学学这篇免疫浸润文章和作者一样发5+分

        今天跟大家分享的是2020年4月发表在Aging(IF:5.515)杂志上的一篇文章A novel immune-related genes prognosis biomarker for melanoma- associated withtumormicroenvironment.在文章中作者构建了基于8个IRGs的黑色素瘤预后分类器模型,而且进行了全面的生物信息学分析,来探索潜在机制。

A novel immune-related genes prognosis biomarker for melanoma- associated with tumor microenvironment肿瘤微环境相关黑色素瘤的一种新的免疫相关基因预测生物标志物

https://space.bilibili.com/400148106

一.研究背景

随着人类基因测序的发展,基于基因的生物标志物变得越来越流行。而目前对肿瘤的研究揭示了TNM分期方法的临床局限性。因此,也有必要探索新的黑色素瘤标志物,以指导临床治疗和改善黑色素瘤的预后。作者目的是构建一种新的免疫相关基因生物标记物,用于免疫疗法和黑色素瘤的预后。

二.分析流程

三.结果解读

1.通过WGCNA鉴定与生存相关的模块

作者从TCGA和GEO数据库中检索黑色素瘤样本的基因,从ImmPort数据库中检索免疫相关基因(IRGs)。三个数据库取交集,筛到了950个IRGs(图1)。

图1.使用VENN图和直方图来可视化IRGs

接着,对950个重叠的IRGs进行WGCNA分析(图2)。

图2A-B:根据Scale free、Mean connectivity、Soft Threshold值,树状图显示鉴定出了六个模块。

图2C:作者接着对六个模块计算了gene significance(GS),红色、蓝色模块GS值较高。

图2D:显示基因模块和临床特征之间的相关性。

其中,蓝色模块与黑色素瘤OS存在较高的正相关性(弱相关);红色模块与黑色素瘤OS存在较高的负相关性。

作者选择这两个模块的数据进行下一步分析。

图2.黑素瘤加权基因共表达网络

2.基于IRGs的预后分类器模型的构建

作者进行了单变量Cox回归分析,将P <0.01的与生存相关的模块中63个IRGs确定为与生存相关的IRGs,并将其整合到LASSO回归中,用glmnet R包作LASSO分析。

LASSO分析确定了8个IRGs(PSME1,CDC42,CMTM6,HLA-DQB1,HLA-C,CXCR6,CD8B,TNFSF13),它们被包括在分类器中(图3)。

图3A-B:通过LASSO分析确定因子数量,确定选取n=8为最优值。

图3C:备选IRGs的Prognostic risk score计算。

计算式子为risk score = Σexpgenei* βi,其中expgenei为i基因表达量,β为常数。

结合上述分析,作者挑选了8个IRGs构建预后分类器模型,图3E的热图展示了分类器中8个IRGs的表达情况。

图3. IRGs预后分类器的构建

8个IRGs的单变量COX回归及LASSO系数如表1所示,表达水平如图4(A来源于GSE数据集;B来源于TCGA数据集)所示。

表1.与GSE数据集中的OS相关的预后分类器中的IRGs

图4. 8个基因的表达谱

3.TCGA队列中预后分类器的验证

在GSE训练集中,作者用timeROC包绘制时间依赖ROC曲线。

图5A:分类器在GSE数据集中具有很强的预测能力,1年AUC为0.679,3年为0.743,5年为0.740(图5A)。

图5B:GSE数据集中,Kaplan-Meier分析发现,高RS组的OS较差,P<0.0001。

接着使用TGCA队列作为验证集来验证分类器的预测能力。

图5C:时间依赖ROC曲线显示,分类器具有良好的准确性,其中1年为0.642,3年为0.636,5年为0.645。

图5D:K-M分析,同样是高RS组的OS较差,P <0.0001。

此外,与其他临床特征相比,该分类器具有更好的预测能力和准确性(图5E,5F)。

图5.在训练集和独立验证集中分类器的时间依赖ROC曲线和K-M生存的分布

表2:显示了单因素和多因素分析的预后因素的结果。

表2.TCGA队列单因素和多因素COX分析

4.高和低RS组之间的免疫浸润评分

图6A-B:Kaplan-Meier分析表明,高免疫score组具有更好的OS(图6A:GSE;6B:TCGA)。

图6C-D:低RS组的免疫socre和基质socre更高(图6C:GSE;6D:TCGA)。

图6.基于KM分析,研究免疫评分对黑色素瘤OS的影响

5.高和低RS组之间的免疫细胞亚型

图7A-B:展示了黑色素瘤的22种免疫细胞比例(图7A:GSE;图7B:TCGA)。

图7C-D:小提琴图:在高和低RS组之间观察差异免疫细胞类型表达,其中红色代表高RS组,蓝色代表低RS组。(图7C:GSE;图7D:TCGA)。

其中,巨噬细胞M0在高RS组中比例显著升高;CD8T细胞在低RS组中比例显著升高。

图7.高和低RS组之间的免疫细胞亚型

6.GSEA分析

为了鉴定在高RS和低RS组之间差异激活的信号传导途径,作者通过limma R包进行了基因集富集分析(GSEA)。

GSEA分析显示与RS相关的14条重要的KEGG通路,包括Rap1信号通路,Ras信号通路等(图8)。

图8.GSEA分析

小结

    在这项研究中,作者发现63个IRGs与黑色素瘤的预后相关,其中8个IRGs被用于构建分类器。此外,作者探讨了RS与黑色素瘤预后价值之间的关系。后续用GSE训练集、TCGA验证集,验证了8个IRGs的可靠性。最后还深入研究了该分类器与免疫浸润的关联。最后研究结果也展示高和低RS组之间免疫细胞浸润和多种信号通路的差异。这项研究成功构建了具有强大预测功能的多IRGs分类器。高危和低危人群的总体生存率差异涉及免疫浸润,肿瘤微环境和多种信号通路的相互作用。这项研究提供了有关黑色素瘤发病机理和临床治疗分析的更多信息。

     不过,该研究具有以下局限性:首先,由于缺乏体外或体内实验,分子机制分析结果的可靠性受到限制。其次,这项研究是一项回顾性研究,因此,应进行前瞻性研究以验证研究结果。

你可能感兴趣的:(学学这篇免疫浸润文章和作者一样发5+分)