免疫评分建模4.8分纯生信发文思路

文章题目：A three-gene signature based on tumour microenvironment predicts overall survival of osteosarcoma in adolescents and young adults

研究背景：

目前尚无明确且临床上适用的骨肉瘤预后指标。因此，本研究有望基于TME相关基因建立新的预测模型，并评估其在评估骨肉瘤结果中的作用，为将来的进一步研究提供参考。

研究方法：

从UCSC Xena网站下载相关TARGET骨肉瘤患者的基因表达谱和临床数据。其中，共有82名25岁以下且存活超过1个月的患者。GSE21257数据库用作验证，包括53位骨肉瘤患者及其临床信息（年龄，性别，组织学亚型和huvos等级，肿瘤位置，诊断转移和生存率）。所有样品均取自原发灶，并通过微阵列检测基因表达谱。验证集GSE21257的表达矩阵数据是从GEO数据库下载的，R包“ limma”用于质量控制和标准化。计算具有多个探针的基因的基因表达值作为探针的平均值。

研究结果：

分析了两组之间的差异表达基因（DEG），得到122个DEG。最后，通过多因素Cox分析从122个DEG中获得了具有最小AIC值的三个基因（COCH，MYOM2和PDE1B）。三基因风险模型（3-GRM）可以从训练（TARGET）和验证（GSE21257）队列中区分高风险患者。此外，建立了包含3-GRM评分的列线图模型并开发了临床特征，其中预测1、3和5年生存率的AUC值分别为0.971、0.853和0.818。此外，在3-GRM高分组中，浸润性免疫细胞的富集度显着降低，免疫相关途径被显着抑制。

研究结论：

总之，该模型可以用作预测青少年和年轻人中骨肉瘤患者的生存的标志。

分析思路：

1、将免疫评分和基质评分分别分为高分组（high）和低分组（low），然后合并生存数据进行生存分析，查看预后价值

2、将分好组（high vs  low）的免疫评分和基质评分合并基因矩阵进行差异分析，得到相关的差异基因，然后将它们的差异基因取交集，得到122个基因，再进行GO、KEGG富集分析

3、将122个基因进行批量单因素cox回归分析，一共筛选32个有显著性的基因，然后用lasso 回归进一步筛选并结合因素的重要性，最后得到3个基因进行多因素Cox回归分析

4、将上述模型得到的风险评分进行生存分析，并且绘制ROC曲线评估模型以及绘制相关的热图

5、将风险评分结合临床因素构建模型，验证风险评分是否具有独立的预后价值，绘制相关的森林图。

6、使用GEO数据验证模型

7、分析风险评分与免疫评分、基质评分、肿瘤浸润免疫细胞的相关性

8、从IMMPORT下载相关的免疫基因，进行差异分析，得到的差异基因来做GO、KEGG富集分析，然后进行免疫相关信号途径的比较

9、风险评分与临床病理特征建模绘制列线图

本文的亮点就是结合研究热点免疫评分进行分析，三个基因的模型都是阳性结果，并且有额外的GEO数据可以验证，这就是优势所在。