘇氨酸激酶活性，受體配體活性和細(xì)胞因子活性；KEGG 通路主要集中在人巨細(xì)胞病毒感染、人類(lèi)乳頭瘤病毒感染、PI3K-Akt 信號(hào)通路以及 microRNA 在癌癥、乳腺癌、胰腺癌、結(jié)腸直腸癌和膀胱癌中的作用（圖3B）。

Figure 2 The venn plot of differentially expressed ATGs (A: Between luminal breast cancer and cancer-adjacent tissues; B: Between luminal and non-luminal breast cancers) and expression profile of 31 differentially expressed ATGs between luminal breast cancers and cancer-adjacent tissues (C) and between luminal and non-luminal breast cancer samples (D) (NandL: Luminal breast cancers versus paracancer tissues; nLandL: Luminal versus non-luminal breast cancer tissue; down: Down-regulated; up: Up-regulated; Each red box, green and blue plot represent a different luminal breast cancer and a cancer-adjacent sample, a non-luminal breast cancer sample, respectively)

Figure 3 GO (A) and KEGG (B) analysis of 31 differentially expressed ATGs (The node color changes gradually from red to blue in ascending order according to thevalues, the size of the node represents the number of counts)

2.3 預(yù)后模型的構(gòu)建和驗(yàn)證

將 507 例 luminal 型乳腺癌患者的臨床病理數(shù)據(jù)與 31 個(gè)差異表達(dá)的 ATGs 數(shù)據(jù)合并后采用Cox 回歸模型進(jìn)行單因素分析，發(fā)現(xiàn) 5 個(gè) ATGs（BAG1、CD46、DIRAS3、IL24、TP63）影響 luminal 型乳腺癌預(yù)后。森林圖表明除了 CD46，BAG1、DIRAS3、IL24 和 TP63 均是保護(hù)因子（圖4A）。接著對(duì)這 5 個(gè)候選基因進(jìn)行多因素 Cox 回歸分析，篩選出 3 個(gè) ATGs（BAG1、CD46、DIRAS3）與 luminal 型乳腺癌患者 OS 顯著相關(guān)（圖4B）。整合 3 個(gè)基因并加權(quán)各自的多變量 Cox 回歸系數(shù)后，得到風(fēng)險(xiǎn)評(píng)分公式：（–0.7392 × BAG1 的表達(dá)值）+（0.7126 × CD46 的表達(dá)值）+（–0.2802 × DIRAS3 的表達(dá)值）。根據(jù)風(fēng)險(xiǎn)評(píng)分公式，507 例 luminal 型乳腺癌患者被賦予一個(gè)危險(xiǎn)值，并以中位危險(xiǎn)值作為截?cái)嘀担粍澐譃楦呶＝M（253 例）和低危組（254 例）。將分組結(jié)果用預(yù)后特征分布圖（圖5A）、患者生存狀況圖（圖6B）、3 個(gè) ATGs 表達(dá)譜熱圖（圖5C）和生存曲線圖（圖5D）可視化。Kaplan-miere 生存曲線表明高風(fēng)險(xiǎn)組的生存率明顯低于低風(fēng)險(xiǎn)組（= 4.576e-05）。此外，調(diào)整其他臨床變量如年齡、TNM 分期、病理分級(jí)、ER、PR 和 HER2 之后，單因素和多因素 Cox 回歸分析均表明，預(yù)后指數(shù)是 luminal 型乳腺癌患者的獨(dú)立預(yù)后指標(biāo)（HR = 1.335，95%CI = 1.133 ～ 1.573；< 0.001）（圖6A、B）。3 年、5 年和 10 年曲線下面積（）分別為 0.708、0.752 和0.837（圖6C）。以上研究結(jié)果表明該預(yù)后模型具有一定的生存預(yù)測(cè)潛力。

2.4 預(yù)后模型的臨床相關(guān)性分析

風(fēng)險(xiǎn)評(píng)分的相關(guān)性公式與臨床病理的特點(diǎn)及其預(yù)后意義分析結(jié)果表明，風(fēng)險(xiǎn)評(píng)分與腔內(nèi)乳腺癌T 分期（= 0.003）、N 分期（= 0.029）和病理分級(jí)（= 1.537E-04）顯著相關(guān)（圖7）。

3 討論

內(nèi)分泌抵抗在 luminal 型乳腺癌的治療中仍然是一個(gè)挑戰(zhàn)。盡管一些內(nèi)分泌抵抗機(jī)制已明確，且針對(duì)某些機(jī)制一些靶向抑制劑已經(jīng)用于臨床并取得一定療效，然而對(duì)靶向抑制劑耐藥仍無(wú)法避免。因此，探索和驗(yàn)證 luminal 型乳腺癌細(xì)胞新的分子靶點(diǎn)治療是非常有必要的。目前，越來(lái)越多的證據(jù)表明異常的自噬在 luminal 型乳腺癌抵抗內(nèi)分泌治療反應(yīng)中扮演關(guān)鍵角色。自噬的調(diào)控過(guò)程是由一系列自噬相關(guān)基因控制的[19]。自噬相關(guān)基因的遺傳畸變可引起多種疾病，包括乳腺癌[20-21]。已有研究利用大規(guī)模 ATGs 表達(dá)譜來(lái)篩選和識(shí)別預(yù)測(cè)乳腺癌預(yù)后的分子標(biāo)記。比如，Gu 等[22]基于 GEO 數(shù)據(jù)庫(kù)中的乳腺癌數(shù)據(jù)，分析 TP53 基因突變與非突變?nèi)橄侔┗颊咦允上嚓P(guān)基因的差異，建立并驗(yàn)證了預(yù)后模型；Lin 等[23]基于乳腺癌自噬相關(guān)基因分析，開(kāi)發(fā)了一種預(yù)后指標(biāo)。然而，目前尚無(wú)基于大規(guī)模自噬基因探索 luminal 型乳腺癌自噬相關(guān)基因的報(bào)道。因此，開(kāi)發(fā) luminal 型乳腺癌自噬相關(guān)基因風(fēng)險(xiǎn)評(píng)分系統(tǒng)顯得十分必要。

圖4 單因素（A）和多因素（B）Cox 回歸分析評(píng)估 luminal 型乳腺癌患者 31 個(gè) ATGs 表達(dá)水平與總生存率之間的關(guān)系

Figure 4 Univariate (A) and multivariate (B) Cox regression assesses relationship between expression levels of 31 ATGs and overall survival in patients with luminal breast cancers

圖5 預(yù)后模型分布圖（A）、各組患者生存狀態(tài)圖（B）、3 個(gè) ATGs 的表達(dá)熱圖（C）和高低風(fēng)險(xiǎn)組 Kaplan-Meier 曲線圖（D）

Figure 5 Distribution of prognostic index (A), survival status of patients in different groups (B), heatmap plot of the expression profile of 3 ATGs (C) and the distribution of Kaplan-Meier curves of different subgroups (D)

利用 TCGA 數(shù)據(jù)庫(kù)乳腺癌數(shù)據(jù)，分別篩選了 luminal 型和非 luminal 型乳腺癌、癌旁組織間表達(dá)差異的 ATGs。取兩比較組差異表達(dá)的 ATGs 的交集后，31 個(gè)差異表達(dá)的 ATGs 被納入預(yù)后模型構(gòu)建。通過(guò)單因素和多因素 Cox 回歸分析，確定了 3 個(gè)預(yù)后相關(guān)基因（BAG1、CD46、DIRAS3）。通過(guò)整合 3 個(gè) ATGs 并對(duì)其單變量 Cox 回歸系數(shù)進(jìn)行加權(quán)，得出風(fēng)險(xiǎn)評(píng)分公式。應(yīng)用 ROC 曲線分析和 Kaplan-Meier 曲線評(píng)價(jià)預(yù)測(cè)模型預(yù)測(cè) luminal 型乳腺癌患者總生存率的準(zhǔn)確性。結(jié)果表明，風(fēng)險(xiǎn)評(píng)分公式可以有效地預(yù)測(cè)腔內(nèi)乳腺癌患者的預(yù)后。風(fēng)險(xiǎn)評(píng)分公式中包含的 3 個(gè) ATGs 與乳腺癌預(yù)后密切相關(guān)。BAG1，bcl2 相關(guān)的致癌基因是一種多功能抗凋亡蛋白，也是 21 個(gè)基因檢測(cè)復(fù)發(fā)評(píng)分中 16 個(gè)腫瘤相關(guān)基因之一[24]。與之前的研究[25-26]一致，在我們的研究中，BAG1 在乳腺癌中高表達(dá)且預(yù)后更佳。Lu 等[27]發(fā)現(xiàn) BAG1 下調(diào)可通過(guò)激活 PI3K/Akt/mTOR 信號(hào)通路誘導(dǎo)他莫西芬耐藥。矛盾的是，盡管 BAG1 在不同亞型乳腺癌細(xì)胞中也被發(fā)現(xiàn)上調(diào)，Kizilboga 等[28]發(fā)現(xiàn) BAG1 可以通過(guò)促進(jìn) Raf 和 Akt 的磷酸化來(lái)抑制乳腺癌細(xì)胞的凋亡。CD46，補(bǔ)體調(diào)節(jié)蛋白，可以保護(hù)宿主細(xì)胞免受自身補(bǔ)體的攻擊。這種逃避免疫攻擊的機(jī)制貫穿于腫瘤的發(fā)生、分化、轉(zhuǎn)移過(guò)程中，對(duì)腫瘤的預(yù)后起著重要的作用。Cui 等[29]發(fā)現(xiàn)，HBXIP 可以通過(guò) p-ERK1/2/NF-κB 信號(hào)通路上調(diào) CD46，從而保護(hù)乳腺癌細(xì)胞免受補(bǔ)體的攻擊。與 Maciejczyk 等[30]的研究一致，CD46 在納入的 507 位 luminal 型乳腺癌患者中充當(dāng)癌基因。DIRAS3，母系遺傳的 ras 超家族成員之一，被認(rèn)為是一個(gè)腫瘤抑制基因[31]。有研究表明，DIRAS3 在 60% 的卵巢癌和乳腺癌中被下調(diào)[32]。同樣，我們的結(jié)果顯示，與癌旁正常組織相比，DIRAS3 在乳腺癌組織中的表達(dá)更低。此外，我們還發(fā)現(xiàn) DIRAS3 在 luminal 型乳腺癌中的表達(dá)高于非 luminal 型乳腺癌。Zou等[33]發(fā)現(xiàn)乳腺癌細(xì)胞中 DIRAS3 的表達(dá)可誘導(dǎo)自噬，促進(jìn)紫杉醇對(duì)乳腺癌細(xì)胞的抑制作用。目前為止，關(guān)于上述 3 個(gè)自噬相關(guān)基因?qū)?luminal 型乳腺癌預(yù)后影響及相關(guān)機(jī)制的研究較少。深入研究其相關(guān)作用機(jī)制是課題組今后努力的方向。

圖6 單因素（A）和多因素（B）Cox 回歸分析的森林圖以及預(yù)測(cè)模型預(yù)測(cè) 3年、5 年和 10年總生存率的 ROC 曲線（C）

Figure 6 Forest plots of univariate (A) and multivariate (B) Cox regression analysis in luminal breast cancers and ROC curves of the signature predicting the 3- and 5- and 10- year overall survival rate (C)

圖7 T 分期（A）、N 分期（B）和病理分級(jí)（C）與預(yù)測(cè)模型相關(guān)性具統(tǒng)計(jì)學(xué)差異

Figure 7values were statistically significant at tumor size (A), lymph node metastasis (B) and pathologic stage (C)

據(jù)目前所知，我們的研究是第一個(gè)基于大規(guī)模 ATGs 表達(dá)譜建立 luminal 型乳腺癌預(yù)后模型的研究。在方法學(xué)上，我們通過(guò)分別篩選 luminal 型與非 luminal 型乳腺癌、癌旁組織中表達(dá)差異的 ATGs 后，將兩組均差異表達(dá)的 ATGs 作為 luminal 型乳腺癌差異表達(dá)的 ATGs 納入模型構(gòu)建，這可能有助于提高模型的準(zhǔn)確度。此外，本研究提示 3 基因風(fēng)險(xiǎn)評(píng)分系統(tǒng)可以有效預(yù)測(cè)患者的 OS，這可能為今后的臨床治療提供依據(jù)。

然而，我們的研究仍然存在一些不足。首先，我們的數(shù)據(jù)來(lái)自于 TCGA 數(shù)據(jù)庫(kù)，由于臨床數(shù)據(jù)不完整及模棱兩可，大部分樣本被排除在外，這可能會(huì)造成選擇偏倚。其次，在方法上，最好使用其他數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行外部驗(yàn)證。最后，我們還需要進(jìn)一步的實(shí)驗(yàn)研究來(lái)闡明 3 個(gè) ATGs 在 luminal 型乳腺癌中的功能和預(yù)測(cè)價(jià)值。

[1] DeSantis CE, Ma J, Gaudet MM, et al. Breast cancer statistics. CA Cancer J Clin, 2019, 69(6):438-451.

[2] Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015. CA Cancer J Clin, 2016, 66(2):115-132.

[3] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin, 2018, 68(6):394-424.

[4] Anderson WF, Rosenberg PS, Katki HA. Tracking and evaluating molecular tumor markers with cancer registry data: HER2 and breast cancer. J Natl Cancer Inst, 2014, 106(5):dju093.

[5] Yeo SK, Guan JL. Hierarchical heterogeneity in mammary tumors and its regulation by autophagy. Autophagy, 2016, 12(10):1960-1961.

[6] Zuo T, Zeng H, Li H, et al. The influence of stage at diagnosis and molecular subtype on breast cancer patient survival: a hospital-based multi-center study. Chin J Cancer, 2017, 36(1):84.

[7] Tavera-Mendoza LE, Westerling T, Libby E, et al. Vitamin D receptor regulates autophagy in the normal mammary gland and in luminal breast cancer cells. Proc Natl Acad Sci U S A, 2017, 114(11):E2186- E2194.

[8] Jeong Y, Bae SY, You D, et al. EGFR is a therapeutic target in hormone receptor-positive breast cancer. Cell Physiol Biochem, 2019, 53(5):805-819.

[9] Pan H, Gray R, Braybrooke J, et al. 20-year risks of breast-cancer recurrence after stopping endocrine therapy at 5 years. N Engl J Med, 2017, 377(19):1836-1846.

[10] Rani A, Stebbing J, Giamas G, et al. Endocrine resistance in hormone receptor positive breast cancer-from mechanism to therapy. Front Endocrinol (Lausanne), 2019, 10:245.

[11] McCartney A, Migliaccio I, Bonechi M, et al. Mechanisms of resistance to CDK4/6 inhibitors: potential implications and biomarkers for clinical practice. Front Oncol, 2019, 9:666.

[12] Wen X, Klionsky DJ. At a glance: A history of autophagy and cancer. Semin Cancer Biol, 2020, 66:3-11.

[13] Folkerts H, Hilgendorf S, Vellenga E, et al. The multifaceted role of autophagy in cancer and the microenvironment. Med Res Rev, 2019, 39(2):517-560.

[14] Huang X, Li Y, Shou L, et al. The molecular mechanisms underlying BCR/ABL degradation in chronic myeloid leukemia cells promoted by Beclin1-mediated autophagy. Cancer Manag Res, 2019, 11:5197- 5208.

[15] Zeng X, Ju D. Hedgehog signaling pathway and autophagy in cancer. Int J Mol Sci, 2018, 19(8):2279.

[16] Han Y, Fan S, Qin T, et al. Role of autophagy in breast cancer and breast cancer stem cells (Review). Int J Oncol, 2018, 52(4):1057-1070.

[17] Wagstaff L, Goschorska M, Kozyrska K, et al. Mechanical cell competition kills cells via induction of lethal p53 levels. Nat Commun, 2016, 7:11373.

[18] Zhou H, Zhang W. Gene expression profiling reveals candidate biomarkers and probable molecular mechanism in diabetic peripheral neuropathy. Diabetes Metab Syndr Obes, 2019, 12:1213-1223.

[19] Luo Y, Jiang C, Yu L, et al. Chemical biology of autophagy-related proteins with posttranslational modifications: from chemical synthesis to biological applications. Front Chem, 2020, 8:233.

[20] Gong C, Hu C, Gu F, et al. Co-delivery of autophagy inhibitor ATG7 siRNA and docetaxel for breast cancer treatment. J Control Release, 2017, 266:272-286.

[21] Wang N, Yang B, Muhetaer G, et al. XIAOPI formula promotes breast cancer chemosensitivity via inhibiting CXCL1/HMGB1-mediated autophagy. Biomed Pharmacother, 2019, 120:109519.

[22] Gu Y, Li P, Peng F, et al. Autophagy-related prognostic signature for breast cancer. Mol Carcinog, 2016, 55(3):292-299.

[23] Lin QG, Liu W, Mo YZ, et al. Development of prognostic index based on autophagy-related genes analysis in breast cancer. Aging (Albany NY), 2020, 12(2):1366-1376.

[24] Brufsky AM. Predictive and prognostic value of the 21-gene recurrence score in hormone receptor-positive, node-positive breast cancer. Am J Clin Oncol, 2014, 37(4):404-410.

[25] Cutress RI, Townsend PA, Brimmell M, et al. BAG-1 expression and function in human cancer. Br J Cancer, 2002, 87(8):834-839.

[26] Papadakis ES, Reeves T, Robson NH, et al. BAG-1 as a biomarker in early breast cancer prognosis: a systematic review with meta-analyses. Br J Cancer, 2017, 116(12):1585-1594.

[27] Lu S, Du Y, Cui F, et al. Downregulation of BAG1 in T47D cells promotes resistance to tamoxifen via activation of the PI3K/Akt/mTOR signaling pathway. Oncol Rep, 2019, 41(3):1901-1910.

[28] Kizilboga T, Baskale EA, Yildiz J, et al. Bag-1 stimulates Bad phosphorylation through activation of Akt and Raf kinases to mediate cell survival in breast cancer. BMC Cancer, 2019, 19(1):1254.

[29] Cui W, Zhao Y, Shan C, et al. HBXIP upregulates CD46, CD55 and CD59 through ERK1/2/NF-kappaB signaling to protect breast cancer cells from complement attack. FEBS Lett, 2012, 586(6):766-771.

[30] Maciejczyk A, Szelachowska J, Szynglarewicz B, et al. CD46 expression is an unfavorable prognostic factor in breast cancer cases. Appl Immunohistochem Mol Morphol, 2011, 19(6):540-546.

[31] Kok DE, Dhonukshe-Rutten RA, Lute C, et al. The effects of long-term daily folic acid and vitamin B12 supplementation on genome-wide DNA methylation in elderly subjects. Clin Epigenetics, 2015, 7:121.

[32] Yu Y, Luo R, Lu Z, et al. Biochemistry and biology of ARHI (DIRAS3), an imprinted tumor suppressor gene whose expression is lost in ovarian and breast cancers. Methods Enzymol, 2006, 407:455- 468.

[33] Zou CF, Jia L, Jin H, et al. Re-expression of ARHI (DIRAS3) induces autophagy in breast cancer cells and enhances the inhibitory effect of paclitaxel. BMC Cancer, 2011, 11:22.

Development of a prognostic model of autophagy-related genes in luminal breast cancers using bioinformatics analysis

TANG Qian-qian, SHAO You-cheng, WEI Lei, ZHANG Jing-wei

Author Affiliation: Department of Breast and Thyroid Surgery, Zhongnan Hospital (TANG Qian-qian, ZHANG Jing-wei), Department of Pathology and Pathophysiology, School of Basic Medical Sciences (SHAO You-cheng, WEI Lei), Wuhan University, Hubei 430071, China

To establish a prognostic model for luminal breast cancer based on large-scale autophagy-related genes.Weidentified the differentially expressed autophagy-related genes among luminal and non-luminal breast cancers, cancer-adjacent tissues using breast cancer cohort from TCGA database, respectively. Subsequently, univariate and multivariate Cox regression were used to establish a prognostic model for luminal breast cancers based on differentially expressed autophagy-related genes. The accuracy of the prognostic model was evaluated with Kaplan-Meier curve and survival-dependent receiver operating characteristic (ROC) curves.31 differentially expressed autophagy-related genes in luminal breast cancers were identified. A three-gene (BAG1, CD46, DIRAS3) prognostic model was established to predict the overall survival (OS) of patients with luminal breast cancer. Furthermore, the area under the curve () at 3-, 5- and 10- years were 0.708, 0.752 and 0.837, respectively.The three-gene prognostic model can effectively predict the prognosis of patients with luminal breast cancer, and may provide decision-making basis for clinical treatment of luminal breast cancers in the future.

luminal breast cancers; endocrine resistance; autophagy; prognostic model

ZHANG Jing-wei, Email: zjwzhang68@whu.edu.cn

張京偉，Email：zjwzhang68@whu.edu.cn

2020-11-05

10.3969/j.issn.1673-713X.2021.03.006