文摘
背景。三阴乳腺癌(TNBC)仍是最不可治愈的乳腺癌亚型由于异质性高,积极的本质,以及缺乏治疗方案。人们普遍承认,epithelial-mesenchymal过渡(EMT)是肿瘤转移的关键步骤。方法。TCGA的应用和地理数据库,我们确定了EMT-related lncRNAs Cox的一元回归分析。最佳风险分数计算和用于将TNBC患者分为高/低风险组中值使用套索回归分析。申请kaplan - meier和ROC曲线分析模型验证。然后,我们评估了风险模型从multi-omic方面包括免疫渗透,药物敏感性,可变性光谱,信号通路和临床指标。我们也分析了lncRNAs参与模型的表达式模式中使用中存在TNBC细胞系和建造龙头、网络。结果。风险模型是由EMT-related长非编码rna (lncRNAs),这似乎是在TNBC患者的预后预测价值。该模型可以作为一个独立的预后因子TNBC和显示一个健壮的预后能力的分层分析。进一步调查表明,lncRNAs是不同的表达高攻击性和低积极TNBC细胞系,以及TNBC患者。结论。在一起,我们的研究成功地建立了一个风险模型的准确性和有效性TNBC患者的预后的预测。
1。介绍
三阴乳腺癌(TNBC)被定义为一个高度积极的乳腺癌亚型,缺乏雌激素受体(ER)、孕激素受体(PR)的表达,也没有放大的人类表皮生长因子受体2 (HER2) [1]。TNBC代表近20%的所有亚型和更容易被诊断在40岁以下的年轻女性2,3]。TNBC的病理特点,如高组织学分级和中央坏死,使它更容易患复发和内脏转移比其他亚型(4,5]。由于缺乏分子治疗靶点,TNBC的标准管理仍然是化疗和放疗(6]。不幸的是,肿瘤耐药性迅速,其次是病人复发,或通过迅速,导致预后不良(7]。即使免疫疗法,即。,immune checkpoint inhibition (ICI), which has been effectively used in several types of solid tumors, has shown little efficacy for TNBC patients [8- - - - - -10]。因此,迫切需要探索新的生物标志物和潜在的治疗方法来改善TNBC的结果。
人们普遍认为epithelial-mesenchymal过渡(EMT)是最重要的步骤,导致恶性肿瘤的转移,包括TNBC [11]。EMT是极地上皮细胞转化进入细胞的过程中能够自由流动,提高了肿瘤细胞的侵袭性成末梢循环(12]。最近发现,EMT是密切相关的多种信号通路包括切口,刺猬,PI3K / AKT和Wnt /β连环蛋白途径,揭示其关键位置TNBC发展和巨大潜力在改善临床结果TNBC患者(13]。
另一方面,长非编码rna (lncRNAs)是一类非编码rna (ncRNAs)长度超过200个核苷酸(14]。失调lncRNAs被证实在TNBC发展是至关重要的,包括细胞增殖、凋亡、入侵、转移和监管的耐药性(15]。尽管许多研究都专注于发展小说lncRNA-based疗法,仍有很长的路要运用于临床实践。
在这项研究中,使用multi-omic分析,我们成功地确定了几个EMT-related lncRNAs和建造了一个新的风险评分预后模型具有较强的效率对预后的预测。在这项调查研究里,我们的目标是了解的潜在临床应用EMT-related lncRNAs预后分层和潜在意义作为目标TNBC疗法的生物标志物。我们系统地分析了表达式和预后的EMT-related lncRNAs,进行生物信息学分析,讨论的分子机制,并建立预后标记对TNBC患者。这些研究结果可以为个人提供巨大的希望TNBC患者的治疗和预后的预测。
2。材料和方法
2.1。数据集
我们的研究显示在图的工作流程1(一)。癌症基因组图谱(TCGA,https://portal.gdc.cancer.gov/),一项具有里程碑意义的癌症基因组项目,超过20000主要癌症和分子特征匹配正常样本生成33癌症类型。在这项研究中,lncRNA和mRNA表达谱提取,分别从TNBC数据(从原始基因表达表处理文件),含有159 TNBC和113肿瘤组织,从TCGA数据库下载。另一方面,基因表达综合(地理,https://www.ncbi.nlm.nih.gov/geo/)代表最广泛和全面的公共基因表达数据资源,含有RNA表达的数据,单核苷酸多态性(snp),甲基化,几乎所有疾病的蛋白质绑定和表达式。83年TNBC例完整的表达谱和生存信息从GSE135565系列矩阵中提取文件,和107年TNBC例完整的表达谱和生存信息从GSE103091系列矩阵中提取文件。他们两个都下载的地理数据库和注释基于安捷伦GPL570平台(人类基因组U133 Affymetrix + 2.0数组)。EMT基因集包括22 EMT-related诱导因子,转录因子和信号通路基因得到从发表的文献16,17]。
(一)
(b)
(c)
2.2。预后模型的建设
EMT的基因与肿瘤组和正常组之间的微分表达式筛选(| logFC | > 1和 ),和EMT lncRNAs相关基因(|r| > 0.3和 )通过相关分析筛选。TNBC病例随机分为训练数据集和测试数据集的比例4:1,然后,“glmnet”包是用于训练数据集执行套索回归分析进一步构建预测模型。将每个特定基因的表达值后,每个病人的风险评分公式构造和套索估计回归系数的加权回归分析。EMT-lncRNA风险模型公式如下: ,在哪里βf代表了套索系数fth基因和经验f的表达式值表示fth基因。根据公式,训练数据集患者分为低风险组和高危人群使用风险评分中位数作为分界点。此外,TCGA测试数据集和两个地理外部测试数据集(GSE135565和GSE103091)计算每个病人通过风险评分的得分公式并根据中位数分组。生存两组之间的差异被使用log-rank kaplan meier生存曲线评估测试。套索回归分析和分层分析申请检查的作用风险评分在预测临床结果。“survivalROC”包被用于制造ROC曲线模型预测的准确性进行调查。
2.3。免疫细胞渗透分析
CIBERSORT是一种细胞成分从基因表达谱特征,以及最常引用的估计和分析免疫细胞渗透的工具。CIBERSORT算法被用来分析RNA-seq数据来推断不同TNBC的子组的相对比例22免疫浸润细胞。免疫细胞类型的总和估计在每个样本等于1。斯皮尔曼相关分析是基于基因表达和免疫细胞内容执行,和 被认为是具有统计学意义。
2.4。药物敏感性分析
基于GDSC数据库(https://www.cancerrxgene.org/),一个R包“pRRophetic”是用于每个肿瘤的化学敏感性预测样本。每个特定的IC50化疗药物被回归估计方法,和GDSC训练数据集用于10倍交叉验证测试回归和预测精度。所有参数的默认值被选中,包括“战斗”删除批处理效果和重复基因表达的平均值。
2.5。突变谱
从TNBC SNP-related数据下载,获得的突变基因的SNP VarScan TNBC的数据样本。我们选择的基因突变频率的前30名显示,相比的差异在两组之间的变异基因,突变的景观和R包“ComplexHeatmap”显示的差异基因突变的比例在两组之间。突变基因测序的地图是基于基因的突变频率之和在所有样本。
2.6。基因集富集分析(GSEA)和基因变异分析(GSVA)
基因集富集分析(GSEAhttp://www.broadinstitute.org/gsea全基因组表达微阵列数据)是一种有效的方法,它使用预定义的数据集进行排序根据基因表达两种样品,和测试他们的浓缩在分类表中。在这项研究中,对表达谱GSEA TNBC患者应用识别高风险和低风险组之间的差异表达基因。500年的最大和最小尺寸和15个基因被用来筛选基因集。100年之后排列,得到了丰富的基因集( ,错误发现率(罗斯福)< 0.25)。
基因变异分析(GSVA)是一种非参数和无监督方法用来评估转录组基因集的浓缩。与GSEA不同,样本分组GSVA不是必需的。它改变了基因水平到通路水平综合得分感兴趣的基因集,然后法官样本的生物功能。减少冗余信息的干扰途径,重复的基因和基因出现在两个或两个以上的途径从每个基因集。在这项研究中,我们从分子特征基因集下载数据库(v7.0版本,50标志通路)综合得分每个基因集和评估潜在的生物功能变化在不同样本使用GSVA算法从“GSVA”包。
2.7。风险和独立预后分析
生成的生存曲线是生存率较kaplan meier和分析方法。Cox比例风险模型被用于多变量分析。逻辑回归的结果或Cox回归被诺模图可视化模型通过“rms”包,或成比例的风险,风险发生率和校准曲线生成的模型验证。所有统计分析R语言(版本4.0)。所有统计测试是两国( )。
2.8。细胞培养
四TNBC细胞系(mda - mb - 231, mda - mb - 468 Hs 578 t,和bt - 549)和一个正常乳腺上皮细胞系10 (MCF)从ZQXZBIO购买(上海,中国)和被STR身份验证。所有的细胞系都维护根据供应商的指令。总之,mda - mb - 231, mda - mb - 468和Hs 578 t保持在杜尔贝科修改鹰的介质(DMEM;美国Gibco BRL)包含高葡萄糖,以10%胎牛血清(的边后卫;Gibco、大岛屿,美国纽约)和penicillin-streptomycin。bt - 549细胞株培养在RPMI 1640中(美国Gibco BRL)包含高葡萄糖,10%的边后卫和penicillin-streptomycin。10 MCF细胞系培养在特殊媒介获得ZQXZBIO(中国上海;zq - 1311: DMEM添加5%马血清,1% penicillin-streptomycin,补充)增长2%。所有的细胞都被放置在37°C, 5%的公司2孵化器。
2.9。RNA隔离和存在
总RNA从组织或分离培养细胞与试剂盒试剂(生活技术,美国)。一微克的总RNA用于逆转录反应用随机引物在标准条件下用PrimeScript RT试剂盒gDNA橡皮擦(豆类,大连,中国)。相应的cDNA用于后续存在使用SYBR预混料Taq交货(豆类,大连,中国)制造商的指示。GAPDH用于正常的表达结果。ABI 7900实时PCR系统(美国应用生物系统公司,培育城市,CA)被用来执行数据分析。数据计算是基于循环阈值(CT) (2−ΔΔCT)方法。试验运行为每个样本一式三份。总结了引物序列补充表1。
2.10。龙头、建设网络
使用基于语义的分析,我们建立龙头、网络基于lncRNAs识别。首先,lncRNA-mediated microrna通过NPInter调查数据库(http://bigdata.ibp.ac.cn/npinter)[18]。总共有165 lncRNA-miRNA交互预测,包括6 lncRNAs和142个microrna。接下来,获得microrna是用来预测1758年miRNA-target基因相互作用,是与165年lncRNA-miRNA龙头、网络构建的交互。
2.11。统计分析
生存曲线kaplan meier生成的方法和比较生存率较。Cox比例风险模型被用于多变量分析。所有统计分析进行了R语言(3.6.1版)。所有统计测试是双尾,如果适用的话 被认为是重要的,除非指定。
3所示。结果
3.1。识别EMT-Associated lncRNAs TNBC队列
我们的研究最初的mRNA表达数据下载TNBC TCGA (FRKM原始文件)从数据库和提取22 EMT-related监管机构。首先,我们筛选共有14 EMT的基因表达谱在肿瘤组和正常组之间差异表达分析(| logFC | > 1和 ),包括7调节基因和7表达下调基因(图1 (b))。之后,3234 lncRNAs TNBC的表达数据,以及数据的EMT的基因,通过相关分析筛选与EMT找到lncRNAs高度相关。它显示1033 lncRNAs高度与EMT(补充表相关联2)。最后,显著下调lncRNAs筛选(表达水平0在超过一半的样本,或表达水平低于平均0.3的样品),最终,536 lncRNAs被用作进一步建模和分析候选基因集。其中,20 lncRNAs和14 EMT基因随机选择的相关性热图(图的形式1 (c))。
3.2。获得的预后基因和预后模型的建设
进一步识别关键基因的筛选lncRNAs集,我们收集TNBC患者的临床信息,筛选功能基因TNBC的考克斯一元回归和套索回归特征选择算法(图2(一个),补充图1)。285年证明lncRNAs(共享基因的候选基因集)被考克斯单变量回归分析筛选找到预后基因(补充表3),22个预后基因与意义(P值< 0.05)得到如下:YTHDF3-AS1, UBE2E2-AS1, SOCS2-AS1, TINCR, A2M-AS1, CYB561D2, TUG1, NIFK-AS1, LINC00667, NDUFB2-AS1, CASC15, PINK1-AS, ZSCAN16-AS1, EPB41L4A-AS1, TRIM52-AS1, LINC00839, ASB16-AS1, RGS5, LINC01023, SLC16A1-AS1, MBNL1-AS1,和LINC01315。TCGA的病人被随机分为训练数据集和测试数据集的比例4:1,我们使用套索回归分析得到最好的风险评分值进一步分析(风险评分= NIFK-AS1×(−0.3368) + LINC01315×(−0.3223) + LINC00667×(−0.2887) + ASB16-AS1×(−0.1614) + PINK1-AS×(−0.0799) + RGS5×0.1696 + UBE2E2-AS1×0.2653 + YTHDF3-AS1×0.2685 + ZSCAN16-AS1×0.2717 + SOCS2-AS1×0.3714 + TINCR×0.3981 + NDUFB2-AS1×0.4845)。根据风险评分的中值,患者分为高危组和低风险组(中位数TCGA的训练数据集:−0.2096;中值TCGA的测试数据集:−0.2946)由kaplan meier和分析曲线。高危人群的总生存期(OS)的两组显著低于低风险组(数字2 (b),2 (c))。此外,ROC曲线表明,两组的c指数是0.91和0.79,分别为(数字2 (d),2 (e)),表明模型的验证效率更好。
(一)
(b)
(c)
(d)
(e)
3.3。基于Multi-Omic的临床预测价值模型分析
肿瘤微环境主要是由肿瘤相关成纤维细胞、免疫细胞、细胞外基质,多种生长因子,炎症因子,特定的物理和化学特性,癌细胞。肿瘤微环境的诊断有很大的影响,生存的结果,和敏感性的临床治疗癌症。通过分析风险评分之间的关系和肿瘤免疫渗透,我们进一步研究了潜在的分子机制的风险评分TNBC发展,这表明风险评分呈正相关,巨噬细胞平方米,肥大细胞休息,NK细胞激活,肥大细胞激活,等等,并与CD4记忆t细胞激活负相关,树突细胞休息,休息CD4记忆t细胞、b细胞天真,等等。(图3(一个))。因为手术结合化疗有效的早期乳腺癌,我们的研究是基于药物敏感性GDSC数据库的数据,和每个肿瘤样本的敏感性预测的R包“pRRophetic”进一步探索风险评分之间的关系和共同化疗药物的敏感性。结果表明,风险评分显著影响患者的敏感性bicalutamide,苔藓虫素1,达沙替尼、吉非替尼,拉帕替尼,二甲双胍(图3 (b))。通过调查高/低风险组的突变谱,我们发现,两组之间有显著差异在多个基因的突变比例(图3 (c))。
(一)
(b)
(c)
3.4。预后Model-Related信号机制
随后,我们分析了信号通路参与高/低风险模型来探索潜在的分子机制影响肿瘤恶化的风险评分。GSVA结果显示两组微分通路的主要富集在紫外线反应,脂肪生成、展开的蛋白质反应,P53通路,DNA修复,有丝分裂纺锤体,血管生成,E2F目标,G2M检查点,脂肪酸代谢、缺氧和顶端表面(图4(一))。最后,我们发现有显著通过GSEA充实相关的各种途径。一些非常重要的信号通路(图所示4 (b),4 (c)),这表明这些信号通路的干扰在高/低风险组TNBC的预后的影响。丰富的途径,他们中有一些已在这里澄清TNBC发展中扮演关键的角色。例如,P53通路可以诱导目标基因的转录负责各种细胞机制(主要是DNA修复)和激活不同形式的刺激(如缺氧),这是符合我们的浓缩结果(19]。人们普遍认为P53功能的损失可能会导致缺乏细胞周期检查点,基因组不稳定,细胞不灭,和过度的细胞增殖20.,21]。此外,我们发现TGF -的浓缩β通路,最近被证明epigenetically调节TNBC的进展,尤其是通过lncRNA和microrna的22]。另一方面,我们的结果包含多个代谢途径,包括脂肪酸代谢和氧化磷酸化。根据代谢失调和代谢的转录组分析pathway-based TNBC的子类型化,氧化磷酸化是最调节代谢途径,据报道,MPS1亚型特点是更高层次的脂肪酸代谢MPS2亚型(同时显示的upregulation碳水化合物和核苷酸代谢),这表明代谢异质性,不同的预后和治疗策略之间的亚型(23]。总之,我们的浓缩结果部分反映TNBC的表观遗传和代谢特性恶化。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
3.5。鲁棒性分析,外部数据集
我们下载TNBC患者生存数据处理的数据在地理数据库(GSE135565和GSE103091),预测TNBC的临床分类模型的基础上,评估了生存两组之间的差异通过kaplan meier分析,并预测模型的稳定性进行了调查。结果表明,高风险的操作系统组明显低于低风险组的GEO外部验证集(数字4 (d),4 (e))。来验证模型的准确性,我们使用外部数据集做了ROC曲线分析,表明该模型有很强的预后预测效率(GSE135565-C-index = 0.72, GSE103091-C-index = 0.65)(数据4 (f),4 (g))。
3.6。风险和独立预后分析
因为样品被分成高/低风险组中值的风险评分,回归分析的结果显示列线图。逻辑回归分析的结果和广义线性模型(GLM)分析表明,在我们所有的样品,风险评分值有重大贡献得分的计算图表过程预测模型(数据5(一个)- - - - - -5 (d))。其中,显然TNBC的不同阶段与风险评分值的分布(图5(一个))。我们进一步发现风险评分和几个临床参数的分布(如年龄、阶段和T)得分在不同的阶段有不同的贡献的癌症(图5 (b))。我们也做了一些预测分析(图5年和7年时期5 (c)),它是发现,预测结果更一致。与此同时,通过单变量、双变量分析,发现我们的风险评分是一个独立的预后因子对TNBC患者(数字5 (e),5 (f))。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
3.7。相关分析的风险和多个临床参数
我们分组的所有风险评分值不同的临床参数(肿瘤阶段、T、N,米),这是箱线图的形式(数据所示5 (g)- - - - - -5 (h)),发现这些危险分数重要组中有多个临床指标通过克鲁斯卡尔-沃利斯检验( )(数据5 (g),5(我))。随着风险评分上涨,淋巴结阶段等级和增加。
3.8。lncRNAs TNBC的特异表达和龙头、建设网络
进一步评估lncRNAs参与的表达式模式风险评分模型,我们分析的mRNA水平4 TNBC细胞系和1中的lncRNAs正常乳腺上皮细胞系,这显示了不同的表达lncRNAs(图6(一))。此外,我们计算每个细胞株的风险评分来验证模型的有效性。结果表明风险得分基于我们TNBC细胞株之间的模型非常不同,特别是在高攻击性的细胞(mda - mb - 231, bt - 549 Hs 578 t)和低攻击性的细胞(mda - mb - 468) [24]。每个细胞株的风险评分如下:mda - mb - 231 1.646195791, mda - mb - 468 -3.195350021, bt - 549 10.36881901,和3.672140084 Hs 578 t。我们进一步分析了表达式模式lncRNAs TCGA TNBC患者数据库中利用克鲁斯卡尔-沃利斯检验,显示不同的表达式的lncRNAs TNBC患者的正常和肿瘤组织(图6 (b))。此外,我们建立了电抗器(lncRNA-miRNA-target基因)网络探索TNBC lncRNAs特异表达的潜在机制,在涉及6 lncRNAs: TINCR, SOCS2-AS1, NDUFB2-AS1, LINC00667 PINK1-AS, YTHDF3-AS1(补充图2)。
(一)
(b)
4所示。讨论
TNBC仍是一个尚未被满足的医疗挑战几十年来,因为术后容易复发和转移,没有确定治疗目标(23,25]。人们普遍认为TNBC的转移与异常激活EMT (26]。EMT是一个多步骤、塑料和可逆过程,使肿瘤细胞获得间质表型(27]。EMT的重要特征的差别包括对这些细胞粘附分子(如钙),激活转录因子(如Snail2),和upregulation间充质细胞的标记(如波形蛋白)(28]。然而,EMT过程要求的全部成就一个错综复杂的遗传过程,转录的精确作用和表观遗传调节不同的监管机构在肿瘤发生EMT过程(包括TNBC)仍没有完全理解25,27,29日]。最近的研究集中在恶性演变和EMT lncRNAs的生物学作用。多功能,lncRNAs EMT相关证明是在一个广泛的生理和病理过程(30.]。对EMT lncRNAs主导的促进和抑制作用的复杂性和可塑性肿瘤细胞(31日]。据报道,例如,lncRNA CAR10 EMT启动子。CAR10可能诱发EMT miR-30和mir - 203通过直接绑定,然后调节Snail1的表达和蛞蝓在肺腺癌转移32]。相反,汉et al。33)的抑制作用研究lncRNA CRCMSL在结肠直肠癌。他们指出,CRCMSL可以绑定到蛋白质HMGB2和稳定定位在细胞质中,因此衰减HMGB2 OCT4和抑制EMT之间的互动。在TNBC,多个lncRNAs已经确定调节EMT通路通过各种分子相互作用和肿瘤入侵,如LINC01638 [34],GAS5 [35],UCA1 [36],ARNILA [37],NNT-AS1 [38]。更好的理解lncRNAs调节EMT过程在不同的分子水平如何加速发展的治疗策略和预后指标。
目前,有一些应用程序的风险模型与临床预后功能。使用最广泛的模型已表达分析(Oncotype DX,基因组健康),激素受体阳性乳腺癌提供预后信息(39]。尽管如此,仍然有缺乏TNBC的简单而有效的预后预测模型。研究人员已经开始密切关注与编码和非编码rna的结合建立签名在临床预后。最近,林等。40)建造了一个神经胶质瘤组缺氧签名。缺氧的风险模型可以反映肿瘤微环境的整体免疫反应强度和预测预后。另一个研究建立了m6A-related lncRNA预后签名,可以预测低档次的神经胶质瘤患者的操作系统(41]。此外,香港等。42)发现了一个新签名。与之前的策略,他们注意到的几种基因配对并建立一个合理的模型与two-lncRNA组合预测肝细胞癌的免疫格局。
在这项研究中,我们首先建立了一个新的风险评分预测模型基于EMT-related lncRNAs TNBC。结合TCGA和GEO数据库以及14筛选EMT因素,我们进行了一个微分co-expression分析对536个候选lncRNAs进行分类。12人被证实具有预后价值在这两个数据集,用于建立模型预测TNBC患者的操作系统。根据风险评分的中值,患者被分为高/低风险组操作系统的显著差异。我们的研究结果表明,TNBC的风险评分是一个独立的危险因素。自预测模型初步建立,仔细比较,验证了其准确性和有效性几个方面,包括肿瘤免疫渗透,药物敏感性,可变性光谱,信号通路和临床参数(年龄、舞台、年级、临床分类、淋巴结等)。
lncRNAs参与模型中,他们中的一些人被报道与肿瘤进展相关,如lncRNA TINCR [43- - - - - -45]和TUG1 [46- - - - - -48]。最近的一项研究显示,血清lncRNA TINCR水平在TNBC显著增加,与临床结果(49]。唐et al。50)报道,lncRNA TUG1可以充当mir - 197海绵在TNBC增强顺铂敏感性。此外,LINC01315是新发现的预后标志物TNBC [51]。使用中存在,我们的表达模式分析12 lncRNAs最后参与风险评分模型,表明mRNA水平TNBC细胞株之间是不同的。特别的风险分数高攻击性细胞高于低咄咄逼人的细胞,这也进一步验证了模型的有效性。此外,几个lncRNAs的表达式和函数分析了以往的研究如表所示1。因为大多数TNBC lncRNAs没有全面调查,我们希望EMT-related lncRNAs TNBC发展可能产生新的见解。
另一方面,存在一些缺点和局限性。TCGA为例,从获得的原始数据和地理数据库不完整,缺乏区域特异性,不同地区的最后模型不可靠。更加独立TNBC军团应该收集进行进一步的验证。总之,我们的研究表明,一个有效的预后模型由EMT-related lncRNAs可以作为一个独立的危险因素,为TNBC患者提供新的策略。
缩写
| TNBC: | 三阴性乳腺癌 |
| 呃: | 雌激素受体 |
| 公关: | 孕激素受体 |
| HER2: | 人类表皮生长因子受体2 |
| 这里: | 免疫抑制检查站 |
| EMT: | Epithelial-mesenchymal过渡 |
| lncRNAs: | 长非编码rna |
| ncRNAs: | 非编码rna |
| TCGA: | 癌症基因组图谱 |
| 地理: | 基因表达综合 |
| GSVA: | 组基因变异分析 |
| GSEA: | 基因集富集分析 |
| 操作系统: | 总生存期 |
| 全球语言监测机构: | 一般线性模型 |
| CoxPH: | Cox比例风险。 |
数据可用性
数据分析在当前研究中可用,TCGA (https://portal.gdc.cancer.gov/,TNBC数据集)和地理(https://www.ncbi.nlm.nih.gov/geo/GSE135565 GSE103091数据集)存储库。筛选的数据都包含在附加的文件。
附加分
预印本曾被发表(郭Jiani et al . 2021年)(52]。
信息披露
Jiani郭和Xuesong易co-first作者。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
作者的贡献
MH和WS设计研究。詹和XY进行了分析。ZJ、我和YY收集和分析数据的一部分。詹写的手稿。MH批判性的评论和编辑的手稿。所有作者阅读和批准最终的手稿。
确认
这项工作得到了江苏省六大人才高峰计划在格兰特LGY2017051数量。
补充材料
补充图1:预后lncRNAs筛选从TNBC的数据。(一)考克斯单变量回归分析。(B)套索回归分析。补充图2:龙头、网络。补充表1:引物用于存在。补充表2:1033与EMT lncRNAs高度相关。补充表3:共有285个预后lncRNAs Cox回归分析筛选。(补充材料)