首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >免疫预后模型发4.9分,这种套路需要掌握!

免疫预后模型发4.9分,这种套路需要掌握!

作者头像
百味科研芝士
发布2020-02-24 17:11:11
2.1K0
发布2020-02-24 17:11:11
举报
文章被收录于专栏:百味科研芝士百味科研芝士

今天分享一篇发表于Cancer Immunol Immun,影响因子为4.9的文献。标题是Immune cell infiltration as a biomarker for the diagnosis and prognosis of stage I–III colon cancer. 文章利用CIBERSORT进行免疫细胞比例的计算,据此进行诊断模型和预后模型的构建和评估,并进行了基因富集分析用于生物学功能的阐明;

术语

●CMS(consensus molecular subtype)共识分子分型,将结直肠癌(CRC)患者分为4个亚型(CMS1-微卫星不稳定型、CMS2-经典型、CMS3-代谢型、CMS4-间质型),旨在基因表达水平区分患者的内在异质性。

研究思路

• CIBERSORT对样本进行免疫细胞比例计算,并依据计算结果进行样本筛选,得到940个样本用于后续分析

• 构建诊断模型,ROC曲线进行模型评价

• 构建预后模型,依据pIRS分为高低两组后,进行生存曲线绘制

• 单因素和多因素cox分析确认模型是否可作为独立预后因子

• 整合预后模型和临床病理因素进行列线图构建,校正曲线、DCA曲线、C-index分析对列线表与TNM分级的表现进行比较

• 临床意义(不同临床分组下,pIRS的差异;pIRS与肿瘤相关基因的相关性);

• 富集分析了解low-、high-pIRS的通路和其他基因集富集情况

结果

2.1构建诊断预测模型

利用CIBERSORT对表达矩阵进行计算,得到样本对应的免疫细胞比例,此时每个样本有22个免疫细胞比例marker的指标;通过随机森林和lasso-Logistic,得到交集的8个marker,用于诊断模型(即dIRS)的构建;用小提琴图展示在肿瘤和正常组织中dIRS得分有显著差异;模型在测试集和验证集的ROC曲线下面积分别为0.98和0.96,认为模型能够很好地区分结直肠病人和正常样本;

2.2 构建预后模型

利用单因素cox分析和lasso-Cox(点击查看),构建预后模型,并在测试集和验证集,依据pIRS得分将样本分为low-pIRS和high-pIRS两组,进行生存曲线的绘制,发现在多个数据集中表现均为,low-pIRS较high-pIRS预后好,且具有统计学意义。进行单因素cox和多因素cox回归分析,认为pIRS模型可以作为独立预后因子;

2.3 构建列线图

整合pIRS模型和训练集的临床病理因素构建列线图;利用列线图(点击查看)预测的复发率和真实复发率进行校正曲线的绘制,认为列线图能够较准确地对复发进行预测;DCA曲线认为,相较TNM分级,在2-,3-,5-year复发率的预测,均为列线图净获益更高;C-index分析也认为列线图优于TNM分级;

2.4 临床意义和生物学功能

在多个临床分组下进行pIRS的计算,pIRS在除淋巴结转移等级外的临床分组具有显著差异;此外,还进行了pIRS与免疫检查点、EMT、细胞毒性因子相关基因的相关性研究;对low-pIRS和high-pIRS进行GSEA富集分析,研究通路富集情况,low-pIRS在细胞周期调控、DNA修复、细胞凋亡和免疫激活相关通路富集,high-pIRS则在代谢相关基因集富集;

结语

CIBERSORT去卷积计算免疫细胞比例,lasso、随机森林、cox用于模型构建,DCA、ROC、C-index分析用于模型评价;对pIRS高低分组进行富集分析,便落到了生物学意义上;这个思路很清晰,可以借鉴用于模型构建与评价。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-02-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 百味科研芝士 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档