基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物.pdf

J Clin Pathol Res2023,43(6)http:/ 临床与病理杂志基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物赵轩迪，甘秀国，宋尔霖，安瑞华（哈尔滨医科大学附属第一医院泌尿外科，哈尔滨 150001）摘要 目的：膀胱癌(bladder cancer，BLCA)是具有高发病率的泌尿系统肿瘤之一，临床常规诊疗方法可提高患者的生存率，但肿瘤的复发和转移致使患者的预后仍然较差。长链非编码RNA(long non-coding RNA，lncRNA)在调控肿瘤发生、发展及癌症免疫中具有重要作用，可以作为一种新型的标志物预测患者预后及免疫应答。本研究基于生物信息学分析，构建BLCA预后模型，并筛选出BLCA的靶向分子药物。方法：从癌症基因组图谱(The Cancer Genome Atlas，TCGA)数据库下载RNA测序数据和临床数据，并将BLCA患者分为训练集和验证集。基于加权基因共表达网络分析(weighted gene co-expression network analysis，WGCNA)的方法提取免疫相关lncRNAs(immune related lncRNAs，IR-lncRNAs)，通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归的方法构建预后模型，利用美国国家生物技术信息中心(National Center for Biotechnology Information，NCBI)数据库和泛癌数据进行预后基因集的肿瘤相关性分析，并依据Kaplan-Meier分析和受试者操作特征(receiver operating characteristic，ROC)曲线评价该模型的预后准确性。根据风险打分将样本分为高风险组与低风险组，并在此基础上通过风险差异基因筛选出高风险基因。最后，通过CMap数据库筛选抑制高风险基因表达的药物，从而降低BLCA患者的发病风险，提高患者的生存率。结果：基于TCGA数据库中的414例肿瘤样本和19例癌旁样本，预处理得到1 342个免疫相关基因(immune related genes，IRGs)和409个临床数据，并通过WGCNA得到927个生存数据。根据Pearson相关分析和单因素Cox分析，得到74个与预后相关的IR-lncRNAs(|R|0.4，P0.4,P0.05).Twelve IR-lncRNAs and 21 IRGs were performed through LASSO regression analysis.According to the follow-up analysis,the prediction model predicted the survival and prognosis of patients in high-risk and low-risk group,verified the independent prediction ability and prediction accuracy of the prognostic model,and finally screened 11 potential targeted drugs of BLCA.Conclusion:A prognostic model based on IRGs and IR-lncRNAs for BLCA patients is constructed,and 11 potential targeted molecular drugs are screened,which may provide new ideas for the precise treatment of BLCA patients.KEY WORDS bladder cancer;immune-related genes;long non-coding RNA;prognostic model;targeted drugs膀胱癌(bladder cancer，BLCA)是泌尿系统常见的恶性肿瘤，发病率逐年上升，手术治疗是BLCA临床上的首选方法，但术后容易复发和进展1-4。因此，寻找可靠的标志物，对BLCA的靶向治疗具有重要意义。长链非编码RNA(long non-coding RNA，lncRNA)是 一 类 长 度 超 过 200 个 碱 基 对 的 非 编 码 RNA，lncRNA具有促癌或抑癌的功能，并参与肿瘤细胞的增殖和生长；lncRNA也参与癌症免疫的多个阶段，包括免疫浸润、杀伤和活化。LncRNA具有高度的组1087临床与病理杂志,2023,43(6)http:/织和细胞特异性，故在不同的基因集中其表达模式均呈现出相关性。免疫相关lncRNAs(immune related lncRNAs，IR-lncRNAs)作为一种优良的标志物，可用于癌症精确诊断及治疗5-6。免疫相关基因(immune related genes，IRGs)是机体免疫反应的关键调控因子，参与免疫细胞激活，导致肿瘤免疫细胞浸润，与肿瘤的发生、发展密切相关7-10。然而，目前很少有关于 IRGs 及 IR-lncRNAs 直接调控 BLCA 的研究报道。随着基因测序技术和公共数据库的进步与完善，运用生物信息学的方法深入挖掘测序数据，使得发现新的标志物成为可能。癌症基因组图谱(The Cancer Genome Atlas，TCGA)数据库收集了33种常见肿瘤的转录组数据、临床数据、甲基化数据等，是重要的权威数据库之一。本研究基于生物信息学分析，通过对TCGA数据库中BLCA患者的转录组数据和临床数据进行分析，并从中提取 IRGs 和 IR-lncRNAs，旨在构建BLCA的预后模型并筛选BLCA潜在的靶向分子药物，从而对BLCA患者个体化的治疗提供依据，以改善患者的生命质量。1 资料与方法 1.1 资料BLCA 患 者 的 临 床 数 据 和 RNA 测 序(RNA-sequencing，RNA-seq)数据下载于TCGA官网(https:/tcga-data.nci.nih.gov/tcga/，共414例肿瘤样本和19例癌 旁 样 本)，IRGs 从 Immport 数 据 库(https:/www.Import.org/Shared/home)中获取，用于进一步筛选数据中差异表达的IRGs。1.2 加权基因共表达网络分析用 R 语言加权基因共表达网络分析(weighted gene co-expression network analysis，WGCNA)包构建共表达网络，根据选定的软阈值将差异表达的IRGs建立成邻接矩阵，通过Pearson相关检验筛选与预后相关且具有临床意义的模块。1.3 单因素Cox回归分析及LASSO回归分析利用单因素Cox分析筛选预后相关的IRGs，根据Pearson相关检验分析得到IR-lncRNAs，再次进行单因素Cox分析，获得预后相关的IR-lncRNAs。用R语言将预后相关的基因集进一步进行最小绝对收缩和 选 择 算 子(least absolute shrinkage and selection operator，LASSO)回归分析，构建BLCA的临床预后模型：风险评分=n(coef expression)。1.4 模型效能评估将样本随机分成训练集和验证集(73)，基于预后模型，得出患者的风险评分，并将患者分为高、低风险组。利用Kaplan-Meier生存曲线评估患者的生存差异，受试者操作特征(receiver operating characteristic，ROC)曲线及Cox回归分析评估模型的准确性。通过美国国家生物技术信息中心(National Center for Biotechnology Information，NCBI)数据库(https:/www.ncbi.nlm.nih.gov/gene/)评估模型在肿瘤中的作用，并且在泛癌数据中进行单因素Cox分析，进一步评估模型的独立预测效能。1.5 免疫细胞浸润与富集分析根据样本中免疫细胞的含量，将患者分为高、低风险组，并利用Kaplan-Meier生存曲线评估免疫评分与生存率之间的关系。应用CIBERSORT算法评估样本中免疫细胞的浸润情况，Wilcoxon秩和检验比较高、低风险组免疫细胞之间的差异，Kaplan-Meier生存曲线评估免疫细胞浸润与生存率之间的关系。用R语言limma包提取风险差异基因，并对差异表达的IRGs进行基因本体(gene ontology，GO)功能注释和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes，KEGG)路径富集分析。1.6 筛选靶向药物通 过 基 因 表 达 数 据 库 CMap(https:/portals.broadinstitute.org/cmap)筛选抑制高风险基因的靶向分子药物，根据 PubMed 中的相关实验验证药物对BLCA的作用及机制，并在PubChem数据库(https:/pubchem.ncbi.nlm.nih.gov/)中查询靶向药物的二级及三级结构。1.7 统计学处理应用perl语言相关程序包进行数据预处理，应用R语言(4.2.0)及相关程序包进行数据分析和模型构建及验证，均采用双侧统计学检验。P0.05为差异有统计学意义。2 结 果 2.1 预后相关免疫基因及lncRNA筛选通过R语言limma包筛选差异表达的BLCA基因集，包括1 342个IRGs；并利用WGCNA得到预后相关的模块，用于进一步分析(软阈值为 2时得到1088基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等最优的无尺度网络，图1A、1B)。因浅蓝色模块与生存时间和生存状态高度相关(r=0.2，P0.001；r=0.17，P0.001)，故从中进行预后相关免疫基因集的筛选(图2)。采用单因素Cox回归分析，以P0.05为标准筛选出178个与预后相关的IRGs(图3A)；基于共表达的方法得到14 178个IR-lncRNAs，并同样以P0.05为标准利用单因素Cox分析，筛选出74个与预后相关的IR-lncRNAs(图3B)。Scale independenceSoft threshold(power)Gene dendrogram and module colorsSoft threshold(power)5 10 15 205 10 15 200.90.80.70.60.51.00.90.80.70.6150100500Scale free topology model f it,signed R2HeightDynamic tree cutMean connectivityMean connectivityAB图1 无尺度网络Figure 1 Scale-free networkA:Soft threshold selection;B:Hierarchical clustering tree.1089临床与病理杂志,2023,43(6)http:/2.2 构建模型并评估效能对预后相关的基因集进行LASSO回归分析(图4A、4B)，得到一个由 12 个 lncRNA 和 21 个信使RNA(messenger RNA，mRNA)构成的 BLCA 预后模型(表1)。利用上述模型训练集中风险评分的中位值，将样本分为高风险组、低风险组，差异分析显示参与模型构建的基因和lncRNA在高低风险组中差异有统计学意义(P0.05，图5A)。Kaplan-Meier生存曲线显示随着时间的推移，生存率逐渐下降，且高风险组的生存率显著低于低风险组(P0.001，图5B)。通过对样本进行内部验证分析，该模型的曲线下面积(area under the curve，AUC)为0.826，说明该模型预测患者生存率的准确性较高(图5C)。Cox回归分析提示预后模型中的风险评分可作为可靠的临床独立预后因子(风险评分的P1，图5D)。在NCBI数据库及PubMed中搜索得到预后基因集，其在肿瘤中的表达及作用见表 2、3，其中lncRNA MAFG-DT、NR2F1-AS1、SLC25A25-AS1具有调控肿瘤进展的作用，其中MAFG-DT为胃癌潜在的预后标志物11。并且 CTSE、HLA-G、KIR2DL4、CIITA、IFNGR1、APOBEC3G、GNLY、TRIM27、GBP2、OAS1、CCL17、CARD11、SEMA4D、NTF3 在肿瘤生长中具有重要的调控作用，其中HLA-G 为 转 移 性 乳 腺 癌 预 后 的 预 测 因 子23，SEMA4D与肿瘤免疫浸润相关，是BLCA、肾透明细胞癌、黑色素瘤和胸腺瘤的预后生物标志物45。这说明预后基因集作为预后标志物，具有重要的作用。对预后基因集进行泛癌数据的单因素 Cox分析，结果显示：在 BLCA 等肿瘤组织中，上述 IR-lncRNAs 及 IRGs 与患者的预后显著相关(P0.05，图 6A、6B)。Module-trait relationshipsFutimeFustatAgeGenderGradeStageTMNMEblueMEturquoiseMEbrownMEyellowMEgrey10.500.51图2 加权基因共表达网络分析Figure 2 WGCNACell contains correlation coefficient(top)and P value(bottom)of correlation test(positive correlation in red,negative correlation in blue).WGCNA:Weighted gene co-expression network analysis.1090基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等AB图3 预后相关的免疫基因及lncRNAFigure 3 Immunue-related genes and lncRNAs associated with prognosisA:IRGs associated with prognosis;B:IR-lncRNAs associated with prognosis.LncRNA:Long non-coding RNA;IRGs:Immune related genes;IR-lncRNAs:Immune related lncRNAs.1091临床与病理杂志,2023,43(6)http:/AB108 91 63 46 34 22 7108 98 87 71 57 51 39 34 28 22 11 7 05.0 4.5 4.0 3.5 3.0 2.5 2.05.0 4.5 4.0 3.5 3.0 2.5 2.0Log lambdaLog()CoefficientsPartial likelihood deviance432101252015图4 LASSO回归Figure 4 LASSO Cox regressionA:Correlation coefficient diagram;B:Partial likelihood deviation diagram.LASSO:Least absolute shrinkage and selection operator.表1 基因及对应系数值Table 1 Genes and corresponding coefficient values基因名称AL353150.1MAFG-DTAP003352.1AC016957.2NR2F1-AS1AJ271736.1AC005674.2AF131215.6OCIAD1-AS1STAG3L5P-PVRIG2P-PILRBSLC25A25-AS1AC104785.1CTSEHLA-GKIR2DL4CIITAHTN1系数值0.1423728370.2064390950.0057720310.012141310.0635129490.1073574360.1034752850.0705860210.0043100720.1027233680.0331794220.0925194650.0183412690.0671412430.1118559090.0520510171.604255014基因名称IFNGR1APOBEC3GGNLYTRIM27GBP2OAS1UNC93B1CCL17CARD11SEMA4DGPR32CGB5FGF1NTF3PPYHTR3B系数值0.1238538730.0268973560.000730730.1589216030.063712920.0198520310.0024596150.0177311690.0121438750.0774665750.0337845620.0568949440.2022216350.3673290740.1801251850.1763594281092基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等AL353150.1Gene expressionSurvival probabilityRisk Risk Low HighP0.001Risk High risk Low risk0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 150 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15Time/yearsTime/yearsHigh riskLow risk141 76 29 17 12 7 4 3 2 2 2 1 1 1 0 0142 117 67 42 33 24 15 11 7 5 3 1 1 1 0 0MAFG-DTAP003352.1AC016957.2NR2F1-AS1AJ271736.1AC005674.2AF131215.6OCIAD1-AS1STAG3L5P-PVRIG2P-PILRBSLC25A25-AS1AC104785.1CTSEHLA-GKIR2DL4CIITAHTN1IFNGR1APOBEC3GGNLYTRIM27GBP2OAS1UNC93B1CCL17CARD11SEMA4DGPR32CGB5FGF1NTF3PPYHTR3B7.55.02.50.01.000.750.500.250.00Sensitivity0.0 0.2 0.4 0.6 0.8 1.0P value Hazard ratioHazard ratio0 200 400 600 800 12001SpecificityAUC=0.8261.00.80.60.40.20.0AgeGenderGradeStageRiskSoore0.0010.4500.0910.0010.0011.038(1.0191.057)0.856(0.5721.282)0.183(0.0261.315)1.838(1.4592.315)479.334(153.9291492.641)ABCD图5 模型在训练集中的预测效能的评估Figure 5 Evaluation of the predictive effectiveness of the model in the training cohortA:Variation analysis;B:Kaplan-Meier survival curve;C:ROC curve;D:Cox regression analysis.*P0.01,*P0.001.ROC:Receiver operating characteristic.1093临床与病理杂志,2023,43(6)http:/2.3 免疫细胞浸润分析肿瘤微环境(tumor microenvironment，TME)的打分在高、低风险组之间存在差异(图 7A)，且2组间生存也具有差异，免疫细胞含量更高的患者有更好的预后(图7B)。BLCA患者样本中免疫细胞中含量最高的免疫细胞是幼稚B淋巴细胞、静息肥大细胞、静息树突状细胞等(图7C)。此外，Wilcoxon检验进一步证实 CD8+T 细胞、调节性 T 细胞、M0巨噬细胞、M2巨噬细胞、以及激活的树突状细胞等在高低风险组之间差异有统计学意义(图 7D)。Kaplan-Meier 分析结果示记忆 B 细胞的生存曲线具有统计学意义(P=0.011)，说明记忆B细胞含量越低的患者总生存期越长(图7E)。2.4 富集分析将基因在R语言环境下进行GO功能富集分析，结果示：在参与的生物过程(biological process，BP)分析中，基因主要富集于表皮发育、表皮细胞分化、角膜细胞分化、皮肤发育等。在细胞学组分(cellular component，CC)分析中，主要富集于角化包膜、内源性胶原蛋白、细胞外基质等。在分子功能(molecular function，MF)分析中，主要富集于细胞外基质结构成分、整合素结合、血红素结合等(图8A、8B)。将基因在R语言环境下进行KEGG通路富集分析，结果示：基因主要富集于ECM受体相互作用、矿质吸收、黏着斑(图8C、8D)。表3 预后相关的IRGs在不同肿瘤中的表达及作用Table 3 Expression and role of prognostic IRGs in different tumors基因名CTSEHLA-GKIR2DL4CIITAIFNGR1APOBEC3GGNLYTRIM27GBP2OAS1CCL17CARD11SEMA4DNTF3基因号151031353805426134596048910578598726344938636184433105074908全称Cathepsin EMajor histocompatibility complex,class I,GKiller cell immunoglobulin like receptor,two Ig domains and long cytoplasmic tail 4Class II major histocompatibility complex transactivatorInterferon gamma receptor 1Apolipoprotein B mRNA editing enzyme catalytic subunit 3GGranulysinTripartite motif containing 27Guanylate binding protein 22-5-oligoadenylate synthetase 1C-C motif chemokine ligand 17Caspase recruitment domain family member 11Semaphorin 4DNeurotrophin 3相关疾病食道腺癌21、胰腺癌22乳腺癌23、卵巢癌24-25、宫颈癌26肾透明细胞癌27、非小细胞肺癌28结直肠癌29、喉癌30、淋巴瘤31肝癌32、胃癌33肝癌34、宫颈癌35NK细胞肿瘤36胶质母细胞瘤37、直肠癌38、卵巢癌39胶质母细胞瘤40前列腺癌41淋巴瘤42、肾细胞癌43甲状腺癌44BLCA45、卵巢癌46、肺癌47髓母细胞瘤48IRGs：免疫相关基因；mRNA：信使RNA；NK：自然杀伤。表2 预后相关的IR-lncRNAs在不同肿瘤中的表达及作用Table 2 Expression and role of prognostic IR-lncRNAs in different tumors预后相关的IR-lncRNAsMAFG-DTNR2F1-AS1SLC25A25-AS1基因号92659 441094 100289019 全称MILIP MYC inducible lncRNA inactivating p53NR2F1-AS1 NR2F1 antisense RNA 1SLC25A25-AS1 SLC25A25 antisense RNA 1相关疾病胃癌11、乳腺癌12、肝细胞癌13、BLCA14胰腺癌15、黑色素瘤16、结直肠癌17、子宫内膜癌18结直肠癌19、胃癌20IR-lncRNAs:Immune related lncRNAs.1094基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等ABCancer Pvalue Hazard Ratio(95%CI)Cancer Pvalue Hazard Ratio(95%CI)图6 泛癌数据的单因素Cox分析森林图Figure 6 Univariate Cox analysis forest plot of pan-cancer dataResults of monofactor Cox analysis of single gene in tumor.A:MAFG-DT;B:SEMA4D.1095临床与病理杂志,2023,43(6)http:/ImmuneScoreRelative percent/%FractionP=0.672P=0.070P=0.874P=0.342P0.001P0.001P0.001P=0.506P=0.104P=0.199P=0.007P=0.348P=0.816P=0.791P=0.990P=0.281P=0.502P=0.357P=0.027P=0.667P=0.902Survival probabilitySurvival probabilityLowHighTime/yearsTime/years0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 150 1 2 3 4 5 6 7 8 9 10 11 12 13 14 154 0002 00002 0001008060402000.70.60.50.40.30.20.10.01.000.750.500.250.001.000.750.500.250.00Low riskHigh riskB cells naiveB cells memoryPlasma cellsT cells CD8T cells CD4 naiveT cells CD4 memory restingT cells CD4 memory activatedT cells follicular helperT cells regulatory(Tregs)T cells gamma deltaNK cells restingNK cells activatedMonocytesMacrophages M0Macrophages M1Macrophages M2Dendritic cells restingDendritic cells activatedMast cells restingMast cells activatedEosinophilsNeutrophilsRisk Low High0.69P=0.570ImmuneScore High LowB cells memory High LowLow riskHigh riskB cells naiveB cells memoryPlasma cellsT cells CD8T cells CD4 naiveT cells CD4 memory restingT cells CD4 memory activatedT cells follicular helperT cells regulatory(Tregs)T cells gamma deltaNK cells restingNK cells activatedMonocytesMacrophages M0Macrophages M1Macrophages M2Dendritic cells restingDendritic cells activatedMast cells restingMast cells activatedEosinophilsNeutrophilsP=0.011ABCDEP=0.660图7 免疫细胞浸润Figure 7 Infiltration of immune cellsA:Tumor microenvironment analysis score;B:Survival analysis of the tumor microenvironment;C:Barplot of immune cell infiltration;D:Vioplot of immune cell infiltration;E:Survival analysis of immune cells.1096基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等ECM-receptor interactionMineral absorptionFocal adhesionFocal adhesion0.0 2.5 5.0 7.50.05 0.06 0.07 0.08 0.09GeneRatio0.020.030.040.020.030.0456789qvalueqvalueCountMineral absorptionECM-receptor interactionABCD图8 富集分析Figure 8 Enrichment analysisA:GO barplot;B:GO bubble diagram;C:KEGG barplot;D:KEGG bubble diagram.BP:Biological process;CC:Cellular component;MF:Molecular function;GO:Gene ontology;KEGG:Kyoto Encyclopedia of Genes and Genomes.1097临床与病理杂志,2023,43(6)http:/2.5 靶向分子药物的鉴定将表达上调和表达下调的基因文件上传到CMap网络工具中，识别出具有高度相关性的药物，详细药物见表6(表中只列举富集显著性排名前11的信息)，在PubMed中搜索得到相关药物对BLCA的作用与机制(表 7)。最后，利用数据库 PubChem 将靶向分子药物的二维及三维化学结构式进行可视化，结果见图9A9D。表6 CMap药物筛选Table 6 CMap drug screening序号1 2 3 4 5 6 7 8 9 10 11 名称甲硫二苯马尼昂丹司琼哈尔醇Prestwick-857喹吡罗伊马替尼槲皮素氯化筒箭毒碱Prestwick-1103叶酸二甲胍基乙磺酸平均值0.3530.3210.4970.3060.3880.4990.3220.4580.330.3450.268n54444264444富集打分0.7520.810.8010.7720.7320.9240.5890.6940.6870.6520.635P0.001720.002570.003040.005470.010440.011870.016840.018660.020670.034670.04335特异度0.00000.00750.03280.00640.01480.00670.03180.01520.12580.08820.0471非空百分比/%60507550501005075505050表7 药物对BLCA的作用及机制Table 7 Effect and mechanism of drugs on BLCA药物伊马替尼槲皮素槲皮素槲皮素体外实验通过靶向同源重组使BLCA放射增敏49诱导DNA损伤来抑制人BLCA T24细胞的细胞增殖和集落形成51激活AMPK通路对BLCA细胞具有有效抑制作用53抑制TAK1/JNK信号通路抑制BIU-87细胞的增殖54体内实验和转基因内皮细胞疫苗联合治疗显示协同抗血管生成作用50下调CyclingB1的表达，阻滞细胞周期于G2/M期52BLCA：膀胱癌；AMPK：AMP活化蛋白激酶；TAK1：转化生长因子激酶1；JNK：c-Jun氨基端蛋白激酶。ABCD图9 药物结构Figure 9 Structure of drugA:Secondary structure of imatinib;B:Secondary structure of quercetin;C:Tertiary structure of imatinib;D:Tertiary structure of quercetin.1098基于免疫相关长链非编码RNA及基因建立膀胱癌预后模型并筛选靶向分子药物 赵轩迪，等3 讨 论 BLCA是泌尿系统最常见的恶性肿瘤之一，其发病率逐年上升，且具有高侵袭性和复发率55。因此，探究新的生物标志物，特别是在早期诊断、风险分层等方面，对患者的预后具有重要的临床意义。目前，尽管许多基因被报道为癌症生物标志物，但鉴于单个基因的表达可能受到许多其他因素的影响，单个生物标志物仍然无法准确评估复杂的疾病。生物信息学统计构建的免疫相关预后模型已被广泛应用于肿瘤预后预测，预测能力优于单一生物标志物56-58。本研究证明由12个IR-lncRNAs和21个IRGs构建的模型，是一个新的独立预后标志物，有望为患者的个性化治疗提供服务。本研究基于1 342个IRGs和409个临床数据构建了WGCNA，在其中筛选出1个与BLCA患者生存状态相关性最显著的模块(浅蓝色模块)，并用该模块中的基因作后续分析。通过单因素Cox分析和Pearson相关检验，鉴定了178个与预后相关的IRGs及74个与预后相关的IR-lncRNAs。随后构建了一个包括12个IR-lncRNAs和21个IRGs的BLCA预后模型，并对模型进行了差异分析、生存分析和风险分析。独立预后分析验证了该模型的独立预测能力，ROC曲线验证了该模型的准确性。免疫相关的基因集表明高风险组和低风险组之间免疫细胞的含量是不同的。最后，基于CMap数据库分析，根据风险差异基因，筛选出11种有治疗BLCA潜力的靶向分子药物。LncRNA在肿瘤的发生、发展中发挥至关重要的作用。Zhan 等59-60研究表明：来源于尿液外体的lncRNA在预测BLCA预后方面具有很强的临床价值。其中，尿路上皮癌相关 1 是 BLCA 中研究最多的lncRNA之一，参与各种BP，并可能与BLCA的耐药性有关61。本研究筛选了12个lncRNA，其被认为是BLCA有价值的预后标志物。NCBI数据库中显示：预 后 基 因 集 中 的 MAFG-DT、NR2F1-AS1 及SLC25A25-AS1在肿瘤中具有差异性表达，并与肿瘤的发生、发展密切相关11-20。MAFG-AS1 通过调控miR-125b-5p/SphK1轴促进BLCA细胞的增殖、迁移和侵袭，其在BLCA中具有致癌作用，可以作为良好的诊断标志物和BLCA的潜在治疗靶点14。此外，为了探索预后基因集在泛癌中的潜在预后价值，本研究对泛癌数据进行了进一步研究，结果显示：预后基因集中的IR-lncRNAs和IRGs可以作为BLCA等不同癌症的独立预后因素，并可作为一个极有临床应用前景的潜在标志物。TME是肿瘤细胞生存的环境，与致癌基因和肿瘤抑制相关，TME 在肿瘤发生、发展中起重要作用62-64。TME 中浸润的免疫细胞的丰度改变，如CD8+T细胞、树突状细胞、肿瘤相关巨噬细胞和调节性T细胞，会影响许多恶性肿瘤的临床结局65。如BLCA中巨噬细胞的浸润与T细胞耐受性有关，并可能影响患者的预后66-67。在本研究中，BLCA含量最高的5种免疫细胞是幼稚B淋巴细胞、静息肥大细胞、静息树突状细胞、M2巨噬细胞及M0巨噬细胞。此外，CD8+T细胞、调节性T细胞、M0巨噬细胞、M2巨噬细胞以及激活的树突状细胞在高低风险患者组之间