前面一期我们讲了一篇非肿瘤相关的数据挖掘,研究了3种m6A调节因子介导的RNA甲基化修饰模式与牙周炎免疫微环境调控之间的关系,拯救非肿瘤:m6A+免疫微环境+5分+纯生信思路,你确定不来看看?
今天带来的是2021年12月14日发表在Front Immunol上的一篇研究,文章主要探讨了2种CD8+T细胞相关分子亚型的异质性免疫组学特征,以及在肾透明细胞癌(ccRCC)中的临床意义。这是以单个肿瘤中的某种细胞,找相关的基因,从而进行后续的分析。同样地,我们可以试想采用这个思路去研究与其他免疫细胞密切相关的基因组,不妨试一试吧~
Front Immunol.doi: 10.3389/fimmu.2021.745945.
PMID: 34970257; PMCID: PMC8713701.
1
期刊简介
科研猫公众号后台
对话框发送期刊名
2
文献解读
简介
肿瘤微环境(TME)在肿瘤生物学和免疫治疗领域有着重要的影响。TME中 CD8+T 细胞的异质表型和临床意义尚未完全阐明。
在这项研究中,作者基于多组学数据对免疫基因组进行分析,探讨了CD8+T细胞相关分子亚型的临床价值和肿瘤异质性。首先,作者在TCGA数据集中发现了两个不同的ccRCC分子亚型(C1和C2),并在E-MTAB1980队列中进行了验证。
其中C1亚型提示预后不良,其中CD8+T细胞耗竭标记物表达水平升高,免疫浸润水平升高,存在免疫逃逸机制。C2亚型提示预后良好,其中CD8+T细胞效应标记物表达水平升高,存在低频率的9p21.3缺失和高频率的PBRM1突变。紧接着,研究者在CheckMate025队列中,检测这两种分型对抗PD-1(Nivolumab)治疗效果的影响,结果表明C2亚型的治疗效果好于C1亚型。
总之,该研究确定了ccRCC中两个CD8+T细胞相关的分子亚型,为评估CD8+T细胞的潜在功能提供了新的见解,是ccRCC患者预后预测和免疫治疗知道的潜在策略.
01.研究流程
02.研究方法
1.数据来源
2.免疫相关基因的差异分析
3、TME中免疫/非免疫细胞的收集和生存分析
4.IRDEG的加权相关网络分析(WGCNA)
5.无监督聚类分析
6.分子亚型的预后价值
7.体细胞突变和拷贝数改变(CNA)数据获取
8.免疫基因组特征采集
9.ssGSEA和功能富集分析
10.基因组变异分析(GSVA)
11.基因分类系统的构建和验证
03.研究结果
1.在 ccRCC 中识别 IRDEG
2.64中免疫和非免疫细胞类型的生存分析
CD8 + T 细胞的 Kaplan-Meier 分析
3.IRDEGs的加权基因相关网络分析
图B:IRDEG的聚类树状图。颜色强度与CD8+T细胞的丰度呈正相关。在生存状态方面,红色表示死亡,白色代表存活;
图C-D:分别显示对各种软阈值能力的无标度拟合指数和平均连通性的分析;
图E:模块特征基因的聚类,红线显示切割高度(0.25);
图F:基于相异性度量(1-TOM)聚类的稳健IRDEG的树状图;
图G:模块特征基因与ccRCC临床特征相关性的热图;
图H:与棕色模块中CD8+T细胞丰度相关的模块特征基因散点图。
4.CD8+T细胞的异质表型/CD8 + T 细胞的潜在生物学功能
图A:CD8+T细胞相关基因的功能富集分析结果;
图B:高CD8+T细胞浸润组和低CD8+T细胞浸润组之间的基因集变异分析(GSVA)。
图C-D:高CD8+T细胞浸润组和低CD8+T细胞浸润组之间免疫相关特征的差异。其中高CD8+T细胞浸润组的关键免疫检查点基因的表达水平升高;
图E:高CD8+T细胞浸润组和低CD8+T细胞浸润组中免疫抑制细胞的丰度。
5.分子分类的构建及临床意义分析
图A:Kaplan-Meier分析,C1低于C2。
图B:确定最佳聚类数为2个。
图C:两个亚型的基因表达差异。
图D:两个亚型的相关基因热图;
图E-F:TCGA 队列中单变量(E)和多变量(F) Cox 回归分析的Forrest 图。提示分型是ccRCC总生存期的独立预后因素。
图G:DCA表明:分子亚型比ClearCode34分类更能精准预测预后。
图H:桑基图表明:分子亚型、ClearCode34分类和临床特征之间的相关性。
6.E-MTAB-1980 队列中分子分类的验证
图A: Kaplan-Meier 分析显示,Cluster1 患者的预后明显低于 Cluster2 患者。
图B:接近 1 的轮廓系数表明该样本与相邻聚类不同,并确定最佳聚类数为两个。
图C:差异表达测试了两个簇之间的表达差异。
7.两个分子亚型之间生物学机制的差异
8.分子亚型中的外在免疫逃逸机制
分子簇间外在免疫逃逸机制的探索。两个分子簇之间的免疫评分(A)和免疫抑制评分(B)的差异。(C) TMEM173 (STING)、IL10、IL10RA、TGFB3 和 TGFBI 在分子簇之间的表达差异。(D)肿瘤微环境中分子簇与免疫细胞和非免疫细胞的关系。(E)分子簇之间的 GZMB/CD8A 比率。(F)桑基图揭示分子簇与免疫亚型之间的相关性。(**** P < 0.0001;*** P < 0.001;* P < 0.05)。
9.分子亚型中的内在免疫逃逸机制
C1亚型表现出导致预后不良的内在免疫逃逸机制:
分子亚型间内在免疫逃逸机制探索。比较两个集群之间的肿瘤突变负荷 (TMB) (A)、新抗原负荷(B)、同源重组缺陷 (HRD) (C)、CTA 评分(D)和肿瘤内异质性 (ITH) (E)。(F)两个分子簇之间免疫调节剂的比较。(G)显示两个簇中免疫调节剂基因簇的热图。(**** P < 0.0001)。
10.分子亚型的基因组变化
11.验证CM-025队列中的分型
分子亚型与免疫检查点阻断疗法之间的关联。(A)两个分子簇之间驱动基因突变、拷贝数改变 (CNA) 的分布。(BD)根据 Check-mate 025 队列中的 CD8 + T 细胞相关基因鉴定和验证分子簇。(B) Kaplan-Meier 分析显示 Cluster1 患者的预后明显低于 Cluster2 患者。(C)轮廓系数表明该样本与相邻的集群区分开来。(D)差异表达测试了两个簇之间的表达差异。(五)在 C1 和 C2 集群中对 Nivolumab 免疫治疗有反应的患者比例。CR,完全响应;PR,部分响应;SD,疾病稳定;PD,进行性疾病。(F) C1 和 C2 簇中 9p21.3 缺失的患者比例。(G) C1 和 C2 簇中 PBRM1 突变的患者比例。
(A) PIE分类器表达水平的热图。TCGA (B)、E-MTAB-1980 (C) Check-mate 025 (D)队列中分子簇预测的一致性,PIE 分类系统和基于 CNMF 算法的分子分类。
TCGA (A)、E-MTAB-1980 (B)和 CM-025 (C)群组的 PIE 分类系统的 Kaplan-Meier 分析。
好啦,今天就到这里啦,小编会继续找数据挖掘的新思路分享给大家,