低级别胶质瘤多组学数据整合的一致性聚类集成分子分型

摘要

目的 提出基于一致性聚类集成的多组学数据整合方法(multi-omics data integration with consensus clustering ensemble, MICCE),探讨MICCE方法在低级别胶质瘤(lower-grade gliomas, LGG)分子分型中的应用，识别预后高风险患者，筛选与LGG进展相关的差异基因以及重要通路。方法 采用一致性聚类集成方法集成LGG患者多组学数据整合分型的7种方法(SNF、joint SNF、CIMLR、ConsensusClusterPlus、MoCluster、NEMO、iClusterBayes),得到一致性分型结果，采用Cox回归研究不同分型患者的预后风险；进一步筛选出DEmRNAs(differentially expressed mRNAs),DEmiRNAs(differentially expressed miRNAs)和DMGs(differentially methylated genes),并对差异基因进行GO生物功能注释和KEGG通路分析；最后进行免疫细胞浸润和通路活性分析。结果 LGG患者分为预后高危组，中危组和低危组，其中高危组的死亡风险是低危组的7.70倍；筛选出2512个DEmRNAs, 14个DEmiRNAs和255个DMGs,包括5个核心基因；将基因联合分析得到的665个重合基因进行GO富集和KEGG富集分析，得到62条GO富集项和52条KEGG富集项；免疫细胞浸润和通路活性分析表明，存在显著差异的2种浸润细胞和4条通路。结论 MICCE能够有效识别出LGG预后高风险患者，并发现与LGG进展相关的差异基因和不同亚型的肿瘤相关通路，为LGG的个性化治疗提供重要线索。

关键词

聚类集成 / 多组学数据整合 / 分子亚型 / 低级别胶质瘤