目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算...目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算子(least absolute shrink⁃age and selection operator,LASSO)对建模组进行筛选,得到PCa特征指标;对特征指标进行多因素logistic回归分析,并利用其分析结果对建模组数据构建PCa风险预测模型,同时利用建模组数据进行内部评价及验证组数据内部验证。结果:共纳入880例样本数据,其中建模组616例,验证组264例;通过LASSO回归分析对筛选得到的14个特征指标进行多因素logistic回归分析,结果显示球蛋白(OR=1.112,95%CI=1.044~1.185)、无机磷(OR=65.167,95%CI=20.437~207.796)、总前列腺特异性抗原(total prostate specific antigen,tPSA)(OR=1.026,95%CI=1.014~1.037)与血清尿酸(OR=0.997,95%CI=0.994~0.999)的差异具有统计学意义(P<0.05),是PCa发病的独立影响因素;利用其构建的PCa风险预测模型内部评价和内部验证的校准曲线准确度较高;模型内部评价的曲线下面积(area under curve,AUC)为0.766(95%CI=0.728~0.804),患者的决策曲线分析(decision curve analysis,DCA)净获益率为9%~72%;而模型内部验证的AUC为0.704(95%CI=0.639~0.768),患者的DCA净获益率为18%~59%及63%~64%。结论:球蛋白、无机磷、tPSA与血清尿酸是PCa的独立影响因素,通过其构建的风险预测模型具有良好预测作用。展开更多
文摘目的:筛选前列腺癌(prostatic cancer,PCa)发病的影响因素,构建PCa风险预测模型并进行验证。方法:利用国家临床医学科学数据中心《前列腺肿瘤预警数据集》,对数据处理后将数据按7∶3随机分为建模组和验证组;使用最小绝对值收敛和选择算子(least absolute shrink⁃age and selection operator,LASSO)对建模组进行筛选,得到PCa特征指标;对特征指标进行多因素logistic回归分析,并利用其分析结果对建模组数据构建PCa风险预测模型,同时利用建模组数据进行内部评价及验证组数据内部验证。结果:共纳入880例样本数据,其中建模组616例,验证组264例;通过LASSO回归分析对筛选得到的14个特征指标进行多因素logistic回归分析,结果显示球蛋白(OR=1.112,95%CI=1.044~1.185)、无机磷(OR=65.167,95%CI=20.437~207.796)、总前列腺特异性抗原(total prostate specific antigen,tPSA)(OR=1.026,95%CI=1.014~1.037)与血清尿酸(OR=0.997,95%CI=0.994~0.999)的差异具有统计学意义(P<0.05),是PCa发病的独立影响因素;利用其构建的PCa风险预测模型内部评价和内部验证的校准曲线准确度较高;模型内部评价的曲线下面积(area under curve,AUC)为0.766(95%CI=0.728~0.804),患者的决策曲线分析(decision curve analysis,DCA)净获益率为9%~72%;而模型内部验证的AUC为0.704(95%CI=0.639~0.768),患者的DCA净获益率为18%~59%及63%~64%。结论:球蛋白、无机磷、tPSA与血清尿酸是PCa的独立影响因素,通过其构建的风险预测模型具有良好预测作用。
文摘目的通过生物信息学方法分析乳腺癌(Breast cancer,BC)关键基因SDC1,并分析其与M1型巨噬细胞的相关性。方法从GEO数据库下载3组BC芯片GSE42568、GSE71053和GSE8977数据,筛选其差异表达基因(Differential Expression Genes,DGEs),并进行基因本体(Gene Ontology,GO)功能注释和京都基因与基因组百科全书(Kyoto Encyclopedia of Gene and Genome,KEGG)通路富集分析。利用STRING数据库和Cytoscape软件筛选DEGS中HUB基因。从癌症基因组图谱(The Cancer Genome Atlas,TCGA)下载BC的RNAseq数据和相关临床信息,利用R语言对HUB基因进行单因素和多因素COX回归分析、列线图绘制以及关键基因的免疫检查点分析和风险预后分析;通过UALCAN与GEPIA数据库验证HUB基因的表达和预后;利用TIMER及GEPIA2021数据库进行关键基因与巨噬细胞相关性分析。结果共得到197个DEGs,其GO功能的生物学过程(BP)与细胞黏附、凋亡过程和细胞分化等有关,细胞成分(CC)主要富集在细胞外小体、细胞表面和染色质等位置,分子功能(MF)与锌离子结合、转录因子活性及整合素结合等相关,而KEGG通路主要富集在PI3K-Akt信号通路、黏着斑以及癌症中的蛋白聚糖等通路。通过逐步筛选得到BC的关键HUB基因SDC1,其在BC组织中高表达,且不利于患者预后。SDC1与SIGLEC15、IDO1、CD274,HAVCR2、CTLA4和PDCD1LG2等免疫检查点基因显著正相关(P<0.05),且也与巨噬细胞(r=0.189;P<0.05)以及M1型巨噬细胞(r=0.072;P<0.05)显著相关,同时也与M1型巨噬细胞标志物NOS2、CXCL10、IRF5、IL1A、IL1B、TLR2、TLR4、CD80及CD86等显著相关(P<0.05)。此外,高表达的M1型巨噬细胞显著利于BC患者的预后(P<0.05)。结论SDC1是BC的关键基因,并与M1型巨噬细胞显著相关,可成为BC潜在的免疫治疗靶点。
