近幾年，要說腫瘤相關研究哪個方向最熱？那基于“腫瘤免疫治療”的腫瘤微環(huán)境（TME）顯然是最大備選項，pubmed中TME方向的文章發(fā)表數據也可以支持這個觀點（下圖）

TME的內涵及其龐大，不僅包括腫瘤所在組織的結構、功能和代謝，而且與腫瘤細胞自身的（核和胞質）環(huán)境也有關聯，可開展的研究方向眾多：比如腫瘤相關成纖維細胞CAF、各種免疫細胞（T細胞、B細胞、NK細胞、巨噬細胞、DC細胞等）、缺氧/酸性微環(huán)境、ECM、血管生成等。

在過去的分享中，免疫細胞分化及浸潤是目前關注最密集的領域，相信部分粉絲已經有點審美疲勞了，那么今天小云計劃從“血管生成”方向進行下分享。（如果沒有分析思路或者文獻復現有困難，可以找小云，超多創(chuàng)新性高的分析思路和分析服務供你選擇！）。

血管異常和缺氧是各種實體瘤的顯著標志。缺氧可能通過增強侵襲能力、進展能力和對治療的抵抗力來促進 HCC。相反，誘導血管正?；途徑馊毖鯐泳彴┌Y的生長。且血管異常會促進免疫逃逸，因此將 ICI 和抗血管生成療法聯合用于 HCC 可能會提高治療效果并降低藥物不良反應的風險。

基于以上論述，小云發(fā)現一篇6分+的基于血管生成基因進行患者的疾病分型并構建免疫治療的預后模型，最后再藥敏篩選和驗證，獲得潛在靶向只要藥物。可謂生信分析套路的最經典模式。加上“血管生成”有熱度，發(fā)文量又不是特別多，有復現空間和創(chuàng)新性，大家快快上車。

l?題目：用于預測肝細胞癌的預后和治療反應的血管生成相關評分模型的構建和驗證

l?雜志：International Journal of?Molecular Sciences

l?影響因子：IF=6.2

l?發(fā)表時間：2023年2月

研究背景

肝細胞癌 (HCC) 在全球癌癥相關死亡人數中位居第二，且大多數 HCC 的患者均具有富血管特征，提示了血管生成在HCC治療中的重要性。血管生成相關預后基因 (ARPG) 在腫瘤進展和免疫抑制微環(huán)境形成中發(fā)揮重要作用。因此，作者系統(tǒng)地分析了ARPG的表達，并探索了其在HCC患者預后和治療反應的潛在預后價值。

數據來源

研究思路

依據TCGA、ICGC 和 GEO中的基因表達和相關臨床數據，結合GeneCards 數據庫中的血管生成相關基因，使用多元回歸分析來構建風險評分模型，并對該模型在TCGA 隊列 (n = 343) 上進行了訓練，在 GEO 隊列 (n = 242) 上進行了驗證，最終篩選出與總生存期 (OS) 顯著相關的14個血管生成相關基因特征。通過諾模圖分析，該基因集被證明在 HCC 預后中具有更好的預測作用。同時，該模型可以將對免疫檢查點抑制劑 (ICI) 和索拉非尼具有不同敏感性的患者子集分組。作者還篩選出克唑替尼可以作為一種抗血管生成藥物，并在體內和體外實驗中驗證了該結果。

主要結果

1. 利用HCC血管生成相關基因構建預后模型

對TCGA和ICGC中的HCC隊列進行單變量Cox回歸分析，在與血管生成相關基因組交叉后，確定了32個交集基因（圖1A）。使用LASSO回歸分析來篩選29個特征基因（圖1B）。經過多變量Cox回歸分析后，我們確定了14個ARPG作為最佳特征基因集，并顯示了風險比值（圖1D）。通過HPA數據庫驗證上述基因的表達差異（圖1E）

圖1?利用HCC血管生成相關基因構建預后模型

2. ARPG預后模型的驗證

KM生存分析顯示，低風險評分樣本的OS比高風險評分樣本更長（圖2A、B)。ROC分析驗證該模型在具有良好且穩(wěn)定的預測價值（圖2C、D)。根據風險評分對訓練集和驗證集進行排名，結果表明擁有較高分數的HCC患者的OS會較差（圖2E、F)。

圖2?ARPG預后模型的構建與驗證

3. ARPG基因集的風險模型的預后列線圖

通過列線圖來判斷14個標記基因的ARPG風險評分，并預測HCC的生存期（圖3A）。結果表明，列線圖預測的1年和3年OS與最佳預測性能非常匹配（圖3B-C）。利用箱線圖對上述14個基因的表達水平驗證表明，上述基因集可以作為HCC的診斷生物標志物（圖3E)。

圖3?ARPG基因集的風險模型的預后列線圖

4. 模型的功能富集分析

根據風險中值評分，將343個TCGA樣本劃分形成了高風險/低風險組。火山圖顯示高危組中有1077個基因被上調，而275個基因被顯著下調（圖4A）。基于TOP500上調基因，構建了PPI網絡，并從中提取了5個最有意義的MCODE組件（圖4B)，并對TOP500基因進行了GO分析（圖4C）?？紤]到14個基因特征與一些重要的信號通路相結合，應用GSEA分析來尋找與14個基因有關的信號通路（圖4D）。

圖4?模型的功能富集分析

5. 不同人群對靶向治療和免疫治療的不同敏感性分析

以GSE109211中21名索拉非尼治療反應者和46名接受索拉非尼治療無反應者為對象，前期篩選出的14個基因中，有8個基因在兩組之間表達不同（圖5A）。對基于14個基因所劃分出的高風險/低風險組比較后發(fā)現，低風險組的IPS和CTLA4評分顯著更高(p≤0.05)，表明低風險評分的LIHC樣本可能更適合免疫治療（圖5C、D）。

圖5?不同人群對靶向治療和免疫治療的不同敏感性分析

6. 基于預測模型的潛在藥物篩選及體外/體內驗證實驗

通過DEPMAP數據庫估算TCGA隊列中1448種化合物的AUC，篩選出最強負相關的前十種化合物（圖6A）。進一步分析發(fā)現，高危組對克唑替尼的總體敏感性更高（圖6B)。transwell實驗證實了克唑替尼降低HUVEC中的遷移和血管形成能力（圖6C、D)。

圖6?基于預測模型的潛在藥物篩選及體外驗證實驗

建立C57小鼠的皮下腫瘤模型并使用克唑替尼治療。發(fā)現克唑替尼可顯著抑制腫瘤生長速度和重量（圖7A、B）。皮下腫瘤的IHC染色顯示增殖標志物KI67和血管標志物CD31被克唑替尼顯著抑制（圖7C）。

圖7?基于預測模型的潛在藥物篩選體內驗證實驗

文章小結

這個文章利用血管生成相關基因建立腫瘤預后模型并進行簡單的腫瘤分型分析。聯合免疫浸潤分析、藥敏性分析及驗證，內容比較充實，屬于純生信的模板思路，且最后經過干濕結合，更加驗證了篩選出藥物的實際效果，性價比還是相當高的！小云已經整理好了文章中的“血管生成基因集合”，直接可以復現，在“血管生成”這個方向發(fā)文競爭力還不是很大的情況下，有意向的小伙伴抓緊上車啦！?