双疾病生信思路再升级! 神经营养因子方向，肿瘤预后模型+非肿瘤诊断模型+单细胞数据

一直关注小云的粉丝朋友们应该有注意到，小云一直在推荐 “双疾病分析”思路，为什么推荐频率这么高呢？

那必须是这个方向性价比超高啊！选题优势如下：

并且不同于很多生信新思路最先用于肿瘤生信，用多了再简化下用在非肿瘤上（ps：总感觉非肿瘤总是在捡肿瘤中用剩下的套路，老跟在别人屁股后头也不好，最好还是找到更适合自己的套路），“双疾病分析”就更适合在非肿瘤疾病以及与肿瘤联合中使用，所以关注非肿瘤疾病的朋友们，心动不如行动哦~ ~

小云这次分享一个非肿瘤和肿瘤间的双疾病分析升级思路——基于神经营养因子相关基因在GBM和PD中筛选候选基因，分别建立GBM预后模型和PD诊断模型，再加上简单的单细胞数据分析和表达验证实验，多重创新buff叠加，发到8分+ so esay啊！（对双疾病分析方向感兴趣的小伙伴直接去小云公众号搜索双疾病，或点击文末链接就可以找到啦）。 

l 题目：胶质母细胞瘤和帕金森病中神经营养因子相关基因特征的鉴定和验证

l 杂志：Frontiers in Immunology

l 影响因子：IF=8.786

l 发表时间：2023年2月

研究背景

多形性胶质母细胞瘤(GBM)是最常见的中枢神经系统癌症，而帕金森病(PD)是一种经常影响老年人的退行性神经疾病。对这两种疾病发病机制的深入分析表明，患有神经退行性疾病(如PD)的患者不太可能发展为癌症。流行病学研究的报告也指出帕金森病患者中主要神经中枢(CNS)肿瘤的风险降低。因此，需要更好地了解PD和GBM的潜在病理机制和遗传靶点，这将有助于确定治疗这两种疾病的可能共用药物靶点。虽然一些研究已经调查了神经营养因子在各种癌症、神经退行性疾病和脑血管损伤中的作用，但是在识别具有PD诊断潜力的神经营养因子相关基因和探索影响GBM预后的免疫治疗靶点方面仍然存在差距。

数据来源

研究流程

分别在TCGA-GBM和GSE7621队列中对2601个NFRGs进行了分析，并确定了12个在帕金森病的发病机理和GBM的预后中具有潜在作用的NFRGs。然后利用RF和LASSO回归算法筛选PD特征NFRGs，ROC评估其诊断性能，进行功能富集分析和免疫浸润分析。同时使用LASSO回归和多因素cox回归筛选关键NFRGs建立GBM预后模型，不同风险组之间的临床特征、突变景观、免疫细胞浸润和免疫治疗预测疗效的差异。最后使用多组学突变分析、单细胞测序、QT-PCR和HPA验证模型基因的准确性。

主要结果

1. 鉴定与PD和GBM相关的神经营养因子相关基因

基于NFRGs在PD数据集GSE7621中筛选差异基因，获得145个DENFRGs（图1B）。在TCGA-GBM队列中鉴定差异基因，获得847个DENFRGs，单变量Cox回归分析确定了104个GBM预后相关DENFRGs（图1A，C）。将104个GBM预后相关DENFRGs与PD中的145个DENFRGs取交集，共获得12个NFRGs（图1D）。

2. PD特征基因的筛选和诊断性能评估

利用LASSO回归和随机森林算法从12个NRFGs中选择帕金森病特征基因，LASSO回归分析确定了4个关键基因（图1A, B），随机森林算法确定了8个关键基因（图2D）。两个算法取交集后共获得4个PD特征基因（图2E），ROC曲线评估其诊断性能（图3A-D）。使用GSEA和GSVA鉴定与特定基因相关的主要信号通路和途径（图3E, F）。（ps：LASSO回归和随机森林算法筛选特征基因、GSEA、GSVA分析也可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html）。

图3 PD特征基因诊断性能评估及功能富集分析

3. GBM中NFRGs预后模型的构建与验证

通过LASSO回归和多因素cox回归确定了7个预后相关NFRGs建立GBM预后模型（图4A, B）。根据中位风险评分分为高风险组和低风险组，进行KM生存分析评估预后并利用ROC曲线评估预测性能（图4C, E），模型在CGGA队列进行验证（图4D, F）。综合年龄、性别、IDH突变状态和风险评分建立一个列线图（图5C），利用校准曲线评估模型一致性（图5D），DCA曲线评估临床有效性（图5E），C指数评估模型区分能力（图5F）。（ps：模型构建、KM生存曲线绘制、ROC曲线/DCA曲线绘制等都可以用小云新开发的零代码生信分析小工具实现哦，感兴趣的小伙伴欢迎来尝试，网址：http://www.biocloudservice.com/home.html）。 

图5 列线图的构建与评估

4. NFRGs风险评分与免疫细胞浸润相关性分析和单细胞TME分析

使用“cibersort”和“ssGSEA”测量了高低风险亚组中各种免疫细胞亚群、相关活性或途径的富集评分（图6A, B）。比较高低风险亚组间的免疫检查点表达水平（图6D）。利用GSEA研究高低风险组之间生物功能的潜在变化（图6E）。利用TISCH数据库，在单细胞数据集GSE141982中分析7个NFRGs在不同TME细胞类型中的表达（图6C）。

图6免疫浸润分析和单细胞TME分析

5. NFRGs风险评分的突变分析

分析风险评分和肿瘤突变负荷(TMB)之间的相关性以及不同风险亚组之间TMB的差异（图7A, B）。利用“maftools” R包比较高风险组和低风险组之间的特定突变特征（图7C, D）。

图7 突变分析

6. 药敏性分析、免疫治疗反应预测和关键基因表达验证

免疫表型评分(IPS)可用于预测对免疫检查点抑制剂的反应，比较高、低风险组中IPS的相对分布，以评估风险评分对免疫治疗反应的预测作用（图8A, B）。使用“prropetic”R包分析高低风险组人群中临床化疗药物的敏感性差异，以测试风险评分预测患者对化疗和分子药物敏感性的能力（图8E, F）。利用免疫治疗队列GSE135222 评估NFRGs对免疫治疗反应的预测能力（图8H）。在HPA数据库中通过IHC验证关键基因的蛋白表达（图9A, B），在胶质瘤细胞系中通过RT-qPCR验证基因表达（图9E, F）。

图9 关键基因的表达验证

文章小结

这篇文章基于神经营养因子相关基因在GBM和PD中筛选候选基因，分别建立GBM预后模型和PD诊断模型，最后还利用简单的单细胞数据分析和表达验证实验进一步提升创新性。也就是说文章集合了选题新颖（ps：一般双疾病是分析共享基因，这里又引入与两疾病相关的神经营养因子方向，筛选共享的NRFGs，创新性更高）、思路创新、单细胞分析和实验验证多重创新点，绝对算的上高分文章的绝佳思路！目前双疾病中非肿瘤和肿瘤间的分析逐渐多了起来，想做双疾病方向的小伙伴动作得放快些了哟！