发表杂志:Front Immunol. 影响因子:7.561 研究背景 流程图 乏氧基因聚类分析 ①乏氧相关差异表达基因的无监督聚类生成两个不同的乏氧组。 ②利用Kaplan-Meier比较高缺氧组和低缺氧组的预后情况。 结果: 下图A-C:根据无监督聚类分析,以确定不同的乏氧模式并将患者分为两组。 下图D:乏氧程度高的患者与乏氧程度低的患者相比预后较差。 乏氧和免疫相关的差异表达基因 ①收集TCGA和GTEx数据集中胰腺癌的乏氧和免疫相关差异表达基因(DEG)并进行富集分析。 结果: 下图A-B:PDAC中差异表达基因的热图(A)和火山图(B)。 下图C:乏氧相关DEG的前20个GO分析结果。 下图D:乏氧相关DEG的前20条最丰富的KEGG通路。 下图E:免疫相关DEG的前20个GO分析结果。 下图F:免疫相关DEG的前20条最丰富的KEGG通路。 乏氧和免疫相关风险评分模型的构建与验证 ①将乏氧相关的DEG与免疫相关的DEG相交,共筛选了72个基因用于后续分析。 ②通过单变量Cox回归分析确定了22个DEG,之后通过多变量Cox回归分析和LASSO回归选择了7个基因来构建预后模型。 ③计算风险评分,并根据中值将PDAC患者分为高风险组或低风险组并进行生存分析验证。 结果: 下图A-B:LASSO系数及参数调整。 下图C:7个选定基因的系数。 下图D:根据TCGA PDAC数据构建的风险预后模型。 下图E:根据TCGA PDAC数据构建的风险预后模型的风险评分和OS分布。 下图F:根据TCGA PDAC数据构建的风险预后模型的ROC曲线验证。 下图G-I:GEO验证集(GSE28735和GSE62452)风险预后模型的构建及验证。 下图J-L:ICGC验证集风险预后模型的构建及验证。 7个模型基因的独立预后分析 ①通过单变量COX回归分析和Kaplan-Meier生存曲线以评估每个特征基因的预后价值。 结果: 下图A:基于TCGA数据的单变量Cox回归分析的森林图。 下图B:无监督聚类的乏氧和免疫相关DEG热图。 下图C-I:乏氧和免疫相关DEG表达的Kaplan-Meier生存曲线分析图。 风险模型与临床特征的相关性分析 ①分析高低风险组与临床特征的相关性。 ②构建列线图通过3个独立预后因素来预测患者的总生存期。 结果: 下图A-H:风险评分与肿瘤原发灶(A)、分期(B)、分级(C)显著相关,与主要治疗(D)、肿瘤部位(E)、年龄(F)、肿瘤大小(G)和淋巴结浸润(H)无显著相关性。 下图I-J:(I)单变量COX生存分析和(J)多变量COX生存分析。 下图K:诺模图预测PDAC患者的OS。 下图L-N:校准图表明列线图可以准确估计死亡率。 下图O-Q:对于1年、2年和3年OS,列线图的AUC分别为0.76、0.80和0.82。 风险评分模型中乏氧和免疫基因集的富集分析 ①通过GSEA通路富集分析验证风险模型在乏氧和免疫中的功能。 结果: 下图A-C:3个乏氧相关基因集在高危组中富集。 下图D-I:在6个免疫相关基因组中,3个在高风险组中富集(D-F),另外3个在低风险组中富集(G-I)。 风险评分模型与免疫浸润 ①通过CIBERSORT和ESTIMATE算法分析预后风险评分模型与免疫浸润的关系。 ②绘制箱线图分析高危组和低危组之间常见免疫检查点的表达状态。 结果: 下图A:高低风险评分组对22种免疫细胞浸润程度的分析。 下图B:高风险组的免疫检查点表达水平也显著低于低风险组。 下图C-H:与低风险组相比,高风险组的基质和免疫评分较低。 下图I-P:在T3、T4、Stage2、N1和Grade2中,高风险组的免疫评分和基质评分显著低于低风险组。 风险评分模型与PDAC突变 ①收集体细胞突变数据(TCGA GDC),并绘制瀑布图描绘高风险和低风险组PDAC患者的突变情况。 结果: 下图A-B:来自TCGA数据库的PDAC患者基因突变频率,展现高危组(A)和低危组(B)与突变之间的相关性。 小结: 基因集泛癌分析文章列表 11.6分,最热复合物泛癌纯生信分析!想发高分纯生信不容错过 11分+SCI 基因集泛癌纯生信分析,两个多月接受,可重复! 单基因泛癌分析文章列表 被致谢!2021年7分+单基因泛癌纯生信,投稿到接受30天! 单基因干湿结合发7.5分SCI,2个月接收,有实验条件的可轻易模仿 6.2分 生信+实验 经典套路,永不过时(一篇单基因泛癌的文章可以拆分成多个肿瘤单独发) 6.2分SCI,从投稿到接收仅38天!刚见刊的单基因泛癌纯生信 肿瘤分型文章列表 最新7.2分SCI,又见“免疫”分型,从投稿到接收不到一个月! 最新10分生信分析,快来看看焦亡分型如何发经典老牌1区杂志,投稿到接收仅3个月。可重复! 非肿瘤生信文章列表 非肿瘤生信+简单pcr验证 快速发3分+SCI 自噬,铁死亡,焦亡等都可以 |
|