生信分析，生信分析公司，医学sci，生信分析学习，tcga数据库，geo数据库，单细胞测序，转录组分析，甲基化，医学sci写作，论文解读***8+M2巨噬细胞+预后模型高质量文章，思路简单可以轻易复现！！！表达谱预后

导语

今天给同学们分享一篇M2巨噬细胞结合预测模型的生信文章“Model for predicting immunotherapy based on M2 macrophage infiltration in TNBC”，这篇文章于2023年3月14日发表在Front Immunol期刊上，影响因子为8.786。

与其他类型的乳腺癌相比，三阴性乳腺癌（TNBC）对激素治疗和HER2靶向治疗没有有效反应，预后较差。目前可用于TNBC的免疫治疗药物数量有限，这是一个需要额外开发的领域。

1. 共表达结果

结合TCGA数据库中TNBC样本的测序结果和CIBERSORT中M2巨噬细胞的浸润，将P < 0.001和R > 0.45的***值设定为阈值。共筛选M96巨噬细胞浸润相关基因2个，其中正相关94个，负相关2个。图1显示相关性***强的前六个基因。

图1 与M6巨噬细胞浸润相关的前6个基因的相关图谱

2. 基因相关性及可能的机制分析结果

基于筛选的96个基因（图 2A)。同时，基于这些基因对GO和KEGG进行了分析，分析了其对M2巨噬细胞浸润（图 2C、D)。在KEGG分析中，吞噬体、补体、凝血级联和中性粒细胞胞外陷阱形成主要改变。在GO分析中，细胞外基质、细胞外结构和外部包封结构组织是变化的主要生物学途径。含胶原蛋白的细胞外基质、胶原三聚体和分泌颗粒膜是变化的主要细胞学成分。免疫受体活性、提取基质结构成分、免疫受体活性和糖胺聚糖结合是主要的分子功能，存在差异。这些共表达基因通过这些可能的机制影响TNBC中的巨噬细胞M2浸润。

图2 基因相关性、GO和KEGG分析结果

3. 预后模型的构建和验证

对既往筛选的96个共表达基因进行单因素预后分析，筛选出OLFML2B、MS4A7、SPARC、POSTN、THY1和CD300C共6个基因，影响患者预后（图 3A).对这些基因进行LASSO回归分析，并同时进行交叉验证。***，确定3个基因作为模型构建的参考，显示出***小误差（图 3B，C) 。选择MS4A7、SPARC和CD300C作为***终评分基因。根据模型对所有样本进行风险评分，分为高风险组和低风险组。同时，在GEO和TCGA数据中验证了其准确性。两个数据库中高危组和低危组的预后差异显著（图3D，E)。

图3 模型构建和验证结果

4. 通过 qRT-PCR 验证结果

MS4A7、SPARC和CD300C不同表达组TNBC患者预后差异有统计学意义（图 4A–C)。然后，作者将基因表达结果插入作者的模型中，将TNBC患者分为高危组和低危组。高危组与低危组比较差异有统计学意义（图 4D)。

图4 基于qRT-PCR的进一步验证结果

5. 风险评分作为独立预后因素的分析

在单因素和多因素分析中，综合考虑年龄、淋巴结转移、病理分级、临床分期和风险评分。图 5A、B描述结果，风险评分可用作两种分析的独立预后因素。以风险评分为单因素绘制ROC曲线，结果显示，预测患者1年、3年和5年预后的曲线下区域分别为0.606、0.722和0.710，风险评分预测精度良好（图 5C)。根据年龄、淋巴结转移、病理分级、临床分期、风险评分等多种因素绘制ROC曲线。作者的研究发现，在预测预后方面，风险评分明显优于其他因素（图 5D).图 6E说明了高风险和低风险群体的划分。高危组（图5F)。预测模型的核心MS4A7、SPARC和CD300C表达在高危组和低危组（图5G)。

图5 风险分类和验证分析结果作为独立因素

6. 风险评分对预后的预测作用

基于TCGA资料，绘制年龄、淋巴结转移、病理分级、风险评分、临床分期、临床分期、临床分度等指标，对预测患者预后具有显著意义。同时，对其他因素的预测无统计学意义（图 6A)。此外，作者的研究结果显示，在基于风险评分的预后预测中，1年、3年和5年预后的校准预测模型均接近患者的实际预后，证实了作者预测患者预后的风险评分准确性（图 6B)。结合临床分期和患者风险评分，进一步预后分析显示，高危终末期组预后***差。相反，低风险早期组预后***，证明结合临床分期和风险评分（图 6C)。在预后差异有统计学意义的高危和低危组（图 6D)。

图6 患者预后预测的风险评分评估结果

7. 风险评分与免疫的相关性分析

基于不同的风险评分，图 7A、B说明高危人群的GSEA分析结果和富集途径，包括KEGG ECM RECEPTOR INTERACTION、KEGG FOCAL ADHESION和KEGG VASCULAR SMOOTH MUSCLE CONTRACTION。低风险组的富集途径分别为KEGG DNA REPLICATION、KEGG PROTEASOME、KEGG RIBOSOME和KEGG SPLICEOSOME。同时，通过CIBERSORT分析比较高危和低危人群免疫细胞的浸润情况。CD8、CD4 记忆静息、滤泡辅助性 T 细胞和树突状细胞（DC）静息浸润有统计学意义（图 7C).因此，研究了预测模型核心MS4A7、SPARC和CD300C与免疫评分和免疫细胞浸润之间的相关性（图 7D)。滤泡辅助细胞、CD8、滤泡辅助细胞、CD4记忆静息T细胞和单核细胞与MS4A7、SPARC、CD300C和免疫评分呈强相关。图 7E显示免疫检查点与风险评分之间的相关性，其中OLA1，HAVCR2和PDCD1LG2具有统计学意义。根据不同的风险评分及其相关的肿瘤突变负荷，绘制瀑布图（图 7F， G)。

图7 风险评分与免疫的关系

8. 免疫治疗药物敏感性分析结果

对于这些免疫治疗药物，研究了它们与风险评分的关联。总共筛选了50种药物，在高危和低危组中具有统计学意义的差异，这些药物显示在KU-55933、来氟米特、Nutlin-3a（-）等药物对不同风险组的药敏感性较高，差异显著。所有这些药物在TNBC免疫治疗方面都有很好的前景。此外，对风险评分进行分组可以帮助选择更适合这些药物的TNBC患者。

总结

总之，在作者的预后模型中使用的三个主要基因MS4A7、SPARC和CD300C具有良好的准确性和临床应用潜力。对50种免疫药物预测免疫治疗药物的能力进行了评估，为TNBC患者的免疫治疗提供了一种新的方法，并为在后续治疗中应用药物提供了更可靠的基础。对这篇文章的思路感兴趣的老师，欢迎扫码咨询！

生信分析定制服务

请扫描下方二维码