2023年了，還是想在細胞死亡方向深耕一下，看看有沒有潛在的細胞死亡新熱點、新思路能發(fā)高質(zhì)量生信文章？

一般有三條路：一個是剛爆出來的熱點搶發(fā)純生信，比如前兩天提出的“雙硫死亡”和去年爆火的“銅死亡”，這條路要想發(fā)高分就是需要眼疾手快趕上熱點紅利期

另一條路就是在思路上創(chuàng)新，熱點串聯(lián)可以做“多個細胞死亡形式的整合分析”或者“細胞死亡聯(lián)合其他熱點（m6A、氧化應(yīng)激、線粒體等）分析”··· 還可以在分析內(nèi)容上增加些亮點，比如多組學分析（轉(zhuǎn)錄組+基因組+表觀組）···

最后一條路就是加驗證實驗，走干濕結(jié)合的路子，這也是生信發(fā)展的大趨勢，并且這個趨勢已經(jīng)到來了~?~

小云這次分享一篇8分+?細胞死亡方向思路創(chuàng)新+驗證實驗，兩條路聯(lián)合的文章——基于7種調(diào)節(jié)性細胞死亡（RCD）進行腫瘤分型分析+多組學分析+預(yù)后模型構(gòu)建+實驗驗證，干濕結(jié)合大趨勢下妥妥的8分+質(zhì)量！附帶7種RCD基因集合，換個疾病就能復現(xiàn)啦，心動不如行動哦

l?題目：關(guān)于非小細胞肺癌預(yù)后和免疫景觀的特異性調(diào)節(jié)細胞死亡相關(guān)分型

l?雜志：Front. Immunol.

l?影響因子：IF=8.786

l?發(fā)表時間：2023年2月

數(shù)據(jù)來源

研究流程

基于TCGA數(shù)據(jù)庫中3429個RCD相關(guān)基因進行一致性聚類，確定了5個非小細胞肺癌亞組，并描述了這些亞組的基因組特征、免疫景觀和免疫治療/化療反應(yīng)的特征。篩選正常和腫瘤樣品之間的差異RCD相關(guān)基因，單變量cox回歸分析篩選與OS顯著相關(guān)的基因，Lasso回歸和多變量Cox回歸構(gòu)建基于53個RCD相關(guān)基因的預(yù)后模型，并進行模型評估和驗證。分析RCD風險模型對免疫療法和化療反應(yīng)的預(yù)測作用，分析關(guān)鍵基因LDLRAD3表達與預(yù)后的相關(guān)性，并在細胞樣本中驗證其功能。

主要結(jié)果

1. 基于RCD相關(guān)基因的非小細胞肺癌分型分析

使用RCD相關(guān)基因的表達矩陣進行無監(jiān)督聚類分析（ps：私信小云獲得基因集合哦），獲得了五種不同的NSCLC亞型（圖1A）。KM生存曲線分析5種亞型間的預(yù)后差異（OS、DFI、PFI）（圖1D-F）。GSVA分析5種亞型之間細胞死亡相關(guān)途徑的富集分數(shù)差異（圖1I）。（ps：KM生存曲線繪制、GSVA分析也可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)，云生信分析工具平臺包含超多零代碼分析和繪圖小工具，上傳數(shù)據(jù)一鍵出圖，感興趣的小伙伴歡迎來嘗試喲，網(wǎng)址：http://www.biocloudservice.com/home.html）。?

圖1?基于RCD的分型分析

2. 不同聚類中腫瘤微環(huán)境與化療反應(yīng)分析

在TME中，三級淋巴結(jié)構(gòu)(TLS)被認為是免疫細胞的生發(fā)中心，所以首先評估了5個亞型中一系列參與TLS形成的趨化因子的表達差異（圖2A）。然后通過xCELL算法分析5個亞型中免疫細胞和基質(zhì)細胞的比例（圖2B），并進一步計算了5個亞型中的免疫得分、基質(zhì)得分、估計得分（圖2D）和免疫檢查點基因的表達（圖2F）。由于化療是非小細胞肺癌治療的基礎(chǔ)，所以最后評估了每個亞型對化療的反應(yīng)（圖2H）。（ps：在TME相關(guān)分析中分析TLS的比較少，比較新穎，分析又比較簡單，這一點可以學起來哦！另外，TLS也可以單獨作為一個方向來做生信分析，小云之前也分享過TLS生信思路，感興趣的小伙伴可以公眾號搜索觀看）

3. 不同亞型間的富集途徑、體細胞突變和DNA甲基化模式多組學分析

通過GSVA分析研究了5個亞型中的富集途徑（圖3A）。通過R package MAF tools評估了5個亞型中RCD相關(guān)基因的體細胞突變（圖3B）和拷貝數(shù)變異（圖3C），通過R package ChAMP評估了RCD相關(guān)基因的差異甲基化位點（圖3E）。

圖3 多組學分析

4. RCD風險模型的建立與驗證

篩選正常和腫瘤樣品之間的差異RCD相關(guān)基因，單變量cox回歸分析篩選與OS顯著相關(guān)的基因，通過LASSO/Cox回歸建立基于53個RCD基因的風險模型（圖4A）。根據(jù)風險評分中位數(shù)分為高風險組和低風險組，進行KM生存分析并利用ROC曲線評估模型的敏感性和特異性（圖4C, D），在GEO驗證集中進行模型驗證（圖4E, F）。利用Cox回歸模型評估RCD風險評分的獨立預(yù)后價值（圖4J）。（ps：單因素/多因素Cox回歸、LASSO回歸分析都可以用小云新開發(fā)的零代碼生信分析小工具實現(xiàn)哦，感興趣的小伙伴歡迎來嘗試，網(wǎng)址：http://www.biocloudservice.com/home.html）。?

圖4 RCD風險模型的建立與驗證

5. RCD風險模型對免疫療法反應(yīng)預(yù)測

首先利用KM曲線評估接受抗PD-1/PD-L1治療的高和低RCD風險組NSCLC患者的PFS預(yù)后（圖5A，B）。隨后分析了IMvigor210隊列中風險評分與免疫治療反應(yīng)的相關(guān)性（圖5C, D），進一步使用腫瘤免疫功能障礙和排除(TIDE)評分來驗證RCD-風險模型在預(yù)測免疫反應(yīng)的優(yōu)越性（圖5E）。通過xCELL算法分析高和低RCD風險組中免疫細胞和基質(zhì)細胞的比例（圖5F），并進一步比較了兩組間免疫檢查點基因的表達（圖5G）和TLS趨化因子的表達（圖5K）。

6. 關(guān)鍵RCD預(yù)后基因的篩選和驗證

為了驗證RCD-Risk模型的臨床可應(yīng)用性，進一步分析了模型中的RCD基因，發(fā)現(xiàn)LDLRAD3 mRNA在癌癥中的作用鮮有報道，所以后續(xù)將探索LDLRAD3的功能。首先KM生存曲線評估高或低LDLRAD3表達的NSCLC患者OS預(yù)后（圖6A），單變量和多變量Cox分析確定了LDLRAD3的獨立預(yù)后價值（圖6B, C）。利用NSCLC標本的組織微陣列(RLN121e)驗證LDLRAD3的表達，以及與預(yù)后的關(guān)系（圖6D, E）。隨后在NSCLC細胞中將LDLRAD3過表達，通過CCK8、克隆形成、transwell實驗評估LDLRAD3對腫瘤增殖、遷移和侵襲能力的影響（圖7）。

文章小結(jié)

這篇文章的分析內(nèi)容比較豐富，數(shù)據(jù)量較大，先進行腫瘤分型和多組學分析，再構(gòu)建風險模型，最后再加上關(guān)鍵基因的表達和功能驗證，干濕結(jié)合打造出了1篇名副其實的8分+文章。目前這種將多種細胞死亡整合分析的生信文章還不多，也就是說讓你去發(fā)揮的空間相當大喲，利用這篇文章搜集到的基因集合，換個癌種能復現(xiàn)，快行動起來吧！?