A novel immune-related genes prognosis biomarker for melanoma- associated with tumor microenvironment肿瘤微环境相关黑色素瘤的一种新的免疫相关基因预测生物标志物
随着人类基因测序的发展,基于基因的生物标志物变得越来越流行。而目前对肿瘤的研究揭示了TNM分期方法的临床局限性。因此,也有必要探索新的黑色素瘤标志物,以指导临床治疗和改善黑色素瘤的预后。作者目的是构建一种新的免疫相关基因生物标记物,用于免疫疗法和黑色素瘤的预后。
作者从TCGA和GEO数据库中检索黑色素瘤样本的基因,从ImmPort数据库中检索免疫相关基因(IRGs)。三个数据库取交集,筛到了950个IRGs(图1)。
图1.使用VENN图和直方图来可视化IRGs
接着,对950个重叠的IRGs进行WGCNA分析(图2)。
作者选择这两个模块的数据进行下一步分析。
图2.黑素瘤加权基因共表达网络
作者进行了单变量Cox回归分析,将P <0.01的与生存相关的模块中63个IRGs确定为与生存相关的IRGs,并将其整合到LASSO回归中,用glmnet R包作LASSO分析。
LASSO分析确定了8个IRGs(PSME1,CDC42,CMTM6,HLA-DQB1,HLA-C,CXCR6,CD8B,TNFSF13),它们被包括在分类器中(图3)。
结合上述分析,作者挑选了8个IRGs构建预后分类器模型,图3E的热图展示了分类器中8个IRGs的表达情况。
图3. IRGs预后分类器的构建
8个IRGs的单变量COX回归及LASSO系数如表1所示,表达水平如图4(A来源于GSE数据集;B来源于TCGA数据集)所示。
表1.与GSE数据集中的OS相关的预后分类器中的IRGs
图4. 8个基因的表达谱
在GSE训练集中,作者用timeROC包绘制时间依赖ROC曲线。
接着使用TGCA队列作为验证集来验证分类器的预测能力。
此外,与其他临床特征相比,该分类器具有更好的预测能力和准确性(图5E,5F)。
图5.在训练集和独立验证集中分类器的时间依赖ROC曲线和K-M生存的分布
表2:显示了单因素和多因素分析的预后因素的结果。
表2.TCGA队列单因素和多因素COX分析
图6A-B:Kaplan-Meier分析表明,高免疫score组具有更好的OS(图6A:GSE;6B:TCGA)。
图6C-D:低RS组的免疫socre和基质socre更高(图6C:GSE;6D:TCGA)。
图6.基于KM分析,研究免疫评分对黑色素瘤OS的影响
图7A-B:展示了黑色素瘤的22种免疫细胞比例(图7A:GSE;图7B:TCGA)。
图7C-D:小提琴图:在高和低RS组之间观察差异免疫细胞类型表达,其中红色代表高RS组,蓝色代表低RS组。(图7C:GSE;图7D:TCGA)。
图7.高和低RS组之间的免疫细胞亚型
为了鉴定在高RS和低RS组之间差异激活的信号传导途径,作者通过limma R包进行了基因集富集分析(GSEA)。
GSEA分析显示与RS相关的14条重要的KEGG通路,包括Rap1信号通路,Ras信号通路等(图8)。
图8.GSEA分析
小结
在这项研究中,作者发现63个IRGs与黑色素瘤的预后相关,其中8个IRGs被用于构建分类器。此外,作者探讨了RS与黑色素瘤预后价值之间的关系。后续用GSE训练集、TCGA验证集,验证了8个IRGs的可靠性。最后还深入研究了该分类器与免疫浸润的关联。最后研究结果也展示高和低RS组之间免疫细胞浸润和多种信号通路的差异。这项研究成功构建了具有强大预测功能的多IRGs分类器。高危和低危人群的总体生存率差异涉及免疫浸润,肿瘤微环境和多种信号通路的相互作用。这项研究提供了有关黑色素瘤发病机理和临床治疗分析的更多信息。
不过,该研究具有以下局限性:首先,由于缺乏体外或体内实验,分子机制分析结果的可靠性受到限制。其次,这项研究是一项回顾性研究,因此,应进行前瞻性研究以验证研究结果。
还是和往常一样,后台回复「22f」,即可获取今天小编为大家解读的文献。本期的分享就到这里啦,一起期待下一期的精彩分享吧~