李欣，賀娟，金山，王若瀾，羅奇彪，夏偉

0 引言

肺癌是第二常見(jiàn)的癌癥，也是全球癌癥相關(guān)死亡的主要原因[1]。根據(jù)2020年肺癌發(fā)病率和死亡率的統(tǒng)計(jì)，新發(fā)肺癌患者220萬(wàn)例，新增死亡病例180萬(wàn)例[2]。肺腺癌（lung adenocarcinoma, LUAD）是非小細(xì)胞肺癌（non-small cell lung cancer, NSCLC）中最常見(jiàn)的亞型，大多數(shù)病例在診斷時(shí)已處于晚期并伴有轉(zhuǎn)移[3]。雖然目前在臨床診斷和治療上取得了很大進(jìn)步，但LUAD患者的5年生存率仍不理想[4]。因此，需要識(shí)別新型有效的生物標(biāo)志物或風(fēng)險(xiǎn)分層方法，有助于LUAD患者的臨床管理。

長(zhǎng)鏈非編碼RNA（long non-coding RNAs,lncRNAs）是長(zhǎng)度超過(guò)200 nt，不編碼蛋白質(zhì)的線性RNA分子[5]。LncRNAs通過(guò)在轉(zhuǎn)錄、翻譯和翻譯后水平控制基因表達(dá)來(lái)調(diào)節(jié)不同的生物學(xué)功能[6]。其異常表達(dá)發(fā)生在各種惡性腫瘤的發(fā)生和發(fā)展過(guò)程中，許多l(xiāng)ncRNAs已被證明是癌癥診斷和治療的潛在生物標(biāo)志物和靶標(biāo)[7-8]。目前，越來(lái)越多的證據(jù)表明lncRNAs在癌癥中調(diào)控失巢凋亡和錨定非依賴性細(xì)胞生長(zhǎng)發(fā)揮關(guān)鍵作用[9]。失巢凋亡（anoikis）是一種特殊類型的細(xì)胞死亡形式，對(duì)腫瘤細(xì)胞脫離細(xì)胞外基質(zhì)（extracellular matrix, ECM）后的存活至關(guān)重要[10]。然而，關(guān)于失巢凋亡相關(guān)的lncRNAs（arlncRNAs）在LUAD中的預(yù)后以及腫瘤免疫微環(huán)境（tumor immune microenvironment, TIME）的研究還不清楚。

本研究基于生物信息學(xué)方法，通過(guò)arlncRNAs建立一個(gè)預(yù)后風(fēng)險(xiǎn)評(píng)分模型，進(jìn)一步探討該風(fēng)險(xiǎn)評(píng)分分型下患者腫瘤微環(huán)境的差異以及對(duì)化療藥物的敏感度分析，為L(zhǎng)UAD患者的個(gè)性化治療提供幫助。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源

從TCGA數(shù)據(jù)庫(kù)（https://portal.gdc.cancer.gov/）下載LUAD的轉(zhuǎn)錄組表達(dá)數(shù)據(jù)及相關(guān)臨床信息，利用R語(yǔ)言對(duì)轉(zhuǎn)錄組數(shù)據(jù)進(jìn)行整理后得到513例LUAD樣本和58例正常組織樣本測(cè)序數(shù)據(jù)。從GeneCards（https://www.genecards.org/）和Harmonizome（https://maayanlab.cloud/Harmonizome/）數(shù)據(jù)庫(kù)獲取了失巢凋亡相關(guān)的基因（ANRGs），其GeneCards數(shù)據(jù)庫(kù)只納入相關(guān)評(píng)分＞1.0的基因，最后篩選得到360個(gè)。

1.2 失巢凋亡相關(guān)lncRNAs差異分析和加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析

從TCGA-LUAD的RNA表達(dá)譜中分離出mRNAs和lncRNAs的表達(dá)譜，在mRNAs表達(dá)譜中提取ANRGs的表達(dá)矩陣。對(duì)失巢凋亡相關(guān)mRNAs和lncRNAs進(jìn)行共表達(dá)分析，采用Pearson相關(guān)性分析，以相關(guān)系數(shù)|R|＞0.4和P＜0.001為過(guò)濾標(biāo)準(zhǔn)，獲得arlncRNAs。使用“DESeq2”包對(duì)arlncRNAs進(jìn)行差異分析，以|log2FC|＞1.0，Padj＜0.05為篩選標(biāo)準(zhǔn)。然后，通過(guò)加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析（WGCNA）找到與肺腺癌發(fā)生密切相關(guān)的關(guān)鍵arlncRNAs。對(duì)上述兩種分析方法的結(jié)果取交集后，篩選出LUAD發(fā)病機(jī)制中關(guān)鍵的arlncRNAs。

1.3 預(yù)后風(fēng)險(xiǎn)模型的建立與驗(yàn)證

首先，排除生存信息不完整且生存時(shí)間小于30天的樣本，共獲得490例。將TCGA-LUAD數(shù)據(jù)集中490例樣本按7:3的比例隨機(jī)分為訓(xùn)練集和測(cè)試集。對(duì)訓(xùn)練集進(jìn)行單因素Cox分析和Lasso回歸分析，最后通過(guò)多因素Cox分析確定建立風(fēng)險(xiǎn)模型的關(guān)鍵基因。通過(guò)以下公式計(jì)算各樣本的風(fēng)險(xiǎn)評(píng)分：

按風(fēng)險(xiǎn)評(píng)分的中位數(shù)將樣本分為低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組，通過(guò)Kaplan-Meier（K-M）生存分析和受試者工作特征曲線（ROC）來(lái)驗(yàn)證風(fēng)險(xiǎn)模型的預(yù)后預(yù)測(cè)能力。

1.4 列線圖的構(gòu)建和驗(yàn)證

為方便臨床預(yù)測(cè)LUAD患者的預(yù)后，使用“rms”R包構(gòu)建風(fēng)險(xiǎn)模型與其他臨床因素1年、3年、5年的生存率列線圖，根據(jù)校準(zhǔn)曲線和一致性指數(shù)（C指數(shù)）評(píng)估列線圖的預(yù)測(cè)能力，決策曲線分析法（DCA）評(píng)估列線圖的臨床凈效益。

1.5 基因集富集分析

基于基因集富集分析（GSEA）方法對(duì)高低風(fēng)險(xiǎn)組之間差異表達(dá)的基因組進(jìn)行富集分析，以探索兩組之間的功能差異。從MSigDB數(shù)據(jù)庫(kù)中下載c2.cp.kegg.v7.5.1.symbols.gmt作為參考基因集，富集的結(jié)果以P＜0.05進(jìn)行篩選。

1.6 腫瘤免疫微環(huán)境和免疫檢查點(diǎn)的分析

為了進(jìn)一步分析高低風(fēng)險(xiǎn)組間的免疫浸潤(rùn)情況，采用了幾種公認(rèn)的方法來(lái)探討風(fēng)險(xiǎn)評(píng)分與免疫微環(huán)境之間的相關(guān)性，包括QUANTISEQ、MCPOUNTER、EPIC、CIBERSORT-ABS、CIBERSORT。運(yùn)用ESTIMATE算法，評(píng)估兩個(gè)風(fēng)險(xiǎn)組的TIME差異。通過(guò)單樣本基因集富集分析（single sample geneset enrichment analysis,ssGSEA）來(lái)比較高、低風(fēng)險(xiǎn)組之間的免疫細(xì)胞浸潤(rùn)和免疫相關(guān)功能或通路的差異。最后，從以往的研究中獲得46個(gè)與免疫檢查點(diǎn)相關(guān)的基因[11]，通過(guò)“ggpubr”R包比較兩個(gè)風(fēng)險(xiǎn)組之間的免疫檢查點(diǎn)表達(dá)情況。

1.7 藥物敏感性分析

通過(guò)癌癥藥物敏感性基因組學(xué)數(shù)據(jù)庫(kù)（genomics of drug sensitivity in cancer, GDSC）分析198種抗腫瘤藥物的細(xì)胞系敏感性半數(shù)抑制濃度（IC50）數(shù)據(jù)。使用“oncoPredict”R包估計(jì)高、低風(fēng)險(xiǎn)組中每位LUAD患者對(duì)抗腫瘤藥物的臨床反應(yīng)。

1.8 聚類分析

基于7個(gè)預(yù)后模型基因的表達(dá)水平，通過(guò)“ConsensusClusterPlus”R包對(duì)490例LUAD樣本進(jìn)行共識(shí)聚類[12]。采用“Rtsne”、“umap”R包進(jìn)行t分布隨機(jī)鄰域嵌入（t-SNE）和統(tǒng)一流形逼近與投影（UMAP）驗(yàn)證聚類的可靠性。對(duì)不同亞型進(jìn)行（Kaplan-Meier）生存分析，結(jié)合風(fēng)險(xiǎn)評(píng)分，觀察每個(gè)亞型的風(fēng)險(xiǎn)分布情況。

1.9 統(tǒng)計(jì)學(xué)方法

研究中繪圖和統(tǒng)計(jì)分析均使用R軟件（4.1.3）和相關(guān)的R軟件包進(jìn)行。采用ROC曲線和K-M生存分析預(yù)測(cè)模型的準(zhǔn)確性，單因素和多因素Cox回歸分析驗(yàn)證模型是否具有獨(dú)立預(yù)后價(jià)值，使用Wilcoxon秩和檢驗(yàn)分析高、低風(fēng)險(xiǎn)組間的差異，Spearman相關(guān)性分析風(fēng)險(xiǎn)評(píng)分與免疫浸潤(rùn)細(xì)胞之間的相關(guān)性。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 LUAD中失巢凋亡相關(guān)lncRNAs的鑒定

從TCGA-LUAD轉(zhuǎn)錄組數(shù)據(jù)中識(shí)別出8 236個(gè)lncRNAs和17 344個(gè)mRNAs，360個(gè)ANRGs在mRNAs表達(dá)矩陣中映射到340個(gè)，通過(guò)Pearson相關(guān)性分析獲得2 339個(gè)arlncRNAs。對(duì)其結(jié)果進(jìn)行差異分析和WGCNA分析，分別獲得了966個(gè)差異表達(dá)的arlncRNAs（DE-arlncRNAs）和9個(gè)共表達(dá)模塊，選取其中與腫瘤樣本表型相關(guān)性最強(qiáng)的兩個(gè)模塊（具體分析過(guò)程請(qǐng)掃描本文OSID碼）。合并這兩個(gè)模塊的基因并與差異基因取交集，得到448個(gè)在LUAD中差異表達(dá)的關(guān)鍵arlncRNAs，見(jiàn)圖1。

圖1 差異表達(dá)的arlncRNAs與關(guān)鍵模塊arlncRNAs的維恩圖Figure 1 Venn diagram of differentially expressed arlncRNAs versus key module arlncRNAs

2.2 構(gòu)建預(yù)后模型

在訓(xùn)練集中通過(guò)單因素Cox分析發(fā)現(xiàn)448個(gè)arlncRNAs有93個(gè)與生存相關(guān)（P＜0.05），根據(jù)P＜0.01的標(biāo)準(zhǔn)，篩選到30個(gè)arlncRNAs。為更好地預(yù)測(cè)LUAD患者的預(yù)后，對(duì)30個(gè)arlncRNAs進(jìn)行Lasso回歸分析確定了17個(gè)arlncRNAs，最后根據(jù)多因素Cox分析，篩選出7個(gè)arlncRNAs構(gòu)建了預(yù)后模型。圖2A展示了預(yù)后模型中7個(gè)arlncRNAs的風(fēng)險(xiǎn)比，與ANRGs構(gòu)建了共表達(dá)網(wǎng)絡(luò)圖，見(jiàn)圖2B。每個(gè)患者的風(fēng)險(xiǎn)評(píng)分計(jì)算如下：

圖2 基于預(yù)后相關(guān)的arlncRNAs構(gòu)建風(fēng)險(xiǎn)模型Figure 2 Constructing a risk model based on prognosticrelated arlncRNAs

riskScore=`FAM83A-AS1`×(0.1603)+AL365181.2×(0.1277)+AL353152.1×(-0.4287)+AL354861.3×(-1.7937)+LINC02147×(-1.3384)+LINC02721×(2.1825)+LINC01600×(0.8042)。

2.3 預(yù)后模型的驗(yàn)證

通過(guò)組內(nèi)驗(yàn)證來(lái)評(píng)估風(fēng)險(xiǎn)評(píng)分模型的可靠性，在訓(xùn)練集和測(cè)試集以及TCGA全集中，根據(jù)訓(xùn)練集風(fēng)險(xiǎn)評(píng)分的中位數(shù)將患者分為低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組。對(duì)患者的風(fēng)險(xiǎn)評(píng)分分布、生存狀態(tài)和生存時(shí)間進(jìn)行評(píng)估。結(jié)果顯示，低風(fēng)險(xiǎn)組的總生存期（OS）遠(yuǎn)高于高風(fēng)險(xiǎn)組，見(jiàn)圖3。亞組生存分析，進(jìn)一步確定預(yù)后模型是否可以根據(jù)不同的臨床特征預(yù)測(cè)患者的OS，按照年齡（≤65或＞65）、性別（男性或女性）、臨床分期（StageⅠ～Ⅱ或StageⅢ～Ⅳ）、T分期（T1～2或T3～4）、M分期（M0或M1）、N分期（N0或N1～3）進(jìn)行亞組劃分，觀察到年齡、性別、M0分期、N分期、T分期、臨床分期的臨床特征，低風(fēng)險(xiǎn)組患者的OS高于高風(fēng)險(xiǎn)組患者（P＜0.05），M1分期結(jié)果無(wú)統(tǒng)計(jì)學(xué)意義，見(jiàn)圖4。綜合上述結(jié)果說(shuō)明除臨床特征M1分期外，預(yù)后模型對(duì)不同臨床特征分層的患者具有較好的預(yù)后預(yù)測(cè)能力。單因素和多因素Cox回歸分析，結(jié)果表明該模型可作為一個(gè)獨(dú)立的預(yù)后因素，見(jiàn)圖5A～B。TCGA全集1年、3年和5年的ROC曲線下面積（AUC）分別為0.734、0.747和0.713，訓(xùn)練集和測(cè)試集的1年、3年、5年AUC也均大于0.7，見(jiàn)圖5C～E。與其他臨床特征比較，該模型具有較高的敏感度和特異性，見(jiàn)圖5F。

圖3 訓(xùn)練集和兩個(gè)驗(yàn)證集的風(fēng)險(xiǎn)評(píng)分分布、生存狀態(tài)和生存時(shí)間的評(píng)估Figure 3 Evaluation of risk score distribution, survival status, and survival time for training set and two validation sets

圖4 整個(gè)TCGA數(shù)據(jù)集中高、低風(fēng)險(xiǎn)患者不同臨床病理特征的生存分析Figure 4 Survival analysis of high- and low- risk patients in the entire TCGA dataset according to different clinicopathological characteristics

圖5 風(fēng)險(xiǎn)模型性能的評(píng)估Figure 5 Evaluation of the risk model performance

2.4 列線圖的構(gòu)建

將圖5B中顯著的因素（stage、riskScore）用于構(gòu)建列線圖，見(jiàn)圖6A。校準(zhǔn)曲線顯示了列線圖在實(shí)際結(jié)果和預(yù)測(cè)結(jié)果之間表現(xiàn)出良好的一致性，見(jiàn)圖6B，列線圖的C指數(shù)為0.7017，表明列線圖具有良好的預(yù)測(cè)價(jià)值。DCA結(jié)果顯示，1、3、5年列線圖相較于臨床分期，列線圖臨床獲益更大，見(jiàn)圖6C。以上表明列線圖的預(yù)測(cè)預(yù)后性能較好，有助于臨床決策。

圖6 列線圖的構(gòu)建和驗(yàn)證Figure 6 Construction and validation of nomogram

2.5 基于模型的高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)組的GSEA

為了研究不同風(fēng)險(xiǎn)組中可能參與的信號(hào)通路，GSEA結(jié)果見(jiàn)圖7，發(fā)現(xiàn)高風(fēng)險(xiǎn)組中富集的通路主要與細(xì)胞周期、DNA復(fù)制、同源重組、剪接體、p53信號(hào)通路相關(guān)，低風(fēng)險(xiǎn)組與代謝相關(guān)通路、免疫相關(guān)通路相關(guān)聯(lián)，包括花生四烯酸代謝、藥物代謝-細(xì)胞色素P450、脂肪酸代謝、Fc epsilon RI信號(hào)通路。

圖7 高、低風(fēng)險(xiǎn)組之間的基因集富集分析Figure 7 Gene set enrichment analysis between high- and low-risk groups

2.6 不同風(fēng)險(xiǎn)組的免疫浸潤(rùn)分析及臨床治療探究

研究了風(fēng)險(xiǎn)評(píng)分與腫瘤浸潤(rùn)性免疫細(xì)胞的相關(guān)性，見(jiàn)圖8A，不同平臺(tái)上結(jié)果顯示大多數(shù)免疫細(xì)胞與風(fēng)險(xiǎn)評(píng)分呈負(fù)相關(guān)。根據(jù)TIME評(píng)分，高風(fēng)險(xiǎn)組的免疫評(píng)分、基質(zhì)評(píng)分、ESTIMATE評(píng)分更低，見(jiàn)圖8B。ssGSEA分析顯示，9個(gè)免疫細(xì)胞亞群的比例在低風(fēng)險(xiǎn)中都顯著上升，免疫功能包括人類白細(xì)胞抗原（HLA）、Ⅰ型和Ⅱ型干擾素（IFN）反應(yīng)在低風(fēng)險(xiǎn)組中得分更高，其他免疫功能沒(méi)有顯著性（P＞0.05），見(jiàn)圖8C～D。關(guān)于免疫檢查點(diǎn)的表達(dá)差異分析，有27個(gè)在高低風(fēng)險(xiǎn)組間存在顯著差異（P＜0.05），見(jiàn)圖8E，大部分在低風(fēng)險(xiǎn)組中表達(dá)上調(diào)。上述結(jié)果表明，低風(fēng)險(xiǎn)組的免疫浸潤(rùn)程度較高，這些患者的治療可以選擇更合適的免疫抑制劑。根據(jù)“oncoPredict”R包對(duì)兩組的藥物敏感性分析發(fā)現(xiàn)，高風(fēng)險(xiǎn)組對(duì)常用治療LUAD藥物如順鉑、多西他賽、紫杉醇和長(zhǎng)春瑞濱更敏感（P＜0.05），見(jiàn)圖8F。因此風(fēng)險(xiǎn)評(píng)分可作為化療敏感度的潛在預(yù)測(cè)指標(biāo)，對(duì)LUAD患者的治療有一定指導(dǎo)意義。

圖8 高、低風(fēng)險(xiǎn)組患者的免疫浸潤(rùn)和藥物敏感性分析Figure 8 Immune infiltration and drug sensitivity analysis of patients in high- and low-risk groups

2.7 基于7個(gè)模型基因的LUAD亞型分類

根據(jù)7個(gè)arlncRNAs的表達(dá)相似性，對(duì)LUAD患者進(jìn)行亞型分類。當(dāng)k=2時(shí)，確定了最優(yōu)的聚類穩(wěn)定性，將肺腺癌患者分為兩個(gè)亞型C1（n=338）和C2（n=152）。使用t-SNE和UMAP驗(yàn)證了聚類的可靠性。分析兩個(gè)亞型的預(yù)后以及在高低風(fēng)險(xiǎn)組的分布情況，發(fā)現(xiàn)與C2相比，C1預(yù)后好，且C1大部分分布在低風(fēng)險(xiǎn)組，幾乎所有的C2分布在高風(fēng)險(xiǎn)組（分析過(guò)程圖請(qǐng)掃描OSID碼）。綜上所述，這7個(gè)arlncRNAs在LUAD患者中表現(xiàn)出不同的表達(dá)模式，并可能影響患者的預(yù)后。

3 討論

LUAD的發(fā)生和發(fā)展是一個(gè)涉及多種基因調(diào)控的復(fù)雜過(guò)程，通常在晚期被診斷為播散性轉(zhuǎn)移性腫瘤[13-14]。失巢凋亡的抵抗認(rèn)為是癌細(xì)胞轉(zhuǎn)移的關(guān)鍵過(guò)程，使其成為有吸引力的癌癥治療靶點(diǎn)[15]。研究已經(jīng)確定了幾種因子，例如細(xì)胞黏附分子、生長(zhǎng)蛋白、氧化應(yīng)激、干細(xì)胞、自噬、非編碼RNA和信號(hào)通路，用于調(diào)節(jié)失巢凋亡抵抗[16]。因此基于7個(gè)arlncRNAs構(gòu)建了預(yù)后模型，旨在幫助預(yù)測(cè)LUAD患者的預(yù)后，并為L(zhǎng)UAD患者開(kāi)發(fā)新的治療策略。

7個(gè)模型基因與OS顯著相關(guān)，F(xiàn)AM83AAS1、AL365181.2、LINC02721、LINC01600是潛在的危險(xiǎn)因素，AL353152.1、AL354861.3、LINC02147是潛在的保護(hù)因素。多項(xiàng)研究表明FAM83A-AS1在LUAD發(fā)展中發(fā)揮著重要作用[17-19]，在LUAD中表達(dá)上調(diào)，促進(jìn)LUAD的腫瘤發(fā)生，與較差的預(yù)后相關(guān)。LINC02147被確定是口腔粘膜下纖維化（oral submucous fibrosis, OSF）向口腔鱗狀細(xì)胞癌（oral squamous cell carcinomas, OSCC）惡性進(jìn)展相關(guān)的關(guān)鍵lncRNAs，低表達(dá)促進(jìn)OSF惡性進(jìn)展，并預(yù)測(cè)不良OSCC預(yù)后[20]。研究報(bào)道了LINC01600在胃腸道癌癥中起致癌作用，高表達(dá)的患者生存期更短[21]。上述研究結(jié)果與本研究結(jié)果一致，F(xiàn)AM83A-AS1和LINC01600高表達(dá)是不利因素，LINC02147高表達(dá)是有利因素。在已發(fā)表的免疫相關(guān)的lncRNAs風(fēng)險(xiǎn)模型中，AL365181.2被選為標(biāo)記基因，表明癌癥中失巢凋亡和免疫調(diào)節(jié)之間可能存在聯(lián)系[22]。而AL353152.1、AL354861.3、LINC02721的具體研究未見(jiàn)報(bào)道，其作用有待進(jìn)一步闡明。因此，這些lncRNAs可能為腫瘤治療提供新的預(yù)后生物標(biāo)志物和治療靶點(diǎn)。

GSEA的結(jié)果顯示，高風(fēng)險(xiǎn)組中，細(xì)胞周期和DNA復(fù)制、p53信號(hào)通路等相關(guān)生物學(xué)途徑被激活。低風(fēng)險(xiǎn)組中代謝途徑和免疫相關(guān)途徑被激活。由細(xì)胞周期失調(diào)和細(xì)胞周期蛋白依賴性激酶（cyclin-dependent kinases, CDK）激活導(dǎo)致的持續(xù)細(xì)胞增殖是腫瘤發(fā)生發(fā)展的重要標(biāo)志[23]?；谶@種風(fēng)險(xiǎn)模型，說(shuō)明高風(fēng)險(xiǎn)人群癌癥的進(jìn)展更容易加速。探索風(fēng)險(xiǎn)評(píng)分與免疫微環(huán)境的關(guān)系表明低風(fēng)險(xiǎn)組中免疫細(xì)胞浸潤(rùn)水平較高。免疫功能方面，低風(fēng)險(xiǎn)組中HLA、Ⅰ型和Ⅱ型IFN反應(yīng)顯著增強(qiáng)。HLA與調(diào)節(jié)、監(jiān)測(cè)和免疫反應(yīng)密切相關(guān)，并在自身免疫性疾病、腫瘤免疫和生殖免疫中發(fā)揮重要作用[24]。Ⅰ型IFN和Ⅱ型IFN長(zhǎng)期以來(lái)被認(rèn)為是關(guān)鍵的抗病毒和抗微生物分子[25]。Ⅰ型IFN除了直接的抗病毒作用，還調(diào)節(jié)適應(yīng)性免疫反應(yīng)，能通過(guò)阻斷細(xì)胞周期進(jìn)程和誘導(dǎo)細(xì)胞凋亡直接作用于腫瘤或通過(guò)引發(fā)免疫細(xì)胞來(lái)促進(jìn)腫瘤清除和防止轉(zhuǎn)移[26-28]。Ⅱ型IFN主要由免疫細(xì)胞（活化的T細(xì)胞、自然殺傷細(xì)胞和巨噬細(xì)胞）產(chǎn)生，在抗腫瘤增殖和細(xì)胞免疫中發(fā)揮重要作用[29]。然而，研究報(bào)道乳腺癌、黑色素瘤和胃腸癌患者的淋巴細(xì)胞IFN信號(hào)缺陷，可能代表了一種常見(jiàn)的免疫功能障礙的癌癥相關(guān)機(jī)制[30]。因此推測(cè)高風(fēng)險(xiǎn)組患者Ⅰ型IFN應(yīng)答和Ⅱ型IFN應(yīng)答的低表達(dá)可能是由于腫瘤的免疫缺陷。

免疫檢查點(diǎn)的分析表明不同風(fēng)險(xiǎn)組可能對(duì)免疫治療的反應(yīng)有所不同，同時(shí)為L(zhǎng)UAD免疫治療提供了新的想法和選擇。藥物敏感性分析發(fā)現(xiàn)，高風(fēng)險(xiǎn)組患者對(duì)常用化療藥物順鉑、多西他賽、紫杉醇、長(zhǎng)春瑞濱更敏感。上述GSEA發(fā)現(xiàn)細(xì)胞周期和DNA修復(fù)等相關(guān)途徑在高風(fēng)險(xiǎn)組中顯著富集。因此，這些藥物可能通過(guò)不同的機(jī)制來(lái)干擾細(xì)胞周期。

此外，共識(shí)聚類分析表明了這7個(gè)基因不僅可作為預(yù)測(cè)LUAD患者總體生存的候選分子標(biāo)志物，還可用于患者聚類，并為具有不同分子性質(zhì)的患者確定最佳候選藥物。然而，本研究也存在一些局限性和缺點(diǎn)。首先，需要包括來(lái)自不同隊(duì)列的數(shù)據(jù)用于外部驗(yàn)證，其次研究基于公共數(shù)據(jù)庫(kù)的回顧性分析，某些lncRNAs在LUAD中的機(jī)制尚不清楚。因此，在接下來(lái)的工作中，我們將收集和擴(kuò)充臨床樣本來(lái)驗(yàn)證該模型的準(zhǔn)確性和穩(wěn)健性，通過(guò)更多的前瞻性研究來(lái)探索特征基因的臨床價(jià)值。

利益沖突聲明：

所有作者均聲明不存在利益沖突。