生信学习,咨询,代做,请关注公众号:生信风暴。或添加客服微信:ShengxinBoss1

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!

生信精讲 管理员 1087℃ 0评论
双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图

今天给同学们分享一篇关于双热点构建预后模型的生信文章 “Development and Verification of the Hypoxia- and Immune-Associated Prognostic Signature for Pancreatic Ductal Adenocarcinoma”,这篇文章于今年发表在 Frontiers in Immunology 杂志上,影响因子=7.561。本研究的目的是通过构建缺氧和免疫相关的预后特征模型,希望能将其纳入现有的临床分期系统并改善PDAC预后。

1.缺氧相关基因的探索

由于不同缺氧水平的PDAC患者的预后各不相同,作者首先进行了无监督聚类分析,以确定不同的缺氧模式并将患者分为两个簇(图 1A-C)。在OS比较中发现这两个簇之间存在显着差异(图 1D),其中缺氧簇1(缺氧高)中的患者与缺氧簇2(缺氧低)中的患者相比预后较差。这促使作者继续通过研究缺氧相关基因表达来探索PDAC患者缺氧水平与预后之间的关系。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图1

图1 缺氧相关基因的探索

2.鉴定缺氧和免疫相关的PDAC差异基因

通过使用R包“limma”,作者总共收集了5,364个差异基因,比较了TCGA和GTEx(图 2A、B)。通过Pearson相关分析进一步研究PDAC差异基因与缺氧标记基因之间的682个与缺氧相关的PDAC差异基因。通过获取PDAC差异基因与2,483个免疫标志基因的交集,作者确定了528个免疫相关的PDAC差异基因。差异基因的GO和KEGG通路分析显示出有趣的结果,包括“T cell activation”、“regulation of T cell activation”、“Lymphocyte differentiation”和“Lymphocyte proliferation”(图 2C-F),表明不同缺氧状态影响PDAC预后可能与免疫通路激活有关。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图2

图2  PDAC差异免疫基因的识别

3.缺氧和免疫相关风险评分模型的构建和验证

这些缺氧相关的差异基因与免疫相关的差异基因相交,共筛选了72个交集基因用于后续分析(图 3A)。通过单变量Cox回归分析,作者确定了22个差异基因。之后,通过多变量 Cox回归分析和LASSO回归选择了七个基因来构建预后特征模型,将 PDAC 患者分为高风险组和低风险组(图 3A-C)。根据中位风险评分,所有病例被归类为高风险组或低风险组。根据Kaplan-Meier分析(图 3D、E、G、H、J、K),相对于低风险患者,高风险患者的OS显着降低。此外,基于TCGA PDAC队列、GEO队列和ICGC队列的AUC值的1、2和3年OS显示在图 3F、I、L 中。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图3

图3 风险评分模型的构建和验证

4.七个基因的独立预后验证

为了深入了解风险模型中七个基因的独立预后价值,作者进行了单变量Cox回归分析,发现其中五个对PDAC患者有害,其中两个对PDAC患者有益(图 4A)。在七个基因的聚类热图上,发现风险模型与先前建立的缺氧聚类一致,这在某种程度上证实了作者的猜想,即缺氧和免疫可能相互作用影响PDAC预后(图 4B)。作者继续绘制Kaplan-Meier生存曲线以评估每个特征基因的预后价值,结果也与单变量Cox回归分析一致(图 4C-I)。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图4

图4 七个特征基因的独立预后验证

5.风险模型与临床特征的相关性

为了研究作者的风险模型是否与PDAC的临床特征相关,作者进行了Wilcoxon检验,发现高风险组具有更晚期的TNM分期和更高的肿瘤分级(图 5A-H)。考虑到两个风险组之间预后相关的临床特征不同,作者进一步研究了风险模型是否与其他PDAC独立预后因素具有相似或更好的预测有效性(图 5I、J)。作者构建了一个Nomogram,通过三个独立的预后因素来预测患者的OS,包括年龄、主要治疗、N和风险评分(图 5K)。校准图表明Nomogram可以准确估计死亡率(图 5L-N)。对于1年、2年和3年OS,Nomogram的 AUC 分别为0.76、0.80和0.82(图 5O-Q)。上述结果表明,风险模型既可以作为独立的预后因素,也可以与现有的临床指标相结合。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图5

图5 基于TCGA的风险模型与临床特征的相关性

6.风险评分模型中缺氧和免疫基因集的富集分析

为了进一步验证风险模型在缺氧和免疫中的功能,作者进行了GSEA通路富集分析,发现在高危组中富集了三个缺氧相关基因集,包括 WINTER_hypoxia_up、HALLMARK_hypoxia 和 HARRIS_hypoxia(图 6A-C)。在六个免疫相关基因组中,三个在高风险组中富集(图 6D-F),另外三个在低风险组中富集(图 6G-I)。由于与缺氧相关基因集相比,免疫相关基因集的富集更为复杂,因此作者需要进一步深入评估这种关于免疫状态的风险模型。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图6

图6  GSEA富集分析

7.风险评分模型与免疫浸润的关系

高危患者的B cells、CD4 memory resting T cells、regulatory T cells (Tregs)、resting NK cells、M0 macrophages、resting dendritic cells和activated dendritic cells的免疫细胞浸润程度较高,而低危组则表现出较高的免疫细胞浸润程度。memory B cells、CD8 T cells、follicular helper T cells、monocytes、M1 macrophages、M2 macrophages、resting mast cells和eosinophils的浸润程度更高(图 7A)。ESTIMATE评分显示,与低风险组相比,高风险组的基质和免疫评分较低(图 7C-H)。在临床亚组分析中,在T3T4、Stage2、N1和Grade2中,高风险组的免疫评分和基质评分显着低于低风险组(图 7I-P)。高风险组的免疫检查点表达水平也显着低于低风险组(图 7B)。结合这些结果,作者发现胰腺癌的不同风险人群可以准确提示免疫水平,高危组患者的整体免疫反应水平低于低危组。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图7

图7 风险模型与免疫状态的关系

8.风险评分模型与 PDAC 突变之间的关系

Oncoplot 显示了高风险和低风险组中最常突变的PDAC基因(图 8A、B)。高危人群的TMB明显更高。此外,四个PDAC突变基因(KRAS、TP53、SMAD4和TTN)在高危人群中突变频率更高,突变谱更丰富。其他6个PDAC突变基因(CDKN2A、RNF43、MUC16、ATM、GNAS 和HMCN1)在高危组中的突变频率低于低危组,并且突变谱较窄。

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图8

图8  PDAC患者基因突变频率

 

小结

本研究通过构建缺氧和免疫双热点风险评分模型来预测胰腺导管腺癌 (PDAC) 患者的预后。基于这些结果,作者的缺氧和免疫相关预后特征可用作对PDAC风险进行分层的方法。对双热点+预后模型思路感兴趣的老师,欢迎扫码咨询。

生信分析定制服务

请扫描下方二维码

双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!插图9
或添加微信沟通:ShengxinBoss1
往期回顾:
最强攻略1:史上最全单细胞数据库汇总解读
最强攻略2:史上最全非编码RNA数据库汇总解读
最强攻略3:史上最全外泌体数据库汇总解读
最强攻略4:史上最全甲基化表观调控数据库汇总解读
最强攻略5:史上最全转录调控数据库汇总解读
最强攻略6:史上最全网络药理学数据库汇总解读

转载请注明:智汇基因 » 双热点+7+非肿瘤风险预后生信模型思路,好用到飞起!!

喜欢 (0)
发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址