小编今天跟大家分享的是8月10号发表在aging-us（IF=5.515）上的一篇文章膀胱癌中lncRNA特征预后价值Abstract膀胱癌（BLCA）是一种毁灭性癌症，早期诊断有利于较好对预后。本文旨在构建基于lncRNA的分类器评估BLCA预后和复发潜在的lncRNA效用。使用TCGA膀胱癌作为训练集数据使用lasso cox回归分析构建了一个包含14个lncRNA的整体生存（OS）分类器和一个包含12个lncRNA的无复发生存（RFS）分类器。Long-rank test 和测试集验证都表明了这两个基于lncRNA的BLCA风险预测模型都是新颖而独立OS和RFS的预测因子。流程图

有代分析需求，请扫码

Result一、数据的来源和预处理1、TCGA 414个BLCA sample 差异表达分析（|logFC| >1 、padj < 0.05）得到1643 DElncRNAs（火山图见下图A），2、对DElncRNAs进行单因素cox回归分析分别得到463个与OS、201个与RFS预后显著相关的lncRNA(见下图B、C)3、lasso cox回归模型：对于整体生存OS（n=406）随机分成（2:1）：训练集n=271 、测试集n=135对于无复发生存RFS（n=337）随机分成（2:1）：训练集n=225 、测试集n=11220倍交叉验证在训练组中构建预后预测模型（OS：见D，2E; RFS：见F，2G）。 二、构建BLCA OS和RFS的lncRNA分类器在训练组中，使用LASSO Cox回归模式以20倍交叉验证构建用于OS的基于14-lncRNA的分类器和用于RFS的基于12-lncRNA的分类器。14-lncRNA的BLCA OS分类器：BLCA具有低或高死亡风险的患者在训练，验证和所有队列中的总体存曲线。（见下图A，C和E）12-lncRNA的BLCA RFS分类器风险评分水平，BLCA患者在训练，验证和所有具有低或高死亡风险的队列中的无复发生存曲线（见下图B，D和F）： 三、lncRNAs分类器与临床病理特征的相关性OS，风险评分在训练集、测试集、整个集数据集中与临床特征的相关性。(见table2)RFS，风险评分在训练集、测试集、整个集数据集中与临床特征的相关性。(见table3)lncRNA的OS或RFS风险评分与几种临床特征无关，但在它们之间检测到阳性关联（见下图A-D）。高pT，pN或分级的患者倾向于具有高风险评分。 四、lncRNAs分类器对评估临床结果的预后价值OS and RFS  1、3 、5 years ROC 生存曲线（见下图A-B）OS and RFS  整个数据集中风险得分、BLCA stage分期、风险得分+stage分期ROC 生存曲线（见下图C-D）OS and RFS  整个数据集中BLCA stage分期联合高低风组ROC 生存曲线（见下图E-F）由上可知TNM分期与基于lncRNA的分类器模型进行比较，后者具有明显更好的预测准确性。，基于lncRNA的分类器模型和TNM分期的组合可以增强预测生存和复发预后的能力。 

大家好，首先感谢关注。目前拥有超级预后，超级可变剪切，突变+表达，表达+突变，DNA甲基化，自噬，ceRNA、经典预后、m6A、可变剪切、肿瘤微环境，免疫浸润，多组学，驱动基因，突变，耐药，CNV肿瘤干细胞等多种经典和新潮分析思路和方案。

在此开工季，欢迎大家预定分析服务。

开工季，套路上新

（8.29-9.30）期间签订项目

赠送网课一套