拒绝千篇一律~基于肿瘤微环境相关基因进行疾病分型！常规风险评分的生信分析思路也能
肿瘤微环境（TME）的生信分析思路有哪些？
免疫浸润？免疫评分？间质评分？
基于TME成分相关基因的疾病分型思路你见过吗？
如果导师让你设计个肿瘤微环境（TME）的课题思路，TME的成分那么多，又没有任何前期基础，你会怎么做？
查文献，喜欢哪个方向就设计哪个？
靠热点，哪个方向最热门就设计哪个？
求大神，大神建议做哪个就设计哪个？
这些方法都有些无的放矢。
小云这还有一条妙计，就是做生信分析！
这时候你可能要嘲讽小云：你这大概是职业病吧？
（能用生信分析解决的问题都不是问题，欢迎来咨询小云，超多个性化、创新性高的分析思路供你选择！）
看来不拿出点实证，是无法说服你的~
既然如此，小云今天带你看这篇7分+的生信文章，亮点就是基于TME成分相关基因对肿瘤进行分型，基因集已备好，就等你来复现！
题目：直肠癌不同肿瘤微环境景观对预后和免疫治疗反应的预测
杂志：Cellular oncology (Dordrecht)
影响因子：7.051
发表时间：2022年10月
研究思路
采用ssGSEA对TCGA患者的TME成分进行定量分析，将患者分成4个TME亚型。不同亚型表现出不同的突变、生物学特征、免疫特征、免疫治疗反应和预后。结合WGCNA和LASSO构建了一个TME的预后特征，由这一特征划分的亚组也表现出不同的临床参数和对免疫治疗的反应。应用多种机器学习算法，提高生存预测的准确性，并结合M分期和年龄进一步建立nomogram，准确、直观地预测预后。
分析流程图
主要研究结果
1. 基于肿瘤微环境（TME）进行肿瘤分型
基于TME中代表不同细胞类型的主要生物标志物，包括19种免疫相关成分(例如免疫细胞、免疫相关途径和免疫反应)、9种非免疫基质细胞和7种上皮细胞相关基因，使用ssGSEA算法，根据每个TCGA-READ患者特征生物标志物的表达，分析这些TME成分的丰度。
将患者分为4个亚组：亚组1(免疫Immune)表现出最高的免疫和非免疫间质细胞丰度，而亚组2 (Canonical)表现出中等的免疫和非免疫间质细胞丰度。亚组3和亚组4都保留了最少的免疫细胞数量，但与亚组3(休眠Dormant-)相比，亚组4(干细胞样Stem-like)表现出较低的非免疫基质细胞丰度和较高的肿瘤干细胞水平。
通过ESTIMATE对不同亚组的患者进行微环境相关评分，不同TME亚型患者生存曲线不同。与其他组相比，免疫亚组在前两年的预后最差，而Stem-like亚组在三年后表现出更多的不良预后。
突变数据显示，不同TME亚型具有相似的最常见突变基因列表，即APC和TP53，最常见的突变类别为错义突变。此外， HLA蛋白、免疫相关刺激因子、免疫相关抑制剂和微环境分子的水平在不同亚组中有所不同。四个亚组的患者表现出不同的免疫反应。
图1直肠癌基于TME的分子亚型
2. 分析TME亚型间的差异表达基因，并构建风险评分
分析不同亚型间的差异表达基因（DEGs）。进行WGCNA分析，将DEGs划分为5个不同的模块。这些不同的模块与不同的微环境因素和不同的临床特征相关。GO和KEGG分析显示，不同组患者的免疫细胞黏附、细胞外组织、稳态和免疫相关信号通路的富集状态不同。筛选出19个预后相关基因进行lasso回归，构建一个包含10个基因的signature，计算每个患者的风险评分。
图2 WGCNA-LASSO基于TME相关基因构建风险评分
根据中位风险评分分为高危组和低危组。高危组患者的总生存率低于低危组。AUC说明了TME特征的准确性。校准曲线显示，实际生存状态与预测非常相似。此外，采用不同的机器学习算法来预测5年的生存状况。基于10个基因signature预测了患者的DFS和PFS，而且是影响RC患者预后的独立因素。
图3 验证TME风险评分
3. TME风险评分与临床特征、免疫治疗和化疗的相关性
风险评分高的患者与肿瘤晚期、肿瘤大小增大和淋巴结转移相关。GSEA分析高、低评分组的生物学特征。进一步分析TME特征是否可以用于预测治疗效果。TCIA提示抗PD-1免疫治疗在低危组疗效更好，风险评分较高的患者预后较差，而且对免疫治疗的反应也较差。
此外，化疗药物(如伊马替尼和索拉非尼)的有效性也可以通过TME特征来预测。低风险组患者对这些化疗药物的IC50值较低。
图4风险评分与不同临床特征、治疗的相关性
在10个基因中，2个基因（DEGS1和RRAGD）在高危组中表达上调，它们的上调与较高的风险程度、肿瘤分期和肿瘤大小有很强的相关性。TIMER分析显示这两个基因与免疫细胞的浸润相关。
图5. 2个关键基因（DEGS1、RRAGD）与临床参数、免疫浸润相关
4. 构建nomogram并验证
分层生存分析显示高危组的生存率低于低危组。将该特征与年龄和M分期相结合构建nomogram，以预测RC患者的生存。ROC曲线显示，1年、3年和5年生存率的AUC分别为0.875、0.957和1.000。校准曲线证实了nomogram预测的准确性。
图6 TME特征结合其他临床参数预测RC患者预后的临床应用
小云有话说
这篇文章的亮点就是基于TME成分相关基因对肿瘤进行分型，再根据各分型间的差异表达基因构建TME相关的风险评分，后面的分析属于常规分析。
而且筛选出关键基因后，就可以根据具体基因的潜在功能设计TME相关的课题思路喽，再也不用担心不会设计课题啦！而且TME成分相关基因集文章已经整理好了，感兴趣的小伙伴可以直接拿去分析~
如果您想设计免疫细胞、肿瘤微环境等方向的生信分析思路，但是时间和精力有限，小云可以提供如下服务：免费评估服务、付费设计服务、定制化生信分析等。超多个性化、创新性高的分析思路供你选择！别忘了还有精品培训课程《肿瘤微环境和免疫治疗课题思路介绍及热点方向分析专题会议》，欢迎咨询小云哦！
