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，论文解读想发“肿瘤+分型+微生物”的文章真不难，这篇9+就能给你借鉴思路！！肿瘤生信

导语

今天给同学们分享一篇肿瘤+分型+微生物的生信文章“The Interaction between Intratumoral Microbiome and Immunity Is Related to the Prognosis of Ovarian Cancer ”，这篇文章于2023年3月28日发表在Microbiol Spectr期刊上，影响因子为9.043。

卵巢癌症（OV）是三种***常见的妇科恶性肿瘤之一，死亡率***。尽管在过去40年中存活率有所提高多年来，五分之三的女性仍在确诊5年以内死亡。这迫切需要确定与OV患者的预后和治疗效果相关的因素。

1. 基于Fges的两种卵巢癌症免疫亚型具有不同的TME特征

聚类分析显示，根据29个基于已知的功能基因表达特征（Fges），OV的分子图谱可以聚类为两个不同的TME，称为免疫缺陷亚型（cluster1）和免疫富集亚型（clust2）（图1A）。差异分析显示，聚类1和聚类2之间的基线临床指标没有显著差异。clust2患者具有较高的基质和免疫评分，肿瘤纯度较低（P < 0.05）（图1B），CD8 + T细胞比例较高，CD4 +记忆T细胞活化，M1型巨噬细胞（M1），调节性T细胞，静息树突状细胞和静息肥大细胞具有较少的M0型巨噬细胞（P < 0.05）（图1C），较高的肿瘤突变负荷（TMB）和更多的新抗原，即体细胞非同义编码单核苷酸变异、免疫原性突变和潜在的新抗原肽（P < 0.05）（图 1D），以及比 clust1 患者更高的 T 细胞受体（TCR）和 B 细胞受体（BCR）多样性（P < 0.01）（图 1E）。基于基因本体（GO）和京都基因百科全书（KEGG）富集分析，差异表达基因（DEGs）在与免疫激活、调节和免疫异常引起的疾病相关的途径中显着富集（图1F和G)。此外，生存分析显示，clust2患者的预后较好，包括总生存期（OS，P = 0.009）、无进展生存期（PFS，P = 0.032）、疾病特异性生存期（DSS，P = 0.009）和无病间隔（DFI，P = 0.004）（图1H）。

图1 通过对 Fges 的无监督分析揭示了两种卵巢癌微环境亚型

综上所述，根据其TME特征，OV患者可分为免疫缺陷和富集亚型，分别称为clust1和clust2。Clust1的特点是缺乏免疫浸润和高肿瘤纯度，而Clust2则表现出高免疫浸润和高TMB，这与更好的预后有关。

2. 不同的TME亚型表现出不同的肿瘤内微生物群谱

在TCGA-OV的103个×109个测序读段中，6.4%被归类为非人Read，共鉴定出30个门，包括6个archaea和24个bacteria，其中Pseudomonas是***丰富的（图2A和B）。尽管α多样性没有显著差异（P > 0.05），β多样性分析表明，clust1和clust2之间的肿瘤内微生物谱不同（P = 0.02）（图3A），而clust1个体之间的β多样性差异更大（P = 0.003）（图3B）。基于线性判别分析效应大小（LEfSe）分析，58种富集了clust1，主要来自假单胞菌，11种富集了clust2（图3C）。差异种与Fges密切相关（图3D）。在不同的净化标准下，这些结果是一致的。簇1的微生物共合网络以假单胞菌为主，芸苔假单胞菌和假单胞菌属占主导地位。Ost2是***重要的物种。仅绘制了基于50次迭代自举的显着相关性（P < 0.01，R2>0.75）。

图2 原始微生物组组成数据中每个样本的相对丰度数据

图3 Clust1和CLUST2表现出不同的肿瘤内微生物群谱

功能分析表明，clust1和clust2中的微生物针对不同的KEGG途径富集。clust1富集了更多的途径，即牛磺酸和次牛磺酸代谢（map00430），PI3K-Akt信号通路（map04151）和磷脂酰肌醇信号系统（map04070）（图3E）。

综上所述，clust1和clust2之间的肿瘤内微生物谱存在显着差异，这可能与OV患者的TME有关。

3. 肿瘤内微生物组与OV预后相关

基于单变量Cox比例风险模型分析，作者确定了736种物种作为OV的潜在预后生物标志物（图4A）。其中，193种物种的丰度与OS显著相关，其中183种为危险因素，10个是保护因素。219个物种与DSS显著相关，其中205个是危险因素，14个是保护因素。318个物种与PFS显著相关，其中194个是危险因素，125个是保护因素。288个物种与DFI显著相关，其中285个是危险因素，3个是保护因素（图4B）。基于与 OS 相关的微生物生物标志物，使用LASSO-Cox 回归方法构建了由 6 种保护物种、26 种风险物种和诊断年龄组成的预测模型，可以很好地预测整体测试集中 OV 患者的存活概率（图 4C）。根据Cox模型得到的风险评分的下四分位数将测试集分为高危组和低危组后，低危组的生存时间长于高危组（图4D)。由微生物组成的预后模型也显示出对OV患者的PFS和DSS的预后价值（图4E至G）。这些预后微生物的存在与否也与OV患者的OS，DSS，PFS和DFI显着相关;假单胞菌属B14-6、密歇根克雷伯菌、蚜虫、埃德温氏副伯克霍尔德菌、水生科马单胞菌、中泽韦洛氏菌、杰氏棒状杆菌和亚双歧杆菌与较短的患者OS、DSS、PFS和DFI显著相关，而卡拉马佐菌与较长的OS、DSS、PFS和DFI显著相关。

图4 肿瘤内微生物组与OV预后相关

综上所述，瘤内微生物组谱与OV患者的预后显着相关，由32种微生物组成的预测模型对OV患者具有重要的预后价值。

4. 多组学的综合分析揭示了潜在的宿主免疫相互作用

作者进一步探索了 TME 中宿主的免疫-微生物相互作用。clust1和clust2之间显着不同的32种预后微生物和7种免疫细胞之间的相关网络（12个节点，9条边）表明5种免疫细胞与7种物种显着相关（P<0.05）（图5A）。M1被确定为关键细胞，与5个物种相关。M1富含clust2，与 Achromobacter deleyi 和 Microcella alkaliphila 呈正相关。高风险组和低风险组之间的差异分析表明，高风险组的 M1 比例高于低风险组（图 5B）。M1 与风险评分之间存在弱负相关（r = -0.146，P =0.021）（图 5B）。生存分析显示，高 M1 组的生存时间（包括 OS、DSS 和 DFI）长于低 M1 组（图 5C）。

图5 多组学联合分析揭示了潜在的宿主-免疫相互作用

接下来，作者使用基于免疫基因表达数据的加权基因相关网络分析 (WGCNA) 确定了 28 个基因模块 (ME)，并将至少富含 1 个 KEGG 通路的 17 个 ME 用于下游分析（图 S8）。作者分析了 17 个 ME 和 7 个与免疫细胞相关的预后物种之间的关系。Spearman 等级相关网络分析（15 个节点，21 个边）（图 5D）表明，10 个 ME（58.8%）与 5 个物种显着相关（P < 0.05），其中 3 个物种（Achromobacter deleyi、Corynebacterium jeikeium 和 Acinetobacter） seifertii) 和3个ME (ME2、ME14 和 ME23) 是关键(degree ≥ 3)。ME2中的基因富集于与某些神经系统疾病和活性氧相关的KEGG通路，活性氧是一种化学致癌物（图5E）；ME14 和 ME23 中的基因分别在剪接体途径和单纯疱疹病毒 1 (HSV-1) 感染途径中富集。

5. 细胞实验证明了赛弗蒂不动杆菌对巨噬细胞迁移的抑制作用

为了证明塞弗氏不动杆菌是否会影响巨噬细胞极化，作者分别用塞弗氏不动杆菌（As-10组）、塞弗氏不动杆菌处理的ID8细胞（ID8-As-10-Cell组）、塞弗氏不动杆菌处理的ID8细胞（ID8-As-10-CM组）、未处理的ID8细胞（ID8细胞组）、未处理的ID8细胞的CM（ID8-CM组）和Dulbecco的改良鹰培养基（DMEM）处理腹膜巨噬细胞。与未处理的ID8细胞相比，用塞弗蒂不动杆菌治疗的组中，作为M1巨噬细胞标志物的TNFA和iNOS的表达显着增加（图6A）。