导语
今天给同学们分享一篇关于肿瘤免疫+预后模型的生信文章 “ Identification and validation of an immune-related prognostic signature and key gene in papillary thyroid carcinoma ”，这篇文章于2021年7月发表在 Cancer Cell Int 杂志上，影响因子=5.722。
作者研究PTC中IRG的潜在预后值。首先，作者确定了PTC中差异IRG（免疫相关基因）和TF（转录因子）。随后，利用Cox回归分析、LASSO回归分析，建立了可以预测无进展区间（PFI）的免疫基因模型。这些发现表明，预后模型和关键免疫基因可能成为有前途的分子标志物，并为PTC的诊断和预后提供靶标。
1. 鉴定PTC患者中差异表达的IRGs和TFs
本研究流程如图1所示。作者从TCGA数据集中获得了493个PTC样本和58个正常甲状腺样本的RNA测序数据和临床数据。IRGs通常受TFs调控，在肿瘤微环境中起关键作用。然后，从ImmPort数据库下载了2498个IRG（免疫基因），从Cistrome数据库下载了318个TF。对PTC样本和正常样本进行差异分析，得到了1648个差异基因，然后从差异基因中筛选出355个差异表达的IRG和43个差异表达的TF（图2a，b）。对差异表达的IRGs和TFs进行了GO和KEGG通路富集生信分析。GO生信分析结果显示IRGs主要富集于细胞趋化，白细胞迁移和趋化因子介导的信号通路（图2c）。TFs主要富集于细胞因子与细胞因子受体互作等功能（图2d）。KEGG生信分析中IRGs主要于横纹肌发育等通路（图2e），TFs主要富集于Th17细胞分化和转录异常调控等通路（图2f）。
图1 流程图
图2 差异IRG和TF以及功能富集分析
2. 预后模型的构建和生信分析
为了进一步阐明IRGs与预后之间的相关性，作者构建了一个基于IRGs的模型来预测PTC患者的进展和生存。首先，作者将包含生存信息的整个数据集以1:1的比例随机分为训练集和测试集。根据单因素Cox回归分析，27个IRG与训练集中的PFI显着相关。随后对与PFI相关的IRG进行LASSO回归分析，以提高模型的预后能力（图3a，b）。最终，预后特征包括八个IRG，通过多因素Cox 回归分析和森林图选择构建预后模型（图3c）。作者基于风险评分和8个IRGs构建了列线图。PTC患者1年、3年和5年PFI的列线图如图3d所示。校准曲线显示，列线图预测的1年和3年PFI与实际结果一致，表明列线图是准确的（图3e，f）。然后，将TCGA数据库中的所有PTC患者按照中位临界值分为高危组和低危组。随后，作者进行了PCA生信分析以研究高风险和低风险群体之间的各自分布。二维PCA和三维PCA显示，高危组和低危组的患者明显分布在两侧（图 3g，h）。
图3 预后模型的构建和分析
3. 预后模型的验证
根据临界值将PTC患者分为低风险组和高风险组，然后计算每位PTC患者的预后风险评分。训练集和整组患者IRGs表达水平的风险评分、生存状态和相应的热图分布如图4a、b所示。为了评估高风险评分和低风险评分对预后的影响，作者通过KM生信分析评估了TCGA数据中的PFI。结果如图4c，d所示。低危组PTC患者预后比高危组好。为了进一步阐明8-IRG模型预测PTC患者PFI的准确性，作者进行ROC曲线分析。在训练集中，AUC在1、3和5年分别达到0.948、0.820和0.831。同样，在整个集合中，AUC分别为0.802、0.729和0.703（图 4e、f）。总的来说，这些结果表明8-IRG模型在预测PTC的发生和发展方面具有良好的准确性。为了评估预后模型的独立预后能力，作者对TCGA数据进行了单因素和多因素Cox 回归分析。在单因素Cox回归分析中，风险评分与PTC患者的PFI相关（图 5a）。在多因素Cox回归分析中，风险评分对PFI也有一定的预测价值（图 5b）。这些发现表明，基于8-IRG的风险评分可被视为PTC患者生存的独立预后因素。随后，作者探索了作者的8-IRG特征的临床相关性，并评估了风险评分与整个PTC患者临床病理参数之间的相关性。结果表明，作者的8-IRG特征与T阶段和TNM阶段显着相关（图 5c-h）。这表明作者的IRG特征可能在PTC的进展中起关键作用。
图4 预后模型
图5 预后风险模型的分析
4. PPI网络和单因素Cox回归分析
为了识别差异基因之间潜在的互作网络，作者使用Cytoscape软件构建了一个基于STRING数据库的PPI网络，包括268个节点和405个边（图 6a）。柱状图显示了节点前30个基因（图 6b）。通过基于差异基因的单因素Cox回归分析，共有27个IRG与PFI显着相关。森林图如图6c所示。然后，对 PPI 网络的前30个节点与单因素Cox回归过滤的预后相关IRG进行生信分析。在上述生信分析中，只有一个因素LTF有交集并被确定为与预后相关的关键IRG（图 6d）。TFs被认为是可以直接调节其他基因表达的重要分子。因此，作者探讨了通过因素Cox回归筛选的差异表达TF和预后相关IRG之间的潜在相互作用。TFs和IRGs之间的互作网络如图 6e 所示。
图6 PPI网络和单因素Cox回归分析
5. PTC患者中LTF表达的分析和验证
LTF是非特异性免疫系统的重要组成部分，它在肿瘤进展中起重要作用。首先，作者使用TIMER数据库检查LTF在多个肿瘤中的表达，包括PTC。结果显示，LTF在肿瘤组织中的表达明显低于正常组织（图7a）。然后，作者分析了TCGA的数据并获得了相同的结果（图 7b）。配对分化生信分析表明，肿瘤组织中的LTF表达水平也低于来自同一患者的正常组织（图 7c）。为了评估LTF在PTC中的预后价值，进行了KM曲线分析，表明LTF表达水平低的患者比LTF表达水平高的患者具有更短的无进展生存时间（图 7d）。通过ROC曲线分析区分肿瘤和正常甲状腺组织，作者发现LTF表达水平的AUC为0.899，表明它可能是一个很好的诊断生物标志物（图7e）。据报道，LTF 在肿瘤中具有高甲基化水平。为了阐明LTF在PTC中下调的潜在机制，UALCAN生信分析表明肿瘤组织中LTF的甲基化水平显着高于正常组织（图7f）。此外，作者在细胞水平验证了LTF的表达，发现LTF在PTC细胞系中的表达水平显着低于正常甲状腺滤泡上皮细胞系Nthy-ori 3-1中的表达水平（图 7g）。为了进一步验证LTF在组织水平的表达，进行了IHC生信分析以比较 LTF 在PTC和邻近非癌组织中的表达水平。IHC染色的例子如图7h所示。结果表明，LTF在肿瘤组织中的表达明显低于邻近组织（图7i）。此外，考虑到PTC患者LTF表达与PFI和TNM分期呈负相关，作者使用GSEA来识别高LTF和低LTF表达组之间的丰富特征和功能差异。高LTF表达组主要富集“ADIPOGENESIS”、“APICAL_SURFACE”、“BILE_ACID_METABOLISM”和“FATTY_ACID_METABOLISM”等通路上，如图8b所示。关于由MSigDB定义的C7集合，高LTF表达组中的免疫基因集和基因显示富集“PLASMA_CELL_VS_NAIVE_BCELL_UP”、“RESTING_VS_NO TREATED_CD4_TCELL_UP”和“MONOCYTE_VS_MACROPHAGE_UP”等通路上（图 8a）。因此，GSEA的发现暗示免疫相关信号与PTC的发生和发展相关。
图7 LTF生信分析和验证
图8 不同LTF表达组之间的GSEA和ssGSEA评分
小结
总之，作者通过生信分析确定了与PTC进展相关的8-IRG预后特征，通过结合 PPI 网络和单因素Cox回归分析，确定了可能与PTC进展有关的与预后相关的关键IRG。作者的研究结果对于阐明PTC的潜在分子生物学机制和开发新的预后标志物和分子靶点具有重要意义。
联系客服
