湯倩倩，邵尤城，魏蕾，張京偉

論著·

利用生物信息學分析開發(fā)luminal型乳腺癌自噬相關基因預后模型

湯倩倩，邵尤城，魏蕾，張京偉

430071 湖北，武漢大學中南醫(yī)院甲狀腺乳腺外科（湯倩倩、張京偉），醫(yī)學院病理生理學教研室（邵尤城、魏蕾）

建立基于大規(guī)模自噬相關基因的 luminal 型乳腺癌預后預測模型。利用 TCGA 數據庫乳腺癌數據，分別篩選 luminal 型與非 luminal 型乳腺癌、癌旁組織中差異表達的自噬相關基因。單因素和多因素 Cox 回歸建立 luminal 型乳腺癌自噬相關基因預后模型。Kaplan-Meier 曲線和生存依賴的受試者工作特征曲線評估預后模型的準確性?；诓町惐磉_自噬相關基因，建立了一個 3 基因（BAG1、CD46、DIRAS3）預后模型預測 luminal 型乳腺癌患者總生存期。3 年、5 年和 10 年的曲線下面積分別為 0.708、0.752 和 0.837。3 基因預后模型可以有效預測 luminal 型乳腺癌患者預后，或許今后可為 luminal 型乳腺癌的臨床治療提供決策依據。

luminal 型乳腺癌； 內分泌耐藥； 自噬； 預后模型

在美國，女性乳腺癌發(fā)病率每年僅以 0.3% 的速率增加，且其死亡率在持續(xù)下降，已次于肺癌[1]。然而，在中國乳腺癌發(fā)病率和死亡率卻在逐年上升[2]。從全球的角度來看，乳腺癌的高發(fā)病率和高死亡率仍然居高不下[3]。乳腺癌的腫瘤發(fā)生和治療是高度異質性的，探索乳腺癌的分子機制，特別是分子亞型已成為乳腺癌研究的核心。目前臨床廣泛使用的乳腺癌分子分型為：luminal A（ER+和/或 PR+，HER2?）；luminal B（ER+和/或 PR+，HER2+）；her2（ER?，PR?，HER2+）和三陰性（ER?，PR?，HER2?）[4-6]。其中，luminal 型乳腺癌（luminal A 和 luminal B）占乳腺癌的大多數[7]。目前，內分泌治療是 luminal 型乳腺癌有效的治療策略。然而，內分泌治療耐藥現(xiàn)象十分常見，在臨床實踐中占 20% ～ 30%[8]。此外，研究表明，在完成 5 年的輔助內分泌治療后，乳腺癌復發(fā)的風險持續(xù) 15 年[9]。內分泌抵抗機制的研究已經有了突破，針對其中一些機制的靶向抑制劑已經合成并用于臨床治療[10]，然而靶向抑制劑的耐藥仍然不可避免[11]。因此，探索治療內分泌抵抗的新分子靶點迫在眉睫。

自噬，是一高度保守的分解代謝過程，在各種機體過程中起重要作用，如發(fā)育和衰老[12]，而異常自噬與包括腫瘤在內的許多疾病的發(fā)生發(fā)展密切相關[13-14]。越來越多的證據表明，自噬在各種癌癥（包括腔內乳腺癌）的治療耐藥性反應中起著關鍵作用[15-16]。對內分泌療法的抵抗是導致 luminal 型乳腺癌幸存者疾病復發(fā)的主要原因。目前尚無基于大規(guī)模自噬相關基因的預后模型。因此，本研究旨在通過鑒定差異表達的自噬相關基因（ATGs），建立一種新的預后模型預測 luminal 型乳腺癌患者的預后。

1 材料與方法

1.1 數據獲取和預處理

從人自噬數據庫（HADB）（http://www. autophagy.lu/）下載共 232 個自噬基因。1109例乳腺癌樣本和 113 例癌旁樣本的 RNA-seq 表達數據從 TCGA 數據庫（https://portal.gdc.cancer.gov/）下載。乳腺癌臨床資料從 UCSC Xena 數據庫（http://xena.ucsc.edu/public）下載。排除臨床病理資料（包括 TNM 分期和病理分期）缺失或不明確，ER、PR、HER2 狀態(tài)不確定和或OS 為零的樣本。依據 TCGA 免疫組化檢測，對納入的臨床樣本進行分型。最終，共 507 例 luminal 型乳腺癌、113 例癌旁組織和 133 例非 luminal 型乳腺癌被納入本研究。通過 R 語言包分析基因表達數據與相應臨床特征信息的相關性。

1.2 方法

1.2.1 差異表達 ATGs 的識別 采用 Limma 軟件包分別篩選 luminal 型乳腺癌和癌旁、非luminal 型乳腺癌樣本間表達差異的 ATGs。此外，使用 Venn plot 工具包（http://www.funrich.org/）分析和可視化對照組的交集。采用 wilcox 秩和檢驗和 fold change（FC）方法鑒定差異表達的 ATGs，截斷值< 0.05 且|log FC| > 0.5[17-18]。

1.2.2 功能富集分析 使用“聚類分析器軟件包”進行基因本體（GO）和京都基因和基因組百科全書（KEGG）富集分析。GO 由分子功能（MF）、生物過程（BP）和細胞成分（CC）組成。通路富集分析整合自 KEGG，分別選取 GO 和 KEGG 的前 30 條富集途徑。< 0.05 被認為統(tǒng)計學相關。

1.2.3 ATGs 相關預后模型的構建 合并 507 例luminal 型乳腺癌患者的臨床病理資料及相應31 個 ATGs 差異表達資料。采用單變量 Cox 比例風險回歸模型，從 luminal 型乳腺癌患者 31 個差異表達的 ATGs 中鑒定 OS 相關基因。經單變量分析，OS 相關性有統(tǒng)計學意義的 ATGs 進一步納入多變量 Cox 回歸分析。設定閾值< 0.05，最終得到 3 個具有顯著預后價值的 ATGs 并建立了風險評分公式。風險評分公式由 3 個差異表達的ATGs 的積分，加權各自的單變量 Cox 回歸系數產生。根據風險評分公式，以中位風險評分作為分界點，將每位 luminal 型乳腺癌患者分為低風險和高風險組。采用 Kaplan-Meier 分析和 log-rank 檢驗比較高、低風險組間患者 OS 的差異。隨后，進行單變量和多變量 Cox 回歸分析，確認風險評分系統(tǒng)在調整其他臨床變量后的預后意義。使用生存依賴的受試者工作特征（ROC）曲線來評估預后模型的敏感性和特異性。

1.3 統(tǒng)計學處理

采用單因素和多因素 Cox 回歸確定預后因素并建立風險評分公式。采用 Kaplan-Meier 法繪制生存曲線，并采用 log 秩檢驗進行比較。ROC 曲線用于評估預后特征的預測能力。所有統(tǒng)計分析都使用 R 語言（3.6.2版本）進行。雙側檢驗< 0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 差異表達 ATGs 的鑒定

數據預處理后，納入 507 例 luminal 型乳腺癌標本、133 例非 luminal 型乳腺癌標本和 113 例癌旁標本的 RNA-seq 數據。507 例 luminal 型乳腺癌患者和 133 例非 luminal 型乳腺癌患者的臨床特征見表1。熱圖和火山圖（圖1A）顯示 88 個ATGs 在 luminal 型乳腺癌和癌旁樣本之間差異表達，其中紅點代表顯著上調基因，綠點代表顯著下調基因，黑點代表無差異基因。圖1B 顯示了 luminal 型和非 luminal 型乳腺癌樣本差異表達的 57 個ATGs。韋恩圖（圖2A、B）顯示 31 個 ATGs在兩次比較中均有差異。31 個差異表達的 ATGs 中，CD46、BAG1、RPS6KB1、IKBKB、ATG16L1、PRKCD、VMP1、IL24、PTK6 在 luminal 型乳腺癌中的表達量高于非 luminal 型乳腺癌和癌旁組織，而 NRG2、CX3CL1、EGFR、TMEM74、CCL2、MYC、PRKCQ、ITGA6、ITGB4 在 luminal 型乳腺癌中表達最低。VEGFA、ERO1A、GAPDH、BAK1、CXCR4、EIF4EBP1、CDKN2A 和 BIRC5 在 luminal 型乳腺癌中的表達水平高于癌旁樣本，但低于非 luminal 型乳腺癌樣本。另外 5 個ATGs（DIRAS3、TP63、FOS、ITPR1、BNIP3L）在癌旁組織中表達量最高，其次是 luminal 型和非 luminal 型乳腺癌樣本。箱線圖（圖2C、D）顯示了 31 個差異表達 ATGs 的表達模式。

表1 luminal 型和非 luminal 型乳腺癌患者的臨床病理特征

圖1 差異表達的 ATGs 熱圖及火山圖（A：Luminal 型乳腺癌與癌旁組織間差異表達的88個 ATGs；B：Luminal 型與非 luminal 型乳腺癌間差異表達的 57個ATGs；L：Luminal 型乳腺癌；N：癌旁組織；nL：非 luminal 型乳腺癌）

Figure 1 The heatmap plot and volcano plot of differentially expressed ATGs (A: 88 differentially expressed ATGs between luminal and cancer-adjacent tissues; B: 57 differentially expressed ATGs between luminal and non-luminal breast cancers samples; L: Luminal breast cancers; N: Cancer-adjacent tissues; nL: Non-luminal breast cancers)

2.2 差異表達的 ATGs 功能富集

對 31 個差異表達 ATGs 進行 GO 和 KEGG前 30 條通路富集分析。結果顯示，GO 分析（圖3A）中基因顯著富集與 BP 包括絲氨酸肽基改變、老化、氧化應激反應、應對缺氧反應、對氧水平的反應以及調節(jié)細胞間的黏附相關，在 CC 中包括自噬體膜和自噬體，而在 MF 中包括蛋白絲氨酸/蘇氨酸激酶活性，受體配體活性和細胞因子活性；KEGG 通路主要集中在人巨細胞病毒感染、人類乳頭瘤病毒感染、PI3K-Akt 信號通路以及 microRNA 在癌癥、乳腺癌、胰腺癌、結腸直腸癌和膀胱癌中的作用（圖3B）。

Figure 2 The venn plot of differentially expressed ATGs (A: Between luminal breast cancer and cancer-adjacent tissues; B: Between luminal and non-luminal breast cancers) and expression profile of 31 differentially expressed ATGs between luminal breast cancers and cancer-adjacent tissues (C) and between luminal and non-luminal breast cancer samples (D) (NandL: Luminal breast cancers versus paracancer tissues; nLandL: Luminal versus non-luminal breast cancer tissue; down: Down-regulated; up: Up-regulated; Each red box, green and blue plot represent a different luminal breast cancer and a cancer-adjacent sample, a non-luminal breast cancer sample, respectively)

Figure 3 GO (A) and KEGG (B) analysis of 31 differentially expressed ATGs (The node color changes gradually from red to blue in ascending order according to thevalues, the size of the node represents the number of counts)

2.3 預后模型的構建和驗證

將 507 例 luminal 型乳腺癌患者的臨床病理數據與 31 個差異表達的 ATGs 數據合并后采用Cox 回歸模型進行單因素分析，發(fā)現(xiàn) 5 個 ATGs（BAG1、CD46、DIRAS3、IL24、TP63）影響 luminal 型乳腺癌預后。森林圖表明除了 CD46，BAG1、DIRAS3、IL24 和 TP63 均是保護因子（圖4A）。接著對這 5 個候選基因進行多因素 Cox 回歸分析，篩選出 3 個 ATGs（BAG1、CD46、DIRAS3）與 luminal 型乳腺癌患者 OS 顯著相關（圖4B）。整合 3 個基因并加權各自的多變量 Cox 回歸系數后，得到風險評分公式：（–0.7392 × BAG1 的表達值）+（0.7126 × CD46 的表達值）+（–0.2802 × DIRAS3 的表達值）。根據風險評分公式，507 例 luminal 型乳腺癌患者被賦予一個危險值，并以中位危險值作為截斷值，被劃分為高危組（253 例）和低危組（254 例）。將分組結果用預后特征分布圖（圖5A）、患者生存狀況圖（圖6B）、3 個 ATGs 表達譜熱圖（圖5C）和生存曲線圖（圖5D）可視化。Kaplan-miere 生存曲線表明高風險組的生存率明顯低于低風險組（= 4.576e-05）。此外，調整其他臨床變量如年齡、TNM 分期、病理分級、ER、PR 和 HER2 之后，單因素和多因素 Cox 回歸分析均表明，預后指數是 luminal 型乳腺癌患者的獨立預后指標（HR = 1.335，95%CI = 1.133 ～ 1.573；< 0.001）（圖6A、B）。3 年、5 年和 10 年曲線下面積（）分別為 0.708、0.752 和0.837（圖6C）。以上研究結果表明該預后模型具有一定的生存預測潛力。

2.4 預后模型的臨床相關性分析

風險評分的相關性公式與臨床病理的特點及其預后意義分析結果表明，風險評分與腔內乳腺癌T 分期（= 0.003）、N 分期（= 0.029）和病理分級（= 1.537E-04）顯著相關（圖7）。

3 討論

內分泌抵抗在 luminal 型乳腺癌的治療中仍然是一個挑戰(zhàn)。盡管一些內分泌抵抗機制已明確，且針對某些機制一些靶向抑制劑已經用于臨床并取得一定療效，然而對靶向抑制劑耐藥仍無法避免。因此，探索和驗證 luminal 型乳腺癌細胞新的分子靶點治療是非常有必要的。目前，越來越多的證據表明異常的自噬在 luminal 型乳腺癌抵抗內分泌治療反應中扮演關鍵角色。自噬的調控過程是由一系列自噬相關基因控制的[19]。自噬相關基因的遺傳畸變可引起多種疾病，包括乳腺癌[20-21]。已有研究利用大規(guī)模 ATGs 表達譜來篩選和識別預測乳腺癌預后的分子標記。比如，Gu 等[22]基于 GEO 數據庫中的乳腺癌數據，分析 TP53 基因突變與非突變乳腺癌患者自噬相關基因的差異，建立并驗證了預后模型；Lin 等[23]基于乳腺癌自噬相關基因分析，開發(fā)了一種預后指標。然而，目前尚無基于大規(guī)模自噬基因探索 luminal 型乳腺癌自噬相關基因的報道。因此，開發(fā) luminal 型乳腺癌自噬相關基因風險評分系統(tǒng)顯得十分必要。

圖4 單因素（A）和多因素（B）Cox 回歸分析評估 luminal 型乳腺癌患者 31 個 ATGs 表達水平與總生存率之間的關系

Figure 4 Univariate (A) and multivariate (B) Cox regression assesses relationship between expression levels of 31 ATGs and overall survival in patients with luminal breast cancers

圖5 預后模型分布圖（A）、各組患者生存狀態(tài)圖（B）、3 個 ATGs 的表達熱圖（C）和高低風險組 Kaplan-Meier 曲線圖（D）

Figure 5 Distribution of prognostic index (A), survival status of patients in different groups (B), heatmap plot of the expression profile of 3 ATGs (C) and the distribution of Kaplan-Meier curves of different subgroups (D)

利用 TCGA 數據庫乳腺癌數據，分別篩選了 luminal 型和非 luminal 型乳腺癌、癌旁組織間表達差異的 ATGs。取兩比較組差異表達的 ATGs 的交集后，31 個差異表達的 ATGs 被納入預后模型構建。通過單因素和多因素 Cox 回歸分析，確定了 3 個預后相關基因（BAG1、CD46、DIRAS3）。通過整合 3 個 ATGs 并對其單變量 Cox 回歸系數進行加權，得出風險評分公式。應用 ROC 曲線分析和 Kaplan-Meier 曲線評價預測模型預測 luminal 型乳腺癌患者總生存率的準確性。結果表明，風險評分公式可以有效地預測腔內乳腺癌患者的預后。風險評分公式中包含的 3 個 ATGs 與乳腺癌預后密切相關。BAG1，bcl2 相關的致癌基因是一種多功能抗凋亡蛋白，也是 21 個基因檢測復發(fā)評分中 16 個腫瘤相關基因之一[24]。與之前的研究[25-26]一致，在我們的研究中，BAG1 在乳腺癌中高表達且預后更佳。Lu 等[27]發(fā)現(xiàn) BAG1 下調可通過激活 PI3K/Akt/mTOR 信號通路誘導他莫西芬耐藥。矛盾的是，盡管 BAG1 在不同亞型乳腺癌細胞中也被發(fā)現(xiàn)上調，Kizilboga 等[28]發(fā)現(xiàn) BAG1 可以通過促進 Raf 和 Akt 的磷酸化來抑制乳腺癌細胞的凋亡。CD46，補體調節(jié)蛋白，可以保護宿主細胞免受自身補體的攻擊。這種逃避免疫攻擊的機制貫穿于腫瘤的發(fā)生、分化、轉移過程中，對腫瘤的預后起著重要的作用。Cui 等[29]發(fā)現(xiàn)，HBXIP 可以通過 p-ERK1/2/NF-κB 信號通路上調 CD46，從而保護乳腺癌細胞免受補體的攻擊。與 Maciejczyk 等[30]的研究一致，CD46 在納入的 507 位 luminal 型乳腺癌患者中充當癌基因。DIRAS3，母系遺傳的 ras 超家族成員之一，被認為是一個腫瘤抑制基因[31]。有研究表明，DIRAS3 在 60% 的卵巢癌和乳腺癌中被下調[32]。同樣，我們的結果顯示，與癌旁正常組織相比，DIRAS3 在乳腺癌組織中的表達更低。此外，我們還發(fā)現(xiàn) DIRAS3 在 luminal 型乳腺癌中的表達高于非 luminal 型乳腺癌。Zou等[33]發(fā)現(xiàn)乳腺癌細胞中 DIRAS3 的表達可誘導自噬，促進紫杉醇對乳腺癌細胞的抑制作用。目前為止，關于上述 3 個自噬相關基因對 luminal 型乳腺癌預后影響及相關機制的研究較少。深入研究其相關作用機制是課題組今后努力的方向。

圖6 單因素（A）和多因素（B）Cox 回歸分析的森林圖以及預測模型預測 3年、5 年和 10年總生存率的 ROC 曲線（C）

Figure 6 Forest plots of univariate (A) and multivariate (B) Cox regression analysis in luminal breast cancers and ROC curves of the signature predicting the 3- and 5- and 10- year overall survival rate (C)

圖7 T 分期（A）、N 分期（B）和病理分級（C）與預測模型相關性具統(tǒng)計學差異

Figure 7values were statistically significant at tumor size (A), lymph node metastasis (B) and pathologic stage (C)

據目前所知，我們的研究是第一個基于大規(guī)模 ATGs 表達譜建立 luminal 型乳腺癌預后模型的研究。在方法學上，我們通過分別篩選 luminal 型與非 luminal 型乳腺癌、癌旁組織中表達差異的 ATGs 后，將兩組均差異表達的 ATGs 作為 luminal 型乳腺癌差異表達的 ATGs 納入模型構建，這可能有助于提高模型的準確度。此外，本研究提示 3 基因風險評分系統(tǒng)可以有效預測患者的 OS，這可能為今后的臨床治療提供依據。

然而，我們的研究仍然存在一些不足。首先，我們的數據來自于 TCGA 數據庫，由于臨床數據不完整及模棱兩可，大部分樣本被排除在外，這可能會造成選擇偏倚。其次，在方法上，最好使用其他數據庫數據進行外部驗證。最后，我們還需要進一步的實驗研究來闡明 3 個 ATGs 在 luminal 型乳腺癌中的功能和預測價值。

[1] DeSantis CE, Ma J, Gaudet MM, et al. Breast cancer statistics. CA Cancer J Clin, 2019, 69(6):438-451.

[2] Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015. CA Cancer J Clin, 2016, 66(2):115-132.

[3] Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin, 2018, 68(6):394-424.

[4] Anderson WF, Rosenberg PS, Katki HA. Tracking and evaluating molecular tumor markers with cancer registry data: HER2 and breast cancer. J Natl Cancer Inst, 2014, 106(5):dju093.

[5] Yeo SK, Guan JL. Hierarchical heterogeneity in mammary tumors and its regulation by autophagy. Autophagy, 2016, 12(10):1960-1961.

[6] Zuo T, Zeng H, Li H, et al. The influence of stage at diagnosis and molecular subtype on breast cancer patient survival: a hospital-based multi-center study. Chin J Cancer, 2017, 36(1):84.

[7] Tavera-Mendoza LE, Westerling T, Libby E, et al. Vitamin D receptor regulates autophagy in the normal mammary gland and in luminal breast cancer cells. Proc Natl Acad Sci U S A, 2017, 114(11):E2186- E2194.

[8] Jeong Y, Bae SY, You D, et al. EGFR is a therapeutic target in hormone receptor-positive breast cancer. Cell Physiol Biochem, 2019, 53(5):805-819.

[9] Pan H, Gray R, Braybrooke J, et al. 20-year risks of breast-cancer recurrence after stopping endocrine therapy at 5 years. N Engl J Med, 2017, 377(19):1836-1846.

[10] Rani A, Stebbing J, Giamas G, et al. Endocrine resistance in hormone receptor positive breast cancer-from mechanism to therapy. Front Endocrinol (Lausanne), 2019, 10:245.

[11] McCartney A, Migliaccio I, Bonechi M, et al. Mechanisms of resistance to CDK4/6 inhibitors: potential implications and biomarkers for clinical practice. Front Oncol, 2019, 9:666.

[12] Wen X, Klionsky DJ. At a glance: A history of autophagy and cancer. Semin Cancer Biol, 2020, 66:3-11.

[13] Folkerts H, Hilgendorf S, Vellenga E, et al. The multifaceted role of autophagy in cancer and the microenvironment. Med Res Rev, 2019, 39(2):517-560.

[14] Huang X, Li Y, Shou L, et al. The molecular mechanisms underlying BCR/ABL degradation in chronic myeloid leukemia cells promoted by Beclin1-mediated autophagy. Cancer Manag Res, 2019, 11:5197- 5208.

[15] Zeng X, Ju D. Hedgehog signaling pathway and autophagy in cancer. Int J Mol Sci, 2018, 19(8):2279.

[16] Han Y, Fan S, Qin T, et al. Role of autophagy in breast cancer and breast cancer stem cells (Review). Int J Oncol, 2018, 52(4):1057-1070.

[17] Wagstaff L, Goschorska M, Kozyrska K, et al. Mechanical cell competition kills cells via induction of lethal p53 levels. Nat Commun, 2016, 7:11373.

[18] Zhou H, Zhang W. Gene expression profiling reveals candidate biomarkers and probable molecular mechanism in diabetic peripheral neuropathy. Diabetes Metab Syndr Obes, 2019, 12:1213-1223.

[19] Luo Y, Jiang C, Yu L, et al. Chemical biology of autophagy-related proteins with posttranslational modifications: from chemical synthesis to biological applications. Front Chem, 2020, 8:233.

[20] Gong C, Hu C, Gu F, et al. Co-delivery of autophagy inhibitor ATG7 siRNA and docetaxel for breast cancer treatment. J Control Release, 2017, 266:272-286.

[21] Wang N, Yang B, Muhetaer G, et al. XIAOPI formula promotes breast cancer chemosensitivity via inhibiting CXCL1/HMGB1-mediated autophagy. Biomed Pharmacother, 2019, 120:109519.

[22] Gu Y, Li P, Peng F, et al. Autophagy-related prognostic signature for breast cancer. Mol Carcinog, 2016, 55(3):292-299.

[23] Lin QG, Liu W, Mo YZ, et al. Development of prognostic index based on autophagy-related genes analysis in breast cancer. Aging (Albany NY), 2020, 12(2):1366-1376.

[24] Brufsky AM. Predictive and prognostic value of the 21-gene recurrence score in hormone receptor-positive, node-positive breast cancer. Am J Clin Oncol, 2014, 37(4):404-410.

[25] Cutress RI, Townsend PA, Brimmell M, et al. BAG-1 expression and function in human cancer. Br J Cancer, 2002, 87(8):834-839.

[26] Papadakis ES, Reeves T, Robson NH, et al. BAG-1 as a biomarker in early breast cancer prognosis: a systematic review with meta-analyses. Br J Cancer, 2017, 116(12):1585-1594.

[27] Lu S, Du Y, Cui F, et al. Downregulation of BAG1 in T47D cells promotes resistance to tamoxifen via activation of the PI3K/Akt/mTOR signaling pathway. Oncol Rep, 2019, 41(3):1901-1910.

[28] Kizilboga T, Baskale EA, Yildiz J, et al. Bag-1 stimulates Bad phosphorylation through activation of Akt and Raf kinases to mediate cell survival in breast cancer. BMC Cancer, 2019, 19(1):1254.

[29] Cui W, Zhao Y, Shan C, et al. HBXIP upregulates CD46, CD55 and CD59 through ERK1/2/NF-kappaB signaling to protect breast cancer cells from complement attack. FEBS Lett, 2012, 586(6):766-771.

[30] Maciejczyk A, Szelachowska J, Szynglarewicz B, et al. CD46 expression is an unfavorable prognostic factor in breast cancer cases. Appl Immunohistochem Mol Morphol, 2011, 19(6):540-546.

[31] Kok DE, Dhonukshe-Rutten RA, Lute C, et al. The effects of long-term daily folic acid and vitamin B12 supplementation on genome-wide DNA methylation in elderly subjects. Clin Epigenetics, 2015, 7:121.

[32] Yu Y, Luo R, Lu Z, et al. Biochemistry and biology of ARHI (DIRAS3), an imprinted tumor suppressor gene whose expression is lost in ovarian and breast cancers. Methods Enzymol, 2006, 407:455- 468.

[33] Zou CF, Jia L, Jin H, et al. Re-expression of ARHI (DIRAS3) induces autophagy in breast cancer cells and enhances the inhibitory effect of paclitaxel. BMC Cancer, 2011, 11:22.

Development of a prognostic model of autophagy-related genes in luminal breast cancers using bioinformatics analysis

TANG Qian-qian, SHAO You-cheng, WEI Lei, ZHANG Jing-wei

Author Affiliation: Department of Breast and Thyroid Surgery, Zhongnan Hospital (TANG Qian-qian, ZHANG Jing-wei), Department of Pathology and Pathophysiology, School of Basic Medical Sciences (SHAO You-cheng, WEI Lei), Wuhan University, Hubei 430071, China

To establish a prognostic model for luminal breast cancer based on large-scale autophagy-related genes.Weidentified the differentially expressed autophagy-related genes among luminal and non-luminal breast cancers, cancer-adjacent tissues using breast cancer cohort from TCGA database, respectively. Subsequently, univariate and multivariate Cox regression were used to establish a prognostic model for luminal breast cancers based on differentially expressed autophagy-related genes. The accuracy of the prognostic model was evaluated with Kaplan-Meier curve and survival-dependent receiver operating characteristic (ROC) curves.31 differentially expressed autophagy-related genes in luminal breast cancers were identified. A three-gene (BAG1, CD46, DIRAS3) prognostic model was established to predict the overall survival (OS) of patients with luminal breast cancer. Furthermore, the area under the curve () at 3-, 5- and 10- years were 0.708, 0.752 and 0.837, respectively.The three-gene prognostic model can effectively predict the prognosis of patients with luminal breast cancer, and may provide decision-making basis for clinical treatment of luminal breast cancers in the future.

luminal breast cancers; endocrine resistance; autophagy; prognostic model

ZHANG Jing-wei, Email: zjwzhang68@whu.edu.cn

張京偉，Email：zjwzhang68@whu.edu.cn

2020-11-05

10.3969/j.issn.1673-713X.2021.03.006