大家好，今天跟大家分享的是2021年7月份发表在Frontiers in Cell and Developmental Biology (IF: 6.684)上的一篇关于衰老相关基因预后模型的文章。该文章利用衰老相关基因在肺腺癌中构建了LASSO Cox预后模型，是一篇经典的预后模型文章，思路清晰，可以借鉴该思路用于自己的分析中。让我来为大家梳理下这篇文章的思路。

An Aging-Related Gene Signature-Based Model for Risk Stratification and Prognosis Prediction in Lung Adenocarcinoma

基于衰老相关基因signature的肺腺癌风险分层和预后模型

1. 基于衰老相关基因识别与预后相关的signature

作者首先利用单因素Cox回归在TCGA-LUAD与GSE31210数据集中分别识别出58个和79个与整体生存（OS）有关的衰老相关基因，其中交集为19个（A）。接着作者使用LASSO回归对19个衰老相关基因进行筛选， 9个基因纳入到后续的多因素Cox分析（BC），最终构建出了一个包含6个基因的预后风险模型（D）。

.识别衰老相关的预后signature

2. 预后风险模型中基因的分析

在这里作者分析了风险模型中6个基因的表达（A），相关蛋白质水平（BC），突变的情况（图D），以及与临床特征（包括年龄、性别、肿瘤分期）的相关性（）。

. 预后风险模型中基因的表达，蛋白质水平以及突变情况

. 预后风险模型中基因与临床特征的相关性

3. 高低风险组所关联的生物学过程及免疫浸润

接着作者在TCGA-LUAD数据集中，使用GSEA分析了高低风险组间差异基因所关联的通路（）。此外作者检验了风险得分和肿瘤免疫之间的关系。A展示了训练集中低风险组和高危组的免疫细胞类型百分比。比较分析发现低风险患者表现出更高水平的naive B细胞，高风险组患者CD4记忆T细胞等水平升高（B）。同时还分析了免疫细胞类型之间的相关性（C）。

. 高低风险组间的功能差异

. 风险得分和肿瘤免疫之间的关系

4. 风险模型在训练集中的预后效能

作者将风险得分从低到高进行排序，并根据中值将样本分为低风险组和高风险组（A）。B显示了每个个体的生存状态和随访时间，C展示了风险模型中基因的表达。生存分析显示在高低风险组间存在着明显的生存差异（D）。同时来评估风险模型来预测不同生存年限的能力（E）。此外Cox回归分析，表明风险模型得分是一个独立的预后因子（FG）。进一步，作者进行了亚组分析，在控制了年龄、性别和临床分期后，模型仍有着较好的预后能力（）。

. 风险模型在训练集中的预后效能

. 预后模型的亚组分析

5. 风险模型在验证集中的预后效能

在验证集中，根据中位风险得分将患者分为高低风险两组（A），模型内基因的表达如B。基于OS和RFS分别进行了预后效能评估（C-H）。结果表明预后模型展现出好的预后效能，高低风险组间存在明显的生存差异（EF），也有着较佳的预测1，3，5年生存的能力（GH）。

. 风险模型在验证集中的预后效能

6. 构建列线图

基于衰老相关signature、年龄、分级和性别建立预测列线图模型，该列线图直观地显示了预测1、3和5年生存的概率（A）。在1年、3年和5年的时间内使用ROC曲线分析来评价列线图。在训练集中模型预测1、3、5年总体生存的AUC分别为0.754、0.73、0.42（B）。在测试集中模型预测1、3、5年总体生存的AUC值分别为0.923、0.752、0.42（C）。为了进一步评价预后列线图的预测性能和临床用途，作者进行了校正曲线和决策曲线分析。在训练集和测试集中，列线图的校准曲线显示实际与预测概率之间的一致性很好（0AB）。此外，决策曲线表明与TNM分期系统相比，联合列线图模型的预测净收益较高（0CD）。

. 构建列线图

0. 列线图评估

本篇文章的内容就是这些。让我为大家梳理下思路：首先作者使用单因素Cox回归，LASSO回归和多因素Cox回归构建了衰老基因相关的预后模型，接着对模型内基因进行了一系列分析，包括表达，相关蛋白水平，突变以及与临床因素的关系，然后分析高低风险两组间的差异，最后在独立验证集中验证与评估该模型。此外作者还针对于该预后signature构建了一个列线图，并多角度评估了该列线图的效果。本文思路简单清晰，是一个常规的预后模型文章，小伙伴们可以基于其他的基因集合，在不同的癌症类型中来尝试这个思路的效果，做自己的分析。快来动手尝试一下吧，最后祝大家科研顺利！