• 数据下载及整理
• 鉴定13个m6A相关基因的差异表达分析
• m6A相关基因相关性分析
• 基于M6A的聚类（肿瘤分型）
• 预后模型的建立（风险模型构建）
  • 所有m6A相关基因均纳入单因素和多因素cox回归研究，筛选预后相关基因
  • 进行了LASSO cox回归和10倍交叉验证来确定变量
• 参考

数据下载及整理

• 从TCGA数据库中下载了317份OSCC样品和32份正常样品的RNA表达谱及其相应的临床数据

鉴定13个m6A相关基因的差异表达分析

• METTL3，METTTL14，WTAP，KIAA1429，RBM15，ZC3H13，YTHDC1，YTHDC2，YTHDF1，YTHDF2，HNRNPC，FTO，ALKBH5

(A) 基于TCGA数据库的317个OSCC样品和32个正常对照m6A表达水平。N代表正常对照，而T代表肿瘤样品。p <0.05 *; p <0.01**; p <0.001***代表差异显著水平

(B) 13个m6A相关基因的差异表达分析。蓝色代表正常控制，红色代表OSCC采样。

m6A相关基因相关性分析

• HNRNPC与13个m6A相关基因中的7个相关，包括METTL3，METTL14，WTAP，KIAA1429，RBM15，YTHDC1，YTHDF1，YTHDF2。METTL14与YTHDC1的相关性最强。

(C) 13个m6A相关基因之间的相关性

基于M6A的聚类（肿瘤分型）

• 根据m6A相关基因的表达谱，进行了聚类分析来自TCGA数据库的317个OSCC样品，并确定了2个亚型(图2A – 2C)
• 主成分分析（PCA）的结果表明m6A相关基因可以区分OSCC患者(图2D)
• 临床特征的相关性分析(图2E)
  
  

  图片alt

(A,B) 聚类分析表明，TCGA中的317个OSCC样本可以分为2组
(C) 聚类1和2之间的生存分析。
(D) 在聚类分析的基础上进行主成分分析。PCA1代表主成分分析1，而PCA2代表主成分分析2。

(E) 聚类分析与临床特征的相关性（等级，p = 0.0352）。N代表TNM系统中的N分类，T代表TNM系统中的T分类。

预后模型的建立（风险模型构建）

所有m6A相关基因均纳入单因素和多因素cox回归研究，筛选预后相关基因

（A，B）基于13个m6A相关基因的单变量和多变量cox回归
Hazard ratio >1 ,说明该基因是高风险基因，反之为低风险基因。高风险是指随之基因表达量的增加，患者死亡风险提高。

进行了LASSO cox回归和10倍交叉验证来确定变量

• lasso回归可以过滤掉相相关性比较高的基因，防止模型的过拟合
• 构建模型，计算病人的风险值

• 根据风险模型的中位数，将OSCC患者分为高风险组和低风险组（图3A）
  
  

  图片alt

根据lesso回归得到两个基因作为预测因子

• 使用R软件中的生存软件包对两组进行分析。低风险组倾向于经历更长的生存时间（图3B）

• 临床特征与风险水平之间的相关性分析表明，高风险组意味着较低的分化等级（图3C）
  

  

  图片alt

• 独立的预后分析表明，风险评分可能是独立的预后生物标志物（图3D，3E）
  

  

  图片alt

---

## 肿瘤分型及检验
#### 肿瘤分型
#### 主成分分析检验分型是否成功

## 临床信息提取
#### 分型生存分析
#### 分型与临床相关性热图

## 生存模型
#### 单因素的COX分析
#### lasso回归
#### 风险生存曲线
#### ROC曲线

参考

M6A-related bioinformatics analysis reveals that HNRNPC facilitates progression of OSCC via EMT
Comprehensive Analysis of the PD-L1 and Immune Infiltrates of m6A RNA Methylation Regulators in Head and Neck Squamous Cell Carcinoma