目的 本研究旨在構建自噬相關基因 (ARGs) 的風險分類器, 從而預測低級別膠質瘤 (LGG) 患者的生存率. 方法 從 UCSC Xena, CGGA, GlioVis 和 GTEx 公共數據庫中獲取 LGG 患者和正常腦組織數據, 結合人類自噬數據庫篩選出 232 個 ARGs. 通過差異分析得到差異ARGs. 在訓練集中, 利用單因素Cox回歸分析和LASSO回歸分析, 構建 ARGs 的預后分類器. 通過繪制受試者工作特征 (ROC) 曲線確定最佳Cut-off值. Kaplan-Meier 生存曲線和 ROC 曲線下面積 (AUC) 用于評估分類器性能, 并在內部數據集和外部數據集中驗證. Cox 回歸分析用于評估分類器的獨立預后價值. 最后, 結合常見臨床參數和風險分類用于構建列線圖模型, 并利用ROC曲線, -致性指數和校準曲線評估該模型的預測能力. 結果 本研究構建了由 6 個 ARGs (BAG1, PTK6, EEF2, PEA15, ITGA6 和 MAP1LC3C) 的預后風險分類器, 其可將LGG患者分為具有明顯生存差異的高、低風險組在多個數據集 (均 P<0.05). 5 年 AUC 值顯示該分類器在訓練集, 內部驗證集和 TCGA 總集中分別為0.837, 0.755, 和0.803. 同時, 在外部驗證集中, 1年, 2年和3年ROC曲線依然提示該分類器具有較好的預測準確性. Cox 回歸分析顯示該預后分類器在來自TCGA 的多個數據集中都具有獨立預后價值 (HR>1, P<0.05). 之后構建了包含多個常見臨床參數和預后風險分類的列線圖模型, 時間依賴性ROC, -致性指數 (C-index) 和校準曲線分析同時證實了該模型的預后價值. 結論 本研究建立了-個由 6 個 ARGs 的具有高預后價值的風險分類器, 并結合臨床病理特征和風險分類構建了用于臨床決策的列線圖, 能更好地幫助臨床醫生判斷 LGG 患者的預后和進行個體化治療的臨床決策. [ABSTRACT FROM AUTHOR]