本文主要是介绍孟德尔随机化+WGCNA+预后模型，7+轻松get，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
今天给同学们分享一篇生信文章“Exploring the causality and pathogenesis of systemic lupus erythematosus in breast cancer based on Mendelian randomization and transcriptome data analyses”，这篇文章发表在Front Immunol期刊上，影响因子为7.3。
结果解读：
SNP的选择
总体而言，这项MR研究分析了共计243,218名欧洲血统个体（128,178例患者和115,040例对照组）以及107,936名东亚血统人群（9,774例患者和98,162例对照组）。作者从GWAS中提取了与SLE显著相关的IVs（p < 5 × 10 −8 ），并去除了LD（r 2 <0.001,10,000-kb）。此外，作者分析中的F统计量大于100，表明这些IVs能够强有力地预测SLE的发生率。
遗传易感性与SLE和乳腺癌风险
MR分析显示欧洲队列中SLE与乳腺癌之间不存在因果关联（乳腺癌：OR 0.9985，95%CI 0.9873-1.0099，p=0.79；ER+乳腺癌：OR 0.9974，95%CI 0.9850-1.0101，p=0.69；ER-乳腺癌：OR 1.009，95%CI 0.99-1.02，p=0.22）。没有证据表明其他MR方法基于乳腺癌风险增加。然而，注意到东亚人群中SLE和乳腺癌的遗传易感性的因果推断（IVW：OR：0.95，95%CI：0.92-0.98，p=0.006；加权中位数：OR：0.93，95%CI：0.88-0.97，p=0.002；MR-PRESSO：OR 0.95，95%CI：0.92-0.98，p=0.004）（图2）。多变量MR分析也支持了SLE与东亚人群中乳腺癌显著相关的发现（SNPs：25，OR：0.95，95%CI：0.92-0.98，p=0.0013），在调整混杂因素（吸烟，特征ID：ieu-b-4877）后。
MR估计的敏感性分析
首先，作者进行了MR-Egger回归分析以研究水平多效性，结果表明多效性不太可能对因果关系产生偏倚（所有p值>0.05）。其次，MR-PRESSO测试的结果与无异常值的IVW方法一致，表明原始结果可靠。第三，考虑到东亚队列中SLE和乳腺癌之间的潜在关系，作者进行了逐一排除分析和Cochrane Q检验。逐一排除分析发现没有单个SNP驱动SLE和乳腺癌之间的因果关系（图2）。Cochrane Q检验的p值均大于0.05（IVW测试的Q值为32.93，p=0.2；MR-Egger测试的Q值为32.8，p=0.17），表明SNP之间没有异质性。
识别乳腺癌患者中与SLE相关的差异表达基因
在标准化微阵列结果之后（图3A、B），识别出SLE和乳腺癌相关数据集之间的447个共同差异表达基因（图3C）。通过聚类，WGCNA（软阈值功率=6）进一步去除了灰色模块中的61个明显异常值，并识别出386个感兴趣的关键基因（图3D、E）。
功能特性分析
为了进一步了解乳腺癌中386个SLE-DEGs的潜在功能，作者进行了GO和KEGG富集分析。GO分析显示DEGs富集在细胞周期、细胞增殖和对激素的反应方面（图3F）。KEGG富集分析主要涉及与癌症和细胞周期相关的途径，包括代谢途径、微小RNA、转录调控失调、蛋白聚糖和中心碳代谢（图3G）。
PPI网络和关键基因分析
首先，对386个常见的DEGs构建了PPI网络。其次，使用Cytoscape的Cytuhubba插件计算了前20个关键基因（AURKA，UBE2C，CDC20，PTTG1，CCNB2，MELK，NDC80，CENPF，PRC1，KIF23，TOP2A，RACGAP1，NUSAP1，HMMR，ASPM，KIF15，TTK，DLGAP5，CCNA2和NCAPG）（图4A）。第三，斯皮尔曼相关分析显示这二十个关键基因之间存在显著密切的关联（所有p值<0.0001）（图4B）。
建立和验证预测模型
LASSO回归方法被用于优化20个关键基因。最终，选择了最有价值的五个预测基因（RACGAP1、HMMR、TTK、TOP2A和KIF15）来构建SLEscore（图4C、D）。SLEscore的计算方法如下：[-0.036 × TOP2A的表达值] + [0.032 × TTK的表达值] + [0.32 × RACGAP1的表达值] + [0.024 × HMMR的表达值] + [-0.16 × KIF15的表达值]。SLEscore的所有五个关键基因在肿瘤样本中均显著上调（图4E-G）。根据SLEscore，乳腺癌患者被分为两个亚组，其中SLEscore high 与五个预后分子的较高表达水平相关（图5A）。与低SLEscore组相比，高SLEscore组与明显更差的总生存期相关（图5B）。ROC曲线表明，SLEscore可以作为预测乳腺癌患者总生存期的敏感标志物（3年AUC：0.81，5年AUC：0.91）（图5C）。此外，多变量COX回归分析表明，SLEscore是乳腺癌患者的独立风险因素（HR 7.1，95%CI 1.50-33.4，p=0.013）（图5D）。作者建立的SLEscore的C指数为0.73（标准误差：0.043）。在GSE42568数据集中进一步验证了SLEscore，表明利用TCGA数据库构建的SLEscore是乳腺癌患者的独立预后因子（HR 1.92，95%CI 1.08-3.42，p=0.02）（图5E）。随后，作者通过整合SLEscore、年龄和TNM分期为乳腺癌患者建立了一个预测模型，该模型在预测乳腺癌患者1年、3年和5年的生存率方面表现良好（图6A、B）。
TME细胞的探索，ESTIMATE评分，ICB和PANoptosis
Spearman相关分析揭示了20种分子与TME浸润细胞之间的显著关联（图6C）。值得注意的是，高SLE得分与较低的树突状细胞、嗜酸性粒细胞、肥大细胞、CD4+ T细胞和辅助T细胞表达显著相关（图6D）。ESTIMATE得分与五个关键基因的表达水平呈负相关（所有p值<0.05）（图6E），表明其与疾病结果和肿瘤浸润免疫环境的关系。SLE得分与八种ICB和PANoptosis基因模式显著相关，这些已被证明是乳腺癌患者的预后生物标志物。
总结
作者的MR分析表明，在东亚人群中，SLE患者对乳腺癌症的风险较低。本研究还为癌症和SLE患者的分层提供了路线图，有助于改善个性化随访和个性化决策的策略。
这篇关于孟德尔随机化+WGCNA+预后模型，7+轻松get的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
