今天我们分享一篇肿瘤干细胞相关的生信高分文章。肿瘤干细胞的概念来源已久，但怎么评估肿瘤的干性一直没有定论。自年TCGA泛癌计划以来，27篇文章相继问世，其中有一篇文章综合的分析了33种肿瘤的干性指数与临床性状的相关性后，陆续有相关的文章问世。这一篇脑胶质瘤肿瘤感性指数相关的分子分型也是其中的佼佼者，今天我们一起学习其中文章分析思路，希望对大家课题思路的形成和设计有所助益！
机器学习揭示了一种新的基于干性的胶质母细胞瘤的分型胶质母细胞瘤(GBM)是最恶性和最致命的颅内肿瘤，治疗选择极其有限。免疫疗法在GBM中得到了广泛的研究，但没有任何一种可以在没有选择的情况下显着延长患者的总生存期(OS)。考虑到GBM癌症干细胞(CSCs)在肿瘤发生和放化疗耐药性中起着不可忽视的作用，本研究提出了一种新的基于干性的GBM分类，并筛选出某些对免疫治疗反应更灵敏的人群，可以指导医生选择优先使用免疫疗法的潜在适用者。
提供生信定制服务
小编rj
02研究流程图03结果简述1.干性指数与临床的相关性
通过使用OCLR算法，计算基于名GBM患者基因表达谱的干性指数，然后从低到高排名（图1A和C），并探索mRNAsi与临床之间的关联功能（图1B和D）。
2.干性指数与免疫微环境之间的相关性
通过利用无监督层次聚类，名GBM患者被分为三个免疫亚型。被定义为“免疫热型”，“免疫冷型”及“免疫可变性”的肿瘤，表明有可能转变为热或冷肿瘤（图2A）。
通过ESTIMATE和CIBERSORT算法评估免疫相关模式。干性指数与免疫、基质和ESTIMATE评分呈显着负相关（图2B）。此外，免疫和基质评分在高免疫肿瘤中均显着最高，表明免疫细胞和基质细胞丰度高，其次是中低免疫肿瘤（图2C）。然后，通过CIBERSORT算法量化22种免疫细胞的丰度（图2D）。如图2E所示，干性指数与T细胞亚群显着正相关、活化的自然杀伤(NK)细胞、记忆B细胞和浆细胞；同时干性指数与M2巨噬细胞和单核细胞呈显着负相关。
3.干性指数与预后的相关性
根据干性指数的中值，将例GBM患者分为高mRNA和低mRNA组。KM生存分析表明，高mRNAsi组的OS（HR=0.，log-rankP=2.×10-2）和PFS较差（HR=1.，log-rankP=9.×10-3）（图3A和B）。进一步进行了两组之间的差异表达分析。总共鉴定了个DEG（图3C）。通过WebGestaltR进行功能富集分析（图3D）。
此外，个DEG中共有35个(26.9%)的突变频率1%，并且大多数(80.0%,28/35)在高mRNAsi组中被下调（图3E）。两组之间拷贝数变异的差异分析显示，与低mRNAsi组相比，高mRNAsi组中有40个（30.8％）基因有显著扩增，82个（63.1％）基因有显著缺失（图3F）。
4.干性相关的分子分型
基于个基于干性的DEG的表达模式，无监督一致聚类用于探索GBM患者的新分子分型（图4A-C），所有GBM患者被分为两组，称为亚型I（名患者，45.0%）和亚型II（名患者，55.0%）（图4D）。进行GSVA以探索与GBM干性亚型相关的分子途径和潜在机制。随后，比较亚型I和II组GBM患者的人口统计学和临床病理特征（表1），亚型I组的患者具有更高水平的肿瘤干细胞，这表明肿瘤细胞自我更新、分化和增殖的潜力更强，并可能解释其PFS较差。
5.I型表现出较高的CNA及TMB
以前的研究调查了基因组改变在调节肿瘤免疫和免疫浸润模式方面的潜在价值[55,56]。因此，进行了CNA分析和体细胞突变分析以探索不同干性亚型中不同的基因组变异。体细胞突变分析显示，每个干性亚型都具有特定的顶部突变基因（图5C和D）。TP53(42%)是亚型I中最常突变的基因，而PTEN(39%)是亚型II中最常突变的基因。IDH和ATRX也观察到相同的情况，表明IDH（I对II）和ATRX（I对II）的突变频率在亚型I组显着更高（图5E）。两种亚型之间BRAF、PTEN、EGFR和TERT的突变频率没有发现显着差异（图5E）。所有这些发现都可能表明两种干性亚型的免疫治疗反应存在潜在差异。
6.不同亚型的免疫表型
首先，执行ESTIMATE算法以揭示两个词干亚型的TIME组成。与亚型II相比，亚型I的免疫、基质和ESTIMATE评分显着较低，肿瘤纯度评分显着较高，表明免疫和基质细胞丰度低，亚型I肿瘤中的高肿瘤纯度（图6A）。CIBERSORT用于量化GBM中TIIC的浸润丰度。大多数CD4+和CD8+T细胞亚群、NK细胞、单核细胞、巨噬细胞和中性粒细胞在干性亚型II中更为丰富（图6B）。关于GBM的免疫分类，干性亚型I包含更多比例的高和中免疫肿瘤，而干性亚型II主要包含低免疫性肿瘤（P0.；图6C）。这些有趣的发现表明，亚型I肿瘤具有相对较低的免疫浸润水平和较高的肿瘤纯度，但也具有相对较高的免疫力。
7.I型对免疫治疗敏感但对TMZ耐药
PD1/PD-L1/PD-L2和CTLA/CD80/CD86的表达水平在两种干性亚型中完全逆转（图6D）。然后，使用TIDE算法来预测GBM患者免疫治疗反应的可能性。如图6E所示，Stemness亚型I组中免疫疗法的应答者比例是Stemness亚型II组的两倍以上（44.6%vs21.8%，P0.）。免疫治疗有反应者的干性指数显着高于无反应者（P0.）（图6F）。然后，使用亚类映射分析来预测两种干性亚型对ICI治疗（包括PD1和CTLA4抑制剂）的反应。我们发现Stemness亚型I组的患者对抗PD1治疗更敏感（FDR=0.），而Stemness亚型II组的患者更可能对抗CTLA4治疗有反应（FDR=0.）（图6G）
由于TMZ治疗是GBM术后标准化疗，我们使用基于GDSC数据库的pRRophetic算法评估了两种干性亚型的TMZ反应。通过应用岭回归分析，我们估计了每个GBM患者中TMZ的IC50。干性亚型II患者的TMZ估计IC50值显着较低（P=4.34×10-28；图6H），表明干性亚型I的GBM患者比干性亚型II的患者对TMZ治疗更耐药
8.鉴定两种分型的潜在化疗药物
进行CMap分析以探索针对GBM的每个干性亚型的潜在化合物。Stemness亚型I中的41个高表达基因和Stemness亚型II中的89个高表达基因被认为是化合物的潜在靶标，然后被用于CMap数据库（补充图3）。
9.构建并验证感性指数相关分型的预测模型
首先，在训练集中，采用四种机器学习算法通过个基于干性的DEG的表达水平来确定最关键的干性亚型相关特征。通过LASSO、RFB、SVM和XGBoost分析分别鉴定了总共43、、30和71个基因（补充图4）。ROC曲线分析表明，四种机器学习算法在特征选择方面都有出色的表现，训练集中的AUC为1.00，测试集中的AUC0.95（图7A）。维恩图确定了四个特征选择算法共享的七个关键基因（图7B）。之后，进行多变量逻辑回归分析以构建诊断预测模型（表4）ROC分析表明，区分Stemness亚型I和II的AUC为0.，在训练集中的灵敏度为94.86%，特异性为97.51%，准确率为96.28%（图7C）
10.在两个外部队列雁阵干性相关分型的临床应用
招募了另外两个独立的GBM队列，CGGA数据库中患者的大量RNA测序数据和PUMCH患者的qRTPCR数据，通过应用StemnessSubtypePredictor，将患者分为两组。CGGA队列包括58名干性亚型患者（16.6%）和名干性亚型患者（83.4%）（图7D），而PUMCH队列包含28名干性亚型患者（73.7%）和10名干性亚型患者干性亚型II(26.3%)(图7F)。K-M生存分析表明，在CGGA和PUMCHGBM队列（图7E和G）中，与之前在TCGA队列中的结果一致。干性亚型也是GBM患者预后的独立预测因子。
04研究结论在这项研究中，对GBM患者进行转录组分析以评估他们的干性指数。随后，基于不同的干性特征，GBM患者被分为具有不同生存结果、功能注释和临床特征的两个亚型。然后，综合分析用于分析两种干性亚型患者的基因组变异、肿瘤微环境和免疫基因组模式的差异，还确定了免疫治疗和TMZ的不同益处。这种新的基于干性的分子分型为医生和GBM患者提供个性化的生存预测和更好的治疗选择。
小结文章从肿瘤计算干性指数出发，后续分析完整，将生信这个工具的能力充分发挥，是我们学习不可多得的优秀模板！
预览时标签不可点收录于话题#个上一篇下一篇
