Cuproptosis相關lncRNAs在結直腸癌中的潛在預后價值

摘要：目的 "探討與銅死亡（Cuproptosis）相關的lncRNA在結直腸癌（CRC）之間的關系，并構建預后模型來預測CRC的預后。方法 "通過TCGA數(shù)據(jù)庫下載CRC的轉錄組數(shù)據(jù)、基因組數(shù)據(jù)和臨床數(shù)據(jù)；從已發(fā)表的文獻中收集Cuproptosis基因，將整理好的轉錄組數(shù)據(jù)區(qū)分為mRNA和lncRNA，通過共表達分析篩選出與Cuproptosis共表達的lncRNA，并構建預后模型。通過獨立預后分析研究模型能否作為獨立的預后因子，并分析不同臨床分組中高低風險組之間的差異，通過差異分析探索高低風險組之間的差異基因，并進行富集分析，最后分析模型中l(wèi)ncRNA在腫瘤突變負荷，免疫浸潤和藥物敏感性中的作用。結果 "構建了一個由5個新的與Cuproptosis相關的lncRNA組成的模型，風險評分=（0.809×LINC01545）+（0.569×AP001160.4）+（0.508×AL442125.2）+（-2.107×AC115989.1）+（-0.280×AC103591.3），其中訓練組1、3、5年的曲線下面積分別為：0.732、0.740和0.768；通過PCA圖，發(fā)現(xiàn)模型可以很好的區(qū)分高低風險組患者，并且可以作為獨立的預后因素，其中單因素HR=1.119（1.070，1.169），多因素HR=1.077（1.024，1.133）；高低風險組在年齡＞65歲、男性、女性、Ⅰ～Ⅱ期、T1～T2期、T3～T4期、M0期、N0期和N1期臨床分組中的生存狀態(tài)存在差異（P＜0.05）。高低風險組間的12個差異基因主要富集在受體配體活性和動作電位的調節(jié)等。低腫瘤突變負荷合并低風險組的患者生存最優(yōu)，在免疫中，模型中的lncRNA與部分免疫細胞存在相關性，并發(fā)現(xiàn)11種藥物對高危人群的CRC治療敏感。結論 "本次發(fā)現(xiàn)了5個新的lncRNA可以很好的預測CRC的預后，并且模型中的lncRNA與CRC的免疫細胞浸潤密切相關，發(fā)現(xiàn)了11種藥物對CRC敏感。

關鍵詞：銅死亡；Cuproptosis；CRC；lncRNA；免疫浸潤；腫瘤突變負荷；藥物敏感性

中圖分類號：R735.3 " " " " " " " " " " " " " " " " 文獻標識碼：A " " " " " " " " " " " " " " " " DOI：10.3969/j.issn.1006-1959.2025.02.001

文章編號：1006-1959（2025）02-0001-13

Potential Prognostic Value of Cuproptosis-related lncRNAs in Colorectal Cancer

LI Yinzhen1， NONG Weixia2， ZHANG Mei1， RUI Dongsheng1， LEI Wei1， BAI Wenli1， LI Rui1， ZHANG Yazhou1， WANG Kui1

（1.Department of Preventive Medicine， Shihezi University School of Medicine， Shihezi 832000， Xinjiang， China;

2.Department of Rheumatology， the First Affiliated Hospital of Shihezi University， Shihezi 832000， Xinjiang， China）

Abstract：Objective "To investigate the relationship between lncRNA associated with cuprotosos and colorectal cancer （CRC）， and to construct a prognostic model to predict the prognosis of CRC. Methods "The transcriptome data， genomic data and clinical data of CRC were downloaded from TCGA database. Cuproptosis genes were collected from published literatures， and the sorted transcriptome data were divided into mRNA and lncRNA. The lncRNA co-expressed with Cuproptosis was screened by co-expression analysis， and a prognostic model was constructed. Independent prognostic analysis was used to study whether the model can be used as an independent prognostic factor， and the differences between high and low risk groups in different clinical groups were analyzed. The differential genes between high and low risk groups were explored through differential analysis， and enrichment analysis was performed. Finally， the role of lncRNA in tumor mutation load， immune infiltration and drug sensitivity was analyzed. Results "A model consisting of five new lncRNAs related to Cuproptosis was constructed， and the risk score=（0.809×LINC01545）+（0.569×AP001160.4）+（0.508×AL442125.2）+（-2.107×AC115989.1）+（-0.280×AC103591.3）. The area under the curve of the training group for 1， 3 and 5 years was 0.732， 0.740 and 0.768， respectively. Through the PCA plot， it was found that the model could well distinguish the patients in the high and low risk groups， and could be used as an independent prognostic factor， including single factor HR=1.119 （1.070， 1.169）， multi-factor HR=1.077 （1.024， 1.133）; there were differences in the survival status of the high and low risk groups in the clinical groups of agegt;65 years， male， female， I-II， T1-T2， T3-T4， M0， N0 and N1 （Plt;0.05）. The 12 differential genes between the high and low risk groups were mainly enriched in the regulation of receptor ligand activity and action potential. Patients with low tumor mutation load and low risk group had the best survival. In immunity， lncRNA in the model was correlated with some immune cells， and 11 drugs were found to be sensitive to CRC treatment in high-risk groups. Conclusion "There are five new lncRNAs can well predict the prognosis of CRC， and the lncRNAs in the model are closely related to the immune cell infiltration of CRC， and 11 drugs are found to be sensitive to CRC.

Key words：Copper death; Cuproptosis; CRC; lncRNA; Immune infiltration; Tumor mutation load; Drug sensitivity

隨著生物信息學技術的進步，mRNA被發(fā)現(xiàn)并驗證為治療癌癥的候選生物標志物[1]，隨著RNA測序技術的發(fā)展和分析轉錄組技術的成熟，人們發(fā)現(xiàn)，全基因組中只有1.5%～2.0%的基因是蛋白質編碼基因（PCG），其他大多數(shù)基因都經(jīng)過轉錄過程并產(chǎn)生非編碼RNA（ncRNA）[2]。因此，仍然有大量的信息未被發(fā)掘。長鏈非編碼RNA（lncRNA）是一類長度超過200 nt的ncRNA，可以作為基因表達的關鍵調節(jié)因子，通過不同的機制改變基因對多種疾病的易感性[3]。大量研究表明，lncRNA參與細胞增殖、分化、凋亡、轉移和許多其他過程，并與腫瘤發(fā)生、進展、預后、耐藥性和敏感性密切相關[4]，已成為癌癥研究的興趣所在，許多l(xiāng)ncRNA可能具有致癌或抑癌功能，被認為是新的治療靶點。最近，關于CRC中l(wèi)ncRNA的生物學研究的新基因治療策略，引起了人們對lncRNA在CRC分子機制中研究的濃厚興趣[5]。有研究報道[6]，lncRNA會參與CRC的不同階段，從癌前早期息肉到遠處轉移，可被視為有效的診斷性生物標志物。然而，單個lncRNA檢查得到的結果通常不穩(wěn)定，因此，必須創(chuàng)建一個包含各種具有預測影響的lncRNA的模型[7]。大量實驗表明，lncRNA 與細胞死亡有關[8]，而調節(jié)性死亡（regulatory cell death， RCD）作為目前治療CRC的新方向，已經(jīng)有學者研究了lncRNA與鐵死亡[9，10]和焦亡[11，12]在CRC患者中的預后，并且建立了預后模型，但是關于Cuproptosis和lncRNA在CRC中作用的研究仍然有限，僅有部分學者探討了Cuproptosis和lncRNA在CRC中的作用，如：Pang L等[13]、Liu F等[14]、Hou D等[15]、Li C等[16]和Yang Y等[17]分別開發(fā)了包含4個、22個、11個、5個和6個與Cuproptosis相關的lncRNA（CRL）并構建了模型來預測CRC患者的預后。本研究旨在探討與Cuproptosis基因相關的lncRNA在CRC之間的相互關系、生物學作用和潛在的通路機制，擬構建預后模型來預測CRC患者的預后，同時探索其在免疫和藥物方面的作用，為今后的研究提供了新的思路和見解，并為臨床免疫治療和藥物治療提供新的依據(jù)和參考，以期提高CRC患者的生存時間和生存率。

1數(shù)據(jù)與方法

1.1數(shù)據(jù)采集與預處理 "通過TCGA數(shù)據(jù)庫下載CRC轉錄組數(shù)據(jù)、基因突變數(shù)據(jù)和臨床數(shù)據(jù)；Cuproptosis基因主要以TSVETKOV等人研究提供的13個基因為基礎，并結合已發(fā)表的Cuproptosis研究中提到的Cuproptosis基因。使用Perl語言對轉錄組數(shù)據(jù)進行預處理：基因注釋，提取和整理存活數(shù)據(jù)，刪除多個樣本中基因表達為零的基因，取均值保留多個重復的一個基因，最終得到一個橫標目為基因名，縱標目為樣本名的表達矩陣；使用Perl語言對下載好的臨床數(shù)據(jù)進行整理；基于整理好的轉錄組表達矩陣，使用Perl語言區(qū)分mRNA和lncRNA；使用R語言從整理好的轉錄組表達矩陣中提取Cuproptosis相關基因的表達量數(shù)據(jù)。

1.2共表達分析 "基于Cuproptosis相關基因的表達量數(shù)據(jù)和篩選出的lncRNA表達量，通過R語言的Limma包，將與Cuproptosis基因表達存在共表達的lncRNA篩選出來，得到lncRNA的表達矩陣和lncRNA與Cuproptosis基因共表達的結果，并將結果通過?；鶊D展示，其中表達系數(shù)設為0.65，P值設為0.05。并將得到的lncRNA表達矩陣和整理好的臨床數(shù)據(jù)合并，得到帶有生存時間和生存狀態(tài)的lncRNA表達矩陣。

1.3構建預后模型 "基于1.2中得到的lncRNA表達矩陣，按50%分配方法將樣本隨機分為訓練組和驗證組，將模型中的基因表達量與系數(shù)相乘求和，分別得到訓練組和驗證組的得分，并根據(jù)訓練組和驗證組得分的中位數(shù)將樣本分為高風險組和低風險組，根據(jù)單因素COX回歸分析得出顯著的lncRNA，并通過Lasso回歸對顯著的lncRNA進行篩選，通過R語言的“glmnet”包和“caret”包進行交叉驗證，選取誤差最小的點對應的基因作為Lasso回歸模型的顯著基因，由顯著基因及其表達量構建多因素COX回歸模型。采用“timeROC”軟件包，基于構建的模型和整理好的臨床數(shù)據(jù)繪制受試者工作特征曲線（ROC），通過AUC值的大小來驗證模型的準確性。根據(jù)每個臨床性狀和高低風險組的打分之和，構建列線圖和校準曲線來驗證模型的準確性，觀察校準曲線中的每條曲線與標準曲線的位置關系，如果曲線與標準曲線擬合的好，說明構建的模型可以較好的預測患者的生存狀態(tài)，同時構建風險曲線來驗證模型的準確性。

1.4分組臨床統(tǒng)計分析 "根據(jù)整理好的臨床數(shù)據(jù)，將訓練組和驗證組中的臨床信息分別進行？字2檢驗，觀察訓練組和驗證組中每個臨床信息是否具有異質性，P值設為0.05。

1.5風險差異分析 "根據(jù)Cuproptosis基因表達矩陣和模型中l(wèi)ncRNA的表達量，觀察Cuproptosis基因在高低風險組之間的是否具有差異，同時構建相關性熱圖，觀察模型中每個lncRNA和Cuproptosis基因的相關性。同時，基于Cuproptosis基因的表達矩陣、lncRNA的表達矩陣和構建的模型，通過PCA分析，觀察構建的模型能否將高低風險組的患者區(qū)分開。

1.6生存分析 "使用“survival”和“survminer”包來比較訓練組、驗證組和總體組中患者高低風險組之間的生存情況。通過TCGA中的泛癌臨床無進展生存期數(shù)據(jù)，利用無進展生存時間和無進展生存狀態(tài)，分析高低風險組之間的無進展生存狀態(tài)是否具有差別。

1.7獨立預后分析 "基于構建的模型和整理好的臨床數(shù)據(jù)，分析構建的模型能否獨立于每個臨床因素來預測患者的生存狀態(tài)，并將結果通過森林圖展示。同時，構建C-index曲線，分析構建的模型能否較臨床性狀更好的來預測患者的生存，在C-index圖中，縱坐標的數(shù)值越大，用來預測患者生存的準確性越高。根據(jù)高低風險組中不同臨床性狀之間的生存狀態(tài)是否具有差異，以觀察所構建的模型是否適用于不同臨床性狀的患者。

1.8差異分析和富集分析 "基于構建的模型和Cuproptosis基因表達矩陣，通過Limma包進行差異分析，其中LogFC設為1，P值設為0.05，分析高低風險組之間的差異基因。對于鑒定出來的差異基因，分別使用“clusterProfiler”軟件包、“org. hs . egg .db”軟件包和“enrichment”軟件包對差異基因進行GO （Gene Ontology， GO）功能富集分析和KEGG （Kyoto encyclopedia of genes and genomes， KEGG）通路富集分析，其中GO功能富集分析包括生物過程（BP）、分子功能（MF）和細胞成分（CC）。P值設為0.05，同時考慮count或GeneRatio，結果以氣泡圖和柱狀圖繪制。

1.9腫瘤突變負荷生存分析 "利用Perl語言將下載好的腫瘤突變數(shù)據(jù)進行整理，結合構建的模型，分別得到高風險組的突變文件和低風險組的突變文件，通過R語言的“maftools”軟件包，分析高低風險組中突變的數(shù)量、頻率、類型和堿基變化等，并將結果以瀑布圖展示，同時比較高低風險組之間的腫瘤突變負荷是否具有差異，并將結果以小提琴圖展示。將樣本區(qū)分為高腫瘤突變負荷組和低腫瘤突變負荷組，使用“survival”和“survminer”包來比較高低腫瘤突變負荷組之間患者的生存是否具有差異，同時將高低腫瘤突變負荷和高低風險組相結合，比較不同組合中患者的生存是否具有差異。

1.10免疫相關功能分析 "根據(jù)整理好的轉錄組表達矩陣和構建的模型，通過熱圖，觀察哪些免疫功能在高風險組之間是有差異的，同時將上傳到轉錄組表達矩陣TIDE網(wǎng)址中（http：//tide.dfci.harvard.edu/），在選擇好腫瘤類型后提交，下載分析后得到的TIDE文件并整理，比較高低風險組之間的免疫逃逸是否具有差別，并將結果以小提琴圖展示。使用R語言CIBERSORT命令獲得轉錄組表達矩陣數(shù)據(jù)的相對免疫細胞含量（求和為1）；相對免疫細胞含量結果按P＜0.05進行過濾，與模型構建中涉及的lncRNA基因風險評分結果相交，對所有免疫細胞進行循環(huán)計算，得到風險評分、基因與免疫細胞之間的相關性結果。最后，通過TwoSampleMR包[18]和gwasglue包進行免疫細胞孟德爾隨機化，驗證與CRC具有因果關系的免疫細胞，以逆方差加權法的結果為準（免疫表型的GWAS的ID號從GCST0001391到GCST0002121；CRC的GWAS數(shù)據(jù)的ID號為：ebi-a-GCST90018808）。

1.11藥物敏感性分析 "通過R語言“prorophetic”軟件包分析高風險組和低風險組之間的IC50差異，以預測可用于治療的藥物，其中IC50值較低表明對這些藥物的敏感性較高。

2結果

2.1準備數(shù)據(jù) "從TCGA數(shù)據(jù)庫下載了440份CRC轉錄組數(shù)據(jù)樣本（病例401份，對照組39份），375份基因突變數(shù)據(jù)樣本和385份臨床數(shù)據(jù)。共收集到20個Cuproptosis基因，分別為SLC31A1、PDHB、PDHA1、LIPT1、FDX1、DLD、DLST、DBT、LIAS、DLAT、GCSH、ATP7A、ATP7B、NFE2L2、NLRP3、LIPT2、MTF1、GLS、CDKN2A、MPC1。

2.2共表達分析及預后模型構建 "從59 427個基因中，鑒定出16 200個lncRNA基因，根據(jù)設定的閾值，鑒定出了993個與Cuproptosis基因共表達的lncRNA，其中主要與ATP7A、DBT、GCSH和GLS這四個Cuproptosis基因共表達（圖1A），并獲得了帶有生存時間和生存狀態(tài)的lncRNA表達矩陣。通過Lasso回歸交叉驗證和COX回歸得到了訓練組和驗證組的風險值，并構建了一個由5個lncRNA組成的COX回歸模型（圖1B～圖1D），其公式為：風險評分=（0.809×LINC01545）+（0.569×AP001160.4）+（0.508×AL442125.2）+（-2.107×AC115989.1）+（-0.280×AC103591.3）。通過ROC曲線發(fā)現(xiàn)，訓練組1、3、5年的曲線下面積分別為：0.732、0.740和0.768；驗證組1、3、5年的曲線下面積分別為：0.666、0.666和0.587；總體1、3、5年的曲線下面積分別為：0.707、0.701和0.693（圖1E～圖1G）；結合臨床性狀的ROC顯示：構建的模型、年齡、性別、T分期、M分期、N分期的曲線下面積分別為：0.707、0.626、0.441、0.642、0.678和0.704，其中模型的AUC值最大（圖1H），說明建立的模型較其他臨床性狀可以更好的預測患者的生存期。通過列線圖可以看到風險得分和每個臨床性狀的總得分為226分，患者生存大于1、3、5年的概率分別為：96%、90.7%和82.7%，通過校正曲線可以看出，校準曲線中的每條連線與標準曲線的位置都比較近，說明通過構建的模型來預測患者的生存是比較準確的（圖1I、圖1J）。從風險曲線也可以看到，LINC01545，AP001160.4和AL442125.2是危險基因，而AC115989.1和AC103591.3是保護基因，同時無論是訓練組、驗證組還是整體，患者死亡人數(shù)均隨風險增加而增加（圖1K）。

2.3分組的臨床統(tǒng)計分析 "根據(jù)？字2檢驗，發(fā)現(xiàn)訓練組和驗證組中每個臨床信息的P值均大于0.05，說明訓練組和驗證組中的臨床性狀都不具有異質性，說明訓練組和驗證組間的差異并不是由臨床信息導致的，而是與構建的模型有關，說明數(shù)據(jù)是可靠的，見表1。

2.4風險差異分析與生存分析 "從風險差異分析中發(fā)現(xiàn)，DLD、PDHB、CDKN2A和MPC1這四個Cuproptosis基因在高低風險組之間具有差異，其中DLD、PDHB和MPC1在低風險組高表達，CDKN2A在高風險組中高表達（圖2A）。在相關性熱圖中發(fā)現(xiàn)，LINC01545、AP001160.4、AL442125.2、AC115989.1和AC103591.3均與ATP7A、ATP7B、DBT、GCSH、GLS、LIAS、LIPT1、MTF1和NFE2L2呈正相關，與DLST和PDHB呈負相關（圖2B）。從PCA圖中可以看出，在Cuproptosis基因表達矩陣和lncRNA表達矩陣中，高低風險組的樣本是雜亂無章的，并不能將高低風險組的樣本區(qū)分開來，而構建的模型可以很好的將高低風險組的樣本區(qū)分開，說明構建的模型是有較好的應用價值的（圖2C～圖2E）。使用“survival”和“survminer”包來比較不同組之間患者的存活率，結果顯示，高低風險組在訓練組、驗證組和總體組中都具有差異，并且高低風險組的無進展生存期同樣存在差異（圖2F、圖2G）。通過單因素的森林圖可以看到，年齡、分期、T分期、M分期、N分期和構建的模型均可以作為獨立的因素來預測患者的預后，而在多因素的森林圖中可以看到，只有年齡、T分期和構建的模型可以作為獨立的因素來預測患者的預后，說明不管是單因素還是考慮多因素之間的相互影響，構建的模型都可以作為獨立的預后因素（圖2H、圖2I）。

2.5 C-index分析和臨床分組的模型驗證 "在C-index分析中，可以發(fā)現(xiàn)分期與患者的生存是十分相關的，同時構建的模型也僅次于分期與患者的相關性，說明目前醫(yī)學界中利用分期對CRC患者的生存進行預測仍然是十分重要的，同時也發(fā)現(xiàn)，本文構建的模型也可以作為除了分期以外的另一種來CRC患者預后的有價值的方案（圖3A）。在臨床分組的模型驗證中，根據(jù)年齡將患者分為≤65歲和＞65歲；根據(jù)性別將患者分為男性和女性；根據(jù)分期將患者分為早期無淋巴和遠處轉移（Ⅰ～Ⅱ期）和晚期有淋巴和遠處轉移（Ⅲ～Ⅳ期）；根據(jù)T分期將患者分為早期侵犯粘膜下層和固有肌層（T1～T2期）和晚期穿透固有肌層和臟層腹膜（T3～T4期）；根據(jù)M分期將患者分為無遠處轉移（M0期）和有遠處轉移（M1期）；根據(jù)N分期將患者分為無淋巴結轉移（N0期）和有淋巴結轉移（N1期）。結果發(fā)現(xiàn)，高低風險組在年齡＞65歲、男性、女性、早期無淋巴和遠處轉移（Ⅰ～Ⅱ期）、粘膜下層和固有肌層（T1～T2期）、晚期穿透固有肌層和臟層腹膜（T3～T4期）、無遠處轉移（M0期）、無淋巴結轉移（N0期）和有淋巴結轉移（N1期）中的生存狀態(tài)是存在顯著差異的，但是在年齡≤65歲、晚期有淋巴和遠處轉移（Ⅲ～Ⅳ期）和有遠處轉移（M1期）中沒有顯著差異（圖3B），說明構建的模型在大部分臨床性狀中都可以很好的預測患者的生存。

2.6差異分析、富集分析與腫瘤突變負荷生存分析 "通過差異分析發(fā)現(xiàn)，高低風險組之間有12個差異基因，分別為STC1、H19、PTPRN、NPTXR、SNORD13、HCN2、H2AC14、AC103591.3、NTSR1、EPHB6、CRLF1和HOXC6。通過富集分析發(fā)現(xiàn)，在細胞成分中，差異基因主要富集在軸突末端、神經(jīng)元投射端、神經(jīng)細胞的核周體、對稱突觸和遠端軸突；在分子功能中，差異基因主要富集在受體配體活性，環(huán)核苷酸結合和血影蛋白綁定等；在生物過程中，差異基因主要富集在膜去極化的調控，細胞對cAMP的反應和動作電位的調節(jié)等（圖4A）。通過分析發(fā)現(xiàn)，高風險組的腫瘤突變負荷為95.51%，低風險組的腫瘤突變負荷為95.48%，其中APC、TP53和TTN等基因突變頻率最高（圖4B、圖4C），但是通過小提琴圖可以發(fā)現(xiàn)，高低風險組之間的腫瘤突變負荷并沒有顯著的差異（圖4D）。在腫瘤突變負荷生存分析中發(fā)現(xiàn)，高低腫瘤突變負荷組之間患者的生存具有顯著差異，并且低腫瘤突變負荷的患者生存優(yōu)于高腫瘤突變負荷的患者，在將高低腫瘤突變負荷和高低風險組相結合后發(fā)現(xiàn)，低腫瘤突變負荷合并低風險組的患者生存最優(yōu)（圖4E、圖4F）。

2.7免疫相關功能分析、免疫逃逸與治療和免疫浸潤分析 "從熱圖中發(fā)現(xiàn)，在高低風險組中并沒有存在顯著差異的免疫相關功能，并且在免疫逃逸與治療中也發(fā)現(xiàn)，高低風險組中的TIDE并不存在顯著差異（圖5A、圖5B），而在免疫浸潤中發(fā)現(xiàn)，靜止期記憶CD4 T細胞與風險得分呈現(xiàn)負相關，而Tregs細胞與風險得分呈現(xiàn)正相關，同時在構建的模型中發(fā)現(xiàn)，lncRNA-AP001160.4與靜止期NK細胞呈現(xiàn)正相關；lncRNA-AC115989.1與靜止期肥大細胞和靜止期記憶CD4 T細胞呈現(xiàn)正相關，與Tregs細胞呈現(xiàn)負相關；lncRNA-AL442125.2與靜止期NK細胞呈現(xiàn)正相關，與Tregs細胞呈現(xiàn)負相關；lncRNA-AC103591.3與濾泡輔助T細胞呈現(xiàn)正相關，與Tregs細胞呈現(xiàn)負相關（圖5C～圖5E）。通過免疫細胞孟德爾隨機化分析，發(fā)現(xiàn)有31種免疫表型與CRC存在因果關系，其中Activated amp; resting Treg %CD4+、BAFF-R on B cell、BAFF-R on IgD+ CD24-、BAFF-R on IgD+、BAFF-R on naive-mature B cell、CCR2 on CD62L+ myeloid DC、CD11b on basophil、CD28 on secreting Treg、CD39+ resting Treg AC、CD8 on CD28- CD8br、CX3CR1 on CD14- CD16+ monocyte、FSC-A on HLA DR+ T cell、HLA DR on CD14- CD16+ monocyte、IgD- CD38dim %lymphocyte、Myeloid DC %DC和SSC-A on B cell這16種免疫表型是危險因素，而CD14 on CD14+ CD16- monocyte、CD24 on transitional、CD25 on unsw mem、CD25hi CD45RA- CD4 not Treg AC、CD27 on CD20-、CD28 on CD39+ CD4+、CD28 on CD39+ secreting Treg、CD39+ CD4+ AC、CD39+ secreting Treg AC、CD62L- monocyte %monocyte、CD86+ plasmacytoid DC %DC、IgD- CD38br AC、IgD on IgD+ CD38br、IgD+ CD24+ %B cell和IgD+ CD38br %B cell這15種免疫表型是保護因素，詳細的結果數(shù)據(jù)見圖5F。

2.8藥物敏感性分析 "在藥物敏感性分析中，發(fā)現(xiàn)11種藥物在高風險組和低風險組中存在差異，并且這11種藥物的IC50值均在高風險組中低表達，其中包括AMG.706、AP.24534、AUY922、AZD.0530、CGP.082996、GSK269962A、KIN001.135、Nilotinib、PF.02341066、SL.0101.1和WO2009093972，這11種藥物可以用來治療CRC患者（圖6）。

3討論

本研究全面分析了CRL在CRC中的表達及其預測意義，以及它們與腫瘤突變負荷和藥物敏感性的相關性。在這項研究中，首先發(fā)現(xiàn)了 5個新的與預后顯著相關的CRL，并建立了預后模型SI=（0.809×LINC01545）+（0.569×AP001160.4）+（0.508×AL442125.2）+（-2.107×AC115989.1）+（-0.280×AC103591.3），其中LINC01545、AP001160.4和AL442125.2是危險lncRNA，而AC115989.1和AC103591.3則是保護lncRNA。隨后單因素和多因素構建的模型都可以作為獨立的因素來預測患者的預后，同時發(fā)現(xiàn)分期對于CRC患者仍然是十分重要的預后因素，其中也發(fā)現(xiàn)，模型在年齡≤65歲、晚期有淋巴和遠處轉移（Ⅲ～Ⅳ期）和有遠處轉移（M1期）中沒有顯著差異，說明一旦患者的病情達到晚期出現(xiàn)了遠處轉移，無論是否存在高危因素，其預后都是比較差的，同時發(fā)現(xiàn)，年輕CRC患者的預后低于老年CRC患者。近期有研究表明，雖然CRC患者的發(fā)病率隨年齡增長而增加，但目前患病年輕化的趨勢越來越明顯，并且年輕的CRC患者出現(xiàn)晚期轉移的概率更大，預后更加不良，而老年CRC患者出現(xiàn)晚期的可能性在降低[19]，這也提示臨床需要將更多的注意力和醫(yī)療資源從老年患者轉移到年輕患者身上，同時要加強年輕人的早期檢測，并且盡量控制病情發(fā)展[20]，這些結論與本次構建模型一致。在腫瘤突變負荷中，本研究發(fā)現(xiàn)低腫瘤突變負荷的患者生存優(yōu)于高腫瘤突變負荷的患者，并且低腫瘤突變負荷合并低風險組的患者生存最優(yōu)。

本研究發(fā)現(xiàn)，CRL與CRC免疫細胞浸潤密切相關。在先前的研究分析中都表明，腫瘤微環(huán)境對腫瘤存活至關重要[21]，而免疫細胞浸潤是腫瘤微環(huán)境的關鍵組成部分之一，全面分析腫瘤微環(huán)境中的免疫學特征可以促進有效的免疫治療策略的進展，以提高患者的生存率[22]。通過免疫細胞孟德爾隨機分析，對這31種免疫表型進行分類，發(fā)現(xiàn)對CRC是危險因素的免疫細胞類型有6種，其中包括：B細胞、Treg、cDC、Myeloid 細胞、Monocyte細胞和TBNK；有4種免疫細胞類型對CRC是保護因素，其中包括：B細胞、Treg、cDC、Monocyte細胞。需要說明的是，B細胞、Treg、cDC和Monocyte細胞既是CRC的危險因素又是保護因素，而Myeloid 細胞和TBNK（T細胞，B細胞和NK細胞）是CRC的危險因素。在免疫浸潤分析中，風險得分與Tregs顯著正相關，并且兩種保護性的lncRNA（AC115989.1和AC103591.3）與Tregs顯著負相關，結果表明Tregs細胞并不利于CRC患者的預后，但是關于Tregs細胞在CRC中的作用依然存在部分爭議。在之前的一些研究中提出，Tregs提高了CRC患者的生存率，如Xu P等[23]的研究表明Tregs浸潤提示預后良好，并與CRC的發(fā)病機制有關；同樣在Frey DM等[24]的研究中也得出相同的結論，高Tregs浸潤會提高CRC患者的生存率，但是在Noy R[25]、Timperi E[26]和Ye L[27]等更全面的分析中發(fā)現(xiàn)，Tregs的浸潤是CRC的獨立預后風險因素，與CRC患者的不良預后顯著相關，這與本研究得出的結論是一致的，也說明Tregs的浸潤不僅在mRNA中會對CRC患者的不良預后產(chǎn)生影響，同樣也在lncRNA中發(fā)揮作用，說明免疫治療不單單適用于mRNA，同樣適用于lncRNA。不過令人疑惑的是，危險性lncRNA- AL442125.2同樣與Tregs呈現(xiàn)負相關，由于有關AL442125.2在CRC中的研究還較少，還需要進一步的研究分析。

Cuproptosis 是一種新的細胞死亡模式，并且目前其與lncRNA在CRC中的研究仍然相當有限。本研究發(fā)現(xiàn)了5個新的lncRNA，可以很好的預測CRC患者的預后，并且可以作為獨立的預后因素，同時本研究發(fā)現(xiàn)其與各種免疫細胞的浸潤均存在顯著差異。也有利于為CRC的治療提供新的見解。此外，這項研究也存在一定的不足。首先，本研究的所有數(shù)據(jù)均來自公共數(shù)據(jù)庫，缺乏臨床數(shù)據(jù)和實驗進一步支持。其次，CRL模型調控免疫微環(huán)境和腫瘤突變負荷的機制尚未得到深入研究，這些問題值得未來進一步研究。

綜上所述，本研究發(fā)現(xiàn)了5個新的lncRNA來預測CRC患者的預后，并且由其構建的模型對CRC的總生存期具有較好的預測能力。模型中的lncRNA與CRC的免疫細胞浸潤密切相關，并且本研究可能對CRC藥物的應用具有潛在的指導價值。

參考文獻：

[1]Qian Y，Daza J，Itzel T，et al.Prognostic Cancer Gene Expression Signatures：Current Status and Challenges[J].Cells，2021，10（3）：648.

[2]Alexander RP，F(xiàn)ang G，Rozowsky J，et al.Annotating non-coding regions of the genome[J].Nat Rev Genet，2010，11（8）：559-571.

[3]Jiang MC，Ni JJ，Cui WY，et al.Emerging roles of lncRNA in cancer and therapeutic opportunities[J].Am J Cancer Res，2019，9（7）：1354-1366.

[4]Schwarzmueller L，Bril O，Vermeulen L，et al.Emerging Role and Therapeutic Potential of lncRNAs in Colorectal Cancer[J].Cancers （Basel），2020，12（12）：3843.

[5]Jing F，Jin H，Mao Y，et al.Genome-wide analysis of long non-coding RNA expression and function in colorectal cancer[J].Tumour Biol，2017，39（5）：1010428317703650.

[6]Zhang J，Li K，Zheng H，et al.Research progress review on long non-coding RNA in colorectal cancer[J].Neoplasma，2021，68（2）：240-252.

[7]Yao ZT，Yang YM，Sun MM，et al.New insights into the interplay between long non-coding RNAs and RNA-binding proteins in cancer[J].Cancer Commun （Lond），2022，42（2）：117-140.

[8]Deng H，Wang JM，Li M，et al.Long non-coding RNAs： New biomarkers for prognosis and diagnosis of colon cancer[J].Tumour Biol，2017，39（6）：1010428317706332.

[9]Chen W，Deng J，Zhou Y.The construction of a novel ferroptosis-related lncRNA model to predict prognosis in colorectal cancer patients[J].Medicine （Baltimore），2023，102（10）：e33114.

[10]Zhang W，F(xiàn)ang D，Li S，et al.Construction and Validation of a Novel Ferroptosis-Related lncRNA Signature to Predict Prognosis in Colorectal Cancer Patients[J].Front Genet，2021，12：709329.

[11]Chen S，Zhu J，Zhi X.A Novel Pyroptosis-Associated Long Noncoding RNA Signature to Predict the Prognosis of Patients with Colorectal Cancer[J].Int J Gen Med，2021，14：6111-6123.

[12]Cai X，Liang X，Wang K，et al.Pyroptosis-related lncRNAs： A novel prognosis signature of colorectal cancer[J].Front Oncol，2022，12：983895.

[13]Pang L，Wang Q，Wang L，et al.Development and validation of cuproptosis-related lncRNA signatures for prognosis prediction in colorectal cancer[J].BMC Med Genomics，2023，16（1）：58.

[14]Liu F，Wu X.Identification and validation of a novel cuproptosis-related lncRNA signature for predicting colorectal cancer patients' survival[J].J Gastrointest Oncol，2023，14（2）：650-662.

[15]Hou D，Tan JN，Zhou SN，et al.A novel prognostic signature based on cuproptosis-related lncRNA mining in colorectal cancer[J].Front Genet，2022，13：969845.

[16]Li C，Zhang K，Gong Y，et al.Based on cuproptosis-related lncRNAs， a novel prognostic signature for colon adenocarcinoma prognosis， immunotherapy， and chemotherapy response[J].Front Pharmacol，2023，14：1200054.

[17]Yang Y，Wang X，Lu J，et al.Construction of a Prognostic Model for Predicting Colorectal Cancer Prognosis and Response to Immunotherapy Based on Cuproptosis-Associated lncRNAs[J].J Oncol，2023，2023：2733232.

[18]Yang M，Wan X，Zheng H，et al.No Evidence of a Genetic Causal Relationship between Ankylosing Spondylitis and Gut Microbiota： A Two-Sample Mendelian Randomization Study[J].Nutrients，2023，15（4）：1057.

[19]Pretzsch E，Nieβ H，B？觟sch F，et al.Age and metastasis-How age influences metastatic spread in cancer. Colorectal cancer as a model[J].Cancer Epidemiol，2022，77：102112.

[20]De Vera MA，Gill S，Ashamalla S，et al.Early-Age-Onset Colorectal Cancer in Canada： Evidence， Issues and Calls to Action[J].Curr Oncol，2022，29（5）：3149-3159.

[21]Xiao Y，Yu D.Tumor microenvironment as a therapeutic target in cancer[J].Pharmacol Ther，2021，221：107753.

[22]Bader JE，Voss K，Rathmell JC.Targeting Metabolism to Improve the Tumor Microenvironment for Cancer Immunotherapy[J].Mol Cell，2020，78（6）：1019-1033.

[23]Xu P，F(xiàn)an W，Zhang Z，et al.The Clinicopathological and Prognostic Implications of FoxP3（+） Regulatory T Cells in Patients with Colorectal Cancer： A Meta-Analysis[J].Front Physiol，2017，8：950.

[24]Frey DM，Droeser RA，Viehl CT，et al.High frequency of tumor-infiltrating FOXP3（+） regulatory T cells predicts improved survival in mismatch repair-proficient colorectal cancer patients [J].Int J Cancer，2010，126（11）：2635-2643.

[25]Noy R，Pollard JW.Tumor-associated macrophages： from mechanisms to therapy[J].Immunity，2014，41（1）：49-61.

[26]Timperi E，Pacella I，Schinzari V，et al.Regulatory T cells with multiple suppressive and potentially pro-tumor activities accumulate in human colorectal cancer[J].Oncoimmunology，2016，5（7）：e1175800.

[27]Ye L，Zhang T，Kang Z，et al.Tumor-Infiltrating Immune Cells Act as a Marker for Prognosis in Colorectal Cancer[J].Front Immunol，2019，10：2368.

收稿日期：2024-01-04；修回日期：2024-01-26

編輯/成森