多组学整合药物预测如何发6分SCI的？
名词解释
•IC50 (half maximal inhibitory concentration)最大半抑制浓度,可以用来衡量药物诱导凋亡的能力，即诱导能力越强，该数值越低;
•TIL（tumor infiltrating lymphocytes）肿瘤浸润淋巴细胞，当存在大量的肿瘤浸润淋巴细胞时，表明机体启动了对抗肿瘤的免疫反应
•SNF（Similar network fusion）相似网络融合，一种新的数据整合计算方法；首先为每种数据类型构造一个样本相似性网络，然后使用一种新的网络融合方法来对这些网络进行融合。
•cosine similarity 余弦相似性
PART
1
研究思路
• 数据来源
– 病人：Xena TCGA-LUAD 的5种数据类型（gene expression RNAseq, DNA methylation, miRNA expression, SCNAs,somatic mutation）
– 细胞系：基因表达和DNA甲基化数据（GDSC），肺癌细胞系的体细胞突变数据（COSMIC），药物敏感数据（CTRP、CCLE）
• 将病人分为两个亚型：PS1和PS2；将细胞系分为两个亚型：CS1和CS2；
• 从KRAS突变病人的多个数据类型中提取出一些有意义的生物学特征：Smoking-相关甲基化分子特征、TIL-相关得分、KRAS 依赖评分、Smoking-相关突变分子特征、STK11 和 KEAP1突变状态、其他分子特征；
• KRAS-mutant 细胞的敏感性药物筛选；
• 基于以上生物学特征，建立单因素和多因素回归模型，进行药物反应预测；
PART
2
结果
2.1划分亚型
这是后续分析的基础，整合多个组学数据后，利用SNF-CC将病人和细胞系数据划分为两个亚型；
2.2 KRAS突变相关的生物学特征
smoking-相关的甲基化分子特征
对分出的两个亚型的甲基化数据，从分子和整体水平用火山图和箱线图展示甲基化水平的变化，PS2较PS1甲基化水平高，CS2较CS1甲基化水平高；箱线图还涉及到了未突变的KRAS 的甲基化水平；
TIL相关得分
对表达数据用GSEA进行富集分析，发现：PS1和CS1的富集通路相似，PS2和CS2的富集通路相似，且与免疫相关；
对3个组别HE染色切片的TIL比例进行比较，用箱线图展示，PS2的TIL比例高于PS1且差异显著；
利用217 TIL相关基因对分出的亚型进行计算，并用箱线图展示，在病人和细胞系中，均为亚型2高于亚型1且差异显著；
KRAS 依赖得分
KRAS与Ras通路相关，为了进行评价，文章进行了KRAS依赖得分的计算；KRAS依赖得分包括Singh Score 和Loboda Score，来源于两个研究；同样，用箱线图进行整体展示；
吸烟相关突变分子图谱、STK11和KEAP1突变、其他特征
分别从病人和细胞系中提取出突变相关分子图谱，并与COSMIC的30个突变分子图谱进行比较，PSig1和CSig1与COSMIC的Sig4高度相关，因此确立了吸烟相关的分子图谱的重要性；相应在病人和细胞系亚型中进行分子图谱的比较，发现吸烟相关分子图谱在亚型1显著高于亚型2；
在病人和细胞系中展示KRAS热点突变（G12、G13、Q61等）和STK11、TP53和KEAP1突变类型的展示（STK11和KEAP1的突变在PS1显著高于PS2；在细胞系亚型中KEAP1具有相似表现）；
在病人中进行相关临床特征的比较，PS1的年龄较PS2小，且具有统计学意义；
2.3 药物敏感性
基于CCLE 和 CTRPv2数据库，确立了细胞系亚型相关的药物，13种CS1特异药物，1种CS2特异药物；比较了细胞系亚型对药物的敏感性后，用箱线图进行展示；
2.4 药物预测
精准医学以来，结合多组学数据，提前对病人药物敏感性进行确认，建立这样的预测模型就变得越来越重要；
除药物敏感性数据外，以上生物学特征均在两个亚型进行了比较；这里用其来进行回归模型的构建，以单因素和多因素回归模型的方式对药物反应进行预测；单因素回归模型结果用表格展示了β的显著性；多因素结果用森林图展示β和对应显著性；
