为什么他就发3+分我就被拒？因为他标题上有机器学习吗？

今天和大家分享的是2020年1月发表在Journal of cancer（IF=3.565）上的一篇文章：“Identification of a Sixteen-gene Prognostic Biomarker for Lung Adenocarcinoma Using a Machine Learning Method”，作者利用随机生存森林（RSF）方法构建了一个16个基因组成的肺腺癌预后标志物，并具有良好的预测水平，为肺腺癌患者的预后预测和靶向治疗提供了一定指导作用。

Identification of a Sixteen-gene Prognostic Biomarker for Lung Adenocarcinoma Using a Machine Learning Method

用机器学习方法构建一个十六基因组成的肺癌预后标志物

一、研究背景

肺癌是全世界癌症死亡的主要原因，每年约有100万人死于这种疾病。而TCGA-肺腺癌(LUAD)是最常见的组织学亚型，肺癌的发病率和死亡率都在增加LUAD患者的平均5年生存率仅为15%，虽然在治疗方面取得了进展，因此寻找LUAD的预后指标并提供靶向治疗显得尤为重要。

二、分析流程

三、结果解读

1、LUAD生存相关基因的鉴定

图1.A：给出本文鉴定种子基因和关键基因、以及构建模型后的验证流程图

图1.生存相关基因鉴定流程和结果

图1.B-C：对利用单因素cox回归分析和RSF模型筛选到的与LUAD生存有关的基因进行KEGG分析，结果表明单因素cox得到的5376-个基因与代谢和局灶性粘附过程有关；而RSF得到的1113个基因在代谢途径上富集。
接着，作者首先对TCGA队列Ⅰ的临床特征数据进行单因素和多因素cox回归分析（补表1），取p值小于0.05的预后因素作为临床因素分别与两模型筛选出的RNA-seq数据进行整合，由此得到四种用于生成关键基因的模型，以下均分别写作：cox_RNA、cox_RNA_CLI、RSF_RNA、RSF_RNA_CLI。利用最小AIC准则（赤池信息量准则）分别对四组模型构建出的关键基因模型进行筛选，各得到一个最佳模型，它们包含的基因列表分别如补表2-5所示。
图1.D：对四个关键基因模型包含的基因绘制Venn图，发现有四个基因同时包含于cox和RSF模型获得的关键基因。

补表1.对TCGA队列I进行的cox分析结果

补表2-5.四种模型得出的基因标志物列表（此处仅给出补表2结果）

2、LUAD风险评分模型的开发

根据补表2-5中的基因相关系数，作者在TCGA队列Ⅱ中利用四组基因标志物分别建立了风险评分系统，计算得出的风险评分越高，则LUAD患者的预后越差，按照50百分位数作为阈值进行高/低风险患者分组。

图2：分别对四组风险评分系统的分组进行KM生存分析，均表现为低风险组患者预后更好，但RSF_RNA_CLI组的HR值最大，p值最小，表现出了更为良好的预后价值。
表1：作者利用R包"Hmisc"计算四组预后预测模型的C-index，发现RSF_RNA_CLI的C-index最大（0.656），说明其预测准确性更高

图2.四模型的KM生存分析（TCGA队列Ⅱ）

表1.预测模型的C-index（TCGA队列Ⅱ和验证集GSE72094）

3、对风险评分模型预测能力的验证

作者先利用验证集GSE72094对上述风险评分模型的预测能力进行验证，对该验证集患者的临床特征数据进行单、多因素cox回归分析（补表7），取p值小于0.05的因素与模型整合（同上述对TCGA队列的操作），并依次构建四组风险评分模型，按照50百分位数作为阈值进行高/低风险患者分组。

图3：分别对四组风险评分系统的分组进行KM生存分析，均表现为低风险组患者预后更好，但RSF_RNA_CLI组的HR值最大，p值最小，表现出了更为良好的预后价值。
同时作者也进行了C-index的计算，四组预后预测模型中RSF_RNA_CLI的C-index最大（0.672），验证了其预测准确性最高的结论。

补表7.对验证集GSE72094进行的cox分析结果

图3.四模型的KM生存分析（验证集GSE72094）

为了保证结论的准确性，作者接着又对验证集GSE11969进行了与上述验证集完全一致的验证操作，KM生存分析的结果如补图1所示，C-index的计算结果如补表9所示，RSF_RNA_CLI的C-index最大（0.670），作者的重复验证让RSF_RNA_CLI模型得出的16基因标志物的预后价值最高这一结论更加具有说服力

补图1.四模型的KM生存分析（验证集GSE11969）

补表9.预测模型的C-index（验证集GSE11969）

在验证完模型的预测能力之后，作者又将本文中构建的16基因模型与先前研究中报道的5个LUAD预后标志物进行预后价值的对比（表2），结果显示在三个数据集中（TCGA队列Ⅱ、验证集GSE72094、验证集GSE11969）均出现本文16基因模型的HR值最大，p值最小、C-index最大的情况，说明本文获得的16基因模型的预后价值和预测准确性都很可观。

表2.16基因模型与5个先前研究模型的对比

4、十六基因标志物的蛋白互作和通路分析

图4.A：作者绘制了16关键基因中包含于GEO数据库中的11个基因在验证集GSE72094患者中的表达热图。红色表示高表达，绿色表示低表达，结果显示病人的风险评分越高，基因的表达水平就越高。
图4.B：对上述11个基因进行KEGG分析，发现它们对尼古丁成瘾过程的富集有统计学意义。
图4.C：作者在starbase2.0 (http://starbase.sysu.edu.cn/starbase2/index.php)上下载了16个关键基因与相关蛋白的相互作用情况，并用Cytoscape进行可视化，在该网络中关键基因主要与9种蛋白有相互作用关系。
图4.D：作者尝试将这个16基因标志物用于肺鳞状细胞癌（LUSC）的预后预测，于是用16基因标志物来预测TCGA中的LUSC患者（n=486）的预后，KM生存分析结果显示高风险组患者预后较差，但用该模型预测LUSC患者预后的效果不是特别理想（HR = 1.58, 95% CI: 1.20-2.07, p = 1.21e-03）