大家好，今天给大家分享一篇有点不一样的肿瘤浸润文章，有3个值得学习的地方：1、不再以基因而是直接根据免疫浸润细胞构建signature，且也不是传统的lasso-cox回归模型了、2多数据集分析（TCGA+ICGC+GEO）、应用signature对TCGA其它癌症进行了刻画，这工作量瞬间上升了。如果你中意，欢迎咨询细节！
胰腺导管癌（PDAC）肿瘤浸润免疫细胞特征和预后
研究概述|研究希望建立肿瘤浸润免疫细胞特征的预后模型，提高PDAC患者的生存预测能力增加治疗效果。
数据概览|4个不同队列共661例PDAC患者生存数据，作为训练集。另外2个队列188例患者作为验证数据。（TCGA+ICGC+GEO）
分析亮点|肿瘤浸润免疫细胞计算和泛癌验证
下面将以观点分析和数据结果阐述：
据统计，90%的胰腺癌为胰腺导管癌。并且多年治疗没有实质性的改善，主要原因是PDAC具有高侵略性肿瘤， 7%患者只有5年左右存活率，20%患者却只有1年。因此有必要了解侵袭性PDAC预后特征以及肿瘤微环境特点，分析肿瘤浸润性免疫细胞，建立肿瘤免疫细胞评分(TICS)，帮助建立肿瘤浸润免疫细胞特征的预后模型，提高PDAC患者的生存预测能力增加治疗效果。
话不多说，看看这篇文章做了哪些研究准备。
首先，所有的PDAC转录组和临床数据均来自TCGA、ICGC和GEO数据库。TCGA-PAAD-US (n = 146)， ICGCPACA-AU (n = 267)， ICGC-PACA-CA (n = 182)，和GSE62452 (n = 66)被纳入训练队列。另外两个独立的组群:GSE71729 (n = 125)和使用GSE57495 (n = 63)作为外部验证队列，如图1所示。
图1，研究设计和模型开发的示意图
接着，采用单样本基因集富集分析(single sample gene set enrichment analysis, ssGSEA)算法定量PDAC患者肿瘤浸润免疫细胞的相对丰度。
图2，肿瘤浸润免疫细胞评分(TICS)的建立
为了检测TICS在PDAC患者中的预后价值，文章采用Cox比例风险回归分析探讨28种免疫细胞的预后评价。每一个免疫细胞按中位数分层分为两组。使用基于荟萃分析的固定效应模型估计每个免疫细胞CI为95%的混合风险比(HR)。与免疫细胞相比，与预后显著相关的混合HRs和标准估计数(SE)被整合为预后免疫细胞重量并生成TICS。
其中28个浸润的免疫细胞，包括适应性免疫细胞和先天免疫细胞。在训练组中，28个免疫细胞之间存在很强的相关性(图2A, P < 0.05)。CD4 T细胞和中性粒细胞活化是PDAC患者的危险因素(均为HR > 1, P < 0.05)，单核细胞、活化的B细胞、巨噬细胞和Th17是PDAC患者预后的保护因素(均为HR < 1, P < 0.05)(图2B)。然后作者根据六种肿瘤浸润免疫细胞的相对丰度为每个病人建立了TICS。在训练队列中，通过time-dependent-ROC分析，TICS对生存的预测能力优于其他单独的6个单一免疫细胞(图2C,P < 0.05)。还发现活化的B细胞、单核细胞、巨噬细胞和Th17细胞的表达水平与TICS呈正相关，而活化的CD4 T细胞和中性粒细胞的表达水平与TICS呈负相关(图2D, P均< 0.001)。将训练队列中的所有患者根据TICS cutoff值分为两组:高TICS组(n = 419)和低TICS亚组242例患者预后差异有统计学意义(log-rank检验，P < 0.001;图2 e)。
多因素分析显示，在训练组中，只有TICS被认为是OS的预后保护因子(图3A, P < 0.05)。同时，这一结论也可以在其他两个验证组中得到验证(图3A, P < 0.05)。根据在KM曲线上，我们发现TICS可以很容易地区分出4个训练组和2个外组中预后均不同的PDAC患者(图3B-G, P < 0.05)。并对TICS在泛癌的预后进行了验证，结果显示，TICS也能显著区分9/32例癌症的预后。泛癌分析的结果见下图3J。
图3，训练组和验证组中TICS模型的预后分析
为探讨不同的TICS亚群之间的生物学功能潜在差异。从“msigdb.v7.0”下载了96个免疫相关的功能注释基因集。“pathifier”R包来识别不同的TICS亚组间上调和下调的免疫相关词。“clusterProfiler”R包对TICS特征基因进行GO和KEGG注释。富集P值，并对FDR做Benjamini–Hochberg 矫正。
因此，将TCGA组146例患者分为高、低TICS组。探讨TICS亚组患者免疫状态、免疫检查点、趋化因子和主要组织相容性复合物的潜在差异在TCGA队列基础上收集并分析(MHC)基因(图4A)。校正后，特别是一些免疫检查点基因，如PDCD1LG2(PD-L2)，在高TICS亚组中，PDCD1(PD1)、CTLA4、LAG3、HAVCR2的表达相对较高TICS亚组(图4A, P均< 0.05)。相反，在趋化因子中，只有CXCL9在高TICS亚组中表达较高(图4A, P = 0.007)。在临床特征方面，在TCGA队列中，TICS亚组与临床参数之间无显著相关性(图4A)。TICS可以区分的预后TNM I-II期和III-IV期的PDAC(图4B, p均< 0.001)。
（图4，基于TICS的临床因素、免疫分子和免疫功能特征。）
另外，对TCGA队列中96个患者免疫相关基因集进行分析后发现，其中76个在TICS亚组间存在显著差异。其中，在高TICS组中，76个免疫相关基因中有51个上调，76个免疫相关基因中有25个下调（图4D）。提示我们TICS对PDAC患者免疫状态的影响是一个有显著相关性的预后评分。此外，在TCGA队列中，B细胞受体信号通路、细胞粘附分子和Th17细胞分化的免疫相关通路在高TICS患者中富集程度更高(图4E)。
这一步之后，可以对TICS亚群进行基因组特征分析。结合TCGA患者(n = 115)的体细胞突变进行进一步TMB分析。独特的TMB评分可以表明体细胞突变的低流行率。散点图显示,TICS与TMB负相关(图5 A, r =-0.278,P = 0.001)。低TMB和高TICS组预后最好，而高TMB和低TICS组预后最差(图5C, p < 0.05)。
（图5，TICS亚群的PDAC体细胞基因组特征）
根据TCGA和ICGC-PACA-CA队列的临床信息。首先，免疫细胞，免疫相关基因，比较两组完全缓解(CR)和非缓解(non-CR)患者的临床特征。结果表明，CR组和非CR组中，只有TICS (P = 0.004)和ImmuneScore (P = 0.014)在TCGA中有显著性差异。此外，CR患者的血压升高免疫相关基因和免疫细胞的趋势，但只有部分具有统计学意义(图6)。化疗与未进行化疗的患者相比，PDAC患者的预后明显改善(图6B,C, log-rank test，P < 0.001)。另外，50%TCGA和90%ICGCPACA-CA的患者在TICS亚组高CR值。同时，在两个队列中，低TICS组的CR患者所占比例都要低得多。CR组在TCGA组和ICGC-PACA-CA组中均有最高的TICS(图6E, P = 0.011，图6G, P = 0.005)。结合TICS和ImmuneScore进行预测接受化疗的PDAC患者的CR状况。与单独使用两种评分相比，联合评分在两组中对CR的预测效果最好(图6H, TCGA，曲线下面积= 0.710;图6I,ICGC-PACA-CA：AUC = 0.780)。
（图6，应用TICS进行药物敏感性预测）
写在最后|每次写到这个地方，都不知道怎么才能引导或者更简洁的表述给读者朋友们文章的思路。今天打算采用诱导式思维，帮助大家理解文章思路。首先数据依然是我们熟悉的数据库公用数据，但是在肿瘤转移方面，文章考虑到免疫浸润，也就是TME效应。这里引入了TICS评分。再从评分cutoff值划分预后差异组，进行基因功能注释，且预测效能在进行了泛癌验证。肿瘤中免疫细胞浸润复杂TME用于预测化疗反应。高剂量组的CR状态患者多于低剂量组。CR状态患者的TICS相对较高，说明化疗后获得CR的患者先前存在较强的免疫能力。
结果显示肿瘤浸润免疫细胞特征可以将PDAC患者分为不同的生存率亚群。这些特征也可用于识别可能从辅助化疗中获得更大益处的患者。TICS可作为辅助的个体化监测工具，在肿瘤免疫方面支持TNM预后分期。
网友评论