level 5
科研资料帮
楼主
大家好，今天给大家解读一篇题为Integ rative multi-omics and drug–response charac terization of patient-derived prostate cancer primary cells 前列腺癌(PCa)是世界上第二常见的男性恶性肿瘤，目前，PCa的早期识别和治疗后肿瘤发展的预测仍主要依赖于前列腺特异性抗原（PSA）水平的变化。
01
研究背景
分析乳腺浸润癌（BRCA）全基因组超级增强子（SEs）甲基化特征及其临床价值。使用 R 软件中的 ChAMP 包鉴定了癌症基因组图谱 （TCGA） 数据库中 BRCA 与邻近组织之间的差异甲基化位点 （DMS）。超增强子被鉴定为ROSE软件。采用重叠分析评估东南地区潜在的DMS。
采用基于TCGA训练队列的Cox回归和最小绝对收缩与选择算子（LASSO）算法进行特征选择。在TCGA训练队列、TCGA验证队列和基因表达综合（GEO）测试队列中进行预后模型验证。基因本体和KEGG分析表明，SEs靶基因在细胞迁移相关过程和通路中显著富集。在BRCA和邻近组织之间共鉴定出83 654个DMS。
通过重叠研究鉴定出SEs区域约2397个DMS，并用于特征选择。利用Cox回归和LASSO算法，选取42个特征构建临床预测模型（CPM）。训练 （TCGA） 和验证队列（TCGA 和 GEO）都表明 CPM 具有理想的鉴别和校准。基于DMS的CPM在SE区域具有理想的鉴别和校准能力，结合肿瘤淋巴结转移（TNM）分期可以改善预后，从而有助于个体化治疗。
见图一
研究方法示意图。
图一
从ENCODE数据库下载H3K27ac Chip-SEQ和乳腺癌的相对输入BAM格式数据，并采用MACS2软件筛选出显著峰。通过在Python2环境下使用ROSE软件，鉴定出651个超级增强子。相反，从TCGA数据库中下载了1032个BRCA和160个相邻正常样本的DNA甲基化数据。使用R软件中的ChAMP软件包，共鉴定了BRCA和相邻样本之间的83 654个不同甲基化位点。采用重叠分析评估超级增强子区域潜在的不同甲基化位点。然后，利用超级增强子区域的2397个不同甲基化探针进行特征筛选，建立临床预测模型。采用Cox回归和基于TCGA训练队列的LASSO算法进行特征选择，共计526个样本。最后，在TCGA训练队列、TCGA验证队列和GEO验证队列中进行模型验证（判别和校准）。ENCODE，DNA元素百科全书;TCGA，癌症基因组图谱;BRCA，乳腺浸润性癌;GEO：基因表达综合;LASSO，最小绝对收缩和选择算子。
见图二
乳腺组织中的超级增强剂。
图二
（A） 基于H3K27ac信号强度识别增强子簇和排序的拼接过程示意图;（B）使用ROSE软件，我们在人类乳腺组织中鉴定了651个超级增强子。1号染色体具有最高的密度和比例的超级增强子。前 10 名超级增强剂用红点标记。
见图三
乳腺癌中超级增强子靶基因的通路富集分析。
图三
乳腺癌SE靶基因的生物过程（BP）（A）、细胞成分（CC）（B）、分子功能（MF）（C）和京都基因和基因组百科全书（KEGG）（D）途径。TCGA代表癌症基因组图谱;P < .05 被设定为临界标准。
见图四
乳腺癌中超级增强子靶基因的功能分析。
图四
使用 edgeR 包，我们从 TCGA 乳腺癌数据集 （A） 中鉴定出乳腺癌和正常乳腺组织之间的 3515 个差异表达基因。315个超级增强子靶基因被进一步鉴定为乳腺癌与正常乳腺组织之间的DEGs（B），这些基因在癌细胞迁移和转移相关通路（C）中显著富集。TCGA代表癌症基因组图谱;P < .05 被设定为临界标准。
见图五
超增强子差异甲基化探针的鉴定。
图五
（A） –log10（P 值）与 delta β 值的火山图，代表 1032 个 BRCA 和 160 个相邻正常组织之间的甲基化差异。（B） SE-ID-36299 的特定 SE 区域有 49 个 DMS。（C） SE-ID-36299 的特定 SE 区域有 45 个 DMS。
见图六
临床预测模型中的最终预后特征。
图六
（A、B）通过单因素 Cox 回归分析选择的 42 个 DMS 的最小绝对收缩率和选择算子分析 （LASSO） 系数曲线。在 TCGA 训练队列中，低风险组和高风险组的 Kaplan-Meier 曲线 （C） 42 DMS。在 TCGA 验证队列中，低风险组和高风险组的 Kaplan-Meier 曲线 （D） 42 DMS。在 GEO 验证队列中，低风险和高风险组中 46 个 DMS 的 Kaplan-Meier 曲线 （E）。
见图七
预后模型的判别效率。
图七
TCGA 训练队列 （A， B）、TCGA 验证队列 （C， D） 和 GEO 测试验证队列 （E， F） 中 1~10 年观察期的瞬态 AUC 分析和 1000、2000 和 3000 天 OS 概率的受试者工作特征 （ROC） 分析。
02
研究结论
在这项研究中，我们系统地分析了TCGA BRCA队列中的SEs甲基化情况，并开发了基于DMS的SEs区域CPM，训练（TCGA）和验证队列（TCGA和GEO）都表明CPM具有理想的鉴别和校准能力，与TNM分期相结合可以改善预后，从而有助于个体化治疗。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
2023年12月07日 10点12分
1
01
研究背景
分析乳腺浸润癌（BRCA）全基因组超级增强子（SEs）甲基化特征及其临床价值。使用 R 软件中的 ChAMP 包鉴定了癌症基因组图谱 （TCGA） 数据库中 BRCA 与邻近组织之间的差异甲基化位点 （DMS）。超增强子被鉴定为ROSE软件。采用重叠分析评估东南地区潜在的DMS。
采用基于TCGA训练队列的Cox回归和最小绝对收缩与选择算子（LASSO）算法进行特征选择。在TCGA训练队列、TCGA验证队列和基因表达综合（GEO）测试队列中进行预后模型验证。基因本体和KEGG分析表明，SEs靶基因在细胞迁移相关过程和通路中显著富集。在BRCA和邻近组织之间共鉴定出83 654个DMS。
通过重叠研究鉴定出SEs区域约2397个DMS，并用于特征选择。利用Cox回归和LASSO算法，选取42个特征构建临床预测模型（CPM）。训练 （TCGA） 和验证队列（TCGA 和 GEO）都表明 CPM 具有理想的鉴别和校准。基于DMS的CPM在SE区域具有理想的鉴别和校准能力，结合肿瘤淋巴结转移（TNM）分期可以改善预后，从而有助于个体化治疗。
见图一
研究方法示意图。
图一从ENCODE数据库下载H3K27ac Chip-SEQ和乳腺癌的相对输入BAM格式数据，并采用MACS2软件筛选出显著峰。通过在Python2环境下使用ROSE软件，鉴定出651个超级增强子。相反，从TCGA数据库中下载了1032个BRCA和160个相邻正常样本的DNA甲基化数据。使用R软件中的ChAMP软件包，共鉴定了BRCA和相邻样本之间的83 654个不同甲基化位点。采用重叠分析评估超级增强子区域潜在的不同甲基化位点。然后，利用超级增强子区域的2397个不同甲基化探针进行特征筛选，建立临床预测模型。采用Cox回归和基于TCGA训练队列的LASSO算法进行特征选择，共计526个样本。最后，在TCGA训练队列、TCGA验证队列和GEO验证队列中进行模型验证（判别和校准）。ENCODE，DNA元素百科全书;TCGA，癌症基因组图谱;BRCA，乳腺浸润性癌;GEO：基因表达综合;LASSO，最小绝对收缩和选择算子。
见图二
乳腺组织中的超级增强剂。
图二（A） 基于H3K27ac信号强度识别增强子簇和排序的拼接过程示意图;（B）使用ROSE软件，我们在人类乳腺组织中鉴定了651个超级增强子。1号染色体具有最高的密度和比例的超级增强子。前 10 名超级增强剂用红点标记。
见图三
乳腺癌中超级增强子靶基因的通路富集分析。
图三乳腺癌SE靶基因的生物过程（BP）（A）、细胞成分（CC）（B）、分子功能（MF）（C）和京都基因和基因组百科全书（KEGG）（D）途径。TCGA代表癌症基因组图谱;P < .05 被设定为临界标准。
见图四
乳腺癌中超级增强子靶基因的功能分析。
图四使用 edgeR 包，我们从 TCGA 乳腺癌数据集 （A） 中鉴定出乳腺癌和正常乳腺组织之间的 3515 个差异表达基因。315个超级增强子靶基因被进一步鉴定为乳腺癌与正常乳腺组织之间的DEGs（B），这些基因在癌细胞迁移和转移相关通路（C）中显著富集。TCGA代表癌症基因组图谱;P < .05 被设定为临界标准。
见图五
超增强子差异甲基化探针的鉴定。
图五（A） –log10（P 值）与 delta β 值的火山图，代表 1032 个 BRCA 和 160 个相邻正常组织之间的甲基化差异。（B） SE-ID-36299 的特定 SE 区域有 49 个 DMS。（C） SE-ID-36299 的特定 SE 区域有 45 个 DMS。
见图六
临床预测模型中的最终预后特征。
图六（A、B）通过单因素 Cox 回归分析选择的 42 个 DMS 的最小绝对收缩率和选择算子分析 （LASSO） 系数曲线。在 TCGA 训练队列中，低风险组和高风险组的 Kaplan-Meier 曲线 （C） 42 DMS。在 TCGA 验证队列中，低风险组和高风险组的 Kaplan-Meier 曲线 （D） 42 DMS。在 GEO 验证队列中，低风险和高风险组中 46 个 DMS 的 Kaplan-Meier 曲线 （E）。
见图七
预后模型的判别效率。
图七TCGA 训练队列 （A， B）、TCGA 验证队列 （C， D） 和 GEO 测试验证队列 （E， F） 中 1~10 年观察期的瞬态 AUC 分析和 1000、2000 和 3000 天 OS 概率的受试者工作特征 （ROC） 分析。
02
研究结论
在这项研究中，我们系统地分析了TCGA BRCA队列中的SEs甲基化情况，并开发了基于DMS的SEs区域CPM，训练（TCGA）和验证队列（TCGA和GEO）都表明CPM具有理想的鉴别和校准能力，与TNM分期相结合可以改善预后，从而有助于个体化治疗。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。