可变剪切在癌症中的研究

那么除了筛选差异基因进行此类分析外，还有其他好的思路吗？答案是肯定的；可变剪切是基因转录时，通过组合不同的外显子，形成不同转录本的过程，在生命的信息传递过程中发挥着重要的作用；今天就给大家分享一篇利用TCGA数据库癌症转录组数据可变剪切事件进行生存分析，构建预后模型分析的文章，目前可变剪切在癌症的研究里还不是很多，所以此类选材较为新颖，是一个很不错的选材思路！

此篇文章是2018年11月发表在医学2区期刊Frontiers in Oncology（IF=4.416）上，作者共下载了330个结肠癌转录组数据，深入分析了与结肠癌预后相关的关键可变剪切事件！

研究思路

1. 从TCGA数据库下载转录组数据，采用SpliceSeq进行可变剪切分析

2. 针对可变剪切事件，进行单因素的Cox生存分析

3. 针对显著的单因素可变剪接事件，进行多因素的Cox生存分析

4. 构建预后预测模型，并进行性能评估

5. 剪切因子和剪切事件进行关联分析，筛选出重要的剪切因子

可变剪切分析

采用SplicSeq软件对TCGA中的转录组数据进行可变剪切分析，分别统计可变受体位点(AA)、可变供体位点(AD)、可变启动子(AP)、可变终止子(AT)、内含子保留(RI)、外显子跳跃(ES)、外显子互斥(ME)等7中可变剪切形式的可变剪切事件。其中外显子跳跃类型的可变剪切事件最多。统计图如下：

单因素生存分析

7种类型的可变剪切事件，分别进行单因素的Cox生存分析，筛选出显著相关的可变剪切事件，并将发生该可变剪切事件的基因筛选出来。下图为7类可变剪切事件对应的风险比率。

多因素生存分析

针对这7类可变剪切事件，分别基于该类中显著的可变剪切事件，构建预后预测模型，再基于中位数划分，进行KM生存分析。
为了评估预后模型的性能，采用ROC曲线进行比较分析；基于所有可变剪切事件构建的预测模型最优。

可变剪切显著相关基因的互作分析

由于一个基因可能存在多种类型的可变剪切形式，分别统计含有不同类型可变剪切形式基因的数量。

基于这些生存显著相关可变剪接事件对应的基因，进行互作网络分析，一些关键基因与其他的基因存在相互作用，可能存在重要的作用。

可变剪切因子分析

针对显著的可变剪切事件，与剪切因子的表达量进行相关性分析。一些剪切因子与高风险的剪切事件相关，如：HNRNPAB，一些则与低风险比例的剪切事件相关,如：HSPA7。

文章亮点

本文从可变剪切入手，进行生存分析，构建预后模型，其研究对象具有一定的新颖性。在可变剪切分析中，进一步研究其上游调控的剪切因子，下游的蛋白互作，让整个的分析内容比较深入。而且本文完全是生物信息的数据挖掘，具有很强的可模仿性，值得其他类癌症研究借鉴！