免疫预后模型发4.9分，这种套路需要掌握！

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。