銅死亡相關LncRNA預測胃癌的預后及免疫反應

白紅艷 王碩 費素娟 苗蓓

收稿日期：2023-07-24；修回日期：2023-09-01。

作者簡介：白紅艷，碩士研究生。

* 通信作者：苗蓓，副教授，主要從事胃腸道常見病及腸腦互動紊亂疾病等的研究。E-mail： miaobei@ xzhmu.edu.cn。

摘 要：基于生物信息學分析構建預后相關的預測模型，探討銅死亡相關LncRNA與胃癌（GC）在免疫和預后方面的關系。從癌癥基因組圖譜（TCGA）數據庫下載胃癌患者的RNA測序和臨床數據，基于共表達分析篩選出銅死亡相關LncRNA，通過LASSO回歸和多因素Cox回歸分析構建出與胃癌預后密切相關的銅死亡相關LncRNA風險預測模型，并計算所有胃癌患者樣本的風險評分。通過Kaplan-Meier生存分析、回歸分析和受試者工作特征（ROC）曲線等證實模型的預后預測性能，并分析風險評分與通路富集分析、免疫浸潤細胞、免疫檢查點基因、體細胞基因突變及抗癌藥物敏感性的相關性。差異表達分析結果表明，LncRNA HAGLR在腫瘤組織中的表達上調。通過實時熒光定量PCR（qRT-PCR）檢測LncRNA HAGLR在69例行根治性手術胃癌患者的癌組織及癌旁組織的表達。結果表明，相比于癌旁組織，胃癌組織中HAGLR表達上調，且與腫瘤大小、浸潤深度、腫瘤TNM分期、分化程度及淋巴結轉移成明顯相關性（P<0.05）。本研究構建的銅死亡相關LncRNA預后模型具有較高的預測價值，并且與免疫細胞浸潤異質性明顯相關，在預測患者免疫治療效果及指導化療藥物選擇方面具有一定的臨床價值。

關鍵詞：銅死亡；LncRNA；胃癌；免疫逃避；預后

中圖分類號：R735.2? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼：ADOI：10.3969/j.issn.1007-7146.2023.05.009

Cuproptosis-related LncRNA Predict Prognosis and Immune Response in Gastric Cancer

BAI Hongyan， WANG Shuo， FEI Sujuan， MIAO Bei*

（Department of Gastroenterology， Affiliated Hospital of Xuzhou Medical University， Xuzhou 221004， China）

Abstract： Based on bioinformatics analysis， a prognosis-related prediction model was constructed to explore the relationship between copper death-related LncRNA and gastric cancer （GC） in immunity and prognosis. RNA sequencing and clinical data of gastric cancer patients were downloaded from the Cancer Genome Atlas （TCGA） database， copper death-related LncRNA were screened based on co-expression analysis， and a copper death-related LncRNA risk prediction model closely related to the prognosis of gastric cancer patients was constructed by LASSO regression and multivariate Cox regression analysis， and the risk scores of all gastric cancer patient samples were calculated. The prognostic prediction performance of the model was confirmed by Kaplan-Meier survival analysis， regression analysis and ROC curve， and the correlation between risk score and pathway enrichment analysis， immune infiltrating cells， immune checkpoint genes， somatic gene mutations and anticancer drug sensitivity was analyzed. The results of differential expression analysis showed that the expression of LncRNA HAGLR in tumor tissues was upregulated. The expression of LncRNA HAGLR in cancer tissues and paracancerous tissues in 69 patients with radical surgery was detected by quantitative real-time PCR （qRT-PCR）. The qRT-PCR results showed that the expression of HAGLR in gastric cancer tissues was upregulated compared with adjacent tissues， and was significantly correlated with tumor size， the depth of invasion， clinical stage， degree of differentiation and lymph node metastasis （P<0.05）. The prognostic model constructed from copper death-related LncRNA has high prognostic value and is significantly related to the heterogeneity of immune cell infiltration， and has certain clinical value in predicting the effect of immunotherapy and guiding the selection of chemotherapy drugs in patients.

Key words： cuproptosis; LncRNA; gastric cancer; immune invasion; prognosis

（Acta Laser Biology Sinica， 2023， 32（5）： 460-472）

胃癌（gastric cancer，GC）是全球惡性腫瘤中第三大最常見的死亡原因［1］。據統計，2020年新增病例1 089 103例，死亡病例768 793例［2］。隨著早期診斷技術的發展，胃癌的發病率呈現一定的下降趨勢，但晚期患者無法手術，且對抗癌藥物的反應各不相同，5年生存率仍然很低，預后仍然很差［3］。手術和術后輔助治療是GC的主要治療方法，而近年來，腫瘤免疫療法顯示出使腫瘤消退的強大作用，已成為治療中越來越重要的一部分。然而，大量患者對這些療法沒有反應，迫切需要探索治療耐藥機制，尋求有效的生物標志物，以更好地預測預后和指導臨床治療。

銅誘導的細胞死亡不同于其他形式的調節性細胞死亡［4］。細胞對銅的耐受性有一定的閾值，過量的銅會導致氧化應激和細胞毒性［5］。銅在線粒體中的積累和直接結合驅動脂?；疶CA循環酶的聚集［6］。作為一種關鍵的微量元素，銅也是免疫系統功能所必需的。缺銅可能會影響免疫細胞在組織中的分布或白細胞的成熟模式［7］。此外，瘤內銅可以調節程序性死亡配體（programmed death-ligand 1，PD- L1）表達并影響腫瘤免疫逃避［8］。許多研究表明，銅死亡與癌癥（包括乳腺癌、結腸癌、肝癌和肺癌）的進展、預后及治療密切相關［9-10］。重要的是，銅死亡抑制胃癌細胞生長［11］并誘導抗腫瘤活性［12］。因此，銅死亡在新興免疫療法中發揮著重要作用，靶向誘導銅死亡為胃癌提供了有效的治療方向。

長鏈非編碼RNA （long non-coding RNA，LncRNA）是一類長度超過200個核苷酸的非編碼轉錄本［13］，除了參與基因組轉錄、翻譯和翻譯后修飾等過程［14］，還在腫瘤中發揮重要調控作用［15］。例如，LncRNA參與免疫系統的基因表達，并調節抗腫瘤免疫反應［16］。此外，最近的研究觀察到，LncRNA與癌細胞中的程序性細胞死亡相關［17］，這表明，LncRNA與銅死亡之間存在潛在聯系。值得關注的是，關于胃癌與銅死亡相關LncRNA之間關系的研究較少，銅死亡相關LncRNA在胃癌預后和免疫反應中的作用機制有待進一步闡明。

本研究旨在篩選出與銅死亡相關的LncRNA，構建適用于胃癌患者的預測生存結局和免疫反應的預后模型，同時對胃癌組織樣本進行LncRNA HAGLR的表達分析，以期為改善胃癌患者預后、開辟新的治療靶點提供證據支持。

1 材料和方法

1.1 TCGA數據集

從TCGA數據庫獲得胃癌患者的轉錄組數據和臨床資料。本研究共獲得371例患者樣本。臨床資料包括性別、年齡、腫瘤分期、腫瘤分級、生存狀況、生存時間。從先前發表的一項研究中提取了49個與銅死亡相關的基因［4］。本研究獲得徐州醫科大學附屬醫院倫理委員會的批準，倫理批號：XYFY2023-KL263。遵照倫理相關規定收集了69例GC患者（年齡為28～92歲，平均年齡為63歲）的腫瘤組織和匹配的鄰近癌旁組織（距離腫瘤邊緣至少5 cm）。這些患者于2021年1月至2022年12月在徐州醫科大學附屬醫院接受了常規根治性手術。

1.2 銅死亡相關LncRNA的篩選

“limma”包用于進行LncRNA和銅死亡基因相關性分析，篩選出與49個銅死亡基因共表達的LncRNA，設定閾值為|Cor|>0.4和P<0.05。

1.3 基于銅死亡相關LncRNA的預后模型構建

采用等效抽樣方法將樣本分為訓練組（260例）和驗證組（111例）。進行單變量Cox回歸分析以篩選出訓練組中與預后有關的銅死亡相關LncRNA（0.05作為閾值），并繪制森林樣地圖。為了提高預測準確性和避免過度擬合，使用“survival”和“glmnet”包進行最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）Cox回歸分析，并進行1 000倍交叉驗證。最后，通過多變量Cox回歸分析識別風險基因并計算風險系數，風險評分計算公式如下：

風險評分 =系數×LncRNA

訓練組中風險評分的中位數設為臨界值，將胃癌樣本分為高危組和低危組。

1.4 銅死亡相關LncRNA預后模型的驗證

采用Kaplan-Meier方法比較兩組的總體生存時間差異，并使用ggplot2軟件包創建風險評分與患者生存狀態之間的危險因素關聯圖。進行包括風險評分和臨床資料在內的單變量和多變量Cox回歸分析，以確定該模型是否可以作為臨床預后的獨立預測因子。根據受試者工作特征（receiver operating characteristic curve，ROC）曲線和無進展生存期（progression free survival，PFS）分析評估風險模型預測GC患者的總生存期（overall survival，OS）和PFS的預測準確性，并構建一致性指數模型進一步驗證它們的預測能力。

1.5 免疫檢查點基因分析

為了探究免疫檢查點基因阻斷的治療效果，我們根據TCGA-LIHC基因表達譜，將篩選出的12個LncRNA與關鍵免疫檢查點基因建立共表達網絡（P<0.05），包括LILRB4、CTLA4、CD86和CD274等，并分析關鍵免疫檢查點基因與銅死亡相關LncRNA的相關性。

1.6 腫瘤免疫細胞浸潤與免疫應答分析

使用“ssGSEA”包進行單樣本基因集富集分析（single sample gene set enrichment analysis，ssGSEA）以評估23種免疫細胞在所有患者的富集差異和免疫功能。隨后，利用“ESTIMATE”包計算樣本腫瘤微環境（tumor microenvironmrnt，TME）中免疫細胞和基質細胞的成分。運行腫瘤免疫功能障礙與排斥算法（tumor immune dysfunction and exclusion，TIDE）計算數據集（http：//tide.dfci.harvard.edu）中每個患者的免疫治療評分，展示風險評分和免疫檢查點阻斷治療之間的關系。

1.7 功能富集分析

采用R編程語言（4.1.3）版本中的clusterProfiler包進行基因本體論（gene ontology，GO）和京都基因與基因組百科全書（Kyoto encyclopedia of genes and genomes，KEGG）富集分析，以確定涉及GC的關鍵基因和通路。

1.8 風險評分與腫瘤突變負荷的關系

腫瘤突變負荷（tumor mutation burden，TMB）是每兆堿基腫瘤DNA的總外顯子突變計數。使用R包“maftools”計算每位患者基于LIHC樣本突變數據的TMB評分。

1.9 藥物敏感性評估

使用“pRRophetic”R包對如塞卡替尼、達沙替尼、吉非替尼和甲氨蝶呤等藥物進行藥敏分析，并采用Wilcoxon秩和檢驗比較高危組和低危組的半抑制濃度（half maximal inhibitory concentration，IC50）差異。數據來自腫瘤藥物敏感性基因組學（genomics of drug sensitivity in cancer，GDSC）數據庫（https：//www.cancer-rxgene.org/）。

1.10 實時熒光定量PCR（qRT-PCR）

高靈敏度染料法定量PCR檢測試劑盒和逆轉錄酶試劑盒均購自南京諾唯贊生物科技股份有限公司。利用Trizol試劑快速提取法提取組織中總RNA。逆轉錄反應按照逆轉錄酶試劑盒說明，在20 μL體系中加2 μg總RNA進行cDNA的合成。采用2×SYBR Green PCR Master Mix對cDNA進行擴增。LncRNA HAGLR上游引物：5'-CATTCTCCTCCTGTATTCTCT-3'，下游引物：5'-GTCCTGGTCACTGGTAAG- 3'；內參GAPDH上游引物：5'-GACTCATGACCACAAGTCCATGC-3'，下游引物：5'-AGAGGCAGGGATGATGTTCTG- 3'。每個樣本進行3次重復試驗，以GAPDH作為內參照。采用2-△△Ct法［18］將LncRNA相對的表達量計算出來，△Ct值=樣本和內參基因的Ct值之差。

1.11 統計處理

單變量和多變量Cox回歸分析用于計算風險比并確定獨立的風險因素。利用ROC曲線評估預后模型的敏感度和特異性。利用Wilcoxon秩和檢驗進行兩組之間基因差異分析，Spearman相關檢驗分析基因表達間的相關性。qRT-PCR試驗采用兩組配對樣本t檢驗。所有統計分析均使用R語言（版本4.1.3）進行。P<0.05被認為是顯著統計學差異的標準。

2 結果與分析

2.1 在GC樣本中鑒定銅死亡相關LncRNA

使用GENCODE數據庫在TCGA-LIHC表達矩陣中鑒定了16 876個LncRNA。Pearson分析鑒定出801個銅死亡相關LncRNA。這些LncRNA與ABCB6、BACE1、COX19、DAXX、FDX1、GLS、SNCA等49個銅死亡相關基因相關。從TCGA數據庫中獲得371例GC患者的詳細臨床病理特征，隨機分為訓練組和驗證組，兩組臨床指標基本一致，具有可比性。數據見表1。

2.2 銅死亡相關LncRNA預后模型的構建

利用單因素Cox回歸分析篩選出與胃癌患者OS顯著相關的260個銅死亡相關LncRNA（P<0.05），圖1a顯示了前24個的風險比和P值，其中13個均為HR>1的危險基因（P<0.05）。然后，采用LASSO Cox回歸分析和多變量Cox回歸分析篩選得到12個與預后最相關的變量，構建了風險預后模型（圖1b～1c）。風險評分=（0.29×Expression HAGLR）+（0.86×Expression AC244100.3）-（1.00×Expression STX18-AS1）+（0.40×Expression AC093627.5）-（1.15×Expression AC139019.1）-（0.52×Expression AC026412.3）+（0.78×Expression AP000894.2）+（0.91×Expression AC002480.2）-（0.40×Expression AC016394.2）+（0.51×Expression AL590705.3）-（0.66×Expression AC007277.1）+

（0.56×Expression AL139351.3）。Kaplan-Meier生存曲線表明，高危組的OS明顯低于低危組（圖1d～1f）。患者的死亡例數隨著風險評分的上升明顯上升（P<0.05），這表明風險評分和生存時間顯著相關，見圖1g～1h。熱圖展示出高危和低危組中12個LncRNA的表達含量差異（圖1i）。

2.3 銅死亡相關LncRNA預后模型的預后價值

單變量Cox回歸分析結果表明，年齡（P=0.004，HR=1.026，95%CI［1.008，1.044］）、腫瘤分期（P<0.001，HR=1.534，95%CI［1.241，1.896］）和風險評分（P<0.001，HR=1.082，95%CI［1.056，1.108］）是胃癌進展的危險因素，見圖2a。多變量Cox回歸分析結果表明，在調整其他混雜因素影響后，風險評分（P<0.001，HR=1.085，95%CI［1.058，1.113］）仍為一個獨立的預后因素（圖2b）。低危組GC患者具有更好的PFS（P<0.05，圖2c）。時間依賴性ROC曲線分析結果顯示，1年、3年和5年OS的預后LncRNA模型的曲線下面積（area under curve，AUC）值分別為0.736、0.763和0.740（圖2d）。分類ROC曲線顯示，風險評分模型的AUC值遠高于其他臨床因素的AUC值，一致性指數再次證實模型具有優于臨床病理特征的預測預后能力，見圖2e～2f。

2.4 免疫檢查點基因分析

多個免疫檢查點（包括CTLA4、CD274、CD86和LILRB4）與銅死亡相關LncRNA及風險評分明顯相關（P<0.05，圖3a），CD86和LILRB4表達與風險評分呈正相關，而CTLA4和CD274表達與風險評分呈負相關（圖3b～3e），這4個免疫檢查點基因可能受12個銅死亡相關LncRNA調控。

2.5 基于預后模型亞組的綜合免疫浸潤分析

采用ssGSEA分析評估高危組和低危組GC患者13種免疫相關功能的狀態。如熱圖所示，type＿II＿IFN＿response、APC＿co＿stimulation、CCR和MHC＿class I在高危組和低危組之間的差異有統計學意義（圖4a）。分析TCGA腫瘤免疫浸潤數據，兩組之間大多數免疫細胞的浸潤存在顯著差異。高危人群的適應性免疫細胞浸潤特別豐富，例如，γδT細胞、未成熟的樹突狀細胞、巨噬細胞、肥大細胞、自然殺傷T細胞和調節性T細胞（圖4b）。盡管兩組之間的免疫評分沒有顯著差異，但低危組患者表現出更高的腫瘤純度和較低的基質成分（圖4c～4d）。兩組之間的TIDE評分差異有統計學意義（圖4e）。據報道，腫瘤基質細胞參與免疫調節［19］，能夠阻止免疫細胞進入腫瘤實質，還可以阻止T細胞殺死腫瘤細胞［20］。TIDE分析可以評估不同風險模式患者的免疫治療反應是否存在差異。高危組GC患者的基質成分和TIDE評分明顯高于低危組。這表明低危組患者的免疫治療效果可能更好。風險評分可作為GC患者免疫治療效果的有意義的預測指標。

2.6 風險評分與腫瘤突變負荷相關性

根據TCGA數據庫中GC患者的體細胞突變數據，計算并比較兩組之間的TMB評分。結果表明，兩組之間TMB評分具有顯著差異，高危組的TMB水平更低（圖5a）。采用TMB中位數評分將GC患者分為高TMB組和低TMB組。Kaplan-Meier生存曲線分析顯示，高TMB組患者的OS明顯高于低TMB組（圖5b）。此外，我們以瀑布圖形式可視化了兩組的前15個高頻突變基因，兩組突變頻率最高的基因均為TTN（圖5c～5d）。

2.7 功能富集分析

為了了解導致高危組與低危組之間TME和PFS差異的潛在生物學機制，對兩組間差異表達基因進行了GO功能富集分析和KEGG通路分析。生物學過程參與受體-配體相互作用、糖胺聚糖結合和激素活性的調節。細胞成分主要在細胞外基質、內質網和脂蛋白復合物中調節。分子功能主要調節水解酶、激素運輸和血漿脂蛋白。根據KEGG分析，銅死亡相關LncRNA主要富集于分解代謝、蛋白加工和激素分泌等過程（圖6a～6b）。

2.8 GC患者抗癌藥物敏感性預測

使用“pRRophetic”R包共鑒定出6種藥物，其敏感性（IC50）在高危組和低危組之間的差異有統計學意義（P<0.05）（圖7），表明這些藥物可能有助于指導GC患者的個性化治療，并且阿糖胞嘧啶、達沙替尼和塞卡替尼可能是高危組患者治療的預測候選藥物。

2.9 胃癌LncRNA HAGLR表達

利用TCGA數據庫檢索發現，胃癌組織中LncRNA HAGLR表達明顯上調，胃癌組織和癌旁組織樣本中LncRNA HAGLR相對表達量分別為1.689和1.116，差異有統計學意義（圖8a，P<0.05）。Kaplan-Meier生存曲線表明，LncRNA HAGLR與患者生存預后有關，高表達的患者具有較差的OS（圖8b）。qRT-PCR結果顯示，收集的胃癌組織和癌旁組織中LncRNA HAGLR相對表達量分別為1.39±0.70、0.75±0.39，差異有統計學意義（t=4.663，P<0.01），見圖8c。并且LncRNA HAGLR的表達水平與性別、年齡及腫瘤部位無關（P>0.05），與腫瘤直徑、浸潤深度、分化程度、臨床分期及淋巴結轉移有關，差異有統計學意義（P<0.05），見表2。

3 討論

鑒于胃癌的高度異質性，可用于靶向治療的主要驅動基因尚未確定，而免疫療法在治療晚期和復發性胃癌患者方面擁有放療和化療所不具備的優勢，具有重要的臨床應用價值和前景。因此，識別腫瘤相關基因改變也許可以為胃癌的預后和免疫治療提供一定的思路。

作為一個新術語，銅死亡被用來描述由銅引起的獨特的生物過程。越來越多的研究表明，較高水平的銅與惡性腫瘤有關［21］。然而，許多研究都集中在銅死亡在癌癥進展機制中的作用，預測癌癥存活率方面的研究很少。LncRNA是一類沒有編碼功能的RNA，可以調節基因表達和蛋白質功能，形成復雜的監管網絡。LncRNA的異常表達可直接或間接影響腫瘤微環境中的其他細胞，從而參與腫瘤免疫的形成［22］。隨著研究深入，銅死亡相關LncRNA與腫瘤進展的關系愈加緊密，其在腫瘤預后預測中的潛在價值逐漸顯現，但目前對于其在胃癌預后中價值的相關研究較少。

本研究系統地證明了銅死亡相關LncRNA在胃癌預后和腫瘤微環境中的作用。首先，基于TCGA數據集確定了新的與銅死亡相關的LncRNA預后特征，共鑒定出24種與銅死亡相關的預后LncRNA，通過LASSO回歸篩除假陽性LncRNA，其中12個LncRNA被選入預測模型。然后，采用Kaplan-Meier生存分析、ROC曲線和一致性指數驗證風險模型的預后價值。生存曲線證明高危組患者預后更差，ROC曲線中1、3、5年的 AUC分別為0.736、0.763、0.740，這表明模型在預測長期結果方面具有較高的準確性。此外，單因素、多因素Cox回歸分析和一致性指數分析明確了模型的獨立且優于臨床特征的預測預后價值。

盡管免疫療法對胃癌有效，但由于對腫瘤微環境及個體差異的不完全了解，其療效并不一致。目前，一些臨床數據表明，基因變化與免疫治療反應之間存在相關性［23］。因此，有必要確定哪些患者最有可能對免疫治療產生反應。CTLA-4是除PD-1/PD-L1之外的T細胞的關鍵負調節因子，它限制了抗腫瘤免疫反應［24］，免疫檢查點分析結果顯示，其與風險評分呈負相關。ssGSEA結果表明，銅死亡相關LncRNA預后模型與GC組織中免疫細胞的富集有關。高腫瘤突變負荷也已成為預測許多癌癥對免疫療法反應的敏感生物標志物，包括肺癌、膀胱癌和頭頸癌［25-26］。風險評分連同突變數據揭示了不同組間轉錄組水平基因變異頻率的顯著差異。在高危組和低危組中，分別有151名（90.42%）和173名（89.18%）患者被鑒定出體細胞突變。本研究對這些患者中最常見的15種突變進行了排序。TTN、TP53和MUC16基因的突變頻率最高，與其他一些研究相似［27］。腫瘤中的非同義突變負荷較高可導致形成更多的新抗原，從而增加免疫原性并增強免疫治療反應［28］。本研究中低危組表現出較高的腫瘤突變負荷以及較低的TIDE評分。這些結果提示，低危組較好的預后可能與其對免疫治療產生反應有關，并且可從抗CTLA-4抗體治療中受益更多。高危組更可能表現出免疫逃逸和免疫治療耐藥。另外，許多獨立研究調查了化療耐藥現象中的個別LncRNA［29］，但關于銅死亡相關LncRNA在預測化療耐藥性中的作用和功能的研究仍然缺乏。本研究利用TCGA數據庫對胃癌樣本數據進行分析，發現多種抗腫瘤藥物在兩組間具有明顯差異，可用于預測胃癌患者的耐藥傾向。

LncRNA常形成高度穩定的二級結構，在多種腫瘤生物學過程中發揮著重要作用。截至目前，在預測預后的12個銅死亡相關LncRNA中，只有HAGLR和AC007277.1被報道與癌癥相關［30-31］。根據最近的一項研究，HAGLR（也稱為HOXD-AS1和Mdgt）在胃癌細胞中明顯過表達，敲除HAGLR可使JAK2/STAT3通路失活，從而抑制胃癌進展［30］。本研究納入69例胃癌患者，比較了胃癌患者胃癌及癌旁組織中LncRNA HAGLR的相對表達量。結果證實，胃癌患者腫瘤組織中LncRNA HAGLR的相對表達量顯著上調，并且HAGLR過表達與腫瘤大小、淋巴結轉移、浸潤深度、分化程度、臨床分期有關。這表明，LncRNA HAGLR作為促癌基因有望成為提示胃癌預后的重要生物學指標，并為模型在臨床應用提供了病理組織學證據。目前銅死亡相關LncRNA在胃癌中具體的生物學功能尚不十分明確，HAGLR極有可能是胃癌患者的一種潛在的治療靶標，具有重要的研究價值。未來還需要通過細胞和動物試驗等進一步探索LncRNA HAGLR、AC007277.1等參與胃癌進展的上下游分子機制。其余10種LncRNA尚未報道參與調控癌癥的發生發展。本研究率先強調了他們作為胃癌患者臨床診治的潛在標志物和預后評估指標的潛力，對深入挖掘胃癌增殖、侵襲的多種調控途徑有一定的提示和指導意義。這些發現都為未來控制胃癌提供強了有力的理論支持和新方向。

綜上所述，本研究分別從生物信息學和臨床組織學角度突出了銅死亡相關LncRNA在胃癌中的預測生存結局和臨床應用價值，利用模型的評分系統賦予臨床胃癌患者風險評分，可評估患者1、3、5年的生存率、免疫細胞浸潤、體細胞突變負荷、免疫治療療效和指導用藥選擇，為胃癌患者個體化治療提供了新的途徑和思路。

參考文獻（References）：

［1］ SMYTH E C， NILSSON M， GRABSCH H I， et al. Gastric cancer［J］. Lancet， 2020， 396（10251）： 635-648.

［2］ SUNG H， FERLAY J， SIEGEL R L， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA-A Cancer Journal for Clinicians， 2021， 71（3）： 209-249.

［3］ KARIMI P， ISLAMI F， ANANDASABAPATHY S， et al. Gastric cancer： descriptive epidemiology， risk factors， screening， and prevention［J］. Cancer Epidemiology Biomarkers & Prevention， 2014， 23（5）： 700-713.

［4］ TSVETKOV P， COY S， PETROVA B， et al. Copper induces cell death by targeting lipoylated TCA cycle proteins［J］. Science， 2022， 375（6586）： 1254-1261.

［5］ TANG D L， CHEN X， KROEMER G. Cuproptosis： a copper-triggered modality of mitochondrial cell death［J］. Cell Research， 2022， 32（5）： 417-418.

［6］ COBINE P A， BRADY D C. Cuproptosis： cellular and molecular mechanisms underlying copper-induced cell death［J］. Molecular Cell， 2022， 82（10）： 1786-1787.

［7］ PERCIVAL S S. Copper and immunity［J］. American Journal of Clinical Nutrition， 1998， 67（5 Suppl）： 1064S-1068S.

［8］ VOLI F， VALLI E， LERRA L， et al. Intratumoral copper modulates PD-L1 expression and influences tumor immune evasion［J］. Cancer Research， 2020， 80（19）： 4129-4144.

［9］ CHEN Y Q， TANG L， HUANG W T， et al. Identification and validation of a novel cuproptosis-related signature as a prognostic model for lung adenocarcinoma［J］. Frontiers in Endocrinology， 2022， 13： 960220.

［10］ JIANG Z R， YANG L H， JIN L Z， et al. Identification of novel cuproptosis-related lncRNA signatures to predict the prognosis and immune microenvironment of breast cancer patients［J］. Frontiers in Oncology， 2022， 12： 988680.

［11］ XIA Y， LIU X K， ZHANG L P， et al. A new schiff base coordinated copper（II） compound induces apoptosis and inhibits tumor growth in gastric cancer［J］. Cancer Cell International， 2019， 19： 81.

［12］ LIU Y， GUAN X， WANG M L， et al. Disulfiram/Copper induces antitumor activity against gastric cancer via the ROS/MAPK and NPL4 pathways［J］. Bioengineered， 2022， 13（3）： 6579-6589.

［13］ KUNG J T Y， COLOGNORI D， LEE J T. Long noncoding RNAs： past， present， and future［J］. Genetics， 2013， 193（3）： 651-669.

［14］ JIA Y L， TIAN C， WANG H Y， et al. Long non-coding RNA NORAD/miR-224-3p/MTDH axis contributes to CDDP resistance of esophageal squamous cell carcinoma by promoting nuclear accumulation of beta-catenin［J］. Molecular Cancer， 2021， 20（1）： 162.

［15］ DU R Y， BAI Y， LI L. Biological networks in gestational diabetes mellitus： insights into the mechanism of crosstalk between long non-coding RNA and N-6-methyladenine modification［J］. BMC Pregnancy and Childbirth， 2022， 22（1）： 384.

［16］ XU M， XU X N， PAN B， et al. LncRNA SATB2-AS1 inhibits tumor metastasis and affects the tumor immune cell microenvironment in colorectal cancer by regulating SATB2［J］. Molecular Cancer， 2019， 18（1）： 135.

［17］ PAN J H， ZHANG X Y， FANG X D， et al. Construction on of a ferroptosis-related lncRNA-based model to improve the prognostic evaluation of gastric cancer patients based on bioinformatics［J］. Frontiers in Genetics， 2021， 12：739470.

［18］ KOLENDA T， RYS M， GUGLAS K， et al. Quantification of long non-coding RNAs using qRT-PCR： comparison of different cDNA synthesis methods and RNA stability［J］. Archives of Medical Science， 2019， 17（4）： 1006-1015.

［19］ CHEN D S， MELLMAN I. Elements of cancer immunity and the cancer-immune set point［J］. Nature， 2017， 541（7637）： 321-330.

［20］ ZHANG B， WU Q， LI B， et al. m（6）A regulator-mediated methylation modification patterns and tumor microenvironment infiltration characterization in gastric cancer［J］. Molecular Cancer， 2020， 19（1）： 53.

［21］ STEPIEN M， JENAB M， FREISLING H， et al. Pre-diagnostic copper and zinc biomarkers and colorectal cancer risk in the European Prospective Investigation into Cancer and Nutrition cohort［J］. Carcinogenesis， 2017， 38（7）： 699-707.

［22］ CAO J， DONG R， JIANG L， et al. LncRNA-MM2 Pidentified as a modulator of macrophage M2 polarization［J］. Cancer Immunology Research， 2019， 7（2）： 292-305.

［23］ BURR M L， SPARBIER C E， CHAN Y C， et al. CMTM6 maintains the expression of PD-L1 and regulates anti-tumour immunity［J］. Nature， 2017， 549（7670）： 101-105.

［24］ BAAS P， SCHERPEREEL A， NOWAK A K， et al. First-line nivolumab plus ipilimumab in unresectable malignant pleural mesothelioma （CheckMate 743）： a multicentre， randomised， open-label， phase 3 trial［J］. Lancet， 2021， 397（10272）： 375-386.

［25］ CHAN T A， YARCHOAN M， JAFFEE E， et al. Development of tumor mutation burden as an immunotherapy biomarker： utility for the oncology clinic［J］. Annals of Oncology， 2019， 30（1）： 44-56.

［26］ JANG B S， HAN W， KIM I A. Tumor mutation burden， immune checkpoint crosstalk and radiosensitivity in single-cell RNA sequencing data of breast cancer［J］. Radiotherapy and Oncology， 2020， 142： 202-209.

［27］ LIU Y Q， CHENG L， HUANG W， et al. Genome instability-related miRNAs predict survival， immune landscape， and immunotherapy responses in gastric cancer［J］. Journal of Immunology Research， 2021， 2021： 2048833.

［28］ RIZVI N A， HELLMANN M D， SNYDER A， et al. Mutational landscape determines sensitivity to PD-1 blockade in non-small cell lung cancer［J］. Science， 2015， 348（6230）： 124-128.

［29］ ADRIAENS C， STANDAERT L， BARRA J， et al. p53 induces formation of NEAT1 lncRNA-containing paraspeckles that modulate replication stress response and chemosensitivity［J］. Nature Medicine， 2016， 22（8）： 861-868.

［30］ ZHENG L， CHEN J T， ZHOU Z Y， et al. Knockdown of long non-coding RNA HOXD-AS1 inhibits gastric cancer cell growth via inactivating the JAK2/STAT3 pathway［J］. Tumor Biology， 2017， 39（5）： 1010428317705335.

［31］ ZHANG Y， LI L Y， TU Y， et al. A DCS-related lncRNA signature predicts the prognosis and chemotherapeutic response of patients with gastric cancer［J］. Bioscience Reports， 2022， 42（9）： 1-17.