铜死亡泛癌分析+机器学习+干湿结合，多个亮点联合

2023-06-18 19:00 作者:生信鸟 0人读过 | 我要投稿

生信文章究竟怎么设计才能好发？

新鲜出炉的生信热点，有创新性的研究思路。

说得好听，如何判断自己的idea是否合格？或者哪里可以参考？

快来关注生信鸟公众号吧！！

这里会让你发文章没有后顾之忧，有无想法不重要，重要的是你来啊，亲~

布小谷偶然发现了一篇很有创意的文章，6.4分也算是高分了。这篇文章拥有众多亮点，掌握后组合一下，稍微换种思路就可以有四五篇文章了。这不是夸张。。。。。。

铜死亡，去年才刚提出来的新概念；泛癌分析加实验验证；无监督机器学习；肿瘤微环境；免疫浸润；免疫检查点；还有在线数据库的使用………..各种研究热点非常具有诱惑力，你还在发什么愁？

下面就我们简单地从一个角度欣赏一下这篇文章的厉害之处吧。

l 题目：胰腺癌铜死亡相关基因的分子亚型及肿瘤微环境浸润特征

l 杂志：Cancer Cell Int.

l 影响因子：IF=6.4349

l 发表时间：2023年1月

研究背景

近年来，在胰腺癌（PAAD）中发现了具有不同临床结果的多种分子亚型。铜死亡是一种新的细胞死亡形式，可能与肿瘤进展有关。然而，铜死亡相关的分子亚型及其介导的肿瘤微环境（TME）细胞浸润特征在很大程度上仍不清楚。

数据来源

研究思路

利用TCGA泛癌数据研究33种癌症类型中10个铜死亡相关基因（CRGs）的表达谱及其与患者生存、TME和癌症干细胞的关系。利用无监督机器学习的方法对来自五个队列（TCGA-PAAD数据和四个GEO数据集）的437个PAAD样本进行铜死亡亚型聚类以探究由CRGs介导的分子亚型，以及相关的TME细胞浸润。最后使用COX回归模型和LASSO回归算法构建铜死亡评分，以量化单个肿瘤的铜死亡特征。

主要结果

1. CRGs泛癌分析

首先查阅文献得到10个与铜死亡密切相关的CRGs。接着分析CRGs在TCGA泛癌数据中的表达水平。发现与相应的正常组织相比，10个CRGs在肿瘤组织中差异表达（图1B）。对于生存分析，发现相同的CRGs在不同的癌症类型中具有不同的预后意义（图1D）。

接下来分析CRGs与六种免疫亚型的关系，发现在泛癌数据中，10个CRGs的表达水平在不同免疫亚型之间存在差异（图1E）。此外，TME分析显示，在大多数肿瘤类型中，CRGs参与免疫和基质细胞浸润（图1F，G）。这些结果表明，铜中毒过程与TME和免疫浸润的变化有关。最后分析CRGs与肿瘤干性特征关系，发现CRGs在不同的癌症类型中显示出与RNAss和DNAss的不同关联水平（图1H，I）。

2. PAAD中CRGs的遗传和转录改变

首先查阅整理了10个铜死亡相关基因。接着分析TCGA-PAAD中的基因突变情况，结果显示，173个样本中有32个显示出CRGs突变（图2A）。随后分析这些CRGs的体细胞拷贝数变化发现GLS、MTF1和LIAS的拷贝数变异（CNV）增加，而CDKN2A的CNV显著减少（图2B）。

3. PAAD患者铜死亡亚型的鉴定

接着整合所有数据并进行单变量Cox回归和Kaplan-Meier分析，发现6个基因（DLAT、DLD、GLS、LIAS、LIPT1和PDHA1）与OS显著相关。为了进一步探索PAAD中铜死亡的分类，根据六种预后CRGs的表达谱对PAAD患者使用无监督聚类分析，分为三组：A组，B组，C组。生存分析表明，三种铜死亡亚型的预后差异显著，聚类C具有相当大的生存优势（图3B）。主成分分析显示，根据CRGs的表达水平，三个聚类可以显著分离（图3C）。不出所料，三个亚型之间的CRGs表达存在显著差异（图3D）。Kaplan-Meier曲线显示三个聚类之间存在显著差异（图3E）。

4. 铜死亡亚型的生物学功能和TME特征

为了进一步研究三种铜死亡亚型之间的生存差异，进行GSVA富集分析，以评估它们的功能和生物学差异（图4A，B）。结果表明，A组主要富集于一些肿瘤相关通路，B组参与局灶性粘连和轴突引导途径；C组主要富集于三羧酸（TCA）循环相关途径以及一些激活修复生物过程。为了进一步评估三个组之间免疫细胞浸润的差异，使用ssGSEA计算了三个亚型中22种免疫细胞类型的富集分数（图4E）。在A组中，最显著的免疫浸润细胞是活化的树突细胞等。在C组中最显著的免疫浸润细胞是活化的CD4 T细胞、活化的CD8 T细胞等。免疫细胞在B组中的浸润与在A组中的浸润相似。接下来，计算三组的TME评分（基质评分、免疫评分和估计评分），结果显示C组的评分最高（图4G–I）。这些结果表明铜死亡与免疫疗法的疗效之间存在潜在的相关性。

5. 铜死亡预后模型的构建

首先在三种铜死亡亚型中筛选差异表达基因，得到240个DEGs（图5 A）。然后进行单变量Cox回归分析来检验DEGs的预后价值，得到40个与OS显著相关的基因。接着通过LASSO回归筛选这40个DEGs，得到出19个基因。再通过多变量Cox回归分析确定了10个基因用于构建预后模型（图5 C）。然后根据中位数将PAAD患者分为高铜死亡评分组和低铜死亡评分组。Kaplan-Meier曲线显示，高铜死亡评分组的患者的OS明显低于低评分组（图5B）。此外，通过ROC分析研究该模型的预测性能，1年、3年和5年OS的AUC值分别为0.703、0.744和0.769（图5F）。另外对不同铜死亡组的铜死亡评分进行比较发现与铜死亡A组和B组相比，铜死亡C组的铜死亡得分最低（图5I）。