非肿瘤纯生信如何发8分+？可以看看“免疫”基因集+风险预后模型思路！还有转录因子的
在热点基因集中，“免疫”相关基因占有重要位置；
肿瘤和非肿瘤疾病都可以分析，屡试不爽~
最近，很多小伙伴都加入了“阳康”一族，还基于症状轻重引发了一轮免疫系统强弱的争论。
这件事说明除了肿瘤之外，很多疾病都跟免疫相关。
看到这是不是猜到小云要说什么了？
没错，不出意外的话就要介绍免疫相关的生信思路啦！
（温馨提示：“阳康”之后尽量不要扎推旅游，因为。。。人太多~即使要去也别忘记抽来看小云分享的新思路哦！）
今天小云要给你们分享的一篇非肿瘤的纯生信文章，有三个亮点：
亮点一：基于免疫相关基因进行分析。
亮点二：构建非肿瘤疾病的风险预后模型，预测患者的预后。
亮点三：除了预测，转录因子也可下载基因集进行分析！
快来跟着小云一起学习一下吧。
题目：基于脓毒症免疫特征构建预后模型和验证
杂志：Frontiers in immunology
影响因子：8.786
发表时间：2022年12月
数据信息
数据集/队列 数据库 数据类型 样本信息
GSE65682 GEO 转录组数据 802个脓毒症患者血液样本GSE63062 GEO 转录组数据 129个脓毒症患者血液样本GSE95233 GEO 转录组数据 124个脓毒症患者血液样本GSE106878 GEO 转录组数据 94个脓毒症患者循环白细胞样本E-MTAB-4451 ArrayExpress 转录组数据 106个脓毒症患者循环白细胞样本E-MTAB-5273 ArrayExpress 转录组数据 221个脓毒症患者循环白细胞样本E-MTAB-5274 ArrayExpress 转录组数据 106个脓毒症患者循环白细胞样本
免疫相关基因 ImmPort 基因集 2483个免疫相关基因(IRGs)
转录因子基因 Cistrome 基因集 1560个转录因子相关基因
研究思路
免疫反应在脓毒症的病理生理过程中起重要作用。分析脓毒症中的差异表达基因(DEGs)、差异表达免疫相关基因(DEIRGs)和差异表达转录因子(DETFs)，通过Cox回归分析、Pearson相关分析构建TFs-DEIRGs调控网络和免疫相关基因(IRGs)预后预测模型。外部数据集验证预后模型的可靠性。基于预后DEIRGs构建Nomogram，并进行了独立的预后分析。进一步评估了脓毒症患者循环免疫细胞的状态及与风险评分的相关性。
主要研究结果
1. 差异表达基因（DEGs）、差异表达免疫相关基因（DEIRGs）和差异表达转录因子（DETFs）和GSEA分析
分析GEO数据集得到DEGs，从ImmPort数据库中下载2483个免疫相关基因（IRGs）。然后将IRGs与DEGs取交集得到278个DEIRGs。再从Cistrome数据库下载1560个转录因子（TFs）基因，将TFs与DEGs取交集，得到348个DETFs。
图1.筛选DEGs、DEIRGs和DETFs
GSEA分析脓毒症中DEGs相关通路，发现免疫反应相关通路显著富集(图2)。表明脓毒症与免疫反应之间存在相关性。
图2. 应用GSEA分析脓毒症患者与正常人免疫反应的差异
2. 应用单因素Cox回归分析筛选与脓毒症预后相关的DEIRGs：
分析得到69个预后DEIRGs，其中11个是预后高风险基因，其余为预后低风险基因。进一步构建DETFs与预后DEIRGs之间的调控网络(图3)。
图3. 预后DEIRGs的筛选及其与DETFs与之间的调节网络
3. 脓毒症预后预测模型的构建
将69个预后DEIRGs进行多因素Cox回归分析，得到22个DEIRGs作为独立预测脓毒症患者预后的预后因子。利用22个DEIRGs的表达谱构建预测脓毒症患者28天死亡率的预后模型。
通过计算22个DEIRGs的表达值和相对系数，得到风险评分。根据中位风险评分值，将脓毒症患者分为高、低风险组，进行Kaplan-Meier生存分析，分析两组患者28天死亡率，发现高风险组28天死亡率显著高于低风险组(图4A)。再利用ROC曲线评估预后模型的敏感性和特异性(图4B)，并构建风险范围曲线(图4C)，分析两组生存状况（图4D）和22种DEIRGs的差异表达（图4E）。
4 利用外部数据集对预后模型进行验证
对6个脓毒症相关的数据集进行ROC分析，证实IRGs预测模型具有很好的预测价值。
图5. IRGs预后模型预测预后的效果
5. 独立预后分析脓毒症预后模型中DEIRGs与临床特征的关系：
单因素和多因素独立预后分析发现年龄、危险评分是预测脓毒症28天死亡率的独立预后因素。
图6. 单因素和多因素独立预后分析结果
在临床特征中，将内型类型分为四类，包括Mars1、Mars2、Mars3和Mars4。分析DEIRGs的表达，并发现Mars1患者的风险评分高于Mars2-4。
图7. 临床特征与DEIRGs的关系
6. 构建Nomogram预测脓毒症28天死亡率：
根据临床特征和预后模型中的DEIRGs构建了一个Nomogram来预测脓毒症的28天死亡率。
图8.构建脓毒症患者28天死亡率预测的Nomogram
7. DEIRGs在预后模型中的功能分析
进行GO和KEGG功能富集分析，DEIRGs主要富集于抗原加工和呈递、细胞因子-细胞因子受体相互作用等通路。
图9. 预后模型中DEIRGs的功能富集分析
8. DEIRGs与循环免疫细胞的相关性分析
CIBERSORTx分析高、低风险组的免疫细胞组成，还通过Spearman相关分析分析了风险评分与22种免疫细胞类型的相关性。结果显示，风险评分与辅助滤泡T细胞、静止NK细胞、活化树突状细胞等呈显著正相关，与naive CD4+T细胞和M1型巨噬细胞等呈显著负相关。
图10. 高、低风险组循环免疫细胞的比较及与风险评分的相关性
总结
这篇文章是基于免疫相关的基因构建脓毒症的预后模型，常规分析思路的纯生信发到8分+，说明非肿瘤分析热点基因集仍然是个不错的选择。
但非肿瘤中构建预后模型还是有一定局限性，主要因为大多数的数据缺乏死亡率的信息，导致许多公开的脓毒症数据集不能用。如果筛选诊断基因的话，能纳入的数据集对多一些。当然，也可以采用临床上与疾病不良预后相关的因素进行分组，用来预测患者的预后，这样即使没有预后信息，也能分析预后的风险。
还可以借鉴作者分析转录因子的方法，即从数据库下载转录因子（TFs）基因集合，与DEGs取交集得到差异表达TFs，再构建调控网络。
另外，小云觉得还可以对此分析思路进行升级，作者是根据bulk RNA-Seq数据和CIBERSORTx算法分析免疫细胞类型，也可以加入单细胞数据分析，或者进一步的实验(如流式细胞术)来验证结果，也是很好的加分项。
如果你对免疫或其他热门/潜在热门方向感兴趣，或者想定制创新性思路欢迎直接call小云哦，下一篇生信文章在向你招手！
