免疫浸润、非编码RNA、m6A，buff都叠满了，难怪能发8+的生信分析！
说到“免疫浸润”，生物本科生、甚至高中生也能按字面意思来大致理解；
说到“非编码RNA”，从字面意思也能大致推断一下；
但是，一旦提到“m6A”，很多人都没接触过，不知道是啥东东。
对于不了解的东西，天然产生距离感甚至抵触感，这是人之常情
不过，对于科研来说，越是了解的人少，越是空白的地方，才越值得去跟踪探索，是不是 呀， 也不能事事都像下面这句话一样呀，哈哈。
实际上，m6A作为一种基因调控方式，在做基础研究方面，其复杂性刚好为课题研究提供了很强的故事性和探索性。然而，很多临床医生却对这种复杂分子机制望而却步。怎么能兼顾利用m6A的高创新性，又可以避免繁冗且高风险、高投入的实验了，当首推生信数据挖掘了。（还在找生信方向的小伙伴看过来，m6A就像六边形战士，热门又百搭，拿下高分不在话下）
利用m6A去做生信挖掘，是一条成功率非常高的思路，肿瘤或者非肿瘤的都有，比如如下几篇：
刚好免疫浸润和非编码RNA也是研究热点，那么，小云今天带给大家一篇8+的将免疫浸润、非编码RNA和m6A进行整合的分析思路，供大家复现参考。
研究背景
一些肿瘤研究报道指出，与m6A修饰和免疫相关的lncRNA在肿瘤发生和先天免疫中起着关键作用。但是当前尚无在膀胱癌中的报道，因此，本篇研究在膀胱癌中探索利用m6A修饰和免疫相关的lncRNA构建诊断模型。
数据来源
数据集 数据库 数据类型 样本信息
TCGA-BCA TCGA RNA-seq+临床信息 1804名BCA患者
GSE154261 GEO RNA-seq+临床信息 99名BCA患者
21个m6A调节基因 无 无 文献报道
分析思路
从TCGA数据库获取膀胱癌转录组数据和相应的临床数据，使用单变量Cox回归（univariate Cox regression analysis）和皮尔逊相关分析（Pearson correlation analysis）确定与m6A修饰和免疫调节相关的lncRNA；再使用LASSO回归分析建立风险模型，并进行了列线图、ROC分析和Kaplan-Meier生存分析。根据风险模型，将患者分为低风险组和高风险组，对两组患者之间进行了免疫细胞浸润评分、临床特征和对Talazoparib敏感性的比较分析（见下图）。
主要结果
1. 与m6A修饰和免疫调节相关lncRNA的识别
从814条BCA相关的lncRNAs起始，通过与21个m6A调节基因的相关性分析，获得了618条m6A相关的lncRNAs（图1B）；通过与CIBERSORT免疫分数的相关性分析，获得490条免疫相关的lncRNAs（图1C）；根据总体生存和无进展生存信息，使用单变量Cox回归分析，获得49个lncRNA与预后相关，与上述两种lncRNA取交集，共获得47条与m6A相关、与免疫浸润相关，且具有预后价值的lncRNAs（图1D）。
亮点说明：
1，多数的诊断都是考虑单个因素，比如与m6a相关或者与免疫浸润相关。这篇研究是将两者进行结合，筛选出和两个因素都相关的靶标基因，功能和意义更高；2，停留在mRNA层面的研究较多，做非编码RNA的相对较少，则是第二个两点了。
2. m6A-免疫-lncRNA风险评分的构建及其与临床病理特征的相关性
对m6A-免疫-lncRNA进行LASSO Cox回归分析，构建预测总生存率的风险评分。使用11种选定的lncRNA构建的风险模型（图2A），包括每个lncRNA的系数（图2B）和无进展生存率、总体生存率和疾病特异性生存率的森林图（图2C）。进一步对风险评分与临床病理特征之间进行了相关性分析（图2D）。高的风险评分的患者通常为膀胱癌晚期，且大多数高危组为基底鳞状细胞亚型，而大多数低风险组肿瘤为腔乳头状细胞亚型。由此看来，以m6A-免疫-lncRNA对患者的分组和临床特征之间存在显著相关，具有一定的应用价值。
图2 m6A-免疫-lncRNA风险评分的构建及其与临床病理特征的相关性
3. 列线图构建和GEO数据集的验证
将风险评估模型与其他关键临床特征相结合，包括诊断年龄和病理肿瘤分期分析，来预测患者OS、PFS和DSS。图3A-C比较了高风险组和低风险组的无进展生存率、总体生存率和疾病特异性生存率。这三个列线图在1年时的所有AUC均大于0.74，表明该模型具有重要的预后价值。为了验证该模型的预测准确性，采用了独立的数据集，GEO（GSE154261）进行验证（图3D）。ROC分析表明，该模型的AUC与TCGA数据集的AUC接近，表明该模型是稳健的在其他数据集中具有较好的预测价值。
4. 高风险患者组和低风险患者组之间的差异比较
利用11个m6A-免疫-lncRNA所构建的风险预测模型，将患者分为高风险组和低风险组。分析发现，两组患者之间存在很多重要基因的突变差异（图4A）；同时，使用肿瘤免疫估计资源（TIMER）算法进行分析表明，低风险组可能具有更强的免疫原性，并且可能对免疫疗法更敏感（图4C）。所有的浸润性免疫细胞包括CD4+和CD8+T细胞、树突状细胞、中性粒细胞、B细胞和巨噬细胞都在高风险组更丰富。
图4高风险患者组和低风险患者组之间的差异比较
5. 药物敏感性预测和体外验证
对BCA细胞系进行风险模型分析，T24细胞风险得分最高，而RT112得分最低（图5A）。利用GDSC数据库进行药物敏感性分析，发现BCA细胞对Talazoparib敏感性可能较高。通过克隆形成、细胞侵袭等实验（图5B-I），我们获得的实验数据和这个预测结果相一致。这个结果可能对BCA的临床治疗起到指导作用。
图5药物敏感性预测和体外验证
文章小结
看完这篇文章是不是发现并没有什么高难度分析手段，简简单单常规分析也可以发文。本文主要是将多个热点进行了串联，免疫浸润、非编码RNA、m6A，每一个单独拎出来都可以打下一片天，现在合并在一起，正所谓“桃园三结义”，三人本就是人中龙凤，合到一起那自然就能干出一番事业了。要想再发8+的生信分析文章，那自然是水到渠成的事了。
另外，本文只是以分享膀胱癌为引子，实际上不同肿瘤均可以进行类似分析，广阔天地大有作为啊！有想法的朋友尽快上车，一个方向一旦火爆起来，发文竞争力可就大多了，时不我待呀！
小云有话说
如果您的时间和精力有限或者缺乏相关经验，并且对生信分
析和思路设计有所需要的话，“云生信”非常乐意为您提供如下服务：免费思路评估、付费生信分析和方案设计以及实验项目实施等，有意向的小伙伴欢迎咨询小云哦！
另外,如果您对m6A方向感兴趣，还想进行深入了解，我们的精品培训课程《m6A甲基化课题设计及国自然撰写专题会议》正好适合您，有意向的小伙伴也欢迎咨询小云哦!
