目的:筛选与肝细胞癌(hepatocellular carcinoma,HCC)预后密切相关的炎症反应关键基因,构建预后风险评分模型,并评估该模型在HCC中的预后价值.方法:从TCGA数据库获取HCC患者肝肿瘤组织及正常肝组织的mRNA表达数据作为训练集,从GEO数据库中获取HCC患者的mRNA表达数据作为验证集.筛选出与HCC预后相关的炎症反应相关基因,运用LASSO回归和随机生存森林(RSF)方法筛选与HCC预后相关的炎症反应关键基因.基于这些关键基因构建预后风险评分模型并验证,应用Cox比例风险回归评估该模型对患者预后的影响.构建列线图并进行一致性分析.结果:共筛选出15个与HCC预后相关的炎症反应基因,经LASSO回归和RSF分析,确定11个炎症反应关键基因,即IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2.构建的预后风险评分模型在训练集和验证集上预测1、3、5年生存率,AUC值均超过0.60;Kaplan-Meier分析显示高风险组总生存期(OS)显著低于低风险组(P＜0.01);PCA和t-SNE分析显示该模型能有效区分高、低风险患者.Cox回归分析提示预后风险评分是独立的预后因素,且与OS显著相关(P＜0.01).列线图模型C-index为0.672,具有较高的预测精度,1年和3年校准曲线与标准曲线吻合度好,5年吻合度稍弱.结论:本研究成功构建并验证了一个基于炎症反应相关基因的风险评分模型,筛 选出的11个炎症反应关键基因(IL18RAP、MEP1A、RIPK2、CYBB、SLC7A1、ADM、IL7R、P2RX4、ACVR2A、SERPINE1、SLC7A2)与HCC进展密切相关,且在模型中显示出较强的预后预测能力.

目的:采用生物信息学方法探索卵巢癌中与血管生成相关的免疫基因(ARIG),探讨其与卵巢癌患者预后的关系,并说明不同预后患者肿瘤微环境和免疫治疗的潜在差异,为卵巢癌患者提供新的治疗靶点.方法:分别从TCGA和GEO数据库下载卵巢癌的转录组数据和生存数据.利用R软件分析差异表达基因,利用Pearson相关系数鉴定血管生成相关基因与免疫相关基因之间的相关性,筛选出差异表达的ARIG.通过Lasso回归分析构建预后模型,通过Cox分析临床特征和风险评分,将样本分为高风险组和低风险组.通过单样本基因集富集分析(ssGSEA)、肿瘤免疫功能障碍和排斥(TIDE)分析预后风险模型与免疫浸润、免疫治疗反应的相关性.最后,收集河北医科大学第四医院2015年5月至2016年5月手术的卵巢癌患者的肿瘤组织和输卵管组织85对,通过qPCR和WB法验证五个差异表达的ARIG在卵巢癌组织中的表达情况,分析其与卵巢癌患者临床病理特征的关系,并初步探索其在卵巢癌细胞的生物学功能.结果:通过生信分析筛选出142个差异表达的ARIG,通过Lasso和Cox回归分析,得到5个基因作为预后基因(PTGER3、SCTR、IGHG1、HSPA8、IGF2),构建了预后风险模型,高风险组患者的预后更差;此外,不同风险评分的患者在免疫细胞浸润和免疫治疗反应方面存在显著差异(均P<0.05).通过qPCR和WB法验证这5个基因在卵巢癌组织中均为高表达(均P<0.01),其中HSPA8表达量最高,且高表达HSPA8与卵巢癌患者FIGO分期晚、组织分级差、淋巴结转移及腹膜转移呈显著正相关(P<0.001).细胞功能实验证实,HSPA8可促进卵巢癌细胞的增殖、迁移和侵袭(P<0.01).结论:差异表达的5种ARIG能有效预测卵巢癌患者的预后,并且与免疫细胞浸润和免疫治疗疗效有关,初步证实其在卵巢中发挥促癌作用.

目的 构建基于铜代谢相关基因和临床病理学特征的新型肾透明细胞癌(ccRCC)预后模型.方法 2022年6月至2023年1月从基因集数据库(MSigDB)5.1版整理出铜代谢相关基因,应用癌症基因组图谱(TCGA)中ccRCC数据对获取的铜代谢相关基因进行生物信息学分析,得到32个铜代谢相关差异基因;用单因素比例风险回归(Cox)分析铜代谢基因,筛选出具有预后价值的60个铜代谢相关基因,两者取交集,得到14个关键基因,对其进行基因本体论(GO)分析、京都基因和基因组数据库(KEGG)通路分析及关联性分析.之后对关键基因进行套索回归分析(LASSO),结果显示有3个基因被纳入模型,计算公式为:风险分数=HAMP×0.205+TMPRSS6×0.097-CCND1×0.033.分别应用TCGA数据和基因表达综合数据库(GEO)中的ccRCC数据集GSE22541进行内部模型验证和外部模型验证;利用乘积极限法(Kaplan-Meier)生存曲线验证模型预后价值;利用受试者操作特征曲线(ROC曲线)下面积验证模型预测的准确性.结果 生存状态图表明,高风险组死亡病例数多于低风险组;ROC曲线表明风险评分模型具备较好的预测能力,曲线下面积(AUC)均大于0.6;Kaplan-Meier生存分析显示,高风险组总体生存率低于低风险组(P<0.05).结合临床病理学特征(年龄、肿瘤分级、肿瘤分期),构建诺莫(Nomogram)列线图,对病人预后具有较好的预测效果.结论 基于铜代谢相关基因的预后风险评分模型可用于ccRCC的预后预测,针对铜代谢相关基因设计靶点可能是治疗ccRCC的一种新选择.

目的:探讨pSS发生肾损害的关键因素，构建风险预测模型，并验证其效能。方法:回顾性分析2017—2020年南京鼓楼医院419例pSS住院患者的临床资料。用R软件Randomizr软件包按3∶1的比例随机分为模型组（315例）和验证组（104例），建模组根据有无肾损害分为2组，符合正态分布的计量资料进行 t检验，计数资料采用 χ2检验。非正态分布的计量资料用非参数检验。用最小绝对收缩和选择算子（LASSO）回归分析筛选影响pSS患者肾损害的显著差异因子并建立列线图预测模型，使用受试者工作特征曲线（ROC）、校准图和决策分析（DCA）曲线评估模型区分度、校准度及临床实用性。 结果:419例pSS患者中127例（30.3%）发生肾损害，其中肾功能不全89例（70.1%），血尿86例（67.7%），蛋白尿107例（84.2%），肾小管酸中毒49例（38.6%）。与无肾损害相比，肾损害组病程长[3.00（1.00，8.00）年与1.00（0.30，5.00）年； Z=2.33， P=0.005]，更易发生乏力[35.1%（33/94）与23.5%（52/221）， χ2=4.49， P=0.038]、血细胞（三系）减少[白细胞计数4.50（3.30，6.75）×10 9/L与5.40（3.70，8.05）×10 9/L， Z=2.02， P=0.043；血红蛋白99（79，111）g/L与120.00（109.00，128.00）g/L， Z=6.59， P<0.001；血小板计数152.00（89.25，204.25）×10 9/L与188.00（117.99，241.00）×10 9/L， Z=2.61， P=0.009]，炎症反应更重[ESR 48.50（29.75，86.25）mm/1 h与26.00（11.00，52.00）mm/1 h， Z=5.83， P<0.001；CRP 5.80（3.40，18.45）mg/L与4.40（2.60，11.40）mg/L， Z=2.33， P=0.020]，抗SSA/抗SSB抗体阳性率更高[79.9%（75/94）与62.0%（137/221）， χ2=9.49， P=0.002；37.2%（35/94）与18.1%（40/221）， χ2=13.31， P<0.001]，而肺部累及相对较少[20.2%（19/94）与33.9%（75/221）， χ2=5.93， P=0.016]，差异具有统计学意义（ P<0.05）。LASSO二元Logistics回归分析提示EULAR干燥综合征疾病活动指数（ESSDAI）评分>9分[ OR值（95% CI）=9.019（3.294，24.689）， P<0.001]、干眼症[ OR值（95% CI）=2.853（1.502，5.422）， P=0.001]、贫血[ OR值（95% CI）=3.819（1.913，7.626）， P<0.001]、补体C3[ OR值（95% CI）=2.453（1.233，4.879）， P=0.011]、低白蛋白[ OR值（95% CI）=6.898（3.007，15.821）， P<0.001]及CRP>8 mg/L[ OR值（95% CI）=2.168（1.136，4.139）， P=0.019]是pSS患者肾损害的显著预测因素。预测组和验证组的AUC（95% CI）分别为0.851（0.806，0.896）及0.832（0.742，0.922），模型图和DCA均表明模型具有良好的特异性和临床效能。 结论:该模型预测因素简单易得，区分度及校准度良好，可作为一种早期筛选pSS肾损害方法。

目的:筛选肾透明细胞癌甲基化驱动基因，并基于肾透明细胞癌甲基化驱动基因构建预后分子标签，探索其在肾透明细胞中的预后作用。方法:下载TCGA数据库中肾透明细胞癌基因的表达数据、DNA甲基化数据及临床信息资料。使用R语言MethylMix包综合分析患者的基因表达数据和DNA甲基化数据，筛选甲基化驱动基因，然后随机抽取70%肾透明细胞癌患者的转录组数据，应用LASSO-Cox回归分析构建预后分子标签，取其余30%的数据验证构建分子标签。结果:根据肾透明细胞癌表达谱数据和甲基化数据，筛选得到188种肾透明细胞癌甲基化驱动基因(Cor<－0.3，均 P<0.05)，其中104种低甲基化驱动基因，84种高甲基化驱动基因；基于ccRCC转录组数据和生存数据，发现188种甲基化驱动基因中有91种与ccRCC预后相关的基因(均 P<0.05)。联合临床预后数据采用LASSO-Cox回归分析从中筛选出8种与肾透明细胞癌预后相关甲基化驱动基因EPB41L4B、GOLGA6L2、HHLA2、HOXA2、LINC00944、SPINT2、ZNF382、ZNF888，并联合8种甲基化驱动基因构建预后分子标签：分子标签得分＝0.130004056×EXPEPB41L4B＋0.110026099×EXPGOLGA6L2-0.116610796×EXPHHLA2＋0.438033838×EXPHOXA2＋0.180898961×EXPLINC00944-0.168803405×EXPSPINT2-0.326061874×EXPZNF3821-0.152001589×EXPZNF888。生存曲线分析结果显示，构建的分子标签值在训练组、测试组、全部数据组与ccRCC患者的生存期均显著相关(均 P<0.05)，分子标签值越高患者预后越差。 结论:通过对TCGA数据库的挖掘，筛选得到188种肾透明细胞癌甲基化驱动基因，从中筛选出由8种基因联合组成的预后分子标签与肾透细胞癌患者的预后有显著性关联，为肾透细胞癌精准治疗提供了新的预后模型。

目的：:通过收集新生血管性年龄相关性黄斑变性（nAMD）病史中易获取的临床特征及血液检测指标，筛选出抗血管内皮生长因子（VEGF）治疗nAMD疗效相关的重要危险因素，以此构建模型评估抗VEGF预期疗效。方法：:回顾性系列病例研究。随机纳入2018年1月至2022年9月就诊于温州医科大学附属眼视光医院行抗VEGF治疗的nAMD患者173例（173眼），单眼患者纳入患眼，双眼同时治疗患者纳入较严重眼。收集可能影响疗效的临床特征以及检验指标中的血常规、肝肾功能、凝血功能，设置随机数按7:3比例随机分为训练集（121例）和验证集（52例）。最小绝对值收敛和选择算子算法-Cox比例风险回归（LASSO-Cox回归）筛选重要特征，Cox比例风险回归建立预测模型，受试者操作特征曲线（ROC）和时间依赖一致性指数（C-index）评估重要特征和模型对不同随访时间结局的区分度，决策曲线分析评估模型净收益，建立列线图用于快速计算有效概率。结果：:利用LASSO-Cox回归筛选到5个重要特征和指标：首次打针后1个月的嗜碱性粒细胞百分比、首次打针后1个月的凝血酶原时间、打针次数、最后1次打针至随访的间隔时间及首次打针后1个月的最佳矫正视力（BCVA）变化量，并利用这些变量建立5-Panel模型。评估这些变量对不同随访时间结局的区分度，其中首次打针后1个月的BCVA变化量和打针次数的C-index较高。训练、验证和重抽样数据集在大部分随访时间结局的C-index大于0.7。ROC分析计算曲线下面积（AUC）评估该模型区分度，该模型在训练集和验证集上对在90、180、360、720 d随访结局的AUC均大于0.8。决策曲线分析表明该模型对90、180、360、720 d的随访结局具有正向净收益。结论：:基于临床危险因素开发并验证了由首次打针后1个月的嗜碱性粒细胞百分比、首次打针后1个月的凝血酶原时间、打针次数、最后1次打针至随访的间隔时间及首次打针后1个月的BCVA变化量组合的5-Panel模型，利用该模型判断抗VEGF疗效性能良好，能为临床精准诊疗提供依据。

目的:通过对癌症基因组图片(TCGA)数据库中转录组数据进行分析，筛选与膀胱尿路上皮癌相关的预后分子标签。方法:提取TCGA数据库中膀胱尿路上皮癌患者的临床数据以及膀胱尿路上皮癌和癌旁组织中的转录组数据，采用LASSO-Cox回归分析筛选膀胱尿路上皮癌预后相关的mRNA，并构建膀胱尿路上皮癌的预后分子标签。结果:首先筛选出膀胱尿路上皮癌和膀胱正常组织中差异表达基因8738个，经过单因素Cox分析得到2824个与膀胱尿路上皮癌预后相关的基因( P<0.05)，选取 P<0.0001的mRNA 225个，进一步采用LASSO-Cox回归分析筛选出11个与膀胱尿路上皮癌预后相关的基因，分别为TPST1、ANXA1、LINC01138、AMIGO2、HOOK1、AC005730.2、KANK4、PEX5L、AL353572.1、CATSPER4、AL645939.1，最后联合这11个基因构建出膀胱尿路上皮癌的预后分子标签。利用分子标签基因构建的模型能将膀胱尿路上皮癌划分为高表达组和低表达组，绘制分子标签生存曲线及受试者工作特征(ROC)曲线，结果显示：分子标签表达水平与膀胱尿路上皮癌患者的预后有显著性关联，分子标签值越高，患者预后越差。 结论:通过对TCGA数据库的分析，发现TPST1、ANXA1、LINC01138、AMIGO2、HOOK1、AC005730.2、KANK4、PEX5L、AL353572.1、CATSPER4、AL645939.1和AL645939.1对膀胱尿路上皮癌的预后有影响，且构建的分子标签表达水平与膀胱尿路上皮癌的预后有显著性关联。

目的:检测凋亡相关长非编码RNA(lncRNA)对肺腺癌(LUAD)预后的预测能力，并探讨其分子机制。方法:从癌症基因组图谱(TCGA)数据库和高通量基因表达数据库(GEO)分别下载535例和125例LUAD患者转录组和临床信息，筛选出与161个凋亡基因高度相关的lncRNA。通过Cox回归和lasso分析获取预后相关lncRNA并构建预测模型，并验证模型的稳定性。通过肿瘤突变负荷(TMB)、药物敏感性、免疫细胞相关性和基因集变异分析探讨该模型可能的生物学途径及潜在的分子机制。结果:研究构建一个由19个凋亡相关的lncRNA组成的LUAD预后预测模型。通过模型风险评分可将LUAD患者分为高低风险组，高评分与患者总生存率呈负相关( P<0.05)。训练集和测试集中1、3、5年的受试者工作特征曲线下面积(AUC)均>0.7。该评分与患者的临床指标如总分期[Ⅰ/Ⅱ/Ⅲ+Ⅳ分别为－0.069(－0.256，0.169)比0.063(－0.156，0.309)比0.099(－0.099，0.463)， H＝16.9， P<0.01]、T分期[T1/T2/T3+T4分别为－0.083(－0.389，0.130)比0.037(－0.165，0.282)比0.180(－0.066，0.392)， H＝20.8， P<0.01]和N分期[N0/N1/N2+N3分别为－0.055(－0.252，0.201)比0.043(－0.143，0.357)比0.119(－0.064，0.457)， H＝13.1， P<0.01]成正相关，可作为LUAD的独立预后因素(风险比＝3.402，95%可信区间：2.338~4.952， P<0.01)。高评分组患者对Gefitinib的药物敏感性高于低评分组[2.168(2.101，2.239)比2.204(2.153，2.251)， Z＝11.60， P<0.01]，同时对Dasatinib[0.989(0.353，2.056)比1.463(0.809，2.402)， Z＝11.60， P<0.01]以及Imatinib[4.925(4.873，4.971)比4.937(4.892，4.972)， Z＝10.60， P<0.05]的药物敏感性也高于低评分组。评分影响肿瘤免疫细胞含量。高风险组TMB高于低风险组[6.105(2.395，12.421)比4.342(1.579，10.237)， Z＝8.41， P<0.05]，且主要富集glycolysis，myc targets v1和mtorc1 signaling等信号通路。 结论:建立基于凋亡相关lncRNA的LUAD预后模型，并验证了该模型的性能。

目的:探讨基于机器学习的 18F－FDG PET影像组学特征对≥60岁弥漫性大B细胞淋巴瘤(DLBCL)患者的预后评估价值。 方法:回顾性分析2011年3月至2019年11月166例未经治疗的DLBCL患者(年龄≥60岁)的 18F－FDG PET/CT资料，其中男88例、女78例，年龄60~93岁；训练组115例，验证组51例。对患者PET图像进行病灶勾画及影像组学特征提取，运用3种机器学习方法[最小绝对收缩和选择算子(LASSO)、随机森林(RF)和极端梯度提升(Xgboost)]筛选特征，采用支持向量机(SVM)对特征进行分类并生成影像组学标签(RS)，对患者总生存(OS)进行预测。根据Cox比例风险回归模型构建多参数模型，并通过一致性指数(C－index)进行评估。 结果:共提取1 421种影像组学特征，筛选出10个预测效能强的特征并生成RS。单因素Cox回归分析示，RS[风险比( HR)＝5.685, 95% CI: 2.955~10.939； P<0.001]是OS的危险因素。构建出包含RS、代谢特征及临床风险因素的多参数模型，其较临床模型、基于PET模型及美国国家综合癌症网络国际预后指数(NCCN－IPI)在预测OS上具有更高的效能(训练组C－index：0.752、0.737、0.739、0.688；验证组C－index：0.845、0.798、0.844、0.775)。 结论:基于机器学习 18F－FDG PET影像组学特征的RS是≥60岁DLBCL患者生存预后的预测因素。构建的包含影像组学特征的多参数模型能较好地预测患者预后。

目的:分析皮肤黑色素瘤(SKCM)免疫微环境相关基因，筛选新的标志物以预测SKCM患者的预后。方法:癌症基因组图谱(TCGA)数据库下载SKCM患者的公共测序数据，使用表达数据估计恶性肿瘤中的间质和免疫细胞(ESTIMATE)算法分析SKCM的免疫评分和基质评分，加权基因共表达网络分析(WGCNA)和差异表达分析筛选出与免疫微环境相关的关键基因，单因素和最小绝对收缩和选择算子(LASSO)回归模型用来构建SKCM的风险预测模型。最后，单因素和多因素Cox回归分析评估风险预测模型的独立预后价值。结果:本研究通过单因素和LASSO回归分析，从173个免疫微环境相关的基因筛选出的5个(HLA-DRB1、XCL2、CCR1、HLA-DQB2和DERL3)基因，成功的构建了一种新的风险预测模型。基于风险预测模型分组的高危组患者总生存期(OS)显著短于低危组患者( P<0.01)。风险评分模型的独立预后分析证明其是独立预后指标[风险比( HR)＝2.823，95%可信区间( CI)：1.778~4.481， P<0.01]。 结论:HLA-DRB1、XCL2、CCR1、HLA-DQB2和DERL3基因构建的风险模型对SKCM具有较好的预后判断价值。