腫瘤代謝生信思路再度升級(jí)——代謝表型分析+預(yù)后模型構(gòu)建+關(guān)鍵基因功能實(shí)驗(yàn)，干濕結(jié)合
“腫瘤代謝”作為國(guó)自然熱點(diǎn)榜的Top級(jí)熱點(diǎn)方向，不論是生信分析還是實(shí)驗(yàn)性研究都廣受關(guān)注~?~
但正因?yàn)椤澳[瘤代謝”是個(gè)經(jīng)典的研究方向，生信文章的發(fā)表也越來越多，那么發(fā)文競(jìng)爭(zhēng)性就會(huì)變大，如果想做這個(gè)方向，又該如何提高自己的競(jìng)爭(zhēng)力呢？
那就得拼思路創(chuàng)新性和驗(yàn)證實(shí)驗(yàn)了！思路創(chuàng)新+實(shí)驗(yàn)驗(yàn)證兩條腿走路，高分文章分分鐘到手！
但如果沒辦法同時(shí)做到，選其一也可，比如小云之前推薦的好多創(chuàng)新性思路。（ps：可以根據(jù)自己的研究方向來選擇性取用哦，定制或復(fù)現(xiàn)思路也可以找小云）還有就是添加一些驗(yàn)證實(shí)驗(yàn)，做成“干濕結(jié)合”類文章?，F(xiàn)在“干濕結(jié)合”的生信發(fā)展大趨勢(shì)已經(jīng)到來了，目前利用新穎一點(diǎn)的思路加一些簡(jiǎn)單的表達(dá)驗(yàn)證實(shí)驗(yàn)還可以發(fā)高分，但可以預(yù)見是的后面雜志對(duì)加實(shí)驗(yàn)要求也會(huì)越來越高，所以還是得早下手為強(qiáng)！
今天小云就分享一篇8分+?腫瘤代謝方向的生信思路——代謝表型分析+預(yù)后模型構(gòu)建+關(guān)鍵基因功能實(shí)驗(yàn)，代謝表型分析思路有點(diǎn)小創(chuàng)新，再加上豐富的功能實(shí)驗(yàn)，打造成升級(jí)版干濕結(jié)合文章，拿下8分+還是比較容易的，一起看看吧~?~?
l?題目：腎細(xì)胞癌的代謝分類揭示了與臨床和免疫特征的內(nèi)在聯(lián)系
l?雜志：Journal of Translational Medicine
l?影響因子：IF=8.44
l?發(fā)表時(shí)間：2023年2月
數(shù)據(jù)來源
研究流程
在TCGA隊(duì)列中進(jìn)行無監(jiān)督的共識(shí)聚類進(jìn)行代謝分類。比較不同聚類間GESA、mRNAsi、預(yù)后、臨床特征、突變負(fù)荷、免疫浸潤(rùn)的差異，并分析不同聚類間的差異表達(dá)基因?；诖x基因特征構(gòu)建預(yù)后模型和列線圖，并使用外部ICGC數(shù)據(jù)集進(jìn)行驗(yàn)證。利用HPA數(shù)據(jù)庫(kù)和收集的臨床組織樣本的IHC結(jié)果驗(yàn)證正常組織和腫瘤樣品中的基因表達(dá)水平。應(yīng)用CCK8、凋亡分析、qPCR、皮下移植小鼠模型和流式細(xì)胞儀分析研究ACAA2在腫瘤進(jìn)展和抗腫瘤免疫中的作用。
主要結(jié)果
1.?腎細(xì)胞癌代謝表型聚類分析
基于代謝基因的表達(dá)水平，利用ssGSEA對(duì)TCGA隊(duì)列人群進(jìn)行評(píng)分，并對(duì)評(píng)分進(jìn)行一致性聚類分析，將這些患者分為低代謝表型(C1)、中代謝表型(C2)和高代謝表型(C3)三類（圖1A, B）。比較了3個(gè)代謝亞群的突變負(fù)荷（圖1C），利用OCLR機(jī)器學(xué)習(xí)算法計(jì)算和比較不同代謝亞群的mRNAsi（圖1D）。KM生存曲線評(píng)估3個(gè)代謝亞群的DFS和OS預(yù)后（圖1E）。（ps：這里用到的一致性聚類分析、突變分析、KM生存曲線繪制也可以用小云新開發(fā)的零代碼生信分析小工具實(shí)現(xiàn)，云生信分析工具平臺(tái)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?腎細(xì)胞癌代謝表型聚類分析
2. 不同代謝亞群的免疫浸潤(rùn)分析
使用Estimate算法計(jì)算3個(gè)代謝亞群的免疫、基質(zhì)和估計(jì)評(píng)分（圖2A）。ssGSEA算法來分析3個(gè)代謝亞群的免疫浸潤(rùn)差異（圖2B）和免疫相關(guān)基因的表達(dá)（圖2F）。（ps：免疫浸潤(rùn)分析也可以用小云新開發(fā)的零代碼生信分析小工具實(shí)現(xiàn)，感興趣的小伙伴歡迎來嘗試喲，網(wǎng)址：http://www.biocloudservice.com/home.html）。
圖2 免疫浸潤(rùn)分析
3. 代謝相關(guān)預(yù)后模型的建立和驗(yàn)證
首先對(duì)三個(gè)代謝亞群進(jìn)行了差異表達(dá)分析，并確定了1054個(gè)DEGs（圖3A），然后使用MEGENA方法在RCC的代謝基因網(wǎng)絡(luò)中鑒定了243個(gè)共表達(dá)模塊（圖3B），將DEGs和MEGENA基因取交集獲得25個(gè)候選代謝基因（圖3C）。TCGA隊(duì)列以7:3的比例分為訓(xùn)練集和測(cè)試集，在訓(xùn)練集中進(jìn)行單變量Cox回歸分析、Lasso回歸分析，確定6個(gè)基因建立預(yù)后模型（圖3D）。根據(jù)中位風(fēng)險(xiǎn)評(píng)分，將患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組，進(jìn)行KM生存分析評(píng)估預(yù)后差異并并利用ROC曲線評(píng)估模型的敏感性和特異性（圖3F, G）。最后，綜合風(fēng)險(xiǎn)評(píng)分、病理T、病理分期和年齡構(gòu)建列線圖，校準(zhǔn)曲線和C指數(shù)評(píng)估列線圖預(yù)測(cè)模型的一致性和判別能力（圖3H, I）。
圖3 代謝相關(guān)預(yù)后模型的建立和驗(yàn)證
4. 風(fēng)險(xiǎn)評(píng)分與免疫檢測(cè)點(diǎn)表達(dá)相關(guān)性分析和藥敏性分析
采用Spearman相關(guān)風(fēng)險(xiǎn)評(píng)分與免疫檢測(cè)點(diǎn)分子表達(dá)的相關(guān)性（圖4B）。選擇GDSC數(shù)據(jù)庫(kù)中198種腎癌藥物分析高或低風(fēng)險(xiǎn)組中的藥物敏感性（AUC值）（圖4C）。
圖4藥敏性分析
5. 評(píng)估預(yù)后模型的診斷價(jià)值
基于預(yù)后模型中的6個(gè)基因在TCGA隊(duì)列中進(jìn)行t-SNE聚類（圖5A），顯示6個(gè)基因可以區(qū)分癌癥患者與正?；颊摺＠L制6基因特征邏輯回歸模型的ROC曲線，AUC值為0.856，表明具有優(yōu)異的診斷性能（圖5B）。在HPA數(shù)據(jù)庫(kù)中驗(yàn)證6個(gè)基因的蛋白表達(dá)（圖5D），收集來自同濟(jì)醫(yī)院的RCC腫瘤和正常組織進(jìn)行IHC實(shí)驗(yàn)驗(yàn)證關(guān)鍵基因ACAA2的表達(dá)（圖5E）。（ps：預(yù)后模型拿來做診斷性能評(píng)估的分析比較少見，增加了模型的臨床應(yīng)用性，是個(gè)小亮點(diǎn)，快拿出小本本記起來吧?。?/strong>
圖5預(yù)后模型診斷價(jià)值的評(píng)估
6. 關(guān)鍵基因ACAA2的功能驗(yàn)證
在腎癌細(xì)胞中過表達(dá)ACAA2，通過CCK8和PI實(shí)驗(yàn)檢測(cè)ACAA2對(duì)細(xì)胞增殖和凋亡的影響（圖6A, B）。建立小鼠異種移植模型，檢測(cè)ACAA2過表達(dá)對(duì)腫瘤體積增長(zhǎng)、腫瘤浸潤(rùn)CD8+T細(xì)胞的影響（圖6D, E）。
圖6 ACAA2的功能驗(yàn)證
文章小結(jié)
這篇腫瘤代謝方向的文章，首先基于代謝模式進(jìn)行分型分析，再構(gòu)建預(yù)后模型，最后還有關(guān)鍵基因的表達(dá)和功能驗(yàn)證，內(nèi)容非常豐富，并且驗(yàn)證實(shí)驗(yàn)做到了細(xì)胞和動(dòng)物模型中的功能研究，屬于升級(jí)版的干濕結(jié)合思路，所以拿下8分+文章也是比較輕松的?！案蓾窠Y(jié)合”的生信發(fā)文趨勢(shì)已經(jīng)帶來，思路趕快碼住，換個(gè)癌種就能復(fù)現(xiàn)啦！?
