生信小课堂
大家好，今天要和大家分享的是2021年8月发表的一篇文章：“Identification of Immune Cell Infiltration Landscape and Their Prognostic Significance in Uveal Melanoma”。
葡萄膜黑色素瘤(UVM)是成人中最常见的原发性眼内癌。越来越多的证据表明，免疫细胞浸润(ICI)在预测肿瘤患者预后和治疗效果方面至关重要。本项研究从癌症基因组图谱(TCGA)和基因表达综合(GEO)数据库中获取UVM患者的基因表达数据和临床信息。使用CIBERSORT和ESTIMATE算法分析了UVM的ICI情况。此外，作者还通过主成分分析计算ICI分数并估计了高低ICI评分组与肿瘤突变负荷(TMB)的关联。同时，作者还研究了将ICI评分应用于UVM中不同性别和年龄段的可行性以及对免疫治疗效果的反应。这项研究表明在UVM中ICI评分是一个独立的预后生物标志物，在预测免疫治疗结果方面具有一定价值。
发表杂志：Front Cell Dev Biol.
影响因子：6.682
该思路可重复，需要做该思路的分析欢迎交流。
研究背景
葡萄膜黑色素瘤(UVM)是一种侵袭性的原发性眼内癌，是成年人中最多见的一种恶性眼内肿瘤，在国外其发病率占眼内肿瘤的首位，在国内则仅次于视网膜母细胞瘤。UVM有很强的从眼睛转移到其他器官的倾向。研究表明，UVM患者在疾病早期会发生转移，转移进展患者的中位生存期为4至15个月。不幸的是，现有疗法不足以治疗远处转移。在过去的几十年里，靶向疗法和免疫疗法已被证明对多种类型的癌症有效。肿瘤浸润淋巴细胞(TIL)的密度与转移性UVM的发展密切相关。此外，遗传或表观遗传改变涉及UVM的肿瘤发生和进展，并可影响微环境的改变。
流程图
分析解读：
数据收集
①UCSC Xena下载来自TCGA数据库的总共80个UVM样本数据集，包括基因表达数据、临床数据和突变数据。
②从GEO数据库下载总共63个样本的GSE22138数据集。
③从TCGA-UVM和GSE22138数据集中提取基因表达数据并构建数据矩阵。
免疫细胞浸润分析
①使用CIBERSORT算法估计TCGA-UVM和GSE22138数据集中22种免疫细胞的比例。
②通过ESTIMATE计算每个UVM样品的免疫和基质评分。
③使用共识聚类方法将TCGA-UVM和GSE22138中的患者分类为不同ICI亚型。
结果：
下图A：条形图显示TCGA和GEO数据集中基于CIBERSORT算法的22种免疫浸润细胞的比例。
下图B：22种免疫浸润细胞的相关矩阵。免疫细胞部分呈正相关并以红色表示，而其他部分呈负相关并以蓝色表示。
下图C：k=2时亚型聚类的delta面积显着减少，当k>2时，delta面积进入平台期。
下图D：不同ICI亚型的所有UVM患者的OS的Kaplan-Meier曲线。
下图E：UVM队列中ICI的无监督聚类和层次聚类。
下图F：不同ICI亚型中肿瘤免疫浸润细胞的比例。
结果：UVM不同ICI亚型中免疫检查点相关基因的表达水平（下图）。
UVM中免疫相关基因亚型的鉴定
①根据CIBERSORT分析的结果将所有UVM患者分为不同的ICI亚型。
②进行差异基因分析识别不同ICI亚型之间的DEG。
③对DEG进行无监督聚类以选择最佳基因簇数。
④分析每个ICI基因簇中免疫检查点相关基因的表达。
⑤使用Kaplan-Meier进行ICI基因簇的预后分析。
⑥将与ICI基因簇特征正相关或负相关的DEG表达水平分为两个亚组并进行GO富集分析。
结果：
下图A：k=3时所有UVM队列的共识矩阵。
下图B：UVM队列中DEG的无监督聚类和层次聚类，将患者分为三组：基因簇A-C。
下图C：ICI基因簇中肿瘤浸润免疫细胞的比例。
下图D：UVM患者三个基因簇的Kaplan-Meier曲线。
下图E-F：两个ICI相关特征基因的GO富集分析：ICI特征基因A(E)和B(F)。
结果：UVM不同ICI基因亚型中免疫检查点相关基因的表达水平。
计算ICI分数
①使用主成分分析（PCA）计算ICI评分（ICI分数=ΣPCIA-ΣPCIB）。
②根据中位风险评分将TCGA-UVM和GSE22138队列分为高和低ICI组。
③将ICI评分与生存数据整合来评估它们的预后意义。
④分析高和低ICI评分组的免疫活性和趋化因子谱。
⑤对ICI评分基因特征进行GSEA富集分析。
结果：
下图A：具有不同ICI簇、ICI分数和生存结果的组中ICI基因簇的冲积图。
下图B：TCGA-UVM和GSE22138队列中UVM患者高和低ICI评分的Kaplan-Meier曲线。
下图C-D：TCGA-UVM(C)和GSE22138队列(D)中UVM患者高和低ICI评分的Kaplan-Meier曲线。
下图E：免疫抑制特征基因、免疫刺激特征基因和趋化因子特征基因在高和低ICI评分亚组中。
下图F：高和低ICI分数亚组之间的KEGG富集结果。
ICI评分与肿瘤突变负荷
①比较高和低ICI评分组的TMB差异。
②分析患者预后与TMB水平之间的相关性。
③研究UVM队列中ICI评分对TMB的影响。
④分析TMB在高和低ICI分数组中的分布。
结果：
下图A：UVM患者高和低TMB的Kaplan-Meier曲线。
下图B：TMB和ICI评分亚组中UVM患者的Kaplan-Meier曲线。
下图C-D：oncoPrint由UVM患者的高(C)和低ICI评分(D)构建。
ICI评分与性别和年龄的相关性
①评估ICI评分对不同性别和不同年龄段的预后影响。
结果：
下图A-B：分别为TCGA-UVM和GSE22138队列中女性（A）和男性（B）UVM患者的高和低ICI评分的Kaplan-Meier曲线。
下图C-D：分别在TCGA-UVM和GSE22138队列中，年龄≤65（C）和年龄>65（D）的UVM患者的高和低ICI评分的Kaplan-Meier曲线。
ICI评分预测免疫治疗效果
①下载并分析来自TCGA-SKCM队列中各种类型免疫疗法治疗的患者和接受MAGE-3抗原免疫疗法治疗的晚期黑色素瘤患者的两个转录组数据集，以确定ICI评分的预测价值。
②分析TCGA-SKCM队列中每组的免疫抑制、免疫刺激和免疫检查点相关基因。
③验证ICI评分在接受抗MAGE-A3抗原特异性癌症免疫疗法治疗的SKCM患者中的预测价值。
结果：
下图A：TCGA-SKCM中皮肤黑色素瘤患者高和低ICI评分的Kaplan-Meier曲线。
下图B：SKCM不同ICI评分亚型中免疫检查点相关基因的表达水平。
下图C：抗MAGE-A3免疫治疗队列中应答者与非应答者的ICI评分（箱线图中显示了中位数、四分位距和最小值/最大值）。
小结：
在这项研究中，作者使用癌症基因组图谱(TCGA)和基因表达综合(GEO)数据库以及CIBERSORT和ESTIMATE算法探索了UVM中的免疫细胞浸润情况。通过主成分分析计算ICI评分并估计了UVM患者的预后。此外，作者还探索了高低ICI评分组与TMB的关联以及对免疫治疗的预测效果。研究结果表明，ICI评分为UVM患者提供了可靠的预后生物标志物，并预测了对ICB治疗的反应。
网友评论