1个月接收！生信最新切入点——线粒体相关内质网膜，模型构建+两次分型分析+单细胞数
“线粒体”作为经常出席CNS顶刊的明星角色，常与肿瘤免疫、铁死亡等国自然热点共同亮相于高分文章和国自然基金项目中，风头无两~ ~
但在生信中更多是直接利用“线粒体相关基因”作为基因集进行分析，在普遍内卷的情况下，咱也不能一直靠老套路吃老本呀，还是得找新方向和新思路！
这不想啥就来啥，小云就发现了一个线粒体方向的一个新的生信切入点——线粒体相关内质网膜（MAM），先来简单看看它是啥~ ~
线粒体相关内质网膜(MAM)是一个特殊的结构域，其功能是作为内质网和线粒体之间的膜接触位点。电子显微镜显示，线粒体外膜和内质网之间的距离保持在约10-25nm，但它们不会融合，保持了细胞器的独特结构，并为各种富集蛋白提供了功能平台，并且内质网和线粒体之间的距离是调节细胞功能的关键检查点，而MAM介导两个细胞器之间的通讯，并参与蛋白质和代谢物的交换，包括Ca2+和活性氧簇。破坏内质网-线粒体接触点MAM可以导致线粒体Ca2+过载和细胞凋亡，并且MAM可能在肿瘤进展中起重要作用。
下面就看一个从MAM切入的生信思路，肿瘤预后模型构建+两次肿瘤分型分析+单细胞数据分析，并且两次肿瘤分型分析和单细胞数据分析做的非常新颖，数据量很扎实，一个月就接收可见创新性之高，发到4.9分+的纯生信非常轻松，换句话说，这个选题方向和思路创新性，加上满满数据量冲击8分+都可以，所以好思路赶快学起来吧！
看到这里心动了没？对线粒体生信分析或者课题设计有意向的小伙伴，欢迎留言或私信小云哦，总有一款创新性思路适合你
l 题目：线粒体相关内质网膜(MAM)是预测肝细胞癌预后和治疗的有潜在标志
l 杂志：J Clin Med.
l 影响因子：IF=4.964
l 发表时间：2023年2月
研究背景
线粒体和内质网在肝细胞癌(HCC)进展中的作用已被证实。然而，一个调节内质网和线粒体之间密切接触的特殊结构域，称为线粒体相关内质网膜(MAM)，对HCC进展的影响及其潜在机制仍不清楚。
数据来源
研究流程
基于28个MAM相关基因在TCGA、ICGC和GEO多个数据集中进行差异表达分析，在TCGA队列中进行聚类分析，并通过KM曲线分析两亚型间的预后差异。使用lasso算法构建MAM风险评分，并在ICGC数据集中验证。在单细胞RNA-seq数据中使用基因共表达网络(AUCell)检测各种细胞类型中的MAM富集分数，应用CellChat分析来比较不同MAM分数组之间的相互作用强度。构建了TME评分，并基于MAM和TME评分将样本再次聚类为三组，比较不同亚组的预后值、与其他HCC亚型的相关性、肿瘤免疫浸润情况、基因组突变和拷贝数变异(CNV)。最后，还测定了对免疫治疗的反应和对化疗的敏感性。
主要结果
1. 鉴定MAM在HCC的表达和预后价值
首先基于28个MAM相关基因在TCGA、ICGC和GEO多个数据集中进行差异表达分析（图1A，B）。然后在TCGA、ICGC队列和GSE14520中进行聚类分析，将患者分为2个亚型，分析MAM亚型与其他HCC亚型的相关性（图1C），并通过KM曲线分析两亚型间的预后差异（图1D-F）。
图1鉴定MAM在HCC的表达和预后价值
2. MAM评分模型的构建与验证
基于28个MAM相关基因在TCGA训练队列中利用lasso算法构建MAM评分模型，绘制MAM评分和生存状态的分布图（图2A）。根据风险评分中值将患者分为高、低风险组，进行KM生存分析并利用ROC曲线评估模型预测性能（图2D, F）。最后，综合MAM评分和其他临床特征构建一个列线图以预测HCC患者的OS（图2L）。
图2 MAM评分模型的构建与验证
3. 在单细胞水平上鉴定MAM评分及其潜在的富集途径
GSE125449数据集中细胞被分成7种细胞类型（图3A），再利用AUCell分析七种细胞类型中的MAM评分，发现非免疫细胞类型(CAF、TEC、HPC和恶性细胞)中的MAM评分高于免疫细胞类型(TAM、T和B细胞)（图3C）。然后通过富集分析比较高和低MAM分数恶性细胞之间的代谢过程差异（图3H），结果显示MAM可能依赖于几种线粒体代谢过程，从而驱动HCC中的恶性细胞。利用“SCENIC”方法鉴定每种细胞类型的潜在特异性TFs，比较低MAM评分组和高MAM评分组之间HCC的TFs活性差异（图3F）。通过CellChat评估细胞间通讯，比较低MAM值恶性细胞、高MAM值恶性细胞和其他细胞类型之间相互作用强度的差异（图3I），发现高MAM分数的恶性细胞可以影响非免疫细胞类型和免疫细胞类型，尤其是T细胞。（ps：这里把单细胞数据分析做的非常丰富，创新性比较高）
图3 在单细胞水平上鉴定MAM评分及其潜在的富集途径
4. 不同MAM-TME亚组之间肿瘤微环境浸润分析
通过CIBERSORT来估计每种TME细胞类型的分数，以评估TME对HCC预后的影响，推测T细胞和NK细胞可能有利于HCC预后。又因为CellChat分析显示MAM评分高的恶性细胞可以向T细胞传递越来越多的信号，所以考虑对MAM评分和TME评分的联合指数进行评估，以预测HCC患者的预后。
利用Cox分析以计算每个样品的TME评分，联合MAM评分将样本分成三个亚组，包括高MAM/低TME组、混合组和低MAM/高TME组，进行KM分析以评估三组之间的预后（图4A, B），分析MAM-TME亚型和其他HCC亚型之间的相关性（图4C）。利用ESTIMATE算法计算三个亚组的免疫评分、基质评分，利用CIBERSORT分析三个亚组的免疫浸润情况和免疫检查点基因的表达（图4D）。
图4 不同MAM-TME亚组之间肿瘤微环境浸润分析
5. 免疫治疗反应预测和药敏性分析
利用TCIA数据库分析三个MAM-TME亚组间的免疫表型评分(IPS)差异（图5D）。使用TIDE算法和submap平台来预测MAM-TME亚组对ICB疗法的反应（图5F）。在GSE104580数据集中评估MAM评分对TACE反应的预测能力（图5A）。利用PRISM数据集分析高低MAM评分组的药物反应差异，结果表明洛伐他汀、氟伐他汀和辛伐他汀与低MAM呈正相关（图5C）。由于HMG-COA是以上三种化合物的共同靶点，所以又分析了高低MAM评分组间HMG-COA表达差异（图5E）。（ps：药敏性分析通常只比较药物敏感性（IC50）差异，这里又进一步找到药物的共同作用靶点来进一步做差异分析，比较新颖，可以学起来哦）
文章小结
这篇文章利用MAM相关基因进行分型分析和评分模型构建，基于单细胞重点分析MAM评分与TME的关系，并联合TME评分再次聚类分析。整个思路创新性很高，逻辑性很强，并且单细胞数据分析内容丰富，再加上选题方向新颖，发到4.9分+的纯生信相当轻松，一个月就接收发表，相当赞！文章中还有很多分析小亮点可以学习，确实是个不可多得的好思路，用到生信大热点上会非常加分，快快收藏备用吧！
