使用生物信息学方法建立模型对肝癌免疫治疗效果进行预测.docx

?

?

使用生物信息学方法建立模型对肝癌免疫治疗效果进行预测

?

?

谭沪生任敏

摘要：目的：探讨治疗使用生信方法对肝癌免疫治疗进行指导。方法：在tcga数据库下载数据，使用R语言进行分析。结果：使用模型构建的低风险评分患者对抗PD-L1与抗CTLA4治疗敏感性较高。结论：模型可以对抗PD-L1以及抗CLT4治疗在肝癌患者中的应用效果起到预测作用。

关键词：生物信息学;肝癌;免疫治疗;预后分析

R735.7????????????A????????????2107-2306（2021）15--01

肝癌是人类常见的恶性肿瘤之一。没有疗效确切的辅助治疗手段。抗PD-1单克隆抗体，在多项癌症治疗中，都扮演了化腐朽为神奇的角色。但因为高额的负担，使肝癌患者在未有正面的预期情况下，难以下决心使用。本文使用TCGA数据库下载的数据建立模型，预测肝脏恶性肿瘤患者对于抗PD-1单克隆抗体的敏感性，探索抗PD-1单克隆抗体在于肝癌的应用。

1方法

1.1数据下载与分析

在tcga数据库下载数据。计算肿瘤组和正常组的基因表达量标准差，进行差异分析，得到在肿瘤样品和正常组织样品中表达有区别的差异基因（p0.05），对数据进行校正后保存。通过immport数据库，找到免疫相关基因，对免疫基因与得到的差异基因进行取交集，得到差异的免疫基因。

1.2预后模型建立

对差异免疫基因的表达数据和临床数据中的生存时间数据进行合并，排除随访时间小于30天的样本。对差异的免疫基因进行生存分析，找到与预后相关的免疫基因。用这些与预后相关的免疫基因，构建预后模型。将所有的样本数据分组，得到train和test组（2：1），对分组的各项临床性状使用卡方检验。用train组的数据来构建模型，用test组的数据来验证模型的准确性。预测模型风险得分=每个样品中，所有与预后相关的免疫基因的表达量*风险系数后求总和。取train组风险打分的中位值，大于中位值为高风险组，小于中位值为低风险组。同样的在test组中，风险得分大于train组中位值为高风先祖，小于中位值为低风险组。

1.3风险系数（coef）的确定

对train进行单因素cox分析，如果P值小于0.05，则说明该基因是预后相关基因，保留，反之则剔除。对留下的单因素显著基因及其表达量进行lasso回归，构建lasso模型，剔除相关性过高的基因，防止模型的过度拟合，并找到交叉验证误差最小的点，得到各基因的风险系数。

1.4生存分析与ROC分析

对高低风险组进行生存分析，查看是否有高低风险的患者生存曲线是否有差异。查看ROC曲线下面积，推测模型准确率。

1.5独立预后分析

将风险得分与其他临床特征分别与生存时间和生存状态做关联，若P0.05，则认为为独立预后相关。再做多因素独立预后分析，若P0.05，则認为独立于其他临床因素，与患者的预后相关。

1.6免疫治疗分析

对于高低风险组的病人，哪一组更适合免疫治疗。在tcia数据库下载肝癌患者的免疫打分文件，与研究的全部患者取交集，按照高低风险分组，分别求得高低风险组的免疫打分，做差异分析，得到高低风险的免疫打分对比。

2结果

2.1样本与免疫基因数量

TCGA下载数据总共465份样本。其中正常样品数量：58;肿瘤样品数量：407。可以得到相对正常细胞在肿瘤细胞中高表达和低表达的差异基因。将肿瘤样品和正常样品中区别表达的这些差异基因与immport数据库下载的免疫基因取交集后，总共得到343个差异的免疫基因。

2.2模型构建

2.2.1模型构建

lasso回归数据见图，剔除过度拟合基因后，可以得到预测模型，用我们的模型对test组和总样本进行的生存分析结果为：1.train组的生存分析，可见高低风险组之间存在差异（p0.05）;2.用模型对test组进行验证，可见高低风险组之间的生存分析存在差异（p0.05）;3.train组的AUC面积为0.782;4.test组的AUC面积为0.782;高低风险组之间的生存数据存在明显差异，验证了我们的模型预测价值。Roc曲线下面积train组、test组、总样本均大于0.5，检测方法真实性良好。

Fig2：a.lasso回归模型;b.对lasso模型进行交叉验证，找到误差最小点，所对应的基因即为lasso回归显著基因，从而得到预测模型。

2.2.2患者预后相关基因的单因素COX分析与多因素cox分析结果

患者单因素与多因素cox结果得到，我们的风险打分能够独立的预测患者的预后（P小于0.01）。

2.3免疫治疗相关基因分析结果

高低风险组之间CD274（PDL1基因）表达量差异P小于0.05，存在统计学差异。与tcia下载的免疫打分文件合并后，得到高低风险组之间的免疫打分，进行统计学比较，结果如图，可以得到结果：我们的预测模型预