今天给同学们分享一篇生信文章“Targeting AURKA in Cancer: molecular mechanisms and opportunities for Cancer therapy”，这篇文章发表在Front Endocrinol (Lausanne)期刊上，影响因子为5.2。

结果解读：

在训练集中，基于3个与m6A相关的长非编码RNA建立了一个预后标志

在基于276个m6A相关lncRNA的表达水平对EC患者的训练集数据进行单变量Cox回归分析的基础上，建立了一种预后标志。20个m6A相关lncRNA的表达与EC患者的生存期有显著相关性。随后，作者对这20个m6A相关lncRNA进行了LASSO Cox分析，并确定了9个m6A相关lncRNA。其中，三个m6A相关lncRNA被确定为EC患者生存预测的独立因子。每个lncRNA的系数是通过多变量Cox回归分析计算得出的。表2显示了预后标志中每个lncRNA的系数。此外，LINC01612、AC016876.2和AC025166.1的风险比（HR）>1，被认为是风险因素。作者根据中位数RS作为分界值，将训练集中的EC患者分为高风险和低风险亚组。K-M生存曲线表明，与低风险亚组的EC患者相比，高风险亚组的患者具有更差的生存期。进行了ROC曲线分析，并显示RS具有稳定的预测能力（AUC值=0.77；图1F）。此外，图1G中时间依赖的1年、3年和5年ROC曲线的AUC值分别为0.757、0.620和0.774。此外，图1H中绘制了训练集中的生存状态、RS分布和3个m6A相关lncRNA的表达谱。

采用K-M生存分析评估3个长链非编码RNA在患者预后中的作用。结果表明，在训练集中，LINC01612、AC025166.1和AC016876.2的高表达与较差的总生存期有显著相关性（p值<0.05；图2A-C）。

在测试集中验证由3个m6A相关的长链非编码RNA组成的预后风险模型

根据中位数RS作为截断值，将测试集和完整集中的EC患者分为高风险和低风险亚组，以验证该模型的预测能力。K-M生存分析显示，低风险亚组的EC患者在测试集和完整集中的总生存期较高风险亚组更好（图2D、E）。ROC曲线显示，RS在测试集（AUC值=0.684；图2F）和完整集（AUC=0.736；图2G）中具有可靠且稳定的预测能力。此外，图2H中测试集的时间相关1年、3年和5年ROC曲线的AUC值分别为0.685、0.602和0.860。如图2I所示，完整集中预后标志物的时间相关ROC曲线的1年、3年和5年AUC值分别为0.732、0.582和0.762。图2J、K显示了测试集和完整集中3个m6A相关lncRNA的生存状态、RS分布和表达谱。这些图表的结果与训练集获得的结果一致，表明预后风险模型具有稳定可靠的预测能力，这一结果在测试集和完整集上也得到了验证。

评估基于3个m6A相关lncRNA的预后模型在EC患者中的临床价值

作者评估了由3个与m6A相关的长链非编码RNA组成的标志物在根据临床病理特征分层的EC患者中的预测价值，包括年龄、性别、分级、TNM分期和AJCC分期。热图显示了两个亚组中3个m6A相关长链非编码RNA表达水平与临床特征之间的相关性（图3A）。高风险亚组和低风险亚组之间的年龄差异显著（p值<0.01）。如森林图所示，作者发现LINC01612、AC025166.1和AC016876.2是EC患者的风险因素，其风险比值大于1（图3B）。因此，包含在预后模型中的这三个m6A相关长链非编码RNA具有可靠且稳定的预后能力。随后，作者得到了预后标志物RS值和传统临床特征的多变量ROC曲线，如图3C所示。结果表明，由3个m6A相关长链非编码RNA组成的预后标志物在1年、3年和5年的ROC曲线下的AUC值分别为0.757、0.620和0.774。特别是1年和5年的ROC曲线的预后标志的AUC值反映了它们相对于传统临床特征的卓越表现，包括年龄（AUC=0.570）、性别（AUC=0.520）、分级（AUC=0.521）、AJCC分期（AUC=0.569）、T分期（AUC=0.535）、M分期（AUC=0.472）和N分期（AUC=0.646）。此外，对包括m6A相关lncRNA和年龄、性别、TNM分期和AJCC分期在内的临床特征的预后标志进行了单变量和多变量Cox回归分析，以评估所开发的预后标志的临床应用价值。如图3D所示，单变量Cox回归分析表明RS、分期和N分期是与预后相关的变量。如图3E所示，多变量Cox回归分析表明RS和分级是独立的预测因子。这些结果揭示了由3个m6A相关lncRNA组成的预后标志能够独立预测EC患者的生存结果（p < 0.01）。最终，建立了一个包括预后标志和临床病理特征的图表，用于定量预测EC患者的预后（图3F）。该图表的C指数为0.696。图表的校准曲线显示了1年、3年和5年生存率的预测与观察之间的一致性，证实了预后图表的准确性和可靠性（图3G）。

根据患者的临床病理特征进行分层分析

为了验证m6A相关的lncRNA预后风险模型作为OS预后因素在高风险和低风险患者亚组中的预测能力，作者进行了基于临床病理特征的分层生存分析，包括年龄（年龄≤65岁 vs. 年龄>65岁）、性别（男性 vs. 女性）、分级（G1-G2 vs. G3）、分期（I期-II期 vs. III期-IV期）、T分期（T1-T2 vs. T3-T4）、N分期（N0 vs. N1）和M分期（M0 vs. M1）。K-M生存曲线显示，在年龄≤65岁、年龄>65岁、男性、3级分级、I-II期分期、T1-2分期、T3-4分期、N0分期、N1-3分期和M0分期特征的患者中，低风险亚组的OS明显优于高风险亚组（p<0.05；图4A-N）。

高风险和低风险亚组之间的GSEA

为了确定与分子异质性相关的可能信号通路和细胞过程，作者在两个亚组之间进行了GSEA。结果显示，高危亚组的EC表现出参与剪接体、氧化磷酸化、核糖体、蛋白酶体和核苷酸切除修复的途径富集（图 5A）。此外，低风险亚组的EC表现出参与jak-stat信号通路、磷脂酰肌醇信号系统、o-聚糖生物合成、背腹轴形成和细胞凋亡的途径富集（图 5B）。作者还确定了在高风险和低风险亚组的KEGG分析中获得的前10个富集信号通路（图 5C、D）。这些结果为不同风险亚组的EC患者开发个性化治疗提供了新的基础。

CeRNA网络构建，PPI网络分析和功能富集分析

基于WGCNA和m6A相关的lncRNA，构建了一个ceRNA网络，以阐明m6A相关的lncRNA通过miRNA调控EC中mRNA表达的机制。此外，通过STRING数据库构建了一个PPI网络。如图6A、B所示，使用WGCNA识别与EC临床特征相关的模块中的lncRNA，并选择具有最大相关系数的MEturquoise模块。随后，以相同的方式选择MEgreen模块中的mRNA（图6C、D）。

作者基于EC患者的19个miRNA、11个lncRNA和90个mRNA的表达谱构建了一个ceRNA网络（图7A）。然后对这90个目标mRNA进行了PPI分析（图7B）。条形图显示了PPI网络中前30个目标mRNA的连接节点（图7C）。为了确定m6A相关lncRNA在EC中的潜在功能，对这90个目标mRNA进行了GO和KEGG分析。KEGG通路分析显示，这些目标mRNA富集的信号通路包括系统性红斑狼疮、细胞周期、DNA复制、中性粒细胞外细胞陷阱形成和细胞因子-细胞因子受体相互作用（图7D）。针对目标mRNA的GO富集分析表明，前三个生物过程（BP）包括DNA复制、依赖于DNA的DNA复制和DNA构象变化。细胞组分（CC）的前三个GO术语是染色体区域、蛋白质-DNA复合物和DNA包装复合物。分子功能（MF）的前三个GO术语是细胞因子活性、受体配体活性和信号受体激活活性（图7E）。

EC患者免疫浸润与m6A相关lncRNA预后风险模型的关系

高风险亚组和低风险亚组的基质评分、评估评分和免疫评分的比较表明，高危亚组的患者在上述三种评分中的状态较低（图 8A）。如图所示 8B，在血管生成、APC共刺激、B细胞等42个免疫特征中，有29个免疫特征的ssGSEA Z评分在两个亚组之间的分布存在显著差异。越来越多的证据表明，募集B细胞并在肿瘤床中获得抑制活性可能是B细胞发挥抗肿瘤免疫作用的重要途径（32）。最值得注意的是，作者的研究结果表明，低风险亚组中B细胞的高表达可能部分解释了与高风险亚组相比，低风险亚组的预后更好。随后，选择了49个常见的免疫检查点来评估它们与m6A相关lncRNA的预后特征的相关性。

总结

总之，作者构建了一个新的m6A相关lncRNA EC预后风险模型，该模型可以作为独立的预测因子预测EC患者的预后。此外，还建立了PPI网络和ceRNA网络，以确定这些lncRNA的潜在生物学机制。GO和KEGG分析的结果也可以为证实m6A相关lncRNA在EC中的功能提供启示。