大家好，今天要和大家分享的是2021年11月发表的一篇文章：“A new thinking: extended application of genomic selection to screen multiomics data for development of novel hypoxia-immune biomarkers and target therapy of clear cell renal cell carcinoma”。
在本项研究中，作者假设免疫和乏氧相互作用可能与透明细胞肾细胞癌(ccRCC)预后相关。首先，作者使用t-SNE和ssGSEA分析建立与乏氧免疫相关的肿瘤亚型，并研究不同亚型的遗传或表观遗传特征(基因表达谱、体细胞突变和DNA甲基化)的乏氧免疫相关差异。随后，作者基于LASSO回归和Cox回归构建风险预后模型。此外，作者还验证了两个外部数据库(ICGC和SYSU队列)中的基因表达，并在SYSU队列中挑选出8个中枢基因。此外，免疫表型评分(IPS)和TIDE算法表明高风险患者对免疫治疗反应更好。GDSC和cMAP数据库也显示高风险患者对6种化疗药物和6种候选小分子药物的敏感性更好。总之，该模型可以准确预测ccRCC的预后，并可能为开发新型乏氧免疫生物标志物和靶向治疗提供支持。
发表杂志：Briefings in Bioinformatics
影响因子：11.6
本文属于单肿瘤分型思路，类似的分型文章我们也解读过很多。
肿瘤分型文章列表
肿瘤分型文章比较重要的结论就是分型后构建的评分能够预测免疫治疗或者其他治疗的疗效。可以用于分型的基因集很多，比如焦亡，铁死亡，自噬等等，还有最新诺奖涉及到的基因家族，在我们的预分析中也是与免疫密切相关。
如果想做类似的分析，欢迎交流！
我们可以通过使用不同的数据集组合或者使用不同的基因集进行分型，以确保得到分型之间生存分析有差异，且最终的评分与免疫治疗疗效相关
研究背景
透明细胞肾细胞癌(ccRCC)是一种异质性疾病，即使在临床特征和治疗方案相似的患者中，其预后也可能存在显著差异，这表明临床病理特征和目前的分型不足以预测预后和风险分层。因此，寻找具有更高预测价值的新标志物对于改善ccRCC的预后具有重要意义。肿瘤微环境中的血管和成纤维细胞通过肿瘤血管结构功能异常影响氧的灌注和扩散，从而导致组织区域乏氧。据报道，乏氧是实体瘤的特征性标志物，可导致肿瘤进展、侵袭和转移。越来越多的证据表明，乏氧与ccRCC微环境中的免疫表型之间存在直接或间接关系，但其潜在作用机制目前尚不清楚。
流程图
数据收集
①从TCGA数据库收集ccRCC和正常对照样本的RNA-seq、miRNA-seq、WES和DNA甲基化数据。②从ICGC数据库中获得RNA-seq数据。③在SYSU队列中进行qRT-PCR验证。下表：来自TCGA、ICGC和SYSU队列的792例符合条件的ccRCC患者的临床信息。
乏氧亚型及乏氧相关差异表达基因
(DEGs)的鉴定
①对肿瘤组织与正常组织之间的乏氧途径进行GSEA分析。②应用t-SNE算法推断乏氧状态。③从分子标记数据库(MSGDB)下载乏氧标志性基因，并根据乏氧状态分为“低乏氧”组、“中乏氧”组和“高乏氧”组。④分析HIF-1信号通路相关基因在乏氧高组和低组之间的表达变化。
结果：
下图B：根据GSEA分析发现肿瘤组织比正常组织更显著富集在乏氧通路中。下图C：基于200个乏氧标志基因的t-SNE算法识别出3种不同的亚型。下图D：热图显示200个乏氧标志基因的表达谱，并比较了3种亚型之间的差异。下图E：Kaplan-Meier生存分析显示3个亚型之间存在显著差异。下图F：高乏氧亚组和低乏氧亚组参与HIF-1 KEGG通路的靶基因表达情况。
免疫亚型及肿瘤免疫微环境
①基于肿瘤组织中免疫细胞的浸润程度和ssGSEA分析确定527名患者的免疫状态。②采用分层聚类将ccRCC患者分为高免疫组和低免疫组，通过比较获得免疫相关的DEGs。③免疫亚型生存分析比较。④分析肿瘤微环境、HLA基因集、免疫检查点和2个免疫亚型之间的关系。
结果：
下图A：2种免疫亚型之间免疫细胞浸润的情况。下图B：免疫高组和免疫低组的综合评分情况。下图C：HLA基因集在2个免疫亚型之间的表达。下图D：免疫高组和免疫低组之间的免疫检查点。下图E：免疫高组和免疫低组中免疫浸润的相对比例。下图F：热图显示前25个经常发生突变的基因的共现突变和排他突变。下图G：免疫高组的患者比免疫低组的患者总生存率更高。下图H：Venn图将4组重叠的患者确定为“低乏氧高免疫”组和“高乏氧低免疫”组。下图I：“低乏氧高免疫”组、“混合”组和“高乏氧低免疫”组患者总生存期的Kaplan-Meier图。
结果：
下图A：热图显示亚组中乏氧或免疫反应相关基因的表达情况。“低乏氧高免疫”、“高乏氧低免疫”和“混合亚组”分别表示为绿色、红色和蓝色。下图B：瀑布图显示前30个最常发生突变的基因的分布情况。下图C：使用Fisher精确检测到71个差异突变基因。下图D-E：Kaplan-Meier曲线显示“低乏氧高免疫”组和“高乏氧低免疫”组之间的OS存在差异。
基于多组学特征构建预后模型
①采用LASSO回归和Cox比例风险回归方法分别研究基因表达、体细胞突变和DNA甲基化对预后的影响。结果：下图A：Venn图显示乏氧免疫相关变量、乏氧相关和免疫相关变量的重叠。下图B：21个乏氧免疫相关预后变量的HR森林图。下图C-E：根据训练集(C)、测试集(D)、全部数据集(E)中风险评分的中位水平，将患者分为高风险和低风险亚组；预后因子的热图；2个亚组患者的生存状态；2个亚组患者的总生存分析；ROC曲线评估风险评分和临床因素的预后价值。
功能富集分析
①进行GO、KEGG富集分析和GSEA分析以预测该模型的潜在功能。
结果：
下图A：不同预后生物标志物的ROC分析。下图B：比较基于该模型与临床预后评分算法的差异。下图C-E：GSEA显示该模型在乏氧和免疫相关生物过程中显著富集。
分析TMB、TSI、临床特征和风险评分之间的关系
下图：高风险组显示出更高的TMB、更低的EREG-mRNAsi TSI、更低的ENHsi TSI和更差的预后，但对更好的ICB治疗反应相关。
验证模型的预后性能
下图A：用于预测TCGA队列中ccRCC患者1、3和5年OS的综合列线图。下图B：用于预测TCGA队列中ccRCC患者3年和5年OS的校准图。下图C：对该列线图进行1年、3年和5年OS的ROC分析。下图D-E：包括风险评分和临床因素的单因素和多因素分析。
基于风险评分的ccRCC治疗策略
下图A-B：9种免疫检查点分子（CTLA4、PD1、PD-L1、LAG3、CXCR4、CD276、TGFB1、CCL2和IL6）在2种预后亚型中的表达。下图C：在风险评分和9个免疫检查点分子之间计算的Pearson相关系数。下图D：高风险组与较低的TIDE评分相关，表明对ICB治疗的反应更强。下图E：小提琴图显示高风险组和低风险组之间的差异TIDE。下图F：条形图显示基于多组学数据的模型预测准确性良好。
ccRCC化疗反应和潜在治疗药物的评估
①利用GDSC数据库预测2种预后亚型对10种常见化疗药物的化疗反应。②利用cMAP数据库预测2种预后亚型对药物敏感性的反应。
结果：
下图A-F：共5种化疗药物在高风险组和低风险组之间的IC50存在显著差异。下图G-L：高风险组患者对6种候选ccRCC小分子药物敏感性更强。
验证该模型中的8个中枢基因的表达水平
下图A：来自TCGA数据库，17个基因在527个ccRCC组织和72个正常组织中的表达水平。下图B：来自ICGC数据集，12个基因在91个ccRCC组织和45个正常组织中的表达水平。下图C：来自SYSU队列，8个中枢基因在174对ccRCC组织和邻近正常组织中的相对表达水平。下图D：来自SYSU队列，8个关键基因的OS生存分析情况。
小结：
在本项研究中，作者发现ccRCC肿瘤微环境的乏氧和免疫状态与预后密切相关。这种使用多组学数据和临床信息相匹配的综合分子模型可以为风险分层提供有价值的预测，为ccRCC患者开发新的治疗策略。