今天小云

再告訴你一個方法，就是利用GEO數(shù)據庫中現(xiàn)成的免疫細胞相關數(shù)據進行分析獲得。

比如這篇文章，就是通過分析M-MDSCs相關數(shù)據得到的M-MDSCs相關基因，進行后續(xù)分析的，一起來看看吧。

題目：篩選和鑒定一個新的M-MDSCs相關基因標記，用于預測肺腺癌患者的預后風險和免疫治療反應

雜志：Frontiers in genetics

影響因子：4.772

發(fā)表時間：2023年1月

研究思路

分析TCGA中肺腺癌(LUAD)相關差異表達基因，從GEO數(shù)據庫中提取單核細胞髓源性抑制細胞(M-MDSCs)相關基因。利用單變量生存分析和隨機森林算法篩選候選基因。采用最小絕對收縮和選擇算子(LASSO) Cox回歸分析建立風險模型。根據中位風險評分將患者分為高風險組和低風險組。進行GO和KEGG富集分析，以及ESTIMATE和ssGSEA。預后生物標志物和腫瘤突變負荷(TMB)聯(lián)合預測預后。采用Nomogram方法預測患者1、3、5年的生存概率。

主要研究結果

1.?LUAD患者中M-MDSCs相關預后特征基因的篩選

分析正常對照組和TCGA-LUAD患者之間的差異表達基因DEGs(圖1D)。分析GEO數(shù)據集中單核細胞和M-MDSCs之間的M-MDSCs相關的差異表達基因（M-DEGs）（圖1B,C）。采用兩種不同的算法(包括單變量Cox回歸和隨機森林)選擇最顯著的預后相關基因，(圖1A、E)。

圖1.LUAD患者M-MDSCs相關特征基因的鑒定

2.?LUAD患者M-MDSCs相關預后模型的構建與驗證

單變量Cox回歸和隨機森林分析結果取交集獲得9個基因（圖2A），LASSO分析篩選出8個基因構建預后模型 (圖2B,C)。

圖2. 基于M-MDSCs相關特征基因的LUAD患者風險模型

計算每個LUAD患者的風險評分，根據風險評分的中位數(shù)分別將TCGA和GEO數(shù)據集分為兩個風險組(圖3A、B)。藍點為存活患者，紅點為死亡患者，隨著風險評分的增加，生存時間明顯縮短(圖3C、D)。t-SNE圖顯示各組間有良好的分組效果(圖3E、F)。

圖3. 訓練(TCGA)和驗證集(GSE68465)風險評分的分布

K-M曲線分析顯示生存期差異顯著，低風險組預后較好(圖4A、B)。1年、3年和5年的時間相關ROC曲線下面積顯示較好的預測能力(圖4C、D)。

圖4. 預后模型的預測能力評估

3.?功能和通路富集分析和兩個風險組之間的免疫狀態(tài)分析

對兩組之間的DEGs進行了GO注釋、KEGG富集分析，主要富集于代謝和多細胞生物過程。KEGG結果顯示，高危組細胞周期過程顯著富集(圖5A、B)，而低危組IFN-γ和炎癥相關通路顯著富集(圖5C)。

圖5.LUAD患者高風險組和低風險組功能及通路富集分析

采用ESTIMATE算法比較兩個風險組的免疫狀態(tài)(圖6A-D)，低風險組的免疫評分和ESTIMATE評分顯著高于高風險組，而低風險組的腫瘤純度顯著低于高風險組。然后進行ssGSEA比較免疫細胞的分布(圖6E)。低風險組“活化B細胞”、“活化CD8+T細胞”、“活化樹突狀細胞”、“自然殺傷細胞”明顯富集。

圖6. 通過ESTIMATE和ssGSEA算法分析LUAD患者高、低風險組的免疫狀態(tài)差異

4.?兩風險組TMB情況分析

對高、低風險組的TMB進行分析，圖7A、B顯示了兩個風險組間突變的差異，高風險組(90.64%)的突變頻率高于低風險組(79.48%)。箱線圖顯示低風險組相對于高風險組的TMB值更低(圖7C)?？偵娣治鲲@示，低TMB和高風險組的患者預后最差，而高TMB和低風險組的患者預后最好(圖7D)。

圖7.LUAD患者高、低風險組TMB及不同組合預測預后分析

5.?LUAD患者列線圖的構建及校準

列線圖將風險評分與其他臨床特征相結合，包括年齡、階段和性別，用于預測 1 年、3 年和 5 年的總體生存概率（圖8A），在實際結果和預測結果之間觀察到良好的一致性（圖8B-D）。

圖8. 預測LUAD患者總生存期的nomogram

?

總結

這篇文章的創(chuàng)新點就在于基于M-MDSCs相關基因進行分析，后續(xù)的預后模型、風險評分等內容都是常規(guī)分析。?

而且使得基于免疫細胞的分析又添了新的思路--?M-MDSCs細胞。不僅腫瘤、非腫瘤疾病也可以分析包括M-MDSCs細胞在內的免疫細胞，非腫瘤疾病分析空間更加廣泛哦！

如果您想設計免疫細胞或者其他方向的生信分析思路，但是時間和精力有限，來找番茄君幫忙吧~超多個性化、創(chuàng)新性高的分析思路供你選擇！

?