预后模型各位小伙伴一定不陌生啦，今天小编给大家推荐的这篇文章是今年9月13日发表在CLINICAL CANCER RESEARCH（IF=12.531）杂志上的一篇不一样的预后分析。作者根据其团队先前定义的六个定量转录组成分和五个亚型探讨了两者预后价值及相关性，文章分析角度全面，做预后模型的小伙伴不要错过哦！

Prognostic Relevance of Pancreatic Adenocarcinoma Whole-tumor Transcriptomic Subtypes and Components

胰腺癌全肿瘤转录组亚型和组分的预后相关性

一.研究背景：

胰腺癌（PAC）是一种具有极高死亡率的癌症，且诊断时仅有15-20%的患者可能受益于切除治疗，5年总生存率在全部癌症中是最低的。利用转录组学分析，已有多篇研究对PAC进行了亚型分类，作者团队在2018年对肿瘤微环境进行了更详细的分类，描述了两种肿瘤特异性转录组成分及四种基质特异性转录组成分。通过肿瘤和间质转录组成分的关联，提出了5个亚型（纯经典型、免疫经典型、促结缔组织增生型、基质激活型和纯基底样型）的分类。如所示，作者在这项工作中基于先前工作探讨了切除PAC中转录组肿瘤和基质成分及分类亚型的稳健性和临床相关性，并提出一个新的预后模型。

二.数据及方法：

1.样本收集及临床数据：作者共收集了359例PAC切除患者的测序数据及临床病理信息，其中210名患者为多中心队列，149名患者为单中心队列。多中心队列中165名患者获取micro-arrays图谱，所有患者均进行了RNA-seq测序。

2.全肿瘤RNA成分水平的测定和亚型分类：作者通过独立成分分析（ICA）对本研究患者描述了六种RNA成分：肿瘤（基底样肿瘤成分和经典肿瘤成分）和基质（活化基质成分、非活性结构基质成分、炎性基质成分和免疫基质成分）成分。通过无监督聚类得到亚型的质心，进而使用Spearman秩相关计算样本与质心的相关性并对样本进行预测分类。

3.从RNA成分推导预后模型和亚型：作者使用6种RNA成分及切除边缘（R）和N状态通过无病生存率（DFS）对训练队列进行COX风险比例回归模型训练，并通过回归系数对新患者计算条件风险评分。然后根据患者预测的DFS月数确定预后分组。

三.主要结果：

1.PAC全肿瘤亚型的评估

作者首先比较了RNA-seq及micro-array两种数据对亚型定义的稳定性，如A&B所示：所有亚型的一致性率为82.4%，每个队列中亚型的分布在两个队列中都是一致的。证明了其亚型定义RNA特征的稳健性。接下来作者对不同亚型的预后情况进行了分析：在合并队列（n=359）中，如C&D所示亚型与DFS和OS显著相关。对于DFS，其中纯基底样亚型和基质激活亚型显示最早复发，促结缔组织增生亚型和纯经典亚型结果相当，免疫经典亚型显示出最好的结果。在OS中观察到类似的结果（D）。

2.肿瘤和基质RNA成分的评估

由于亚型的技术稳健性受损及肿瘤的异质性，作者进一步考虑使用成分来量化两种肿瘤表型及四种类型的基质成分。如A&B所示，六个成分的micro-array和RNA-seq数据的预测相关性介于0.85-0.95之间，具有较高的稳健性。

接下来作者评估了6个RNA成分和亚型的预后价值，单因素COX回归显示DFS与两者均显示出显著相关性（A&B）；根据赤池信息准则（AIC），作者发现RNA成分在单变量和多变量COX模型中比亚型显示出更大的预后价值。

3.基于RNA成分定义新的预后模型和亚型

由于RNA成分的稳健性和高预后价值，作者接下来使用多因素COX回归模型对所有六种RNA成分和DFS的常见临床病理特征（淋巴结浸润和切除边缘）进行训练。C显示，该预后模型与DFS高度相关（P<0.001）。接下来作者根据回归模型的预测，将样本分为三个预后组：差组（预测DFS少于12个月）、中等组（预测DFS介于12个月和36个月之间）和良好组（预测DFS为36个月或更长），D表明，DFS和OS具有显著差异。在多队列研究中，E显示评估的DFS和OS显著相关。

4.推荐的预后分组特征

作者分析发现：三个预后组具有特定的RNA和临床病理模式（A）。接下来，作者分析了预后组在五种RNA亚型中的分布，如B所示：纯基底样亚型在预后较差组中更明显，而促结缔组织增生和免疫经典组中更明显在预后良好组中发生率更高。进一步的RNA成分富集证明了每个RNA定义的肿瘤和基质表型中的每个预后组的丰度（ C-H）。D显示对于两种RNA肿瘤成分在预后较差组中基底样肿瘤成分的表达水平较高，而在预后良好组中经典肿瘤（C）、非活性结构基质（F）和免疫基质成分水平显著升高。

以上这篇文章的全部内容就介绍完啦，总结一下：作者基于其团队之前工作所提出的六种RNA成分和5种亚型分类在多个数据中证明了其良好的预后价值，发现RNA成分具有更加良好的稳健性和预后价值，并对两者分布关系进行了描述。通过定义RNA成分来进行分组构建预后模型这个思路我们还可以应用到其他癌症中，当然啦需要拜读一下作者团队之前的工作，做预后模型的小伙伴千万不要错过哟！