IF：12+ 不同癌症中TMB与ICI反应之间的免疫相关因素研究
桓峰基因
生物信息分析，SCI文章撰写及生物信息基础知识学习：R语言学习，perl基础编程，linux系统命令，Python遇见更好的你
133篇原创内容
公众号
桓峰基因的教程不但教您怎么使用，还会定期分析一些相关的文章，学会教程只是基础，但是如果把分析结果整合到文章里面才是目的，觉得我们这些教程还不错，并且您按照我们的教程分析出来不错的结果发了文章记得告知我们，并在文章中感谢一下我们哦！
公司英文名称：Kyoho Gene Technology (Beijing) Co.,Ltd.
该文章使用桓峰基因公众号里面转录组分析结合临床预测模型教程即可实现，有需要类似思路的老师可以联系我们！首选看下转录分析教程整理如下：
RNA 1. 基因表达那些事–基于 GEO
RNA 2. SCI文章中基于GEO的差异表达基因之 limma
RNA 3. SCI 文章中基于T CGA 差异表达基因之 DESeq2
RNA 4. SCI 文章中基于TCGA 差异表达之 edgeR
RNA 5. SCI 文章中差异基因表达之 MA 图
RNA 6. 差异基因表达之-- 火山图 (volcano)
RNA 7. SCI 文章中的基因表达——主成分分析 (PCA)
RNA 8. SCI文章中差异基因表达–热图 (heatmap)
RNA 9. SCI 文章中基因表达之 GO 注释
RNA 10. SCI 文章中基因表达富集之–KEGG
RNA 11. SCI 文章中基因表达富集之 GSEA
RNA 12. SCI 文章中肿瘤免疫浸润计算方法之 CIBERSORT
RNA 13. SCI 文章中差异表达基因之 WGCNA
RNA 14. SCI 文章中差异表达基因之 蛋白互作网络 (PPI)
RNA 15. SCI 文章中的融合基因之 FusionGDB2
RNA 16. SCI 文章中的融合基因之可视化
RNA 17. SCI 文章中的筛选 Hub 基因 (Hub genes)
RNA 18. SCI 文章中基因集变异分析 GSVA
RNA 19. SCI 文章中无监督聚类法 （ConsensusClusterPlus）
RNA 20. SCI 文章中单样本免疫浸润分析 （ssGSEA）
RNA 21. SCI 文章中单基因富集分析
RNA 22. SCI 文章中基于表达估计恶性肿瘤组织的基质细胞和免疫细胞（ESTIMATE）
临床预测模型整理如下：
Topic 1. _临床_标志物生信分析常规思路
Topic 2. 生存分析之 Kaplan-Meier
Topic 3. SCI文章第一张表格–基线表格
Topic 4. _临床_预测模型构建 Logistic 回归
Topic 5. 样本量确定及分割
Topic 6 计数变量泊松回归
Topic 7. _临床_预测模型–Cox回归
Topic 8. _临床_预测模型-Lasso回归
Topic 9. SCI 文章第二张表—单因素回归分析表
Topic 10. 单因素 Logistic 回归分析—单因素分析表格
Topic 11. SCI中多元变量筛选—单/多因素表
Topic 12 _临床_预测模型—列线表 (Nomogram)
Topic 13. _临床_预测模型—一致性指数 (C-index)
Topic 14. _临床_预测模型之校准曲线 (Calibration curve) Topic 15. _临床_预测模型之决策曲线 (DCA)Topic 16. _临床_预测模型之接收者操作特征曲线 (ROC)
Topic 17. 临床预测模型之缺失值识别及可视化
Topic 18. 临床预测模型之缺失值插补方法
这期为大家一篇****发表在 Cancer Research上的文章，影响因子为12.701**，揭示了可能调节高肿瘤突变负荷与 ICI 反应之间关系的免疫相关因素。**
摘 要
FDA最近批准了一种高肿瘤突变负担(TMB -high)生物标志物，定义为10个突变/Mb，用于pembrolizumab治疗实体肿瘤，pembrolizumab是一种靶向PD1的免疫检查点抑制剂(ICI)。然而，最近的研究表明，这种TMB高的生物标志物只能对一部分癌症类型的ICI应答者进行分层，而这一观察结果背后的机制尚不清楚。肿瘤免疫微环境(TME)可能调节TMB的分层能力(称为TMB能力)，决定它是否能预测特定癌症类型的ICI反应。为了系统地研究这一假说，我们在TCGA数据库中推断了31个具有不同癌症类型TME特征的免疫相关因子水平。将该信息与2277例接受抗PD-1治疗的患者的TMB和反应数据相结合，确定了决定TMB在14种不同癌症类型中的作用的关键免疫因素。我们发现，高水平的M1巨噬细胞和低静息的树突状细胞在TME中是具有高TMB功率的癌症类型的特征。基于这两种免疫因素的模型在交叉验证和测试中强烈预测了特定癌症类型中的TMB功率(Spearman Rho分别为0.76和1)。利用该模型，我们预测了TMB在9种额外癌症类型中的威力，包括罕见癌症，这些癌症的TMB和ICI反应数据尚未公开。我们的分析表明，TMB-high可能是宫颈癌鳞状细胞癌中ICI反应的高度预测指标，建议优先考虑这项研究。****
本研究揭示了可能调节肿瘤TMB-high与ICI反应之间关系的免疫相关因素，这有助于临床试验对癌症类型进行优先排序。
数据集选择
这篇文章在肿瘤免疫微环境 (TME) 可以调节 TMB 的分层能力（称为 TMB 能力），确定它是否可以预测给定癌症类型中的 ICI 反应。为肿瘤的免疫治疗提供了新的研究方向。我们从文章中提取生信分析流程，看下文章中使用的数据集和生信分析方法，如下：
-
相关数据准备
数据集选择：
**训练集：**MSKCC 和 TCGA 共 2,277 ICI-treated patients across 14 cancer types.
验证集：
-
基因集选择：(i) tumor neoantigen, (ii) tumor immune microenvironment, (iii) checkpoint target.
生信分析方法
我们从文章的分析流程中提取所有的分析内容，整理出来就4个分析条目，每个条目都包括分析的内容，这些分析构成了整个文章，本文属于纯生信分析的文章，下面我们就看看哪些分析可以利用桓峰基因公众号的教程来实现，点击分析条码就会跳转到对应公众号的教程，角度选的号，跟着教程做，您也能发轻松发12+，如下：
1. 不同癌症类型高TMB组与低TMB组的ICI反应（Cox回归模型，森林图）
- TME中各种免疫相关因子的平均水平量化（免疫细胞丰度CIBERSORT）
3. 评估调节剂预测TMB的能力(折线图)
4. 评估调节剂的稳健性(散点图)
研究结果
1. 不同癌症类型高TMB组与低TMB组的ICI反应（Cox回归模型，森林图，生存分析）
A. 计算了每种癌症类型中高 TMB 与低 TMB 患者的 OS 差异，即生存率 HR。
14 种癌症类型中有 8 种的 HR < 1（FDR < 0.1 ），证明 TMB-high 患者的总体生存率较高。
B. 使用肿瘤反应状态重复该分析并计算 ORR 的 OR，即治疗后肿瘤负荷的放射学评估，在 TMB 高与 TMB低的患者之间，11 种癌症类型中有 5 种OR > 1（FDR < 0.1)。
2. TME中各种免疫相关因子的平均水平量化（免疫细胞丰度通过CIBERSORT测定）
A、在14 种癌症类型中计算了每个免疫因子的平均水平与基于 OS 的 TMB 能力的三个测量值之间的相关性
B，****在14 种癌症类型中计算了每个免疫因子的平均水平与基于ORR 的 TMB 能力的三个测量值之间的相关性。
**C，**结果显示四种免疫因素与所有三种结果测量的 TMB 能力相关。
**D，**两种调节剂与 TMB 功率呈正相关，包括 M1 巨噬细胞水平和肿瘤纯度水平，并称它们为正调节剂。其他两种调节剂与 TMB 功率呈负相关，包括 PDL1 组合阳性评分和静息树突细胞，称之为负调节剂。其中淋巴细胞的总体水平与 TMB 功率没有显著相关性。
3. 评估调节剂预测TMB的能力(折线图)
本研究建立了一个多元线性模型，根据上面确定的四种顶级调节剂的水平预测给定癌症类型的 TMB能力 ，通过留一法交叉验证评估它们的总预测能力。
A、 作者分别为TMB能力的所有三个衡量标准(OS、PFS、ORR)构建了此模型。
**B、**使用这个双特征线性模型，作者预测了另外 17 种癌症类型的 TMB 能力，其中有9种癌症的TMB能力可以被准确预测，而TMB 高的患者在大型临床试验中显示出更高的反应率和中位生存期。
**C、**为了测试预测结果，作者对所有使用 TMB 的免疫治疗临床试验和这九种癌症类型的反应数据进行了文献调查，发现通过模型预测的 TMB 功率与文献中观察到的功率之间的相关性是显著的。
4. 评估调节剂的稳健性(散点图)
**A、**使用ORR (x轴)和OS/PFS (y轴)为每个调制器提供了与TMB功率相关的强度，其中绿色文本(高亮和标记)表示使用初始管道确定的正调制剂，红色文本(高亮和标记)表示在去除异常值(胰腺癌)后重复分析时的负调制剂。
**B、**将前 20% 的患者视为高 TMB，发现 4 个顶级调节剂中的 3 个仍然名列前茅。
**C、**考虑与 MSKCC 队列报告的比例相同的 TCGA 患者的转移性疾病，发现在该队列中，原本确定为顶级调节剂的静息树突状细胞再次得到了证实。
**D-F、**本研究接下来测试了在癌症类型中，调节剂是否可以对患者的亚组进行分层，其中高 TMB 可以预测四个不同队列中的 ICB 反应 。
这篇文章利用桓峰基因公众号的教程完全可以实现，跟着教程学习肯定有成果，怎么样感觉难吗？如果觉得还是搞不定这些复杂的分析，桓峰基因铸造成功的您，来找我们吧！
References：
Sinha N, Sinha S, Valero C, et al. Immune Determinants of the Association between Tumor Mutational Burden and Immunotherapy Response across Cancer Types. Cancer Res. 2022;82(11):2076-2083. doi:10.1158/0008-5472.CAN-21-2542
