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。