小云之前直播的時(shí)候給大家推薦過(guò) “分子機(jī)制”方向的生信思路，分子機(jī)制方向做生信可是大有可為的，因?yàn)檫@個(gè)大方向下面有很多小分支方向可選，比如乙?；NA甲基化、糖基化、泛素化、乳酸化修飾···再把這么多方向跟不同疾病排列組合一下，發(fā)文空間非常大！ 因?yàn)榉肿訖C(jī)制方向做生信不限制疾病，腫瘤和非腫瘤都能做，雙/多疾病分析也能做哦，如此萬(wàn)能快拿去做生信吧！

（ps：如果不知道如何選擇或沒(méi)有創(chuàng)新的分析方向，可以找小云幫忙設(shè)計(jì)?。?/p>

小云這回介紹一個(gè)分子機(jī)制的衍生思路——基于糖基轉(zhuǎn)移酶相關(guān)基因進(jìn)行分析。文章的選題方向創(chuàng)新性比較高，并且思路又易復(fù)現(xiàn)，是個(gè)不可多得的生信發(fā)文好思路，目前這個(gè)方向發(fā)文量比較少，創(chuàng)新性比較高，對(duì)分子機(jī)制方向感興趣的小伙伴可以沖！

題目：糖基轉(zhuǎn)移酶與子宮內(nèi)膜癌預(yù)后及診斷生物標(biāo)志物的關(guān)系

雜志：Computers in biology and medicine

影響因子：7.7

發(fā)表時(shí)間：2023年6月

?數(shù)據(jù)信息

研究思路

子宮體子宮內(nèi)膜癌(UCEC)侵襲轉(zhuǎn)移能力強(qiáng)，復(fù)發(fā)率高，生存率差。糖基轉(zhuǎn)移酶是協(xié)調(diào)糖基化過(guò)程的重要酶之一，糖基轉(zhuǎn)移酶對(duì)蛋白質(zhì)的異常修飾與癌癥的發(fā)生發(fā)展密切相關(guān)。本文基于TCGA上公布的UCEC轉(zhuǎn)錄組數(shù)據(jù)，運(yùn)用生物信息學(xué)方法預(yù)測(cè)糖基轉(zhuǎn)移酶相關(guān)基因(GTs)表達(dá)與UCEC診斷和預(yù)后的關(guān)系。并通過(guò)臨床樣本驗(yàn)證模型基因。采用廣義線(xiàn)性模型(GLM)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)和極端梯度增強(qiáng)(XGB) 4種方法篩選具有診斷意義的生物標(biāo)志物，并采用二元logistic回歸建立2-GT的診斷模型。采用GEO外部數(shù)據(jù)庫(kù)對(duì)診斷模型進(jìn)行驗(yàn)證。此外，使用單變量、Lasso和多變量Cox回歸分析建立了6-GT的預(yù)后模型，并通過(guò)使用bootstrap進(jìn)行內(nèi)部驗(yàn)證使模型更加穩(wěn)定。此外，風(fēng)險(xiǎn)評(píng)分與免疫微環(huán)境(TME)、免疫浸潤(rùn)、突變、免疫治療和化療密切相關(guān)。 ?

主要研究結(jié)果

1.?差異表達(dá)糖基轉(zhuǎn)移酶相關(guān)基因(DE-GTs)診斷模型的建立

在TCGA-UCEC數(shù)據(jù)集中對(duì)GTs進(jìn)行差異分析，有31個(gè)DE-GTs。作者使用四種機(jī)器學(xué)習(xí)方法來(lái)篩選生物標(biāo)志物，包括GLM、SVM、XGB和RF，篩選最具診斷意義的基因，4種方法相交的基因分別為GLT8D2和POMGNT2(圖1B)。 采用二元logistic回歸分析建立GLT8D2和POMGNT2的診斷模型。繪制單基因診斷和聯(lián)合診斷的ROC曲線(xiàn)(圖1C)。并使用GEO數(shù)據(jù)庫(kù)中的GSE17025來(lái)驗(yàn)證模型的診斷效果。ROC曲線(xiàn)顯示，該模型具有良好的診斷效果(圖1D)。臨床樣本驗(yàn)證兩者基因的表達(dá) (圖1E和F)。

圖1 DE-GTs診斷模型和驗(yàn)證

2.?DE-GTs預(yù)后風(fēng)險(xiǎn)模型的建立和內(nèi)部驗(yàn)證

通過(guò)單因素Cox回歸分析獲得7個(gè)DE-GTs(圖2A)。Lasso Cox回歸分析得到6個(gè)基因(圖2C和D)。6個(gè)GTs用于多變量Cox回歸分析以建立預(yù)后模型，并使用bootstrap進(jìn)行內(nèi)部驗(yàn)證(圖2E)。基于這6個(gè)GTs計(jì)算風(fēng)險(xiǎn)評(píng)分，根據(jù)中位風(fēng)險(xiǎn)評(píng)分將TCGA-UCEC數(shù)據(jù)集分為高危組和低危組。兩危險(xiǎn)組的K-M生存、風(fēng)險(xiǎn)評(píng)分分布、生存狀態(tài)圖均顯示，低危組預(yù)后明顯好于高危組(圖2F、G)。

圖2 DE-GTs預(yù)后風(fēng)險(xiǎn)模型的建立和內(nèi)部驗(yàn)證

3.?腫瘤微環(huán)境、免疫細(xì)胞與免疫通路的相關(guān)性分析

ESTIMATE算法計(jì)算出高危組和低危組中每個(gè)樣本的ESTIMATE得分。結(jié)果顯示，低危組的ImmuneScore和ESTIMATEScore較高，而StromalScore無(wú)統(tǒng)計(jì)學(xué)意義(圖3A)。使用ssGSEA量化各種免疫細(xì)胞的浸潤(rùn)評(píng)分和免疫活性，并描述UCEC不同風(fēng)險(xiǎn)組間免疫評(píng)分的差異。這些免疫細(xì)胞的浸潤(rùn)程度主要表現(xiàn)為低危組CD8+T細(xì)胞、DC、TIL細(xì)胞、T輔助細(xì)胞等的豐度較高(圖3B)。 低危組免疫活性較高，包括檢查點(diǎn)、T細(xì)胞共刺激、HLA和II型IFN應(yīng)答等。然而，I型IFN反應(yīng)在高危組更為豐富(圖3D)。使用各種算法來(lái)評(píng)估免疫細(xì)胞與風(fēng)險(xiǎn)評(píng)分之間的相關(guān)性(圖3C)。然后分析免疫檢查點(diǎn)在高危組和低危組的表達(dá)情況。結(jié)果顯示CTLA4、CD200、CD276等在低危組表達(dá)較多。低危組TNFRSF8、IDO1、CD40等表達(dá)較低(圖3E)。

圖3 風(fēng)險(xiǎn)評(píng)分與腫瘤微環(huán)境及免疫的相關(guān)性研究

4.?免疫治療分析

分析兩個(gè)危險(xiǎn)組間微衛(wèi)星不穩(wěn)定性(MSI)和腫瘤免疫功能障礙和排斥反應(yīng)(TIDE)的差異。結(jié)果顯示，低危組的TIDE較低，低危組的MSI較高(圖4D和E)，說(shuō)明低危組對(duì)免疫檢查點(diǎn)抑制劑治療的反應(yīng)性較好。此外，作者分析了高危組和低危組對(duì)免疫檢查點(diǎn)抑制劑(ICI)治療的反應(yīng)性。結(jié)果顯示，低風(fēng)險(xiǎn)組使用CTLA4和PD-1具有更高的IPS(圖4F-H)。說(shuō)明預(yù)后模型所定義的低危組在免疫治療上具有良好的效果。

圖4 風(fēng)險(xiǎn)評(píng)分與免疫治療和體細(xì)胞突變的相關(guān)性

5.?化療分析

以上研究表明，與高危組相比，低危組更適合免疫治療。因此，作者在高危人群的治療中輔以化療藥物。結(jié)果顯示高危組紫杉醇、索拉非尼、順鉑的IC50明顯較低，通過(guò)DrugMAP數(shù)據(jù)庫(kù)檢索了藥物的化學(xué)結(jié)構(gòu)(圖5A-C)。（ps：DrugMAP數(shù)據(jù)庫(kù)是一個(gè)綜合性的藥物數(shù)據(jù)庫(kù)，可以查詢(xún)藥物的靶點(diǎn)、轉(zhuǎn)運(yùn)體、藥物代謝酶，以及藥物的結(jié)構(gòu)信息、藥物相互作用信息、藥物相容性信息。）

圖5 高危人群的化療藥物及其藥物結(jié)構(gòu)

?總結(jié)

這篇文章的亮點(diǎn)是基于糖基轉(zhuǎn)移酶相關(guān)基因進(jìn)行分析，選題方向創(chuàng)新性比較高，數(shù)據(jù)量很充實(shí)，診斷和預(yù)后模型都有，再加上簡(jiǎn)單的臨床樣本驗(yàn)證，發(fā)到7+還是比較輕松的！目前糖基轉(zhuǎn)移酶方向的生信文章并不多，發(fā)文空間還是相當(dāng)大的，用上這個(gè)思路，換個(gè)疾病或腫瘤快去復(fù)現(xiàn)吧！? 如果你還苦惱于生信分析沒(méi)有思路，或者嫌分析方法太過(guò)簡(jiǎn)單、太過(guò)老套，想要?jiǎng)?chuàng)新思路的，或者對(duì)糖基轉(zhuǎn)移酶等方向感興趣的小伙伴快來(lái)聯(lián)系小云吧！