結腸腺癌の予後を予測するためのWGCNAによる9つの遺伝子署名の同定

背景：結腸腺癌（COAD）の予後予測のリスク評価モデルは、加重遺伝子共発現ネットワーク分析（WGCNA）に基づいて確立されました。 方法：がんゲノムアトラス（TCGA）データベースから、RNA-seqデータとCoAD患者の臨床データが検索されました。差次的に発現した遺伝子（deg）のスクリーニング後、WGCNAを実行して遺伝子モジュールを特定し、CoAD進行に関連するものをスクリーニングしました。次に、モジュール遺伝子のタンパク質間相互作用（PPI）ネットワーク構造を介して、ハブ遺伝子が得られ、その後、最も絶対的な収縮および選択演算子（Lasso）とCox回帰を受けて、ハブ遺伝子ベースの予後スコアリングモデルを構築しました。レシーバー動作特性曲線（ROC曲線）は、リスクスコアの最適なカットオフ（OCO）のためにプロットされました。ROC曲線（AUCS）の下の領域を計算し、カプランマイヤー（km）生存曲線を使用してモデルのパフォーマンスを視覚化し、外部データセットGSE29621で検証しました。最後に、モデルの独立した予後値は、単変量および多変量COX回帰分析によって評価され、ノモグラムが構築されました。 結果：完全に2840度がTCGAのCoADデータセットからスクリーニングされました。これには、1401個の上方制御されたものと1439個のダウンレギュレートされたものが含まれ、WGCNAによって10個のモジュールに分割されました。黒いモジュールの固有値は、CoAD進行と高い相関があることがわかりました。PPI相互作用ネットワークは、黒いモジュールの遺伝子に対して構築され、MCODEプラグインを使用して34のハブ遺伝子が得られました。ハブ遺伝子を分析するために、ラッソコックス回帰アプローチと、9つの遺伝子（Chek1、DepDC1b、Fanci、MCM10、NCAPG、PARPBP、PLK4、RAD51AP1、およびRFC4）の署名に基づく予後リスクスコアモデルを分析しました。KM分析により、高リスクグループの全体的な低い生存率が短くなりました。このモデルは、トレーニングセットと検証セットを通じて好ましい予測能力があることが確認されました。腫瘍結節転移（TNM）の病期分類とリスクスコアで構成されるノモグラムは、良好な予測可能性でした。 結論：9つの遺伝子（Chek1、DepDC1b、Fanci、MCM10、NCAPG、PARPBP、PLK4、RAD51AP1、およびRFC4）の署名に基づいて構築されたCoAD予後リスクモデルは、CoAD患者の生存状態を効果的に予測できます。

BACKGROUND: A risk assessment model for prognostic prediction of colon adenocarcinoma (COAD) was established based on weighted gene co-expression network analysis (WGCNA). METHODS: From the Cancer Genome Atlas (TCGA) database, RNA-seq data and clinical data of COAD patients were retrieved. After screening of differentially expressed genes (DEGs), WGCNA was performed to identify gene modules and screen those associated with COAD progression. Then, via protein-protein interaction (PPI) network construction of module genes, hub genes were obtained, which were then subjected to the least absolute shrinkage and selection operator (LASSO) and Cox regression to build a hub gene-based prognostic scoring model. The receiver operating characteristic curve (ROC curve) was plotted for the optimal cutoff (OCO) of the risk score, based on which, patients were assigned to high or low-risk groups. Areas under the ROC curve (AUCs) were calculated, and model performance was visualized using Kaplan-Meier (KM) survival curves and verified in the external dataset GSE29621. Finally, the model's independent prognostic value was evaluated by univariate and multivariate Cox regression analyses, and a nomogram was built. RESULTS: Totally 2840 DEGs were screened from COAD dataset of TCGA, including 1401 upregulated ones and 1439 downregulated ones, which were divided into 10 modules by WGCNA. The eigenvalue of the black module was found to have a high correlation with COAD progression. PPI interaction networks were constructed for genes in the black module, and 34 hub genes were obtained by using the MCODE plug-in. A LASSO-Cox regression approach was utilized to analyze the hub genes, and a prognostic risk score model based on the signatures of 9 genes (CHEK1, DEPDC1B, FANCI, MCM10, NCAPG, PARPBP, PLK4, RAD51AP1, and RFC4) was constructed. KM analysis identified shorter overall lower survival in the high-risk group. The model was verified to have favorable predictive ability through training set and validation set. The nomogram, composed of tumor node metastasis (TNM) staging and risk score, was of good predictability. CONCLUSIONS: The COAD prognostic risk model constructed upon the signatures of 9 genes (CHEK1, DEPDC1B, FANCI, MCM10, NCAPG, PARPBP, PLK4, RAD51AP1, and RFC4) can effectively predict the survival status of COAD patients.