免疫相关预后模型再发5分
题目：Immune signature‐based risk stratification and prediction of immune checkpoint inhibitor’s efficacy for lung adenocarcinoma
基于免疫特征的风险分层和预测免疫检查点抑制剂对肺腺癌的疗效
请扫描下方二维码
摘要
背景：肺腺癌（LUAD）是一种常见的恶性疾病，预后较差。目前对肿瘤免疫微环境对肺腺癌患者生存和免疫检查点抑制剂（ICIs）的研究较为有限。
流程图
结果
1. 数据的获取和整理
从TCGA数据库下载LUAD患者的转录组数据和临床信息，共包含497例LUAD患者。将患者随机分为训练集（331例）和测试集（166例）。从ImmPort数据库下载IRGs列表。训练集和测试集之间的临床病理参数没有显著差异（表1）。
表1 患者的临床特征
2. 鉴定差异表达基因
对肿瘤组织和正常组织进行差异分析，设置阈值p＜0.05和|log2（FC）|＞1，筛选到783个差异表达基因，其中有545个上调基因和238个下调基因（图1a）。其中有88个差异表达IRGs（图1b）。使用DAVID进行GO和KEGG富集分析（图1c和1d）。
图1 差异表达的免疫相关基因
3. 构建17个基因免疫特征预后LUAD患者预后
单因素Cox回归分析鉴定到32个基因与总生存期显著相关。随后进行LASSO分析，发现32个基因中有17个基因是患者预后的预测因子（图2a和2b）。多因素Cox回归分析构建预测模型：风险打分=(CIPR1*-0.08876)+(BIRC5*0.16676)+(GDF10*0.12945)+(ADRB2*0.03706)+(IL20RB*0.06621)+(LGR4*0.15962)+(INHA*0.06204)+ (CD19*0.01529) + (S100P*0.04467) + (IGKV1.8*- 0.05711) + (IGKV1D.43*-0.02639) + (ADRB1*- 0.30831) + (HTR3A*0.01446) + (ADM2*- 0.09179) + (TLR8*-0.19053) + (GREM1*0.08239) + (IGHV3.64*-0.10157)（图2c）。
图2 LASSO分析和多因素Cox回归分析
根据风险打分公式，计算训练集患者的风险打分。根据风险打分的中位数将患者分为高风险组和低风险组。高风险组患者的OS较差（图3a）。免疫特征3年OS和5年OS的AUC分别为0.74和0.70（图3b）。此外，作者对患者的风险打分进行排序（图3c），患者风险打分和生存时间用点状图展示（图3d）。使用聚类热图展示不同风险打分患者的17个IRGs的表达水平（图3e）。
图3 构建17个免疫相关基因特征
使用测试集验证免疫相关特征的预测性能。根据免疫相关特征，测试集患者分为高风险组和低风险组。生存分析表明，低风险组患者的OS更长（图4a）。3年OS和5年OS的AUC分别为0.58和0.52（图4b）。使用散点图展示患者风险打分和生存情况的分布（图4c和4d）。使用聚类热图展示17个免疫相关基因的表达水平（图4e）。
图4 17个免疫相关基因特征的验证
此外，还对17-IRG特征的鲁棒性进行评估。高风险打分是LUAD患者的不利因素（图5a）。3年OS和5年OS的AUC分别为0.69和0.64（图5b）。风险打分分布，患者生存状态，OS时间和17个IRG表达水平见图5c-5e。
图5 17个免疫相关基因特征的验证
4. 17个免疫相关基因特征是LUAD患者的独立预后因素
使用单因素Cox回归分析评估患者病理因素和免疫相关特征对患者OS的影响（表2）。结果表明，肿瘤大小，淋巴及转移，TNM分期和高风险打分是OS的不利因素。使用多因素Cox回归分析表明17个免疫相关基因特征是LUAD患者的独立预后因素。
表2 单因素和多因素回归分析
5. 17-IRG特征和患者临床病理参数的关系
作者分析17-IRG特征和临床病理参数的关系（图6a-6f）。结果表明，TMB较高，肿瘤尺寸更大的患者17-IRG打分更高。
图6 免疫相关特征和患者临床病理参数的关系
6. 17-IRG特征和肿瘤免疫微环境
根据CIBERSORT算法，作者计算LUAD患者的22种免疫细胞的比例。随后，比较了高风险组和低风险组免疫细胞比例的差异。作者发现，低风险组中浆细胞，单核细胞和静息肥大细胞的比例更高。高风险组中，活化记忆CD4+T细胞和嗜中性粒细胞的比例更高（图7a）。巨噬细胞高水平与OS较差显著相关，浆细胞和静息肥大细胞与OS较好有关（图7b-7e）。
图7 肿瘤浸润免疫细胞与风险打分和患者总生存期的关系
7. 免疫特征和TMB
LUAD患者的突变水平分析发现，排名前20的最显著突变基因为TTN，TP53，MUC16，RYR2，CSMD3，LRP1B，TNR，MUC17，CSMD1，ANK2，FAT3，ZNF536，NAV3，COL11A1，KRAS，XIRP2，SPTA1，FLG，ZFHX4 和USH2A（图8a）。TMB分析发现，高风险组TMB更高（图8b），TMB与患者OS无关（图8c）。
8. 免疫特征和患者对ICI治疗的反应
IPS是一种基于机器学习的打分方案，可以预测患者对免疫检查点抑制剂的反应。低风险组中，anti-PD-1/PD-L1和anti-CTLA-4治疗应答概率更高（图8d-8e）。结果表明，免疫相关特征打分低的患者可能适合ICI治疗。此外，作者比较高风险组和低风险组的免疫检查点和配体的表达水平（图8f-8h）。低风险组PD-L1水平升高，而高风险组PD-L1和CTLA-4水平显著升高。
图8 低风险组和高风险组基因突变，TMB，免疫检查点抑制剂反应和免疫检查点水平
结论
作者构建以一个17个IRG的预后模型，可以预测LUAD患者的生存和对ICI治疗的反应。低风险组患者的预后较好，可以预测ICI治疗。该免疫相关特征对于ICIC治疗的预后分层具有一定价值。但本文仍然存在一定局限，首先，该免疫特征是基于公共数据集构建的，仍然需要验证集进行验证。此外，作者使用IPS模拟患者对ICI治疗的反应，但IPS值不能完全替代实际的治疗反应，仍然需要一定的实验验证。
公众号专题
| TCGA/GEO数据分析 | R语言绘图 |
| R语言学习 | SCI论文写作 |
单基因泛癌分析套路
-----------------------------分割线-------------------------------