大熱！6+單細胞+多組機器學習搭配熱點基因集！
今天給同學們分享一篇單細胞+多組機器學習的生信文章“Multi-omics identification of an immunogenic celldeath-related signature for clear cell renal cellcarcinoma in the context of 3P medicine and basedon a 101-combination machine learning computational framework”，這篇文章于2023年5月31日發(fā)表在The EPMA journal期刊上，影響因子為8.786。
腎透明細胞癌（ccRCC）是一種常見的泌尿系統(tǒng)惡性腫瘤，死亡率高。缺乏可靠的預后生物標志物破壞了其預測、預防和個性化藥物（PPPM/3PM）方法的有效性。免疫原性細胞死亡（ICD）是一種特殊類型的程序性細胞死亡，與抗癌免疫密切相關。然而，ICD在ccRCC中的作用尚不清楚。
1. 單細胞免疫原性細胞死亡特征轉錄組
作者獲得了7名早期透明細胞腎細胞癌（ccRCC）患者的單細胞RNA測序數(shù)據，包括34155個細胞。為了消除批次影響，作者使用了Harmony軟件包，成功整合了七個樣本。隨后，將主成分分析（PCA）和t-分布隨機鄰域嵌入（t-SNE）應用于前2000個變異基因的降維。然后進行聚類，將所有細胞以1.5的分辨率聚集成40個聚類。使用不同細胞類型的標記基因，作者將細胞注釋為十個主要簇，即腫瘤細胞、T細胞、纖維母細胞/周細胞、巨噬細胞、樹突狀細胞、單核細胞、肥大細胞、內皮細胞、NK細胞和B細胞（圖1a）。熱圖顯示了每個細胞群的前四個標記基因（圖1b）。
圖1 單個患者的免疫原性細胞死亡（ICD）特征單細胞轉錄組
為了量化不同細胞類型中免疫原性細胞死亡（ICD）的活性，作者使用Seurat軟件包中的“AddModuleScore”函數(shù)來計算所有細胞中與ICD相關的34個基因集的表達水平（圖1c）。在10種細胞類型中，作者觀察到巨噬細胞、T細胞和單核細胞的ICD活性顯著較高（圖1d）。根據ICD活性，作者將細胞分為高ICD組和低ICD組，并在兩組之間鑒定了836個不同表達的基因（DEG），以供進一步分析。
2. 在Bulk RNA-seq中識別關鍵模塊和與ICD相關的基因
ssGSEA算法通常用于評估單個樣本的生物過程和途徑活性的變化。在這項研究中，作者使用ssGSEA算法來獲得每個TCGA-KIRC的ICD活動得分樣品，其用作后續(xù)WGCNA分析的表型數(shù)據。為了識別與ICD評分顯著相關的模塊，作者將WGCNA分析應用于TCGA-KIRC數(shù)據集。具體地，在去除異常樣本后，使用在單細胞序列水平上鑒定的836個ICD相關的DEG來構建共表達網絡（圖2a）。選擇最優(yōu)軟閾值功率=7（R2=0.874）以確保無標度拓撲網絡。通過將最小模塊基因數(shù)設為60，將MEDissThres設為0.25，共獲得四個模塊（圖2b）。作者的結果表明，MEblue模塊與大塊RNA-seq中的ICD評分密切相關（cor=0.7，圖2c）。此外，藍色模塊的基因顯著性（GS）與模塊成員關系（MM）的散點圖顯示出顯著相關性（cor=0.89，p=3.9e?57，圖2d），這表明藍色模塊內的基因可能具有與免疫原性細胞死亡相關的功能意義。
圖2 免疫原性細胞死亡相關基因（ICDR基因）的鑒定
火山圖（圖2e）顯示了TCGA-KIRC大塊RNA-seq中腫瘤和正常腎組織之間的差異表達基因（DEGs）（|logFC|>0.5和p.adj<0.05）。作者將藍色模塊中的164個基因與大塊RNA-seq中的DEGs相交，最終鑒定出共131個基因（圖2f）。這些基因被命名為免疫原性細胞死亡相關基因（ICDRgenes），被認為在批量和單細胞轉錄組水平。ICDR基因的GO富集分析（圖3g）顯示出在生物過程（BP）中的顯著富集，包括T細胞活化、白細胞介導的免疫、抗原處理和呈遞，以及在細胞成分（CC）（如內吞小泡和MHC蛋白復合物）和分子功能（MF），包括酰胺結合、免疫受體活性，和MHC蛋白復合物結合。
隨后，作者對131個ICDR基因進行了單變量Cox回歸分析，確定了39個p值小于0.05的重要基因。為了進一步構建和驗證模型，作者將TCGA基因列表與外部數(shù)據集E-MTAB-1980進行了交叉檢查，并提取了37個共享基因。
單變量Cox回歸分析的結果和這些基因的相互關系如圖所示。此外，作者分析了37個基因的拷貝數(shù)變異頻率（CNV），其中RNF130的拷貝數(shù)增加頻率超過22%，如圖2i所示。
3. 基于集成機器學習的預測特征的構建
為了構建一致的免疫原性細胞死亡相關信號（ICDRS），作者使用101種機器學習算法的組合來分析從單變量Cox回歸分析中獲得的37個預后基因。TCGA-KIRC數(shù)據集按1:1的比例分為訓練集和內部驗證集，兩個集的臨床特征分布如表S6所示。在訓練集中，作者使用十倍交叉驗證框架對101個預測模型進行了fted，并計算了所有訓練和驗證集的C指數(shù)，如圖3a所示。
在101個模型中，最終使用隨機生存森林（RSF）算法構建了按平均C指數(shù)排名的前fve預測模型。雖然這五個預測模型在訓練集中表現(xiàn)良好，但它們在內部和外部驗證集中都表現(xiàn)出較差的性能，C指數(shù)小于0.6。因此，作者從進一步的選擇中排除了這些過度適應訓練集的模型。然后，作者遵循plsRbox和Lasso+StepCox[backward]模型，兩者其中在訓練、內部驗證和外部驗證集中表現(xiàn)出良好的預測能力。然而，plsRcox模型共包含37個基因，而Lasso+StepCox[backward]模型僅包含6個基因，但實現(xiàn)了可比的預測效果。作為全面篩選的結果，作者確定Lasso+StepCox [backward]是一個具有高準確性和翻譯相關性的預測模型。
使用十倍交叉驗證框架，作者確定?通過最小化部分似然偏差，在LASSO分析中提供了0.035695的最佳λ值（圖3b，c）。然后，對LASSO分析中具有非零系數(shù)的基因進行逐步Cox比例風險回歸分析（向后），從而鑒定出一組由六個基因組成的模糊集合（圖3e）。此外，在訓練集、內部驗證集和E-MTAB-1980數(shù)據集中，高危組患者的總體生存率（OS）明顯低于低危組患者（p<0.001，對數(shù)秩檢驗；圖3g–i）。類似地，低風險組的無進展生存期（PFS）和疾病特異性生存期（DSS）明顯好于高風險組（p<0.001，log-rank檢驗；圖3j，k）。
圖3 通過基于機器學習的綜合程序開發(fā)并驗證了一致的ICDRS
4. ICDRS模型評估
ROC曲線分析表明，在訓練集中，ICDRS的曲線下面積（AUC）在1、3和5年間隔內分別達到0.746、0.755和0.808；內部驗證集中的0.760、0.710和0.723；以及E-MTAB-1980數(shù)據集中的0.827、0.735和0.732（圖4a–c）。這些結果表明ICDRS具有強大的判別能力。此外，作者將ICDRS的AUC與其他臨床特征進行了比較，包括年齡、性別、分期、級別和T。結果顯示，ICDRS的AUC明顯優(yōu)于其他臨床特征的AUC。
ECOG是一個完善的評分系統(tǒng)，用于評估接受治療的癌癥患者的身體功能。在臨床研究和實踐中，它通常用于評估患者的治療反應和預測生存結果。作者專門選擇了包括ECOG評分的TCGA-KIRC樣本，并比較了ICDRS和ECOG評分對ccRCC患者的預后準確性。作者的分析表明，相對于ECOG評分，ICDRS具有更高的表現(xiàn)AUC較高。
由于臨床特征在臨床實踐中通常用于評估ccRCC患者的預后，作者評估了ICDRS與vari之間的相關性?ous臨床特征。在TCGA-KIRC數(shù)據集中，作者觀察到高風險組和低風險組之間的級別、階段、T和M的分布存在顯著差異（p＜0.001，卡方檢驗）（圖4d，f）。此外，作者注意到，M1、III-IV期、G3-4和T3-4患者的風險評分顯著高于M0、I-II期、G1-2和T1-2患者（p<0.001，Wilcox檢驗）（圖4e）。這些結果表明ICDRS與ccRCC患者的不良預后有關。
有趣的是，作者觀察到ICDRS可以預測ccRCC患者的M期。診斷ROC曲線分析顯示ICDRS預測的AUC為0.721ccRCC患者的M期（圖4g，h），表明其預測ccRCC轉移的發(fā)展。
圖4 ICDRS模型評估
通過進行KM曲線分析，作者還發(fā)現(xiàn)ICDRS在按各種臨床特征（包括年齡、性別、分期、級別和T）分層的亞組中顯示出對ccRCC的強大預后能力（圖4i–l）。此外，作者觀察到ICDRS中包含的6個基因與ccRCC的預后顯著相關（log秩檢驗，p<0.05）。GEPIA2數(shù)據庫證實了這些結論，因為對六個基因的存活分析顯示了一致的結果。
5. ICDRS在ccRCC發(fā)病和進展中的預測性能
鑒于ICDRS在預測ccRCC患者預后方面的優(yōu)越性能，作者試圖確定其在預測ccRC發(fā)作和進展方面的適用性。為了評估ICDRS的診斷性能，作者使用了TCGA-KIRC、GSE53757和GSE36895數(shù)據集。作者的分析表明，ICDRS在識別ccRCC方面表現(xiàn)出很強的診斷準確性，TCGA-KIRC、GSE53757和GSE36895數(shù)據集的AUC值分別為0.813、0.829和0.766證明了這一點。此外，作者在所有三個數(shù)據集中觀察到，與正常樣本相比，腫瘤樣本的ICDRS得分更高。
作者進一步研究了ICDRS預測腫瘤進展的能力。作者的研究結果表明，高危組患者更容易患上晚期ccRCC。此外，ICDRS在預測ccRCC分期時的AUC為0.703。這些結果表明，ICDRS對預測ccRCC的發(fā)作和進展具有重要潛力。
6. 結合臨床特征的列線圖的建立和驗證
為了評估ICDRS是否是ccRCC的獨立預后因素，作者進行了單變量和多變量的研究?TCGA-KIRC數(shù)據集中OS、PFS和DSS的ate-Cox回歸分析（圖5a–c）。作者的結果表明，ICDRS是OS、PFS及DSS的重要風險因素在單變量分析中（HR>1，p<0.001）。
在多變量分析中，ICDRS仍然是OS（HR 1.802，CI 1.514–2.145，p<0.001）、PFS（HR 1.288，CI 1.048–1.583，p=0.016）和DSS（HR 1.938，CI 1.561–2.405，p<0.001）的獨立預后因素，表明其在ccRCC患者中具有強大的預后能力（圖5a–c）。此外，作者在E-MTAB-1980數(shù)據集中對OS進行了單變量和多變量Cox回歸分析（圖5d）。結果表明，ICDRS是ccRCC患者的獨立預后因素（HR 2.189，CI 1.089–4.401，p=0.028），證實了作者在不同數(shù)據集中的發(fā)現(xiàn)的一致性。
為了使ICDRS更具臨床應用性，作者根據ICDRS和臨床特征構建了一個列線圖（圖5e）。校準曲線顯示列線圖預測之間的良好一致性和實際觀察結果（圖5f）。諾模圖的AUC在1年、3年和5年的時間間隔分別達到0.867、0.830和0.814，表明其較高的預測準確性（圖5g）。此外，C指數(shù)證明了諾模圖穩(wěn)定而穩(wěn)健的預測能力，其在預測1至10年OS方面優(yōu)于其他臨床特征（圖5h）。決策曲線分析（DCA）表明，該列線圖比其他臨床特征具有更好的凈臨床效益（圖5i）。這些結果表明，基于ICDRS的列線圖為個性化項目提供了可靠和準確的工具ccRCC的nosis預測。
圖5 列線圖的建立與驗證
7. ICDRS的潛在分子機制
為了進一步研究ICDRS與ccRCC預后之間關系的分子機制，作者進行了功能富集分析。在基于GO基因集的GSEA分析中，作者觀察到低風險組富含細胞的正調控死亡、細胞氮化合物分解代謝過程和跨膜信號受體活性（圖6a），而高危組富含CD4陽性、α-βT細胞分化、吞噬作用、識別、抗菌體液反應和淋巴細胞遷移的陽性調節(jié)（圖6b）。此外，GSVA分析顯示，高危組在與IL_6_JAK_STAT3_SIGNALING、MYC_TARGETS_V2和TNFA_SIGNALING_VIA_NFKB相關的途徑中表現(xiàn)出更強的活性，而低風險組在與PROTEIN_SECREATION、FATTY_ACID_METABOLISM和BILE_AID_METABO?LISM（圖6c）。ICDRS和標記通路評分之間的相關性分析進一步支持了這些發(fā)現(xiàn)（圖6d），表明ICDRS與癌癥相關的生物過程和代謝途徑密切相關。
圖6 ccRCC中各種ICDRS患者的轉錄組特征
為了確定Hallmark通路是否與ccRCC的預后相關，作者進行了KM曲線分析。作者發(fā)現(xiàn)與ICDRS呈正相關的途徑，如IL_6_JAK_STAT3_SIGNALING、MYC_TARGETS_V2、DNA_REPAIR和TNFA_SIGNALING_VIA_NFKB，與不良預后相關。相反，與ICDRS負相關的途徑，如蛋白質_SECREATION、脂肪_ACID_METABOLISM和膽汁酸代謝，都與良好的預后相關。這些結果表明，這些途徑的激活或抑制可能有助于在ICDRS風險亞組中觀察到的不同預后結果。
8. 不同ICDRS亞組的基因組變異景觀和腫瘤內異質性
腫瘤內異質性（ITH）是由基因突變積累引起的癌癥的一個眾所周知的基因組特征。ITH已被證明與惡性腫瘤和化療耐藥性增加有關。在這項研究中，作者利用突變等位基因腫瘤異質性（MATH）算法來測量ccRCC患者的ITH，MATH分數(shù)越高，ITH越高。如圖7a所示，高危組中ccRCC患者的MATH得分較高。作者進一步探討了ITH與ccRCC患者預后之間的關系，發(fā)現(xiàn)與MATH評分低的患者相比，MATH評分高的患者的總生存期（OS）明顯較差（log-rank檢驗，p=0.002；圖7b）。將ITH與ICDRS相結合，作者發(fā)現(xiàn)“高風險+高MATH”組患者的預后明顯低于“低風險+低MATH”的患者（log-rank檢驗，p＜0.001）?這兩個指標的結合可以更好地評估ccRCC患者的預后（圖7c）為了研究ICDRS亞組之間基因組突變的差異，作者描述了高風險組和低風險組之間的突變情況（圖7d，e）。作者發(fā)現(xiàn)兩組之間存在明顯的突變。例如，一個重要的腫瘤抑制基因BAP1參與轉錄、細胞周期和對DNA損傷的反應的調節(jié)。高風險組的突變頻率為16%，遠高于低風險組的7%。
另一種腫瘤抑制因子SETD2可能參與腫瘤的發(fā)生化療耐藥性和突變時的不良預后。在高危組中，其突變頻率為18%，而在低風險組中，僅為8%。此外，通過Fisher精確檢驗，作者證實，BAP1和SETD2的突變頻率在高風險組和低風險組之間具有顯著差異（p<0.01）。風險亞組之間不同的突變景觀可以解釋為什么ICDRS風險亞組表現(xiàn)出不同的預后狀態(tài)。
還分析了高風險組和低風險組前25個突變基因中共現(xiàn)突變和排他突變的相關性。結果表明，高風險組共現(xiàn)突變頻率較高（圖7f）。此外，作者研究了ICDRS風險亞組之間差異最大的前30個基因的拷貝數(shù)變異（CNVs）（圖7g）。作者的結果表明，CNV的增加是LRP2、SLC6A19和PCK1的主要變化，而CNV的損失主要發(fā)生在MAP7、SLC22A2、C1orf210和KL中。此外，與正常樣本相比，腫瘤樣本中LRP2的表達顯著上調，而MAP7的表達顯著下調，表明CNV的變化在控制基因表達。
圖7 低風險和高風險人群與ICDRS相關的基因改變
9. ICDRS與單細胞特征的相關性
探討ICDRS在腫瘤微環(huán)境中的作用在單細胞轉錄組水平上，作者分析了CNPY3、HLA-DPB1、KCTD12、LIPA、MIR155HG和TNFSF13B在不同細胞類型中的表達模式（圖8a）。結果表明，這些基因主要在免疫細胞中表達，如巨噬細胞、單核細胞和樹突狀細胞。使用ICDRS模型公式，作者計算了單細胞轉錄組中每個細胞的ICDRS風險評分，并以腫瘤細胞為參考組進行了Wilcoxon試驗。作者發(fā)現(xiàn)腫瘤細胞、肥大細胞和B細胞的風險評分明顯更高。作者進一步進行了差異分析。
接下來，作者將腫瘤細胞分為高風險評分組和低風險評分組，并研究它們與TME中其他類型細胞的相互作用。作者發(fā)現(xiàn)具有不同ICDRS評分的腫瘤細胞具有不同的通信模式（圖8d，e段）。TME中的不同細胞類型可以在細胞通信中充當發(fā)送器、接收器、介質和影響者，從而在細胞之間產生特定的信號。作者的研究結果表明，低風險評分的腫瘤細胞與更多類型的TME細胞通訊，并在APP信號、ITGB2信號和MK信號中發(fā)揮更強的中介和影響作用。因此，它們可以調節(jié)粘附腫瘤細胞的分化和遷移，并對癌癥細胞的存活有影響（圖8f–h）。
圖8 ICDRS與單細胞特征的相關性
10. 免疫微環(huán)境和免疫特性與ICDRS的相關性
為了評估ccRCC樣本的免疫影響狀態(tài)，作者應用ESTIMATE算法計算ICDRS風險亞組的免疫評分、基質評分、ESTIMATE評分和腫瘤純度評分。高危組的免疫評分和估計評分顯著較高，腫瘤純度評分較低（圖9a）。此外，使用ssGSEA算法，作者獲得了免疫相關通路評分。高危組在炎癥促進、細胞溶解活性和T細胞共抑制途徑中表現(xiàn)出明顯更強的活性（圖9b）。
為了進一步分析高危組和低危組之間特異性免疫細胞浸潤的差異，作者?使用CIBERSORT算法確定每個樣本中流入的免疫細胞的豐度（圖9c）。作者發(fā)現(xiàn)，血漿細胞、T細胞CD8、T細胞CD4記憶激活和T細胞濾泡輔助細胞在高危組中更豐富。而沒有抗癌活性的細胞類型，如T細胞CD4記憶靜息、巨噬細胞M2和肥大細胞靜息，在低風險組中更豐富。通過應用ssGSEA算法和Xcell算法進行驗證，也獲得了類似的結果（圖9d）。此外，作者發(fā)現(xiàn)ICDRS中的六個基因與腫瘤浸潤免疫細胞高度相關，其中MIR155HG與T細胞CD8和T細胞卵泡輔助細胞呈正相關，KCTD12和LIPA與巨噬細胞M2呈正相關（圖9e）。
接下來，作者通過Spearman相關性分析篩選出與ICDRS顯著相關的免疫細胞類型，確定了11種細胞類型（p<0.05）（圖9f）。作者還分析了ccRCC患者TME細胞濃度與OS之間的關系。作者的結果顯示，11種TME細胞類型與ccRCC患者的預后有顯著相關性（log-rank檢驗，p<0.05），表明TME細胞濃度在ccRCC患者預后中起著重要作用。通過結合圖10c中的差異分析、圖9f中的相關性分析和補充圖中的生存分析的結果。作者使用交集的Venn圖最終確定了七種交叉的TME細胞類型（漿細胞、T細胞CD4記憶靜息、T細胞CD4記憶激活、T細胞濾泡輔助、單核細胞、巨噬細胞M2和肥大細胞靜息）（圖9g）?闡明了這七種類型的免疫細胞在ccRCC預后和發(fā)展中的重要性。
圖9 ccRCC中與ICDRS相關的免疫景觀
11. ICDRS與抗癌癥免疫周期及免疫治療反應的關系
由于腫瘤內免疫過程和微環(huán)境的復雜性，僅免疫細胞浸潤的豐度不足以表征免疫激活和衰竭。然而，通過評估抗癌免疫循環(huán)中每個步驟的活性，可以更全面地了解免疫細胞的抗癌作用，提高免疫治療的指導作用。在圖10a中，在ICDRS風險亞組之間觀察到抗癌免疫循環(huán)的步驟2、3、4和6中的顯著差異。高危組在啟動和激活方面表現(xiàn)出更強的活性?激活（步驟3），免疫細胞運輸?shù)侥[瘤（步驟4），以及T細胞識別癌癥細胞（步驟6）。此外，“免疫細胞向腫瘤轉移的第4步”被進一步引用，以分析ICDRS風險亞組對不同免疫細胞的募集。結果顯示，高危組具有更大的招募免疫細胞的能力，如T細胞、CD8 T細胞、樹突狀細胞和B細胞（圖10b）。這些發(fā)現(xiàn)表明，高危組在免疫細胞功能周期中表現(xiàn)出更大的抗癌活性。
先前的研究報道，免疫檢查點的高表達與對免疫檢查點抑制劑（ICI）治療的更好反應有關。因此，作者檢測了ICDRS風險亞組之間免疫檢查點的表達水平。如圖10c所示，大多數(shù)免疫檢查點，如PDCD1（PD1）、CTLA-4、TIGIT、LAG3和TNFRSF25，在?在高危人群中表達非常高。為了進一步驗證作者的結果，作者分析了從TCIA數(shù)據庫中獲得的IPS分數(shù)。較高的IPS評分預測對ICI治療的更好反應，ICI治療包括PD-1抑制劑和CTLA4抑制劑治療，分為四類：（1）IPS_CTLA4_pos_pd1_pos（CTLA4+/pd1+治療），（2）ips_ ctla4_pos_pd1_，（3）ips_ctla4_neg_pd1_pos（ctla4-/pd1+治療）和（4）ips_ctla\4_neg_prd1_neg（ctla4-/pd1-治療）。作者的研究結果顯示，高風險組中CTLA4+/PD1+和CTLA4+/PD1-治療的IPS明顯更高，表明高風險組患者對抗CTLA4治療以及抗PD-1和抗CTLA4-聯(lián)合治療的反應比低風險組更好（圖11d–e）。
圖10
為了進一步驗證ICDRS對患者免疫治療反應的預測能力，作者將?合并IMvigor210隊列，接受atezoli?珠單抗治療。使用ICDRS模型，作者計算了隊列的風險評分，并將患者分為高風險組和低風險組。值得注意的是，高危組表現(xiàn)出較高的腫瘤突變負荷（TMB），這是一種已知的腫瘤前病變免疫療法反應的tor（圖10f）。卡方檢驗顯示，在高危組中，完全緩解/部分緩解（CR/PR）的比例明顯更高，而在低風險組中觀察到更多的穩(wěn)定疾病/進行性疾?。⊿D/PD）病例（圖10g）。此外，CR/PR患者的風險評分明顯高于SD/PD患者（圖10h，i）?？傊?，這些結果支持了ICDRS預測免疫療法療效的能力，表明高危人群可能從這種治療中獲得更大的益處。
12. ICDRS與藥物敏感性的相關性分析及基因表達驗證
在晚期腎細胞癌（RCC）的治療中，一線治療通常涉及多靶向酪氨酸激酶抑制劑（TKIs）和mTOR抑制劑。然而，由于腫瘤微環(huán)境的高度動態(tài)和異質性，耐藥性是一個常見的問題。對此，作者檢測了ICDRS風險亞組對幾種酪氨酸激酶抑制劑的敏感性，即舒尼替尼、帕唑帕尼和阿西替尼，以及mTOR抑制劑替莫西。作者的結果表明，在低風險組中，舒尼替尼和帕唑帕尼的半最大抑制濃度（IC50）顯著較低（圖11a，b），并且風險評分與舒尼替尼和帕唑帕尼的IC50呈正相關（圖11e，f）。相反，高危組的阿西替尼和替西羅莫司的IC50較低（圖11c，d），風險評分與這些治療的IC50呈負相關（圖11g，h）。這些結果表明，低風險組的患者對舒尼替尼或帕唑帕尼的治療可能反應更好，而高危組的患者可能對阿西替尼和替西羅莫司更敏感。
此外，為了確定ccRCC患者的潛在新藥物，作者基于高風險組和低風險組之間前300個上調或下調的基因進行了XSum分析。該分析使作者能夠計算不同藥物的CMap評分，并確定可能逆轉高危人群表型的藥物。作者確定了CMap得分最低的頂級5個藥物：MS-275、PHA-00816795、伊馬替尼、法舒地爾和丁烯（圖11i）。這些藥物可能是抑制癌癥向惡性腫瘤發(fā)展的潛在治療選擇，具有作為ccRCC干預和預防措施的潛力。最后，作者評估了ICDRS中六個基因在四種細胞系中的表達，包括一個正常細胞系（HK-2）和三個ccRCC細胞系（786-O、Caki-1和Caki-2）（圖11j–O）?DPB1、KCTD12、LIPA、MIR155HG和TNFSF13B在腫瘤細胞系中顯著上調。
圖11 ICDRS與藥物敏感性和基因驗證之間的關系
總結
在目前的研究中，作者構建了一種免疫原性細胞死亡相關信號，該信號可作為ccRCC患者預后預測、預防和個性化藥物的一種有前途的工具。在PPPM框架中結合ICD將為臨床智能和新的管理方法提供獨特的機會。此外，作者從基因組學、單細胞轉錄組學和大量轉錄組學的角度對ccRCC的發(fā)展和進展的分子機制提供了新的見解。
