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+机器学习+TRP+体外实验高分思路，可模仿！肿瘤生信

导语

今天给同学们介绍一篇基于机器学习构建TRP相关模型评估急性髓性白血病的肿瘤微环境和免疫治疗的生信文章“A transient receptor potential channel-related model based on machine learning for evaluating tumor microenvironment and immunotherapeutic strategies in acute myeloid leukemia”，这篇文章于2022年12月16日发表在Front Immunol期刊上，影响因子为8.786。急性髓性白血病(AML)是一种侵袭性造血系统恶性肿瘤。AML中的瞬时受体电位(TRP)通道仍需要进一步探索。研究建立了基于机器学习的TRP通道相关模型。

1. TCGA-LAML瞬时受体电位富集特征

作者使用ssGSEA算法计算了每个AML患者的TES（TRP富集分数）。TRG（TRP相关基因）、临床病理学特征和TES之间的相关性如图1A所示。与TES较低的AML患者相比，TRPM1、TRPM2、TRPM5、TRPM5的表达相对较高；相反，TRPM6和TRPM7的表达相对较低（图1A）。作者将AML患者分为HTS组和LTS组。从图1B中，作者可以观察到TES较高的患者临床结果明显较差，而TES较低的患者预后较好。因此，TES可能是AML恶性进展的驱动因素。通过差异分析确定了107个差异表达的TRG，这可以反映在火山图中（图1C）。作者进行了富集分析，以探索这些差异表达的TRG的生物学功能。GO分析（图1D）表明，这些TRGs在几个免疫相关途径（中性粒细胞激活、中性粒细胞脱颗粒、参与免疫反应的中性粒细胞激活、中性粒细胞介导的免疫、对细菌的防御反应、对真菌的防御反应、阴性免疫系统过程、白细胞迁移、巨噬细胞活化和巨噬细胞分化的调节）。KEGG分析（图1E）显示，这些TRG在一些经典的肿瘤相关通路中显着富集（癌症中的转录失调、IL-17信号通路、花生四烯酸代谢、甲型流感、C型凝集素受体信号通路、膀胱癌、血清素能突触、疟疾、志贺氏菌病和黑色素瘤）。

图1 TCGA-LAML队列中TRP富集分数的特征

2. 瞬时受体电位特征的建立

对以上获得的差异表达的TRG进行单因素Cox回归分析。结果揭示了57个预后TRG（图2A），包括24个潜在的肿瘤保护因子和33个潜在的肿瘤促进因子。此后，随机生存森林模型生成的错误率分布如图2B所示，从而确定了12个TRG（ZNF608、NAPSB、CPNE8、ANXA8、LPO、PDCD6IPP1、SLC2A5、SCHIP1、HOXA4、TRH、LST1和METTL7B）。使用Lasso分析构建TRP特征，并计算了149名AML患者的TRP评分。***终，获得了八个TRG（ANXA8、CPNE8、HOXA4、LPO、LST1、METTL7B、NAPSB、PDCD6IPP1、SCHIP1、SLC2A5、TRH和ZNF608）以建立预后特征（图2C）。LPO和TRH的高表达可能与较低的TRP分数相关，而NAPSB、METTL7B、SLC2A5、SCHIP1、PDCD6IPP1和HOXA4的高表达与较高的TRP分数相关（图2D）。

图2 建立TRP基因特征

3. 瞬时受体电位特征的功能验证

TRP分数的***截止值被设置为将AML患者区分为HTS或LTS组的阈值。生存曲线显示TRP评分较高的患者临床结果明显较差，而TRP评分较低的患者预后较好（图3A）。TRP特征预测的1年、3年和5年生存ROC曲线的曲线下面积(AUC)值均高于0.7，表明TRP特征在预测AML预后方面的效率（图3B）。此外，单因素（图3C）和多因素（图3D）Cox回归分析表明，TRP特征是AML患者的独立预后因素。***，对5个外部验证数据集（GSE12417-GPL570、GSE12417-GPL96、GSE37642-GPL570、GSE37642-GPL96和TARGET）进行单因素Cox回归分析，5个数据集的HR均大于1，证明了作者在预后预测中构建的TRP特征的准确性（图3E）。基于GSEA，确定了6条癌症相关通路（MAPK信号通路、TOR信号通路、细胞凋亡、Wnt信号通路、TNF信号通路和NF-kappaB信号通路），这些通路可能受到该特征的正调控，这提供了探索AML机制的见解（图3F）。

图3 TRP基因特征的验证

4. 基因组突变分析

作者通过GISTIC算法评估了HTS组或LTS组的基因组特征景观，如图4A所示。此外，作者绘制了HTS和LTS组的详细扩增或删除的CNVonco-plots（图4B）。从图4B中，作者可以观察到两个子组的结果相似。DNMT3A、FLT3、RUNX1、NPM1、TP53、NRAS、CACNA1B、IDH2、MUC16、TTN、ALOX12B、ASXL1、ATP10B、BBS12和BRINP3是具有高TRP评分的AML患者中突变率***的前15个基因（图4C）。MUC16、IDH2、KIT、TTN、DNMT3A、PRUNE2、UBR4、WT1、AHNAK、AHNAK2、CC2D2A、MACF1、NF1、PCLO和VPS13D是低TRP评分AML患者中突变率***的前15个基因（图4C）。因此，两个亚组中DNMT3A、IDH2、MUC16和TTN的突变率相对较高。

图4 TRP特征的基因组突变分析

5. 评估瞬时受体电位特征的免疫学特征

在基于MCPcounter、ssGSEA和TIMER算法进行分析后，具有不同TRP分数的浸润免疫细胞群的丰度显示在热图中（图5A）。从一般观点来看，浸润免疫细胞群的水平（图5A）、基质评分（图5B）、免疫评分（图5B）和估计评分（图5B）随着TRP评分的增加而增加。尽管如此，TRP评分较低的AML患者表现出更高的肿瘤纯度（图5B）。至于基因集变异分析(GSVA)，作者专注于受TRP特征正调控的免疫相关通路。结果表明，TRP特征可能与适应性免疫反应、免疫反应、先天免疫反应、T细胞受体信号通路、白细胞介素-1介导的信号通路、干扰素-γ介导的信号通路、T细胞正向调控有关。增殖和T细胞活化（图5C）。

图5 评估TRP特征的免疫学特征

6. 瞬时受体电位特征的免疫疗法和化学疗法

考虑到免疫调节因子(IM)在肿瘤免疫治疗中起着关键作用，作者比较了免疫调节因子水平与预后TRP特征之间的相关性（图6A)。为了进一步评估TRP评分与免疫治疗之间的关系，作者计算了TRP评分与四种经典免疫检查点表达水平之间的相关性，作者发现该评分与PDCD1、CTLA4、CD274和PDCD1LG2相关（图6B）。使用小提琴图对比六种化疗药物（PLX-4720、5-Fluorouracil-1073、Dabrafenib-1373、Temozolomide-1375、LGK974-1598和Foretinib-2040）的IC50值，作者的数据显示IC50值上述化疗药物在HTS组中的使用率低于LTS组，这表明TRP评分较高的患者更有可能从这六种化疗药物中获益（图6C）。

图6 AML的TRP特征的免疫疗法和化学疗法

7. 体外试验

为了在体外验证TRP评分的效果，作者选择了SCHIP1，因为它代表了进一步工作中TRP评分的基因。首先，作者的结果表明，SCHIP1的表达在肿瘤和正常之间存在显着差异，并且SCHIP1在TCGA-AML队列中的预后也较差（图7A、B）。然后，细胞转染后，作者在显微镜下观察细胞形态（图7C）。如图7D所示，转染后24h，NC组细胞形态规则，大小均一，si-NC组与NC组无明显差异，而si-SCHIP1组细胞呈异质性大小不一，形状不规则，部分细胞出现凋亡。转染后48小时，NC组和si-NC组细胞形态规则，两组无明显差异，而si-SCHIP1组细胞凋亡明显。作者采用Westernblotting检测SCHIP1基因的敲除效率，结果显示，与对照组相比，si-SCHIP1组的SCHIP1基因在细胞转染后被显着敲低（图7E、F）。作者使用CCK8测定来测试每组的细胞活力（图7G）。作者发现24小时后，si-SCHIP1组的细胞活力明显低于对照组。48小时后，与对照组相比，si-SCHIP1组的细胞活力也显着降低，而与si-SCHIP1组相比，si-NC组的细胞活力显着增加。