【原】联合单细胞与TCGA数据建立肝癌预后模型

文章信息

题目: A novel prognostic model based on single‑cell RNA sequencing data for hepatocellular carcinoma
期刊: Cancer Cell International (IF=5.722)
日期：2022-1-25
DOI: https:///10.1186/s12935-022-02469-2

1、总体思路

（1）首先对来自GEO的HCC单细胞数据集，进行分群与细胞类型注释。

（2）基于此，使用CIBERSORT算法去预测TCGA每个样本的细胞类型组成比例。

（3）然后使用WGCNA算法得到一个与肿瘤最相关的module，以及与之最相关的cluster类型。

（4）之后取tumor deg、module gene、cluster marker gene交集进行cox回归与LASSO分析，得到一个3基因的risk model；

（5）再对这个模型进行验证以及预后分析。

2、分析结果

2.1 scRNA数据(GSE149614)分析

• 按照基本的Seurat单细胞数据分析流程，进行过滤--标准化--高变基因--降维分群--细胞类类型注释。

• 其中分为了25个cluster，为每个cluster鉴定marker gene

• 有5种细胞类型包含多个cluster，分别是CD4 + cytotoxic T cells、Kupffer cells、liver progenitor cells、dendritic cells

2.2 使用CIBERSORT算法计算TCGA样本的细胞组成

• 根据计算结果，有16个cluster比例在tumor与nomal中存在显著差异

2.3 使用WGCNA算法挖掘与tumor相关的基因模块

• 得到5个module
• 其中brown module与肿瘤最相关，而C21与brown module最相关

2.4 建立risk model预后模型

• 去tumor normal deg，brown module，C21 marker gene的交集作为候选基因

• 通过单变量cox回归，Lasso回归筛选出3个基因(CLTA, TALDO1, CSTB)用于建立预后模型，计算risk score

• 结合TCGA的生存数据，验证模型的预后能力；并通过ICGC数据集进行再次验证。

• 单变量与多变量cox回归验证模型的预后性能

2.5 模型risk score分析

• risk score与免疫浸润细胞比例的关系

• risk score与免疫治疗预测结果(TIDE)的关系

3、小结

这篇文章是一篇结合单细胞数据的TCGA数据挖掘文章，使用了CIBERSORT、WGCNA算法，筛选建模候选基因的思路值得借鉴与学习。