研究对象 -- 胶质母细胞瘤(GBM)的六种跨膜上皮抗原(STEAP)研究方法 -- 借助TCGA数据库，筛选肿瘤和正常样本中差异表达的STEAP基因。单变量和多变量Cox回归确定了预后相关基因研究结果 -- 建立结合年龄、性别、化疗、放疗、IDH1状态的预后模型，以及风险评估模型，并使用CGGA队列进行验证由此可以看出文章框架清晰，接着我们一起看投稿文章陈述部分怎么呈现。原发性胶质瘤中常见的恶性程度和致命性高的要数GBM—胶质母细胞瘤。并且GBM尽管手术，放化疗依然存在很低的平均总生存率(OS)，同时也受没有可靠的预后生物标志物治疗观察限制。2012年有研究报道称发现前列腺跨膜上皮抗原(STEAP)家族蛋白，分别是STEAP1-STEAP4，该家族蛋白具有铁还原性，主要通过金属离子还原和细胞增殖促进肿瘤的发生和发展。但是关于GBM中STEAP情况的研究很少，作者利用RNA‐seq数据，结合STEAP家族特征和临床特征进一步建立预后模型。首先希望观察到GBM样本中STEAPs的异常表达，而TCGA数据库选取RNA-seq数据可以为此提供信息，病患与正常样本相比（155例肿瘤样本），GBM组中STEAP1和STEAP3的信使RNA (mRNA)表达水平显著升高，而STEAP2的表达水平显著降低如图1a,b所示。同时使用Pearson相关性分析DNA甲基化和mRNA表达水平的关系。（图1，TCGA数据库中GBM与正常对照间差异表达的STEAP家族的鉴定。）接着，作者对GBM样本中两种预后进行识别。根据单因素Cox回归分析，STEAP1, STEAP2，和STEAP3与OS相关性如下表1，在多因素Cox回归分析中，STEAP2 (hazard ratio [HR]: 1.54;和STEAP3 (HR: 1.25;p = .012)显示了GBM的独立预后价值那么既然已经发现STEAP2，STEAP3显著性，就会做一下STEAP2和STEAP3的GSEA分析，确定功能。GSEA的分析在LinkedOmics数据库中完成。LinkInterpreter模块，进行对应的激酶靶蛋白的富集和转录因子靶蛋白的富集。GENEMANIA数据库进行激酶靶富集和TF靶富集结果可视化。结果显示，与STEAP2、STEAP3显著相关的基因的GO (Biological Process)分析显示，共表达基因的功能主要位于免疫调节和细胞周期转变方面，最重要的激酶靶基因是STEAP2和STEAP3淋巴细胞特异性蛋白酪氨酸激酶原癌基因和Src家族酪氨酸激酶，主要参与免疫调节(图2)。（图2，由GeneMANIA数据库显示的STEAP2和STEAP3靶向LCK原癌基因和Src家族酪氨酸激酶的蛋白-蛋白相互作用(PPI)网络）因为发现STEAP2和STEAP3倾向于免疫功能，这里作者采用了免疫渗透分析，资源数据库是之前我们介绍过的TIMER，并且使用R包estimate，根据表达数据分析每个GBM患者的免疫评分、基质评分和评估评分。计算Pearson相关系数，评估预后相关基因表达与上述三个评分之间的关系。研究发现STEAP2、STEAP3的表达与肿瘤纯度呈负相关，与CD8+ T细胞、CD4+ T细胞、巨噬细胞、树突状细胞呈正相关(图3a)。estimate包方法计算了每个GBM患者的免疫评分、基质评分以及估计评分。Pearson相关分析表明，STEAP2和STEAP3与免疫评分、基质评分和估计评分均呈正相关(图3b)。（图3，TCGA队列中STEAP2和STEAP3表达水平与免疫浸润丰度的关系）另外背景研究中提到，STEAP家族的铁调控和金属还原中的重要作用，作者发现了STEAP2和STEAP3与大部分铁相关基因相关，尤其是ACSL4、ALOX5、CBS、FANCD2、GCLM、HMGCR、HSPB1、NFE2L2、PTGS2、SAT1。最后对STEAP2和STEAP3构建风险评分模型，采用各预后基因表达值与多变量COX回归系数加权后的总和，即风险评分= Gene1的表达水平+ Gene2的表达水平+ Gene3的表达水平+…+ Genen×的表达水平。根据风险评分的中位水平，患者被细分为高风险组和低风险组。取0.5、1、3年的受试者工作特征(ROC)曲线分析，评估风险评分模型的预后性能。Kaplan-Meier生存分析表明，在TCGA训练数据和CGGA验证数据中，低风险组的OS明显优于高风险组（图5a,b）。此外，ROC曲线分析显示，风险评分模型对0.5、1和3年OS具有良好的预测能力，其ROC曲线下有一个区域(AUC)在TCGA训练队列中分别为0.662、0.661和0.754(图5c)，在CGGA验证队列中AUC分别为0.674、0.560和0.680(图5d)。根据分子特征，GBM患者可分为经典型、间质型、神经型和proneural亚型，并在一定程度上与预后相关。接着，对GBM亚型和IDH1状态进行了风险评分。观察到间充质组的风险评分最高，而在TCGA训练集中，proneural组的风险评分最低 (图6a)，这在CGGA验证队列中得到验证(图6b)。此外，在TCGA训练和CGGA验证集中，IDH1突变患者的风险评分低于IDH1野生型或NA患者(图6c,d)。高危险组的免疫、基质和评估分数高于低危险组(图6e,f)。（图6，TCGA和CGGA组中风险评分与GBM病理特征以及免疫浸润度的关系）为了验证风险评分模型的独立性，对人口统计学进行了单变量和多变量COX分析TCGA和CGGA组所有患者的特征。多变量COX分析结果显示，风险评分模型与OS显著相关，在TCGA训练队列中，HR = 2.00(95%置信区间[CI] = 1.36-2.94; p < .001), 在CGGA验证队列中 HR = 1.51 (95% CI = 0.94-2.43;p = .092)。此外，还纳入了年龄、性别、化疗、放疗、IDH1状态以及风险评分，以构建一个预后预测nomogram，预测TCGA训练集的0.5， 1和3年OS情况(图7)。校准曲线显示，在所有队列中，nomogram对OS的预测与在0.5，1和3年的实际观察结果之间具有良好的一致性(图7b、c)。（图7，建立并验证TCGA和CGGA组中GBM患者0.5年、1年和3年OS预测的列线图） 整体看下来，文章思路简单，首先提出问题，找到研究对象GBM，根据肿瘤特征，病例类型，获得STEAP蛋白家族的表达特异性。根据基因功能富集，显示免疫浸润性，同时文献调研发现具有铁还原性，所以进一步研究差异蛋白治病风险。将风险评分模型与临床因素(年龄、性别、化疗、放疗、IDH1状态)相结合，建立如上列线图，对GBM患者的预后有更准确的预测作用。文章没有实验数据，但根据训练集和验证集相互支撑，从肿瘤本身特异性出发，文献调研支持，写出亮点。
