肿瘤免疫分析如何才能脱颖而出？肿瘤转移切入+预后模型构建新手小白都能轻松复刻4.7分

不知道大家发现没有，从2020年开始，与肿瘤免疫相关方向的文章以“雨后春笋”的趋势大量增长。如今肿瘤免疫已经占据了生信分析的半壁江山，想要发表有内容、有创新点的生信文章，真的要静下心来好好思考一番了。

今天在PubMed里闲逛的布小谷就发现了这样一篇发表在今年一月的文章，文章以肿瘤转移为切入点，利用免疫相关基因建立肿瘤转移模型的4分+纯生信文章，非常适合刚刚入门生信手里还没有文章的生信小白们参考和复刻。一起来看看吧～～～

l 题目：构建预测胃癌患者预后的卵巢转移相关免疫模型

l 杂志：Cancer Med

l 影响因子：IF=4.711

l 发表时间：2023年1月

研究背景

卵巢转移（OM）会导致胃癌（GC）患者的生存率降低。虽然免疫疗法已成为治疗晚期胃癌的一种有希望的方法，但仍然需要验证免疫相关的预后特征。在这项研究中，作者构建了一个卵巢转移和免疫相关的预后特征（OMIRPS），描述了OMIRPS分类亚群的分子和免疫特征，并预测了他们对免疫疗法的潜在反应。

数据来源

FUSCC（发现队列，n=4）、TCGA（训练队列，n = 544）和GSE84437（验证队列，n = 433）的匹配原发性GC和OM的RNA-seq数据被用来构建和评估OMIRPS模型。原发性GC和OM之间的差异表达基因（DEGs）和来自ImmPort和InnateDB数据库的免疫相关基因（IRGs）被用来识别免疫相关的预后中心基因，并利用LASSO回归分析构建OMIRPS。最后，分析了不同OMIRPS亚组之间的预后、分子特征、免疫特征和不同的免疫疗法疗效。图1是建立和验证卵巢转移和免疫相关预后特征（OMIRPS）的流程图。

图1:分析流程图

主要结果

1. 原发性胃肿瘤和匹配的卵巢转移灶之间差异表达的免疫相关基因（DEIRG）的鉴定和功能注释

基于FUSCC队列中的四对原发性GCs和匹配的OMs的转录组测序数据，利用差异表达分析确定了原发性和卵巢转移性病变之间的1088个差异表达基因（DEGs），其中上调基因609个，下调基因479个（图2A）。利用GO分析和Ingenuity Pathway分析（IPA）确定DEGs的生物学功能和激活的信号通路（图2B）。这些分析有力地表明了免疫相关因素，如肿瘤免疫微环境（TIME）在GC的卵巢转移中的重要性。

接着，从ImmPort和InnateDB数据库分别下载了1794和1226个免疫相关基因（IRG），通过合并列表并去除重叠基因，最终得到了2660个IRG。然后，通过对DEGs和IRG的交叉，确定了182个差异表达的免疫相关基因（DEIRG）（图2C），其中44个上调，138个下调。接下来，利用KEGG途径分析进一步了解DEIRGs的富集功能途径，上调和下调基因的前十条途径分别以Circos图的形式显示（图2D、E）。结果显示，上调的DEIRGs明显涉及免疫相关的途径。

2. 卵巢转移和免疫相关的预后特征（OMIRPS）的构建和验证

利用Kaplan-Meier生存分析和单变量Cox回归分析获得显著参与OM的免疫相关预后枢纽基因，19个基因的表达水平与GC患者的生存期显著相关（图3）。利用LASSO回归分析， 19个免疫相关的预后中心基因有6个用于构建卵巢转移和免疫相关及预后特征（OMIRPS）（图4C，D）。通过多因素Cox回归分析构建六个基因特征的预后模型：风险评分=TNFRSF18 × (-0.25) + CARD11 × 0.21 + BCL11B × (-0.37) + NRP1 × 0.42 + BNIP3L × 0.29 + ATF3 × 0.15。根据风险评分的中位数，将患者分为OMIRPS-低（n = 182）和OMIRPS-高（n = 180）亚组。

通过TCGA队列和GSE84437队列来验证OMIRPS的预后价值。Kaplan-Meier生存分析显示，OMIRPS高亚组的GC患者的总生存期（OS）明显比OMIRPS低亚组的患者差（图3E、F）。ROC分析显示，在TCGA队列中，OMIRPS预测OS的AUC值在1年、3年和5年分别为0.69、0.71和0.73，表明具有良好的预测准确性（图3G），GSE84437队列的AUC值也是如此（图3H）。此外，单变量Cox回归分析表明，年龄、TNM分期和OMIRPS与患者的OS显著相关；多变量Cox回归分析证实，OMIRPS是一个独立的预后因素（图3I,J）。

3． OMIRPS-高和-低亚组的分子特征

在TCGA队列中进行了关于Hallmark信号通路的基因集富集分析（GSEA）。结果发现，OMIRPS高的样本的基因主要富集于癌症相关的途径，如上皮-间质转化（EMT）。OMIRPS低的样本的基因富集于细胞周期和代谢相关的途径，如E2F途径（图5A,B）

瀑布图显示TTN等基因是两个亚组中最常发生突变的基因（图5C、D），并且前20个基因的突变在OMIRPS-低亚组中比在OMIRPS-高亚组中更常见利用Wilcoxon排名和测试证明OMIRPS-低亚组的肿瘤突变负担（TMB）明显高于OMIRPS-高亚组（图5E）。利用Pearson关联分析证明TMB与OMIRPS评分呈负相关（图5F）。

4． OMIRPS-高和-低亚组的免疫特征

利用Wilcoxon排名和测试分析了OMIRPS评分与免疫检查点分子的表达之间的关联。结果显示，与OMIRPS高的亚组相比，是免疫检查点分子PDCD-1在OMIRPS低的亚组中明显过度表达，并且PD-1的表达水平与OMIRPS评分呈负相关（图6A-D）。

为了进一步了解浸润性免疫细胞和OMIRPS亚组之间的相关性，利用CIBERSORT算法比较了两个亚组中22种免疫细胞分布。图5E显示了TCGA队列中每个样本的免疫细胞分布情况。分析显示，记忆B细胞和滤泡辅助T细胞在OMIRPS低亚组中更为丰富，表明有强大的抗肿瘤免疫反应。相反，热图显示单核细胞、M2巨噬细胞和静止的树突状细胞在OMIRPS高亚组中更为丰富（图6F），表明其免疫抑制状态和预后不佳。利用ESTIMATE算法评估了TCGA-STAD队列的基质评分和免疫评分，结果显示OMIRPS与基质评分明显相关，但与免疫评分无关（图6G-I）。

5. 通过OMIRPS预测GC患者的免疫疗法疗效和免疫逃逸情况

利用TIDE（一种模拟肿瘤免疫逃避两种主要机制的计算方法）发现OMIRPS-高亚组的免疫排斥评分明显高于OMIRPS-低亚组（图7C），意味着OMIRPS-高亚组的GC患者的预后较差，可能从免疫治疗中获益少于OMIRPS-低的患者。通过比较OMIRPS与TCGA队列中的MSI状态得出，OMIRPS-低亚组中MSI高的比例明显高于OMIRPS-高亚组（图7D）。这些结果表明OMIRPS在预测免疫治疗效果方面具有潜在价值。

6. OMIRPS分组与其他分类的比较

通过比较TCGA队列中OMIRPS-低和OMIRPS-高亚组之间患者的临床病理特征发现，高危组倾向于有更高比例的晚期病理T期（图7A）。我们进一步分析了OMIRPS分组和TNM分类之间的关系，发现它们之间没有相关性（图7B），表明OMIRPS评分的预后价值与病理分类无关。另一方面，将OMIRPS分组与免疫亚型（IS）（C1（伤口愈合），C2（IFN-γ主导），C3（炎症），C4（淋巴细胞耗尽），C5（免疫静止）和C6（TGF-β主导））进行比较。如图7C所示，OMIRPS-高亚组有更多的IS-C1和IS-C3，而IS-C2和IS-C4在OMIRPS-低亚组更容易被富集。

文章小结

本研究旨在建立一个与OM相关的模型，以预测GC患者的预后和他们对免疫疗法的反应。文章使用大量生信工具，研究了该模型的分子特征、免疫特征和免疫疗法疗效。最后又结合临床病理特征分析了该模型在不同免疫亚型内的分布，思路清晰，是用来参考的好范本。利用DEGs和IRG交叉确定的182个DEIRGs构建模型，增加了文章的可信度；最后利用TIDE分析免疫疗法的益处进一步增加了文章的可读性和得分点。听到这里小伙伴们是不是已经心动了呢？那就赶快学习起来吧！

布小谷之声

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，“生信鸟”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布小谷哦！