目的:基于机器学习方法筛选脑胶质瘤1p/19q共缺失特征基因，并探讨其在预测1p/19q共缺失中的作用。方法:回顾性分析中国脑胶质瘤基因组图谱计划(CGGA)、癌症基因组图谱计划(TCGA)数据库中脑胶质瘤患者的肿瘤组织转录组测序数据及临床信息，将CGGA_693的数据作为试验组(508例)，CGGA_325(298例)和TCGA(545例)的数据作为验证组。采用单因素Cox回归方法和机器学习方法分别筛选试验组中1p/19q共缺失与1p/19q非共缺失者与免疫相关的差异表达基因。2种筛选方法共同具有的候选基因定义为1p/19q共缺失特征基因(以下简称特征基因)。在2个验证组中验证特征基因在1p/19q共缺失与非共缺失者间的差异。绘制受试者工作特征曲线(ROC)，计算试验组和验证组中特征基因预测1p/19q共缺失的曲线下面积(AUC)；采用Kaplan-Meier生存分析法分析AUC值较大的特征基因与预后的关系。在试验组，采用logistic回归分析方法，基于特征基因及临床信息构建不同的1p/19q共缺失预测模型；采用AUC、赤池信息量准则、净重新分类指数、综合判别改善指数、决策曲线分析法综合评估每个模型的预测效能。另纳入南京医科大学附属常州第二人民医院神经外科行手术切除的22例脑胶质瘤标本，采用实时荧光定量PCR法检测1P/19q类缺失者与非共缺失者特征基因mRNA的表达水平。结果:试验组中共筛选出6个特征基因，分别为血管生成素样蛋白2(ANGPTL2)、骨形成蛋白2(BMP2)、骨形成蛋白8b(BMP8b)、成纤维细胞生长因子11(FGF11)、组蛋白去乙酰化酶1(HDAC1)及滑行蛋白α(TXLNA)。2个验证组中，6个特征基因在1p/19q共缺失与非共缺失组中的表达差异均有统计学意义(均 P<0.001)。试验组和验证组的ROC显示，HDAC1、TXLNA基因预测1p/19q共缺失的AUC值均>0.9；生存分析显示，HDAC1、TXLNA基因低表达者的总生存期均长于高表达者，差异均有统计学意义(均 P<0.001)。共建立3个预测1p/19q共缺失模型：模型A (变量：TXLNA)，模型B (变量：TXLNA+HDAC1)，模型C[变量：TXLNA+HDAC1+年龄+世界卫生组织(WHO)分级+异柠檬酸脱氢酶突变] 。多个预测效能评估结果显示，模型A对1p/19q共缺失的预测能力略逊于模型B、C，但差异不大。1p/19q共缺失者TXLNA的mRNA表达水平低于非共缺失者( P<0.01)。 结论:TXLNA是胶质瘤1p/19q共缺失特征基因，其预测1p/19q共缺失的效能较高。

神经胶质瘤;染色体缺失;1p/19q共缺失;滑行蛋白α

沈亮;张楷;于震男;马杰;刘芳

南京医科大学附属常州第二人民医院神经外科，常州　213000

中华神经外科杂志

[1]沈亮;张楷;于震男;马杰;刘芳-.基于机器学习筛选脑胶质瘤1p/19q共缺失特征基因及其在预测1p/19q共缺失中的作用)[J].中华神经外科杂志,2022(12):1261-1267

BMP8b,FGF11,TXLNA,TXLNA+HDAC1,TXLNA+HDAC1+

基于机器学习,1p,19q,特征基因,机器学习方法,中国脑胶质瘤基因组图谱,CGGA,癌症基因组图谱,TCGA,中脑,肿瘤组织,转录组测序,序数,临床信息,Cox,筛选试验,免疫相关,差异表达基因,筛选方法,法共,候选基因,受试者工作特征曲线,Kaplan,Meier,生存分析法,logistic,回归分析方法,信息构建,赤池信息量准则,净重新分类指数,决策曲线分析,预测效能,另纳,南京医科大学,常州,神经外科,手术切除,1P,血管生成素样蛋白,ANGPTL2,骨形成蛋白,BMP2,成纤维细胞生长因子,组蛋白去乙酰化酶,滑行,表达差异,低表达,总生存期,缺失模型,世界卫生组织,WHO,异柠檬酸脱氢酶突变,效能评估,预测能力,略逊,逊于,神经胶质瘤,染色体缺失

0.210021