目的:胃癌是世界范围内最常见的恶性肿瘤之一,胃腺癌(adenocarcinoma of stomach,STAD)是由胃腺体细胞恶变而来,是胃癌中最常见的组织学类型,胃癌在中国的死亡人数位居第三。虽然手术、化疗等治疗方法已被证明对胃腺癌有效,但仍需探索新型癌症治疗方法。铜死亡(cuproptosis)是一种新发现的细胞死亡方式,其作用机制不同于铁死亡、细胞焦亡和坏死性凋亡。我们通过筛选鉴定与铜死亡基因相关的长链非编码核糖核酸(Long non-coding RNA,lncRNA),构建预后评估模型,用于预测STAD患者预后生存期和肿瘤免疫浸润状态,同时筛选免疫治疗药物,为今后胃腺癌临床治疗和预后评估提供依据和模型支撑。研究方法:本研究从癌症基因组图谱数据库(The Cancer Genome Atlas,TCGA)中下载STAD肿瘤样本(n=343)和正常组织(n=30)的转录组数据及其临床数据文件。首先,我们通过Perl语言(Practical ExtractioCell Cycle抑制剂n and Report Language,Perl)区分m RNAs和lncRNAs的表达数据,进一步通过共表达分析获得铜死亡相关lncRNAs,并对铜死亡相关基因及铜死亡相关lncRNAs进行差异分析。我们进一步将铜死亡相关lncRNAs表达数据与生存数据合并,采用Cox回归和最小绝对收缩法筛选铜死亡相关lncRNAs,用于构建STAD风险模型。接下来,我们通过Kaplan-Meier分析、单因素、多因素Cox回归、C-index分析、列线图构建、无进展生存期分析(progression-free survival,PFS)以及时间依赖性受试者工作特征曲线(Receiver operating characteristic curve,ROC)等对模型进行验证和评估。此外,本研究还应用基因本体论(Gene Ontology,GO)、京都基因和基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)对模型lncRNAs相关差异基因进行富集分析,进一步进行免疫微环境和免疫治疗药物分析。为了进一步区分不同STAD聚类亚型的免疫微环境差异,我们基于预后相关lncRNAs的风险评分文件,将整个STAD数据集分为三个集群,并进行了一系列生存分析、t分布随机邻域嵌入(t-distributed Stochastic Neighborhood Embedding,t SNE)聚类分析、免疫微环境和免疫治疗药物分析。结果:本研究成功构建了一个由7个铜死亡相关lncRNAs(HAGLR、LINC00963、AC008915.2、LINC01094、AL157371.2、LINC00571、AC129507.1)分子组成的预后评估E-616452浓度模型。此Proteomics Tools模型可以较好的区分高、低风险人群,并且高风险组患者免疫浸润水平更高,免疫检查点基因高表达。基于STAD患者的风险评分聚类分析结果表明,不同STAD簇的免疫治疗反应具有差异性。1、我们区分了转录组数据的m RNAs和lncRNAs,共得到16876个lncRNAs,其中995个lncRNAs与铜死亡相关(相关系数|R|>0.4,P<0.001),我们进一步构建铜死亡相关基因与lncRNAs的共表达网络图并对铜死亡基因及lncRNAs进行差异分析,共有652个铜死亡相关lncRNAs在正常样品和肿瘤样品中差异表达(|Log2 fold change|>1,P<0.05),其中85个lncRNAs在胃腺癌中下调,567个上调。共表达网络中的56个铜死亡基因中,共有44个基因在胃腺癌中差异表达,其中40个上调基因,4个下调基因。2、我们利用单因素Cox回归、LASSO回归和多因素Cox回归分析,成功构建了一个包括7个lncRNAs(HAGLR、LINC00963、AC008915.2、LINC01094、AL157371.2、LINC00571、AC129507.1)的预后风险评估模型,风险评分=Exp(HAGLR)*(0.1814)+Exp(LINC00963)*(-0.6175)+Exp(AC008915.2)*(0.5707)+Exp(LINC01094)*(0.5049)+Exp(AL157371.2)*(0.9685)+Exp(LINC00571)*(-1.5388)+Exp(AC129507.1)*(0.8004)。其中,7个lncRNAs中包括两个保护性lncRNAs,5个风险性lncRNAs(P<0.05)。预后风险评估模型的1年、3年和5年ROC曲线下面积(AUC)分别为0.722、0.771和0.843,AUC均大于0.7,该模型具有中等预测能力。3、高低风险组K-M生存分析、肿瘤分级分析、无进展生存期分析等结果证明,高风险组在训练集、测试集中的生存率均较差,风险评分较年龄、性别等其他临床指标的预测能力更好。模型lncRNAs相关差异基因的富集结果表明,风险性差异基因主要富集在细胞外基质(extracellular matrixc,ECM)和中性粒细胞相关通路,ECM通过干扰癌症与免疫细胞之间的通讯来促进癌症发病机制,肿瘤相关中性粒细胞通过释放中性粒细胞外陷阱增强肿瘤细胞的增殖,两者均提示高风险组患者的不良预后。保护性差异基因主要富集在核苷酸分解代谢和外泌体相关的通路。同时我们基于预后的风险评分文件对高低风险组进行肿瘤微环境差异分析,高风险组的免疫浸润水平更高,并且免疫检查点基因在高风险组高表达,同时筛选出作用于CD86基因的免疫抑制剂贝拉西普和阿巴西普。4、我们基于风险评分文件将肿瘤样本分为3簇,Cluster1、Cluster2、Cluster3的生存曲线具有显著性差异性,并且Cluster1具有最差的预后,t SNE聚类分析可以显著的区分三个Cluster。预后最差的Cluster1具有最高的ESTIMATE评分,大多数免疫检查点基因在预后最差的Cluster1中表达较高,进一步通过药物基因的互作关系分析,筛选出作用于CD80和CD86基因的免疫抑制剂贝拉西普和阿巴西普。结论:1、本研究成功构建了一个由7个铜死亡相关lncRNAs(HAGLR、LINC00963、AC008915.2、LINC01094、AL157371.2、LINC00571、AC129507.1)组成的风险评估预后模型。2、该模型可以较好的区分高、低风险人群及预测STAD患者的预后,风险性和保护性差异基因的富集通路不同,高风险组的肿瘤免疫浸润水平更高,筛选出免疫抑制剂贝拉西普和阿巴西普。3、基于STAD患者聚类分析结果表明,不同STAD聚类亚型显示出不同的免疫治疗反应。