来看看细胞器的新生信切入点—“溶酶体”！二次聚类分析+预后模型思路！现成的基因集
细胞器也是生信分析的一个重要方向，
最常见的就是线粒体；
其他的细胞器也能做生信分析，比如高尔基体、溶酶体~
细胞器也是生信分析的一大方向，比较常见到的就是线粒体（还可以细分为线粒体代谢、线粒体自噬等分支方向~）、内质网应激相关的生信思路，肿瘤和非肿瘤都能分析。
另外高尔基体也可以做生信分析，比如下面这篇文章：
今天番茄君要给大家介绍的是溶酶体相关的生信分析思路。
溶酶体参与细胞内外物质的分解、吞噬和清除，能够分解并清除体内的废弃物，如果溶酶体功能异常，那么可能导致多种疾病（代谢性疾病、肿瘤等）。
现在溶酶体相关的生信分析思路还没大量涌现，我们可以利用溶酶体相关基因集进行分析，还可以将溶酶体相关基因与其他热点关联分析哦。
（没有思路，没有创新点或者分析中出现问题的小伙伴，都可以找番茄君哦~）
接下来，就跟番茄君一起看一下，这篇5分+溶酶体相关基因（LAYGs）的生信文章，属于二次聚类分析+预后模型思路。
题目：基于溶酶体相关基因的胃癌分子亚型特征揭示临床预后与免疫浸润情况
影响因子：IF=5.74
发表时间：2023年5月
一.数据来源
二.研究思路
溶酶体相关基因(LYAGs)从MSigDB数据库中获取。基于TCGA数据库和GEO数据库获得GC中差异表达溶酶体相关基因(DE-LYAGs)。根据DE-LYAGs的表达谱将胃癌患者分为不同的亚组，然后使用GSVA、ESTIMATE和ssGSEA算法研究LYAG亚型的肿瘤微环境(TME)和免疫治疗反应。采用单因素Cox回归分析、LASSO算法和多因素Cox回归分析，识别预后LYAGs，建立GC患者的风险模型。采用Kaplan-Meier分析、Cox回归分析和ROC分析对预后风险模型的性能进行评价。用qRT-PCR法验证临床样本中关键基因的表达。
三.研究结果
1.GC中LYAGs的差异表达与基因突变特征
作者基于TCGA数据对正常组织和肿瘤组织中的LYAGs进行差异表达分析，确定了13个DE-LYAGs（图1A）。DE-LYAGs在染色体的位置如图B所示。对这13个基因的突变状态（图1C）和拷贝变化数进行分析（图1D）。此外，收集GC临床样本，采用qRT-PCR法检验mRNA的表达水平，与癌旁正常组织比较，结果显示在肿瘤组织中有10个基因表达异常（图2）。
图1 GC中LYAGs的差异表达分析和基因突变特征
图2 用qRT-PCR验证13个基因在临床样本的差异表达
2.第一次聚类分析鉴定LYAGs亚型
基于13个LYAGs在GC中的表达特征，通过无监督一致性聚类分析确定三个亚型A、B、C（图3A）。同时，KM生存分析结果表明三个亚组的临床预后结局存在显著差异（图3B），不同亚组的GC样本在PCA图中清晰区分（图3C），且热图中临床病理特征和13个LYAG的表达情况显示，LYAG聚类的亚型之间LYAGs的表达存在显著差异（图3D）。
图3 聚类分析鉴定GC的分子亚型
3. LYAG亚型相关DEG的聚类分析（第二次聚类分析）
为了探索LYAG亚型的潜在功能，作者对亚型进行了DEG分析，共获得840个差异表达基因，对这些DEGs进行GO和KEGG富集分析，结果表明，DEGs与T细胞活化、免疫系统过程的负调控等有关（图4A），并在细胞因子-细胞因子受体的相互作用、PI3K−Akt信号通路和趋化因子信号通路中富集（图4B）。基于DEGs对GC样本进行非监督共识聚类分析，获得2个基因簇，预后KM生存分析表明A基因簇患者的OS比B基因簇患者更差（图4C）。热图中DEGs的临床病理特征和表达谱分析显示，大多数DEGs在B基因簇中显著降低（图4D）。
图3 聚类分析鉴定GC的分子亚型
4.预后风险模型的构建和验证通过LASSO-COX分析LYAG亚型相关的DEGs，得到24个预后相关的DEGs，选择11个DEGs建立风险模型，计算LAYG亚型和基因簇的风险评分（图6A-B）。基于中位数将样本分为低风险组和高风险组，高风险组的生存率明显较低(图6C)。风险模型和ROC曲线的独立性结果表明，风险评分可以作为独立的胃癌预后指标，比其他临床特征具有较好的预测能力（图6D-I）。
图6 GC风险模型的构建与验证
5.独立的预后分析及列线图的构建
在单因素和多因素分析中，临床病理特征和风险评分与患者预后显著相关 (图7 J-K)。基于风险评分和不同的临床病理特征构建列线图，用于预测GC患者在1年、3年和5年生存概率（图7A-C），校准图的结果表明列线图预测与实际观测结果之间有很好的一致性(图7D-F)。此外，DCA曲线结果显示，列线图在预测GC预后方面的能力优于风险模型（图7G-I）。
图7 独立预后分析及nomogram构建
6.GC亚组的肿瘤微环境、免疫浸润及免疫治疗反应分析
作者用ESTIMATE和单样本基因富集分析（ssGSEA）算法探索患者的TME和免疫治疗反应，结果显示，低风险组的GC患者基质评分较低、免疫评分较高（图8A），并对23个免疫细胞的进行免疫浸润分析（图8B），此外，免疫检查点（ICP）在低风险组中的表达更高，说明低风险组的GC患者进行免疫治疗的反应可能更好（图8G）。
图8 高、低风险组肿瘤微环境及免疫浸润分析
7.风险评分和TMB的相关性及化疗药物预测作者进一步在GC患者中探讨风险评分与TMB的相关性（图9A-B）。KM生存分析结果显示，在低TMB组和高TMB组中，低风险评分的GC患者预后优于高风险评分的患者（图9C）。基因突变图谱表明，在低风险和高风险GC患者中，体细胞突变频率具有显著性差异（图9D-E）。
图9 风险评分和TMB的相关性
此外，基于GDSC数据库，作者预测了抗肿瘤药物的IC50，探究不同化疗药物对低、高风险组GC患者的敏感性（图10），结果同时证明了风险模型与化疗药物之间存在潜在关联。
图10 药物敏感性分析
四.文章小结
这篇文章的亮点在于基于溶酶体相关基因进行了两次聚类分析，后面的预后模型思路属于常规分析，再加上简单的实验验证。干湿结合是一大趋势，文中临床样本的验证绝对是加分项，既可以使生信分析结果更具说服力，又可以为后续实验课题做基础，有条件做湿实验（临床样本验证或功能表型验证）的伙伴可以适当添加哦！
溶酶体的相关生信思路，不论是肿瘤还是非肿瘤，都可以分析哦~目前关于溶酶体相关的生信文章还比较少，如此创新的分析角度，赶快学起来吧！
番茄君有话说
想复现这种思路或者定制更多创新性思路欢迎咨询番茄君吧！
