[目的]基于铜死亡相关lncRNA构建乳腺癌预后风险模型并探索其潜在的生物学意义。[方法]从TCGA数据库下载乳腺癌数据,利用R软件获取铜死亡相关lncRNA。用Cox回归及Lasso回归分析筛选铜死亡预后相关lncRNA,建立预后风险模型。运用Kaplan-Meier分析和ROC曲线对模型进行评估,并将此模型与临床病理特征进行整合,Cox回归分析寻找独立预后因素,建立列线图。对高低风险组之间差异基因进行基因本体(Gene Ontology,GO)和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)富集分析、免疫功能分析,并探讨两组间TMB和突变基因的表达。[结果]单因素Cox回归分析显示19个铜死亡预后相关lncRNA,Lasso回归分析筛选出14个lncRNA,多因素Cox回归分析确定8个lncRNA(AL590434.1、AC105398.1、AL137847.1、AC004982.1、AC107993.1、MECOM-AS1、U73166.1、HECW2-AS1)用于构建预后风险模型。风险评分=(-1.45494698784031×AL590434.1)+(-3.67358360093321×AC105398.1)+(-1.10778423160903×AL137847.1)+(0.661226964250153×AC004982.1)+(-1.46582205700717×AC107993.1)+(0.825809098216395×MECOM-AS1)+(-0.651012875897201×U73166.1)+(0.249130715504216×HECW2-AS1)。高风险组患者的总生存时间(overall survival,OS)及无进展生存期(progression-free survival,PFS)明显低于低风险组(P<0.05)。预后风险模型预测乳腺癌患者1年、3年和5年生存效能较好(AUC值分别为0.727、0.688、0.706)。风险评分可作为乳腺癌患者的独立预后因素(P<0.01),列线图证实该模型具有良好的预后预测能力。GO分析主要富集包括肌肉系统过程、富含胶原的细胞外基质、肌动蛋白结合;KEGG分析主要富集在钙离子信号通路(P<0.05)。免疫功能分析发现T细胞共抑制、抗原呈递共刺激及共抑制在高、低风险组之间存在显著差异(P<0.01)。高风险组TMB较低风险组高(P<0.05),高TMB组预后较低TMB组差(P<0.05)。两组中PIK3CA是突变频率最高的基因,其