11+BIB文章-m6A甲基化+免疫分析为啥这么优秀？

导语

GUIDE ╲

N6-甲基腺苷(m6A)被认为是最常见、最频繁和最保守的内部修饰。随着RNA去甲基化酶的鉴定和甲基化RNA测序的成熟，RNA甲基化已被确定为一种常见的现象，也是RNA转录、加工、剪接、稳定性和翻译的关键调控因子。

背景介绍

近两年，m6A甲基化相关的研究依然延续了之前的热度，并且m6A关联免疫的分析也层出不穷，今天小编给大家分享一篇高分m6A分析文献，让我们一起看看它的特色在哪里吧！文章题目为：m6A regulator-mediated methylation modificationpatterns and characteristics of immunityand stemness in low-grade glioma。

本文作者基于17个公认的m6A调节因子，对1152例低级别胶质瘤样本的m6A修饰模式及相应的免疫浸润和干性特征进行了综合性分析。通过训练构建m6Ascore的机器学习模型来量化单个样本的m6A修饰模式。从而揭示了m6A调节因子的多组学数据和临床病理参数之间的显著相关性，鉴定了两种不同的m6A修饰模式和四种m6A甲基化对免疫和干性特征的调节模式。

数据介绍

整合了来自TCGA、GEO、CGGA数据库的1152个LGG样本的多组学数据（表达，甲基化，生存，突变等）。

结果解析

01

LGG中m6A调节因子landscape

作者分析了筛选的17个m6a调节因子。图1A显示，正常组织和LGG组织中所有调控因子的甲基化水平均有显著性差异(P<0.05)。对17个m6A调控因子之间的相互作用模式的分析显示，HNRNPA2B1是m6A阅读器的枢纽节点，其次是YTHDF2(图1B)。CNV分析显示IGF2BP1、YDHTC1和YDHTC2以扩增为主，FTO和METTL3缺失最多，这五种调控因子的CNV状态与LGG的发生相关(图1C)。在508个样本中，17个m6A调控因子的突变频率为3.74%(图1D)。进一步分析了调控因子共表达的相关性，发现KIAA1429与其他调控因子之间存在显著相关性(图1E)。

接下来研究了这些调控因子的表达模式与分子性状之间的相关性。在17个调控因子中，有13个在LGG和正常组织之间存在显著差异(图1F)。作者发现，根据转录组数据分类的四个亚组中，所有调控因子的表达值均有显著差异（图1G)，在根据分子亚型分类的组中也观察到相同的模式(图1I)。

图1

02

具有特定修饰模式的样本中的免疫浸润和干性特征

大多数调控因子的表达值在两种调节模式的表达组之间存在显著差异(图2A)。图2B-D显示了两组不同修饰模式中LGG分子性状的比例。作者分析了修饰模式与DNA损伤相关表型之间的关系，发现CL2组的杂合性缺失(LOH)、同源重组缺陷(HRD)、肿瘤内异质性(ITH)、CNV负荷和非整倍性缺失明显高于CL1组(图2E-H)。CL1组的白细胞分数(LF)高于CL2组（图2I）。这些结果表示具有两种修饰模式的样品在与DNA损伤程度相关的不同特征上的差异。

与CL1组相比，CL2组的肿瘤前免疫信号和抗肿瘤免疫信号均下调，表示该修饰模式对肿瘤免疫具有双重作用(图2J)。接下来，作者确定了哪些生物过程在DNA损伤中富集。随后的研究结果显示，与CL1组相比，CL2组的DNA相关过程，如细胞周期、DNA损伤修复、DNA复制和错配修复等显著增强(图2K)。分析显示，调节因子的表达与干性指数之间存在显著的相关性(图2L)。两种修饰模式组间干性差异，去分化表型在CL2组最明显，而分化表型在CL1组最明显(图2M)。Kaplan-Meier(KM)生存分析显示，CL1组的无进展(PF)率明显高于CL2组(图2N)。

图2

03

hub基因的鉴定和功能注释

进行WGCNA分析，将相关系数大于0.75的模块组合起来，共得到25个模块(图3A)。为了分析合并模块与免疫和表型之间的相关性，作者确定了可作为模块中基因表达模式代表的模块特征基因(MEs)，并用于计算与指定表型的相关性。热图显示了与LGG中特定表型相关的关键模块(图3B)。

作者进行了无监督一致性聚类分析，将样本划分为相应的基因组亚型。与m6A修饰模式的聚类结果不同，无监督算法分别针对免疫和干性特征的四种独特的基因组表型。免疫A组的LGG患者预后优于免疫D组。免疫B组和C组患者的预后集中在免疫A组和免疫D组之间(图3C)。干性聚类也显示出类似的趋势，甚至生存曲线看起来也很相似(图3D)。在四个干性和免疫基因组类中，m6A调控因子的表达模式基本上是独特的，即每个m6A调控模式对特定的表型有明显的影响(图3E，F)。

图3

为了探讨四种干性和免疫调节模式在不同特征上的差异，作者采用典型的生物学过程和免疫特征来比较潜在的机制。发现StemnessD组的上皮间充质转化(EMT)和泛成纤维细胞TGFβ反应信号通路显著上调，而StemnessA组的DNA损伤修复、DNA复制和WNT靶标信号通路强烈富集(图3G)。虽然随后对四种干细胞调控模式中干细胞标记物表达差异的分析并没有显示出一致的上调趋势，但确实显示出明显的差异(图3H)。在免疫调节模式方面，免疫D组具有免疫途径的强烈富集和免疫细胞的大量浸润。免疫A组则表现出相反的趋势(图3I)。

04

鉴定不同的DNA甲基化亚群

作者探讨了每个甲基化亚组的临床分子特征的分布(图4A)。除ZC3H13外，5个cluster中大多数m6A调控因子的表达模式也有很明显的差异(图4B)。作者进行了K-M生存分析，发现C2组PF率最低，C4组PF率最高(图4C)。LGG的主流临床治疗主要包括靶向治疗、放疗和化疗。为了检验m6AScore系统在LGG中的性能，作者根据中位数将样本分为两组(高m6AScore和低m6AScore)。评估了不同治疗下高m6A和低m6AScore组之间的癌症进展，发现每种治疗下存在显著差异。无论治疗方法如何，低m6AScore组的生存获益均高于高m6AScore组(图4D-F)。所有样本的生存分析显示，高m6AScore组比低m6AScore组具有显著的生存优势(图4G)。

图4

基于m6AScore与疾病进展的相关性，作者分析了m6AScore的不同cluster的独特性，以探索m6AScore调控LGG进展的机制。发现经典肿瘤和间充质肿瘤的m6A评分高于神经肿瘤和神经前肿瘤(图4H)。在四种调控模式中，也观察到m6AScore有增加的趋势(图4I，J)。还发现进展性疾病(PD)样本的m6AScore最高，与完全反应样本的m6AScore有显著差异(图4K)。有反应的患者(PR或CR患者)主要集中在低m6AScore组(图4L)。

作者计算了两组间免疫细胞浸润和典型通路的差异，发现所有类型的浸润性免疫细胞在高m6Ascore组中均显著富集(图4m)。TMB、LOH、HRD、ITH、CNV负荷与m6AScore呈正相关，且相关性显著(图4N、O)。

综上所述，高、低m6AScore组之间的肿瘤免疫原性差异显著。低m6AScore组免疫原性较高，而高m6AScore组免疫原性较低。

05

m6AScore在抗pd-1/L1免疫治疗中的作用

作者计算了来自接受阿替唑珠单抗治疗的患者样本的m6AScore，发现低m6AScore组具有显著的生存优势(图5D)。接下来，分析了m6AScore的差异样本患者各种免疫治疗反应，发现m6AScore反应组(CR和PR)明显低于疾病组(SD和PD)，这意味着m6AScore可以参考选择患者免疫治疗的敏感性(图5E)。此外，还发现低m6AScore组主要包含来自应答组患者的样本(图5F)。免疫排除表型得分最低(图5G)。

肿瘤细胞上PD-L1的表达与m6AScore显著相关。其中TC1的m6AScore最低，与TC0和TC2+有显著差异(图5H)。免疫细胞上PD-L1的表达与m6AScore呈负相关，IC2的m6AScore最低，IC0的m6AScore最高(图5I)。m6AScore与突变数呈显著负相关(图5J)。低m6as评分和高新抗原负担的患者生存优势最显著，而高m6a评分和低新抗原负担的患者生存优势最低(图5K)。作者确定了典型致癌途径的富集情况，发现大多数途径在高m6AScore组中高度富集(图5L)。

为了全面分析m6AScore与免疫治疗之间的关系，作者对接受派姆单抗的患者进行了分析。发现应答组(CR和PR)的m6AScore明显低于疾病组(图5M)。BRCA2突变组患者的m6Ascore值较低(图5N)。应答组和BRCA2突变组的样本主要集中在低m6AScore组(图5O，P)。

图5

06

m6AScore在不同肿瘤类型中的效用

如图6A，B所示，作者发现m6AScore也是每种癌症的一个显著预后危险因素(P<0.05，HR>1)。30种癌症中有12种癌症的m6AScore与TMB之间存在显著的相关性(图6C)。作者检验了MSI与m6AScore之间的相关性，发现DLBC的负相关性最大。这一结果可能说明了DLBC患者的淋巴细胞数量过少或过多(图6D)。图6E显示PD-L1与m6AScore的表达值显著相关，再次证实了评分系统对免疫治疗结果的准确预测能力。

作者将22个免疫细胞的含量与m6AScore进行相关联，发现除UCS和ESCA外，28种癌症类型的相关性趋势不同(图6F)。除BLCA、CESC、DLBC、OV和UCS外，有25种癌症显示m6AScore与干细胞性指数之间存在关联(图6G)。

图6

小编总结

作者利用1152个LGG样本的基因组信息，综合评价不同m6A修饰模式的免疫和干性特征。发现了两种不同的LGG甲基化修饰模式，通过对表型相关基因的聚类分析，根据免疫和干性特征确定了m6a甲基化的四种调控模式。基于机器学习训练构建m6Ascore模型，量化单个样本的m6A修饰模式，并对调控因子的基因组进行全面分析，发现m6A评分与临床结果、免疫浸润和干性之间存在显著相关性。

作者整合了大量LGG样本的数据，进行了一系列细致的分析，构建的评分模型效能也得到了验证，总的来说是很典型的m6A修饰模式-免疫特征关联分析的思路！

END