1个月接收，6分+基于血管生成的疾病分型和模型构建，结合肿瘤微环境及药敏筛选，根正
近几年，要说肿瘤相关研究哪个方向最热？那基于“肿瘤免疫治疗”的肿瘤微环境（TME）显然是最大备选项，pubmed中TME方向的文章发表数据也可以支持这个观点（下图）
TME的内涵及其庞大，不仅包括肿瘤所在组织的结构、功能和代谢，而且与肿瘤细胞自身的（核和胞质）环境也有关联，可开展的研究方向众多：比如肿瘤相关成纤维细胞CAF、各种免疫细胞（T细胞、B细胞、NK细胞、巨噬细胞、DC细胞等）、缺氧/酸性微环境、ECM、血管生成等。
在过去的分享中，免疫细胞分化及浸润是目前关注最密集的领域，相信部分粉丝已经有点审美疲劳了，那么今天小云计划从“血管生成”方向进行下分享。（如果没有分析思路或者文献复现有困难，可以找小云，超多创新性高的分析思路和分析服务供你选择！）。
血管异常和缺氧是各种实体瘤的显著标志。缺氧可能通过增强侵袭能力、进展能力和对治疗的抵抗力来促进 HCC。相反，诱导血管正常化和缓解缺氧会延缓癌症的生长。且血管异常会促进免疫逃逸，因此将 ICI 和抗血管生成疗法联合用于 HCC 可能会提高治疗效果并降低药物不良反应的风险。
基于以上论述，小云发现一篇6分+的基于血管生成基因进行患者的疾病分型并构建免疫治疗的预后模型，最后再药敏筛选和验证，获得潜在靶向只要药物。可谓生信分析套路的最经典模式。加上“血管生成”有热度，发文量又不是特别多，有复现空间和创新性，大家快快上车。
l 题目：用于预测肝细胞癌的预后和治疗反应的血管生成相关评分模型的构建和验证
l 杂志：International Journal of Molecular Sciences
l 影响因子：IF=6.2
l 发表时间：2023年2月
研究背景
肝细胞癌 (HCC) 在全球癌症相关死亡人数中位居第二，且大多数 HCC 的患者均具有富血管特征，提示了血管生成在HCC治疗中的重要性。血管生成相关预后基因 (ARPG) 在肿瘤进展和免疫抑制微环境形成中发挥重要作用。因此，作者系统地分析了ARPG的表达，并探索了其在HCC患者预后和治疗反应的潜在预后价值。
数据来源
研究思路
依据TCGA、ICGC 和 GEO中的基因表达和相关临床数据，结合GeneCards 数据库中的血管生成相关基因，使用多元回归分析来构建风险评分模型，并对该模型在TCGA 队列 (n = 343) 上进行了训练，在 GEO 队列 (n = 242) 上进行了验证，最终筛选出与总生存期 (OS) 显著相关的14个血管生成相关基因特征。通过诺模图分析，该基因集被证明在 HCC 预后中具有更好的预测作用。同时，该模型可以将对免疫检查点抑制剂 (ICI) 和索拉非尼具有不同敏感性的患者子集分组。作者还筛选出克唑替尼可以作为一种抗血管生成药物，并在体内和体外实验中验证了该结果。
主要结果
1. 利用HCC血管生成相关基因构建预后模型
对TCGA和ICGC中的HCC队列进行单变量Cox回归分析，在与血管生成相关基因组交叉后，确定了32个交集基因（图1A）。使用LASSO回归分析来筛选29个特征基因（图1B）。经过多变量Cox回归分析后，我们确定了14个ARPG作为最佳特征基因集，并显示了风险比值（图1D）。通过HPA数据库验证上述基因的表达差异（图1E）
图1 利用HCC血管生成相关基因构建预后模型
2. ARPG预后模型的验证
KM生存分析显示，低风险评分样本的OS比高风险评分样本更长（图2A、B)。ROC分析验证该模型在具有良好且稳定的预测价值（图2C、D)。根据风险评分对训练集和验证集进行排名，结果表明拥有较高分数的HCC患者的OS会较差（图2E、F)。
图2 ARPG预后模型的构建与验证
3. ARPG基因集的风险模型的预后列线图
通过列线图来判断14个标记基因的ARPG风险评分，并预测HCC的生存期（图3A）。结果表明，列线图预测的1年和3年OS与最佳预测性能非常匹配（图3B-C）。利用箱线图对上述14个基因的表达水平验证表明，上述基因集可以作为HCC的诊断生物标志物（图3E)。
图3 ARPG基因集的风险模型的预后列线图
4. 模型的功能富集分析
根据风险中值评分，将343个TCGA样本划分形成了高风险/低风险组。火山图显示高危组中有1077个基因被上调，而275个基因被显着下调（图4A）。基于TOP500上调基因，构建了PPI网络，并从中提取了5个最有意义的MCODE组件（图4B)，并对TOP500基因进行了GO分析（图4C）。考虑到14个基因特征与一些重要的信号通路相结合，应用GSEA分析来寻找与14个基因有关的信号通路（图4D）。
图4 模型的功能富集分析
5. 不同人群对靶向治疗和免疫治疗的不同敏感性分析
以GSE109211中21名索拉非尼治疗反应者和46名接受索拉非尼治疗无反应者为对象，前期筛选出的14个基因中，有8个基因在两组之间表达不同（图5A）。对基于14个基因所划分出的高风险/低风险组比较后发现，低风险组的IPS和CTLA4评分显着更高(p≤0.05)，表明低风险评分的LIHC样本可能更适合免疫治疗（图5C、D）。
图5 不同人群对靶向治疗和免疫治疗的不同敏感性分析
6. 基于预测模型的潜在药物筛选及体外/体内验证实验
通过DEPMAP数据库估算TCGA队列中1448种化合物的AUC，筛选出最强负相关的前十种化合物（图6A）。进一步分析发现，高危组对克唑替尼的总体敏感性更高（图6B)。transwell实验证实了克唑替尼降低HUVEC中的迁移和血管形成能力（图6C、D)。
图6 基于预测模型的潜在药物筛选及体外验证实验
建立C57小鼠的皮下肿瘤模型并使用克唑替尼治疗。发现克唑替尼可显着抑制肿瘤生长速度和重量（图7A、B）。皮下肿瘤的IHC染色显示增殖标志物KI67和血管标志物CD31被克唑替尼显着抑制（图7C）。
图7 基于预测模型的潜在药物筛选体内验证实验
文章小结
这个文章利用血管生成相关基因建立肿瘤预后模型并进行简单的肿瘤分型分析。联合免疫浸润分析、药敏性分析及验证，内容比较充实，属于纯生信的模板思路，且最后经过干湿结合，更加验证了筛选出药物的实际效果，性价比还是相当高的！小云已经整理好了文章中的“血管生成基因集合”，直接可以复现，在“血管生成”这个方向发文竞争力还不是很大的情况下，有意向的小伙伴抓紧上车啦！
