最新的7分预后模型有什么特别之处？
请扫描下方二维码
发表杂志：Cancer Immunol Immunother.
影响因子：6.964
研究背景
流程图：
分析解读：
差异表达分析
①从UCSCXena癌症基因组图谱TCGA-LUAD队列下载LUAD患者的转录组测序数据和临床信息。
②从ImmPort数据库下载IRGs列表。
③分析LUAD和相应正常组织之间的差异表达基因。差异表达的IRGs是总IRGs和差异表达基因之间的交集。
结果：
下图A：肿瘤和正常肺组织之间差异表达基因的火山图。
下图B：差异表达基因与免疫相关基因交叉的维恩图。
富集分析
使用在线工具DAVID数据库进行了通路和功能富集分析。
结果：
下图C：KEGG通路富集分析。
下图D：基因本体富集分析。BP生物过程；CC细胞组分；MF分子功能
构建并验证IRG相关的免疫模型
①将TCGA-LUAD患者随机分为训练集（所有患者2/3）和测试集（所有患者1/3）。
②训练集来识别预后相关的免疫基因并构建预后风险模型，测试集和总患者数据验证模型的预测能力和稳健性。
③单变量Cox比例风险回归筛选与预后相关的免疫基因。
④使用glmnet包进行最小绝对收缩和选择算子(LASSO)分析。
⑤经LASSO模型过滤后，选取的基因通过多变量Cox比例风险回归构建免疫相关风险模型：评分越低，预后越好。
⑥以风险评分中位数为临界值，将患者分为高危组和低危组。
⑦通过Kaplan-Meier生存曲线计算预测能力。
⑧使用ROC曲线评估免疫模型的预测能力。
结果：LASSO分析和森林图展示了17个免疫相关基因的多变量Cox模型结果
下图A：LASSO模型中调整参数选择的交叉验证。
下图B：32个预后免疫相关基因的LASSO系数谱。
下图C：显示多变量Cox模型结果的森林图。
结果：在训练集中构建17个免疫相关基因模型
下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。
下图B：ROC曲线图。
下图C：风险评分的分布。
下图D：风险评分与生存时间之间的关系。
下图E：高低危评分组中17个免疫相关基因的表达模式。
结果：验证测试集中的17种免疫相关基因模型
下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。
下图B：ROC曲线图。
下图C：风险评分的分布。
下图D：风险评分与生存时间之间的关系。
下图E：高低危评分组17个免疫相关基因的表达模式。
结果：验证总数据集中的17个免疫相关基因模型
下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。
下图B：ROC曲线图。
下图C：风险评分的分布。
下图D：风险评分与生存时间之间的关系。
下图E：高低危评分组17个免疫相关基因的表达模式。
临床相关性分析
①单变量Cox回归分析：评估患者临床病理因素和免疫特征风险评分对全部患者OS的影响。
②多变量Cox回归分析：验证17-IRG模型的风险评分是一个独立的预后因素。
③分析17-IRG模型与患者临床病理参数之间的关系。
结果：
下图：免疫模型与患者临床病理参数之间的关系。A肿瘤负担。B肿瘤大小。C淋巴结状态。D远处转移。E TNM阶段。F诊断年龄
肿瘤免疫微环境
①基于CIBERSORT算法计算了每个LUAD样本中22种免疫细胞的比例。
②比较高风险评分组和低风险评分组之间免疫细胞比例的差异。
结果：肿瘤浸润免疫细胞与风险评分以及患者总体生存率之间的关系。
下图：肿瘤浸润免疫细胞与（A）免疫风险之间的关联以及总存活率与(B)巨噬细胞(M0)、(C)滤泡辅助T细胞、(D)浆细胞、(E)静息肥大细胞之间的关联。
肿瘤突变负荷以及患者对ICI的反应
①LUAD患者的体细胞突变数据通过“maftools”包进行分析和可视化。
②计算每位患者的TMB（每百万个碱基的突变）。
③使用两种IPS值亚型（IPS-PD-1/PD-L1/PD-L2_pos和IPS-CTLA-4_pos）作为LUAD患者的替代品'对抗PD-1/PD-L1和抗CTLA-4治疗的反应。
④比较高风险评分组和低风险评分组中免疫检查点及其配体的mRNA水平。
结果：
下图A：低危和高危组LUAD患者的突变谱。
下图B：低危组和高危组之间肿瘤突变负荷的差异。
下图C：肿瘤突变负荷与患者总生存期的关联。
下图D-E：低风险评分组和高风险评分组对抗PD-1/PD-L1和抗CTLA-4治疗反应的相对概率。
下图：(F)PD-L1、(J)PD-1和(H)CTLA-4在低危和高危组中的表达。
小结：