请扫描下方二维码 发表杂志:Cancer Immunol Immunother. 影响因子:6.964 研究背景 流程图: 分析解读: 差异表达分析 ①从UCSCXena癌症基因组图谱TCGA-LUAD队列下载LUAD患者的转录组测序数据和临床信息。 ②从ImmPort数据库下载IRGs列表。 ③分析LUAD和相应正常组织之间的差异表达基因。差异表达的IRGs是总IRGs和差异表达基因之间的交集。 结果: 下图A:肿瘤和正常肺组织之间差异表达基因的火山图。 下图B:差异表达基因与免疫相关基因交叉的维恩图。 富集分析 使用在线工具DAVID数据库进行了通路和功能富集分析。 结果: 下图C:KEGG通路富集分析。 下图D:基因本体富集分析。BP生物过程;CC细胞组分;MF分子功能 构建并验证IRG相关的免疫模型 ①将TCGA-LUAD患者随机分为训练集(所有患者2/3)和测试集(所有患者1/3)。 ②训练集来识别预后相关的免疫基因并构建预后风险模型,测试集和总患者数据验证模型的预测能力和稳健性。 ③单变量Cox比例风险回归筛选与预后相关的免疫基因。 ④使用glmnet包进行最小绝对收缩和选择算子(LASSO)分析。 ⑤经LASSO模型过滤后,选取的基因通过多变量Cox比例风险回归构建免疫相关风险模型:评分越低,预后越好。 ⑥以风险评分中位数为临界值,将患者分为高危组和低危组。 ⑦通过Kaplan-Meier生存曲线计算预测能力。 ⑧使用ROC曲线评估免疫模型的预测能力。 结果:LASSO分析和森林图展示了17个免疫相关基因的多变量Cox模型结果 下图A:LASSO模型中调整参数选择的交叉验证。 下图B:32个预后免疫相关基因的LASSO系数谱。 下图C:显示多变量Cox模型结果的森林图。 结果:在训练集中构建17个免疫相关基因模型 下图A:高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。 下图B:ROC曲线图。 下图C:风险评分的分布。 下图D:风险评分与生存时间之间的关系。 下图E:高低危评分组中17个免疫相关基因的表达模式。 结果:验证测试集中的17种免疫相关基因模型 下图A:高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。 下图B:ROC曲线图。 下图C:风险评分的分布。 下图D:风险评分与生存时间之间的关系。 下图E:高低危评分组17个免疫相关基因的表达模式。 结果:验证总数据集中的17个免疫相关基因模型 下图A:高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。 下图B:ROC曲线图。 下图C:风险评分的分布。 下图D:风险评分与生存时间之间的关系。 下图E:高低危评分组17个免疫相关基因的表达模式。 临床相关性分析 ①单变量Cox回归分析:评估患者临床病理因素和免疫特征风险评分对全部患者OS的影响。 ②多变量Cox回归分析:验证17-IRG模型的风险评分是一个独立的预后因素。 ③分析17-IRG模型与患者临床病理参数之间的关系。 结果: 下图:免疫模型与患者临床病理参数之间的关系。A肿瘤负担。B肿瘤大小。C淋巴结状态。D远处转移。E TNM阶段。F诊断年龄 肿瘤免疫微环境 ①基于CIBERSORT算法计算了每个LUAD样本中22种免疫细胞的比例。 ②比较高风险评分组和低风险评分组之间免疫细胞比例的差异。 结果:肿瘤浸润免疫细胞与风险评分以及患者总体生存率之间的关系。 下图:肿瘤浸润免疫细胞与(A)免疫风险之间的关联以及总存活率与(B)巨噬细胞(M0)、(C)滤泡辅助T细胞、(D)浆细胞、(E)静息肥大细胞之间的关联。 肿瘤突变负荷以及患者对ICI的反应 ①LUAD患者的体细胞突变数据通过“maftools”包进行分析和可视化。 ②计算每位患者的TMB(每百万个碱基的突变)。 ③使用两种IPS值亚型(IPS-PD-1/PD-L1/PD-L2_pos和IPS-CTLA-4_pos)作为LUAD患者的替代品'对抗PD-1/PD-L1和抗CTLA-4治疗的反应。 ④比较高风险评分组和低风险评分组中免疫检查点及其配体的mRNA水平。 结果: 下图A:低危和高危组LUAD患者的突变谱。 下图B:低危组和高危组之间肿瘤突变负荷的差异。 下图C:肿瘤突变负荷与患者总生存期的关联。 下图D-E:低风险评分组和高风险评分组对抗PD-1/PD-L1和抗CTLA-4治疗反应的相对概率。 下图:(F)PD-L1、(J)PD-1和(H)CTLA-4在低危和高危组中的表达。 小结: |
|