大家好，今天要和大家分享的是2021年10月发表的一篇章：“Development and Verification of the Hypoxia- and Immune-Associated Prognostic Signature for Pancreatic Ductal Adenocarcinoma”。
在本项研究中，作者构建了一个乏氧和免疫相关的风险评分模型来预测胰腺癌(PDAC)患者的预后。首先，作者通过TCGA和GTEx数据集筛选出682个乏氧和528个免疫相关的PDAC差异表达基因（DEG）。随后，作者通过Cox回归和LASSO回归构建了一个7基因风险评分模型，该模型的可靠性在GEO和ICGC队列中得到进一步验证。结果表明，低风险组患者的总生存率(OS)显著优于高风险组。临床相关性分析也表明，本研究构建的预后模型可以作为独立预后因子。此外，通过CIBERSORT和ESTIMATE算法，作者还发现高风险组与低风险组患者相比，免疫评分、基质评分和免疫检查点表达（如PD-L1）较低。
发表杂志：Front Immunol.
影响因子：7.561
研究背景
胰腺癌(PDAC)在全球癌症死亡人数中排名第七。此外，PDAC患者5年总生存率（OS）率仅为5%。乏氧是肿瘤微环境的主要特征，胰腺癌的快速增殖容易引起氧应激，逐渐形成乏氧微环境。在乏氧条件下，各种分子和信号通路被激活，包括介导细胞表型变化的低氧诱导因子1α(HIF-1α)。同时，乏氧会增强PDAC的增殖、转移以及对放疗和化疗的抵抗力，通过诱导侵袭和耐药性等恶性表型影响PDAC患者的预后。此外，肿瘤细胞和免疫微环境成分之间的相互作用是肿瘤进展和对免疫治疗反应的关键。越来越多的证据表明，乏氧与PDAC免疫微环境中的状态呈直接或间接相互作用关系，但该机制尚未得到充分研究。因此，只有正确解决这些乏氧-免疫相互作用问题，应用于PDAC的免疫疗法才能更好的获益于临床。
流程图
15)]
乏氧基因聚类分析
①乏氧相关差异表达基因的无监督聚类生成两个不同的乏氧组。
②利用Kaplan-Meier比较高缺氧组和低缺氧组的预后情况。
结果：
下图A-C：根据无监督聚类分析，以确定不同的乏氧模式并将患者分为两组。
下图D：乏氧程度高的患者与乏氧程度低的患者相比预后较差。
乏氧和免疫相关的差异表达基因
①收集TCGA和GTEx数据集中胰腺癌的乏氧和免疫相关差异表达基因（DEG）并进行富集分析。
结果：
下图A-B：PDAC中差异表达基因的热图(A)和火山图(B)。
下图C：乏氧相关DEG的前20个GO分析结果。
下图D：乏氧相关DEG的前20条最丰富的KEGG通路。
下图E：免疫相关DEG的前20个GO分析结果。
下图F：免疫相关DEG的前20条最丰富的KEGG通路。
乏氧和免疫相关风险评分模型的构建与验证
①将乏氧相关的DEG与免疫相关的DEG相交，共筛选了72个基因用于后续分析。
②通过单变量Cox回归分析确定了22个DEG，之后通过多变量Cox回归分析和LASSO回归选择了7个基因来构建预后模型。
③计算风险评分，并根据中值将PDAC患者分为高风险组或低风险组并进行生存分析验证。
结果：
下图A-B：LASSO系数及参数调整。
下图C：7个选定基因的系数。
下图D：根据TCGA PDAC数据构建的风险预后模型。
下图E：根据TCGA PDAC数据构建的风险预后模型的风险评分和OS分布。
下图F：根据TCGA PDAC数据构建的风险预后模型的ROC曲线验证。
下图G-I：GEO验证集（GSE28735和GSE62452）风险预后模型的构建及验证。
下图J-L：ICGC验证集风险预后模型的构建及验证。
7****个模型基因的独立预后分析
①通过单变量COX回归分析和Kaplan-Meier生存曲线以评估每个特征基因的预后价值。
结果：
下图A：基于TCGA数据的单变量Cox回归分析的森林图。
下图B：无监督聚类的乏氧和免疫相关DEG热图。
下图C-I：乏氧和免疫相关DEG表达的Kaplan-Meier生存曲线分析图。
风险模型与临床特征的相关性分析
①分析高低风险组与临床特征的相关性。
②构建列线图通过3个独立预后因素来预测患者的总生存期。
结果：
下图A-H：风险评分与肿瘤原发灶（A）、分期（B）、分级（C）显著相关，与主要治疗（D）、肿瘤部位（E）、年龄（F）、肿瘤大小（G）和淋巴结浸润（H）无显著相关性。
下图I-J：(I)单变量COX生存分析和(J)多变量COX生存分析。
下图K：诺模图预测PDAC患者的OS。
下图L-N：校准图表明列线图可以准确估计死亡率。
下图O-Q：对于1年、2年和3年OS，列线图的AUC分别为0.76、0.80和0.82。
风险评分模型中乏氧和免疫基因集的富集分析
①通过GSEA通路富集分析验证风险模型在乏氧和免疫中的功能。
结果：
下图A-C：3个乏氧相关基因集在高危组中富集。
下图D-I：在6个免疫相关基因组中，3个在高风险组中富集（D-F），另外3个在低风险组中富集（G-I）。
风险评分模型与免疫浸润
①通过CIBERSORT和ESTIMATE算法分析预后风险评分模型与免疫浸润的关系。
②绘制箱线图分析高危组和低危组之间常见免疫检查点的表达状态。
结果：
下图A：高低风险评分组对22种免疫细胞浸润程度的分析。
下图B：高风险组的免疫检查点表达水平也显著低于低风险组。
下图C-H：与低风险组相比，高风险组的基质和免疫评分较低。
下图I-P：在T3、T4、Stage2、N1和Grade2中，高风险组的免疫评分和基质评分显著低于低风险组。
风险评分模型与****PDAC****突变
①收集体细胞突变数据（TCGA GDC），并绘制瀑布图描绘高风险和低风险组PDAC患者的突变情况。
结果：
下图A-B：来自TCGA数据库的PDAC患者基因突变频率，展现高危组(A)和低危组(B)与突变之间的相关性。
小结：
在这项研究中，作者通过系统分析构建了一个乏氧和免疫相关的预后风险评分模型，并对模型的可靠性进行了验证，最后，作者分析了高低风险评分组与免疫浸润和PDAC突变之间的联系。结果证实，乏氧和免疫微环境之间的相互作用对PDAC具有一定的预后意义。
网友评论