AML銅死亡相關lncRNA預后風險模型的構建

謝文杰 王智超 郭小芳 管洪在

［摘要］ 目的

采用生物信息學分析方法對癌癥基因組圖譜（TCGA）數據庫中急性髓細胞白血?。ˋML）數據進行分析，建立銅死亡相關長鏈非編碼RNA（lncRNA）預后風險模型，并進行效能驗證。

方法 通過共表達和單因素Cox回歸分析鑒定與預后相關的銅死亡相關lncRNA。采用lasso回歸和多因素Cox回歸分析選出最優的銅死亡相關lncRNA構建預后風險模型，根據風險模型評分將AML病人分為高、低風險組。采用校準曲線、C指數、受試者工作特征（ROC）曲線以及臨床決策曲線評價預測模型。

結果 共獲得4個與AML病人預后相關性最佳的銅死亡相關lncRNA（LINC01547、LINC02356、NORAD和AC000120.1），基于此4個lncRNA構建列線圖模型來預測AML病人1、3、5年預后，預測的準確性較高，C指數為0.686，在訓練集中1、3、5年預后預測的ROC曲線下面積分別為0.758、0.717和0.804，在測試集中則分別為0.704、0.682和0.927。在訓練集和測試集中，高風險組病人的生存率均明顯低于低風險組。

結論 基于銅死亡相關lncRNA構建的預后風險模型評分是一個獨立的預后因素，可有效預測AML病人的預后。

［關鍵詞］ 白血病，髓樣，急性；銅死亡；RNA，長鏈非編碼；預后；比例危險度模型

［中圖分類號］ R733.7

［文獻標志碼］ A

［文章編號］ 2096-5532（2023）06-0826-06

doi：10.11712/jms.2096-5532.2023.59.190

［網絡出版］ https：//link.cnki.net/urlid/37.1517.R.20231229.1009.004;2024-01-02 10：47：46

CONSTRUCTION OF A PROGNOSTIC RISK MODEL BASED ON CUPROPTOSIS-RELATED LNCRNAS FOR ACUTE MYELOID LEUKEMIA

XIE Wenjie， WANG Zhichao， GUO Xiaofang， GUAN Hongzai

（Department of Laboratory， The Affiliated Hospital of Qingdao University， Qingdao 266071， China）

; ［ABSTRACT］ObjectiveTo establish and validate a prognostic risk model based on cuproptosis-related long non-coding RNAs （lncRNAs） for acute myeloid leukemia （AML） using AML data in The Cancer Genome Atlas database through bioinforma-

tic analysis.

MethodsCuproptosis-related lncRNAs associated with AML prognosis were determined by co-expression and univariable Cox regression analyses. Lasso regression and multivariable Cox regression analyses were performed to identify the optimal cuproptosis-related lncRNAs for constructing the prognostic risk model. Patients with AML were divided into high- and low-risk groups according to the risk model. The prediction model was evaluated by using the calibration curve， C index， receiver operating characteristic （ROC） curve， and decision curve.

ResultsFour optimal cuproptosis-related lncRNAs （LINC01547， LINC02356， NORAD， AC000120.1） associated with the prognosis of patients with AML were obtained. The nomogram model based on the four lncRNAs showed high accuracy when predicting the 1， 3， and 5 year outcomes of patients with AML patients. The C index was 0.686. The areas under the ROC curves for 1， 3， and 5 year outcome prediction in the training set were 0.758， 0.717， and 0.804， respectively; and those in the test set were 0.704， 0.682， and 0.927， respectively. In both the training and test sets， the survival rate of the high-risk group was significantly lower than that of the low-risk group.

ConclusionThe risk model score based on cuproptosis-related lncRNAs was an independent prognostic factor， which could effectively predict the prognosis of patients with AML.

［KEY WORDS］leukemia， myeloid， acute; cuproptosis; RNA， long noncoding; prognosis; proportional hazards models

急性髓細胞白血?。ˋML）是常見的血液系統惡性腫瘤之一，約占所有癌癥的1%［1］，其特征是骨髓和外周血中髓系細胞過度增殖和成熟停止、造血祖細胞遺傳改變的積累及正常自我更新機制的改變。AML具有高度異質性［2］， 臨床表現為貧血、出血、感染和發熱、臟器浸潤、代謝異常等。AML病人復發率高、生存率低、預后差，影響其風險分層和治療選擇的主要因素包括細胞遺傳學和分子學異常［3］。長鏈非編碼RNA（lncRNA）是一種長度超過200個核苷酸的非編碼RNA［4］，它可以與蛋白質、RNA和DNA結合，通過遺傳印記、染色質重塑、細胞周期調控、剪接調控、mRNA降解和翻譯調控來控制表觀遺傳學、轉錄調控等機制中的基因表達水平［5］。銅死亡參與多種生理和病理過程，銅離子載體和銅螯合劑都具有強大的抗癌活性［6］。有研究表明，含銅雙硫侖可通過激活 ROS-JNK 選擇性根除 AML 干細胞，同時抑制核因子κB和Nrf2途徑［7］。然而，銅死亡在AML中的作用尚不清楚。因此，本研究基于銅死亡相關lncRNA構建AML預后預測模型，并進行驗證，分析該模型的臨床價值，以更精準地評估AML預后，為其治療提供新的靶點?，F將結果報告如下。

1 材料與方法

1.1 數據收集

在癌癥基因組圖譜（TCGA）數據庫（https：//portal.gdc.cancer.gov）中收集AML病人的轉錄組、突變和臨床數據。利用R語言軟件的“limma包”將銅死亡基因與AML基因表達矩陣取交集獲取交集基因的表達量，輸出銅死亡基因表達矩陣［8］。隨后，使用Pearson函數對銅死亡基因與lncRNA進行共表達相關性分析。

1.2 銅死亡相關lncRNA預后模型的構建

從文獻中獲得19個銅死亡基因［9-10］，利用訓練集鑒定銅死亡相關的lncRNA，應用測試集和所有集驗證lncRNA特征。采用R軟件中“survival包”中的Cox.ph函數對訓練集進行單因素Cox回歸分析［11］，從而獲得與預后相關的lncRNA。之后，在1 000次10倍交叉驗證的基礎上，再運用R軟件中的“glmnet包”對單因素Cox回歸分析所獲得的lncRNA進行lasso回歸分析［12-13］，獲得lasso相關的lncRNA。通過多變量Cox回歸分析確定最優預后lncRNA，并使用最佳模型參數構建特征，然后計算風險評分。

1.3 生存分析

基于預后模型的中位數風險評分，將訓練集、測試集、所有集中的病人劃分為高風險組和低風險組。運用R軟件的“survminer包”生成Kaplan-Meier生存曲線［14］，采用log-rank檢驗比較各組病人的生存率。

1.4 獨立預后分析

采用單因素和多因素Cox回歸分析，評估本研究構建模型的風險評分是否可以作為獨立于其他臨床特征的預后因素對AML病人生存率和生存狀態進行預測。

1.5 預測模型評價

運用R軟件的“rms包”構建列線圖［15］。為了評估列線圖的預測準確性，使用R軟件的“survival包”計算C指數來量化列線圖模型的鑒別性能；利用time ROC函數［16］繪制受試者工作特征（ROC）曲線，采用曲線下面積（AUC）評估該預后模型預測1、3、5年生存率的準確性；繪制校準曲線來評價校準度；進行臨床決策曲線分析以評估不同決策策略的臨床結果。

2 結? 果

2.1 訓練集和測試集病人臨床資料比較

在TCGA數據庫中收集了130例AML病人的臨床資料，將AML病人按7∶3的比例隨機分為訓練集91例和測試集39例，訓練集與測試集病人臨床資料比較差異無顯著性（P>0.05）。見表1。

2.2 銅死亡相關lncRNA的鑒定以及預后模型的構建

以CorFilter=0.6和PFilter＜0.001為篩選標準，從9 064個lncRNA中鑒定出443個與銅死亡基因共表達的lncRNA。用?；鶊D可視化銅死亡基因和lncRNA的共表達關系（圖1A）。使用訓練集進行

單因素分析后篩選出42個與AML預后顯著相關

的lncRNA（圖1B）。再經lasso回歸和多因素Cox回歸分析后，風險模型中最終納入了4個銅死亡相關的lncRNA（圖1C、D）。然后根據4個lncRNA的表達計算每例AML病人風險評分。風險評分=LINC01547×0.294+AC000120.1×（-0.640）+LINC02356×0.360+NORAD×（-0.540）。此外，相關性熱圖展現了銅死亡基因和模型lncRNA之間的相關性（圖1E）。

2.3 生存分析

在所有集、訓練集和測試集中，高風險組病人的生存率均明顯低于低風險組（圖2A～C）。另外，風險曲線反映了AML病人風險評分與生存狀態之間的關系，在所有集、訓練集和測試集中高風險組病人的病死率均高于低風險組（圖2D～F）。

2.4 獨立預后分析

本研究多因素Cox回歸分析結果顯示，風險評分（HR=1.480，95%CI=1.263～1.734，P＜0.001）可以作為AML病人的獨立預后指標（圖3A、B）。

ROC曲線分析結果顯示，在各臨床參數中，預后模型風險評分的AUC最大，說明模型預測AML病人預后較其他臨床參數（年齡、性別、FAB分型）更為準確（圖3C）。

2.5 列線圖模型的評價

基于4個lncRNA構建了列線圖模型來預測AML病人1、3、5年預后（圖4A）。對列線圖模型進行評估，在區分度方面，C指數為0.686，在訓練集中1、3、5年預后預測的AUC分別為0.758、0.717和0.804（圖4B），在測試集中AUC則分別為0.704、0.682和0.927（圖4C），表明模型預測預后的準確性較高。在校準度方面，訓練集和測試集校準曲線表明，模型預測與實際觀察結果之間具有良好的一致性（圖4D、E）。在臨床適用度方面，訓練集和測試集中列線圖模型閾值概率明顯優于閾值概率>0.05的默認策略（圖4F、G）。

3 討? 論

AML是一種髓系造血干/祖細胞克隆性增殖的異質性疾病，其主要特征為髓系原始細胞異常增生，抑制正常骨髓的造血功能，出現血細胞減少以及白血病細胞異常增殖浸潤的表現。白血病對人類健康的危害極大，年輕AML病人的5年總生存率低于

50%，而老年AML病人在診斷后2年總生存率僅為20%［17］。到目前為止，盡管AML的治療方式和治療效果有很大改善，但其總體生存率依舊較低，因此急需新的生物標志物，以早期檢出AML，開展個性化治療，提高病人的生存率。銅死亡是新發現的銅依賴的細胞死亡方式，與多種疾病有密切關系。另外，lncRNA作為生物標志物已經得到廣泛研究，但目前銅死亡相關lncRNA的報道較少。因此，本研究基于TCGA數據庫構建銅死亡相關lncRNA預后風險模型來預測AML病人的預后，利用新的生物標志物提高AML的早期檢出率，并預測可能的治療靶點。

本研究通過對TCGA數據庫中AML轉錄組和臨床數據進行lasso和多因素Cox回歸分析，共篩選出4個（LINC01547、AC000120.1、LINC02356和NORAD）最優的具有獨立預后價值的銅死亡相關lncRNA。有研究報道，LINC01547作為一種高危的lncRNA，能夠預測卵巢癌病人的預后［18］。另一項研究結果表明，與健康人相比較，在對放療部分敏感或不敏感的直腸腫瘤病人中，LINC01547表達量升高，lncRNA-mRNA復合體減少，從而減少了對下游mRNA的靶向調控，進而影響DNA損傷修復和凋亡功能［19］。NORAD參與了多種癌癥的進展，在一些癌組織和細胞中高表達，可以作為腫瘤促進劑［20］。在胃癌中，NORAD通過靶向miR-125a-3p激活了RhoA/ROCK信號通路［21］，進而上調的NORAD通過海綿miR-214調節Akt/mTOR信號通路［22］。在膀胱癌中，NORAD可以作為潛在的預后和治療生物標志物［23］。在肝癌中，NORAD通過調節miR-202-5p和miR-144-3p表達促進肝癌的進展［24］。在胰腺癌中，NORAD可以提高RhoA的表達，充當miR-125a-3p的海綿，與預后不良有關［25］。此外，NORAD是食管鱗狀細胞癌體外和體內順鉑耐藥的關鍵lncRNA。NORAD充當海綿吸附miR-224-3p上調順鉑抗性食管鱗狀細胞中的異黏蛋白，通過NORAD/miR-224-3p/MTDH軸促進β連環蛋白的核積累，從而上調順鉑的抗性［26］。雖然在多種癌癥中已有研究，但LINC01547和NORAD在白血病中的作用尚未見報道。此外，LINC02356和AC000120.1與白血病的相關研究也尚未見報道，還需要更多研究對其意義進行探討。這些銅死亡相關lncRNA可能可以幫助我們更好地了解AML，并為癌癥治療找到新的靶點。

本研究根據風險評分的中位數將AML病人分為高風險組和低風險組，生存分析結果顯示，在所有集、訓練集和測試集中，與低風險組相比，高風險組病人生存率明顯降低。從風險評分圖來看，隨著風險評分的增加，高風險組病人死亡數明顯增加，且大部分高風險組病人已經死亡。獨立預后分析表明，風險評分可以作為AML病人的獨立預后因素。用ROC曲線驗證風險評分的預測準確性，結果顯示，列線圖模型預測AML病人1、3、5年預后的AUC較大，表明模型預測預后的準確性較高。另外，校準曲線分析顯示，模型預測結果與實際觀察結果之間具有良好的一致性。以上結果表明，基于4個銅死亡相關lncRNA構建的風險模型預測臨床預后的效能顯著優于其他臨床因素，模型風險評分的增加與AML的進展明顯相關。

總之，本研究成功構建了基于4個銅死亡相關lncRNA的AML預后風險模型。然而，由于偏差和商用微陣列數據的局限性以及數據中沒有相關的生存信息，本研究不能獲得基因表達綜合（GEO）和國際癌癥基因組聯盟（ICGC）等數據庫中的數據來進一步驗證。本研究構建的模型有助于更精準地評估AML病人的預后，為其治療提供新的靶點。另外，目前并沒有銅死亡與AML發生、發展有直接聯系的確鑿證據，本研究有助于進一步探索銅死亡相關lncRNA在AML中的作用。

［參考文獻］

［1］MOLICA M， BRECCIA M， FOA R， et al. Maintenance the-

rapy in AML： the past， the present and the future［J］.? American Journal of Hematology， 2019，94（11）：1254-1265.

［2］ESTEY E， DHNER H. Acute myeloid leukaemia［J］.? Lancet （London， England）， 2006，368（9550）：1894-907.

［3］LINDSLEY R C， MAR B G， MAZZOLA E， et al. Acute myeloid leukemia ontogeny is defined by distinct somatic mutations［J］.? Blood， 2015，125（9）：1367-1376.

［4］BATISTA P J， CHANG H Y. Long noncoding RNAs： cellular address codes in development and disease［J］.? Cell， 2013，152（6）：1298-1307.

［5］TAN Y T， LIN J F， LI T， et al. LncRNA-mediated posttranslational modifications and reprogramming of energy metabolism in cancer［J］.? Cancer Communications （London， England）， 2021，41（2）：109-120.

［6］OLIVERI V. Selective targeting of cancer cells by copper ionophores： an overview［J］.? Frontiers in Molecular Biosciences， 2022，9：841814.

［7］XU B， WANG S Y， LI R W， et al. Disulfiram/copper selectively eradicates AML leukemia stem cells in vitro and in vivo

by simultaneous induction of ROS-JNK and inhibition of NF-κB and Nrf2［J］.? Cell Death & Disease， 2017，8（5）：e2797.

［8］RITCHIE M E， PHIPSON B， WU D， et al. Limma Powers differential expression analyses for RNA-sequencing and microarray studies［J］.? Nucleic Acids Research， 2015，43（7）：e47.

［9］TSVETKOV P， COY S， PETROVA B， et al. Copper induces cell death by targeting lipoylated TCA cycle proteins［J］.? Science （New York， N Y）， 2022，375（6586）：1254-1261.

［10］DONG J J， WANG X， XU C C， et al. Inhibiting NLRP3 inflammasome activation prevents copper-induced neuropathology in a murine model of Wilsons disease［J］.? Cell Death & Disease， 2021，12（1）：87.

［11］SUNDRANI S， LU J. Computing the hazard ratios associated with explanatory variables using machine learning models of survival data［J］.? JCO Clinical Cancer Informatics， 2021，5：364-378.

［12］ENGEBRETSEN S， BOHLIN J. Statistical predictions with glmnet［J］.? Clinical Epigenetics， 2019，11（1）：123.

［13］YAN C， NIU Y D， MA L K， et al. System analysis based on the cuproptosis-related genes identifies LIPT1 as a novel therapy target for liver hepatocellular carcinoma［J］.? Journal of Translational Medicine， 2022，20（1）：452.

［14］YUAN Y， XIE W H， LI R Z， et al. Comprehensive treatment experience of anal squamous cell carcinoma from a tertiary cancer center in South China［J］.? Cancer Medicine， 2022，11（1）：117-127.

［15］HE S H， JIANG R Y， SUN H T， et al. Surgical efficacy and survival prediction of patients with unspecified malignant bone tumors［J］.? BMC Cancer， 2022，22（1）：1078.

［16］CAO R， LPEZ-DE-ULLIBARRI I. ROC curves for the statistical analysis of microarray data［J］.? Methods in Molecular Biology （Clifton， N J）， 2019， 1986：245-253.

［17］ESTEY E H. Acute myeloid leukemia：2019 update on risk-stratification and management［J］.? American Journal of Hematology， 2018，93（10）：1267-1291.

［18］LI N， ZHAN X Q. Identification of clinical trait-related lncRNA and mRNA biomarkers with weighted gene co-expression network analysis as useful tool for personalized medicine in ovarian cancer［J］.? EPMA Journal， 2019，10（3）：273-290.

［19］KUTILIN D S， GUSAREVA M A， KOSHELEVA N G， et al. Regulatory network of competitively interacting RNAs and effectiveness of rectal tumors radiotherapy［J］.? Klinicka Onko-

logie： Casopis Ceske a Slovenske Onkologicke Spolecnosti， 2022，35（4）：297-306.

［20］YANG Z， ZHAO Y Q， LIN G F， et al. Noncoding RNA activated by DNA damage （NORAD）： Biologic function and mechanisms in human cancers［J］.? Clinica Chimica Acta; International Journal of Clinical Chemistry， 2019，489：5-9.

［21］YU S Y， PENG H， ZHU Q， et al. Silencing the long nonco-

ding RNA NORAD inhibits gastric cancer cell proliferation and invasion by the RhoA/ROCK1 pathway［J］.? European Review for Medical and Pharmacological Sciences， 2019，23（9）：3760-3770.

［22］TAO W， LI Y J， ZHU M， et al. LncRNA NORAD promotes proliferation and inhibits apoptosis of gastric cancer by regulating miR-214/Akt/mTOR axis［J］.? OncoTargets and Therapy， 2019，12：8841-8851.

［23］LI Q Q， LI C， CHEN J B， et al. High expression of long noncoding RNA NORAD indicates a poor prognosis and promotes clinical progression and metastasis in bladder cancer［J］.? Urologic Oncology， 2018，36（6）：310.e15-310.e22.

［24］YANG X， CAI J B， PENG R， et al. The long noncoding RNA NORAD enhances the TGF-β pathway to promote hepatocellular carcinoma progression by targeting miR-202-5p［J］.? Journal of Cellular Physiology， 2019，234（7）：12051-12060.

［25］LI H Z， WANG X J， WEN C L， et al. Long noncoding RNA NORAD， a novel competing endogenous RNA， enhances the hypoxia-induced epithelial-mesenchymal transition to promote metastasis in pancreatic cancer［J］.? Molecular Cancer， 2017，16（1）：169.

［26］JIA Y L， TIAN C， WANG H Y， et al. Long non-coding RNA NORAD/miR-224-3p/MTDH axis contributes to CDDP resistance of esophageal squamous cell carcinoma by promoting nuclear accumulation of β-catenin［J］.? Molecular Cancer， 2021，20（1）：162.

（本文編輯 馬偉平）