要說，常規(guī)生信里最火的分析方向是什么？那必須非“細胞死亡”莫屬！ 要說，生信分析方法里最火的是什么？那必須非“機器學習”莫屬！ 如果將其聯(lián)合會產(chǎn)生怎樣的神奇效果呢？小云下面就用今天要分享這篇文章給各位小伙伴們展示一下！走過路過不要錯過喲~ 這是個可以稱得上“群英薈萃”的文章，集齊多種創(chuàng)新點，直接預訂7分+高質(zhì)量生信文章：

1)?選題創(chuàng)新

：18種細胞死亡形式+線粒體的多熱點串聯(lián)，從選題上就贏了普通思路一大截；

2)?分析方法創(chuàng)新

：應用10種機器學習算法和多組學分析，打高端分析戰(zhàn)；

3)?思路設計創(chuàng)新

：一文幾乎包含常規(guī)生信的所有經(jīng)典分析模式（預后模型構建、分型分析、泛癌分析），用魔法（套路）戰(zhàn)勝魔法（套路）。 都在說純生信不好發(fā)了，這樣子高質(zhì)量、多點開花的純生信審稿人看了都稱絕，還能不好發(fā)？所以遇到好思路就趕緊學起來吧！換個癌種就能復現(xiàn)，下一個發(fā)高分純生信的就是你啦！

l?題目：集成機器學習生存框架開發(fā)了一個預后模型，該模型基于一個大型多中心低級別膠質(zhì)瘤隊列中線粒體功能和細胞死亡模式的相互干擾定義 l?雜志：

Journal of Translational Medicine

l?影響因子：IF=7.4 l?發(fā)表時間：2023年9月

研究背景

低級別膠質(zhì)瘤(LGG)是一種高度異質(zhì)性的疾病，對準確預測患者預后提出了挑戰(zhàn)。線粒體在真核細胞的能量代謝中起著重要作用，并可以影響程序性細胞死亡（PCD）機制，這在腫瘤發(fā)生和發(fā)展中是至關重要的。然而，在LGG，線粒體功能和細胞死亡之間相互作用的預后意義需要進一步研究。

數(shù)據(jù)來源

研究流程

首先在TCGA-LGG隊列中分析線粒體和PCD相關基因在正常對照和LGG組織中的差異表達，再利用pearson共表達分析鑒定參與線粒體和PCD共表達的基因（mtPCD相關基因）。應用cox回歸分析篩選預后相關基因，再利用10種機器學習算法來構建基于18個mtPCD相關基因的風險模型（mtPCDI），并進行模型評估和驗證。隨后分析兩mtPCDI亞組間的多組學特征、潛在生物學機制和免疫特征。此外，作者基于18個特征基因進行一致性聚類，分為2個亞型并分析兩亞型間的預后差異、功能富集情況和腫瘤免疫狀態(tài)。然后又對mtPCDI標記基因進行泛癌分析，包括表達、預后分析以及多組學分析。最后，利用HPA數(shù)據(jù)庫中的IHC染色圖像驗證18個特征基因的蛋白差異表達。

主要結果

1. mtPCD共表達基因的篩選和mtPCDI的構建

在TCGA-LGG隊列中比較正常組織和腫瘤組織中的差異基因，獲得11581個DEGs（圖1B），分別與線粒體相關基因和PCD相關基因取交集，獲得134個差異表達線粒體相關基因和333個差異表達PCD相關基因（圖1C）。應用pearson相關性分析鑒定mtPCD(線粒體程序性細胞死亡)共表達基因，產(chǎn)生215個mtPCD共表達基因，應用Cox回歸分析來評估其預后，得到146個與OS相關的mtPCD共表達基因。在TCGA-LGG訓練隊列中基于146個mtPCD共表達基因，整合了10種不同的機器學習算法來建立預后模型，并在訓練集和5個外部驗證集中評估了101種算法組合的平均C指數(shù)以篩選最佳模型，最終的RSF算法確定了18個最有價值的mtPCDI特征基因，建立mtPCDI（圖1D）。使用相應隊列的中位數(shù)得分將LGG患者分為高和低mtPCDI組，進行KM分析評估預后（圖1E），利用ROC曲線評估模型預測性能（圖1F），總體結果顯示，高mtPCDI評分顯示不良預后且模型預測性能良好。

2. mtPCDI組間多組學特征分析

通過GISTIC2.0比較高低mtPCDI組間的拷貝數(shù)變異，發(fā)現(xiàn)高mtPCDI組表現(xiàn)出更高頻率的重復拷貝數(shù)改變（圖2A, B）。隨后又比較了高和低mtPCDI個體中常見的體細胞突變，發(fā)現(xiàn)低mtPCDI患者中有更高頻的IDH1突變（圖2F）。此外，與低mtPCDI組相比，高mtPCDI組表現(xiàn)出顯著升高的非整倍體評分、比例變化、同源重組錯誤、非沉默突變率、片段數(shù)和腫瘤突變負荷(TMB )（圖2G, H）。??

3. mtPCDI組間潛在生物學機制分析

首先鑒定高低mtPCDI組之間的差異表達基因，針對這些基因進行GO、KEGG富集分析（圖3A, B），和GSEA分析（圖3E, F）。GSEA結果顯示，低mtPCDI組在環(huán)境信息處理和細胞過程相關途徑，如ECM受體相互作用和病灶粘附方面明顯富集；高mtPCDI組主要與DNA復制、細胞周期和其他增殖相關的生物學過程相關。隨后作者分析了干細胞特征與mtPCDI的相關性，在TCGA-LGG樣本中分別計算了mRNAsi評分和mDNAsi評分，并分析兩種評分與mtPCDI值的相關性以及高低mtPCDI組之間的mRNAsi和mDNAsi差異，發(fā)現(xiàn)較高的mtPCDI值與較低的mRNAsi評分和較高的mDNAsi評分相關（圖3C, D）。

4.

?

mtPCDI組間免疫特征分析

利用ssGSEA、TIMER、CIBERSORT、CIBERSORT-ABS、QUANTISEQ、MCP-counter、Xcell和EPIC評估了LGG樣本中不同免疫細胞亞群的豐度，并比較高低mtPCDI組間的免疫細胞浸潤情況，發(fā)現(xiàn)高mtPCDI組表現(xiàn)出更多的免疫細胞浸潤（圖4A）。隨后分析兩個亞組之間免疫調(diào)節(jié)劑表達的差異，發(fā)現(xiàn)免疫調(diào)節(jié)劑在高mtPCDI組中顯示較高的表達（圖4 B）。利用“Estimate”算法計算TME評分，結果顯示高mtPCDI組患者的基質(zhì)評分、免疫評分和估計評分顯著低于低mtPCDI組患者（圖4G）。

5. 共識聚類分析

作者基于18個特征標記的表達進行了一致的聚類分析，所有LGG樣本分成兩個亞組:C1 (n = 410)和C2 (n = 96)（圖5C），KM曲線顯示兩亞型間的預后又明顯差異（圖5D）。t-SNE和PCA分析進一步揭示了兩亞型間的顯著差異（圖5E）。利用“Estimate”算法比較兩亞型間的TME評分，結果顯示C2亞型患者的免疫評分、間質(zhì)評分和評估評分水平較高，而腫瘤純度水平較低（圖6A）。使用ssGSEA評估了亞型和各種免疫細胞亞群和功能之間的關系。結果顯示，幾乎所有的免疫功能評分在C2亞型高于C1亞型（圖6B），C2亞型中幾乎所有功能性免疫細胞都表現(xiàn)出顯著較高的ssGSEA評分（圖6C）。

6. 泛癌分析和蛋白表達驗證

為了證實LGG 中18個mtPCDI標記基因的重要價值，作者針對這18個基因進行了泛癌分析，首先通過利用TCGA記錄的基因表達水平和患者生存結果之間的聯(lián)系，開發(fā)了相關基因的生存譜（圖7A）。比較了18個基因在TCGA數(shù)據(jù)庫腫瘤組織和健康樣本間的差異表達（圖7B），還分析了不同癌種中18個標記基因的甲基化模式、CNV和SNV頻率（圖7C-E）。最后利用HPA數(shù)據(jù)庫中收集的18個mtPCDI特征基因相關蛋白的IHC染色圖像，比較其在LGG和健康腦組織中的差異表達（圖8）。

文章小結

這篇文章不論是18種PCD+線粒體多熱點整合的選題角度，10種機器學習+多組學分析的分析手段，還是預后+分型+泛癌分析的思路設計，創(chuàng)新性都很高，三管齊下，內(nèi)容豐富，數(shù)據(jù)量龐大，群英薈萃打造出了一篇7分+的純生信文章。這種審稿人都稱絕的高質(zhì)量思路，你不想試試嗎？換個癌種能復現(xiàn)，快行動起來吧！?