|
各位小伙伴们大家好，这里是准时给大家带来文献分享的船长，专为大家提供独特而前沿的研究选题、分析思路和生信分析，这不，今天船长就给大家分享一篇聚焦膀胱癌且生信成分超高的文章，生信小白们一定要学起来！除此之外，船长还注意到这篇文章在3月15日投稿，4月28就接受了，不到2个月就接收了，妥妥发文神器呀~
今天船长就带你了解泌尿系统“头号杀手”，膀胱癌是泌尿系统最常见的恶性肿瘤，发病率居泌尿系统恶性肿瘤的首位。但它又被称为“最善的癌”，因为具有发现早、治疗及时、生存率相对比较高的特点，甚至早期膀胱癌五年生存率可高达80%-90%以上。话不多说，快来跟船长一起看看吧：1、多组学与生信分析的综合应用：该研究通过整合空间转录组学、批量RNA测序和单细胞RNA测序数据，提供了对膀胱癌肿瘤微环境的全面分析。应用了多种生物信息学工具进行数据预处理、降维和聚类，以及MOVICS算法进行分子亚型分析。 2、机器学习在预后模型构建中的应用：使用CoxBoost等机器学习算法，构建了一个能够准确预测患者长期生存结果的预后模型，通过集成不同聚类算法，增强了模型的稳健性和对患者分子亚型的区分能力。综合来看，通过综合分析和机器学习算法，探究了高内皮静脉（HEV）在膀胱癌（BCa）免疫治疗中的预后价值和预测效能~ ps：船长持续给大家带来最新的科研资讯~方案设计有困难？有数据却无从下手？上层建筑（生信）决定下层基础（实验）。快来船长这里多学习，超多新颖的分析思路供你参考 |
定制生信分析
云服务器租赁 加好友备注“99”领取试用 后台回复321获取原文献，文献编号20240704 |
|
| 题目：多种转录组学方法和机器学习整合算法的综合分析揭示高内皮微静脉是癌症预后免疫相关生物标志物 杂志：International Immunopharmacology |
| 膀胱癌患者常用的化疗方案以顺铂为基础，但经常遇到获得性耐药的问题，这限制了治疗效果。虽然免疫治疗为膀胱癌治疗提供了新的选择，但其益处主要局限于一部分患者，并非所有患者均能受益。为了提高免疫治疗的疗效，需要进一步探索能够增强免疫反应或解除免疫抑制的新靶点。尽管HEV在其他癌症中的研究显示其与较好的预后相关，但在膀胱癌中的具体作用和重要性尚需进一步研究。与此同时，肿瘤微环境的复杂性对治疗响应有重要影响，但目前对其中的具体机制和细胞间相互作用的理解还不够深入。这篇文章通过综合利用批量RNA测序、单细胞RNA测序和空间转录组学数据，结合机器学习算法，探索了高内皮静脉（HEV）在膀胱癌免疫治疗中的潜在作用。研究首先通过ssGSEA分析确定HEV与膀胱癌患者预后的相关性，然后通过多组学数据识别与HEV相关的基因（HEV.RGs），并使用多种聚类算法对患者进行分子分型。进一步地，研究构建了一个基于机器学习算法的预后模型，筛选出LDLRAD3基因作为可能影响HEV形成和免疫治疗效果的潜在靶点，并通过动物模型实验进行了功能验证。下图为研究流程图： |
|
| | | | | | | TCGA-BLCA数据集中的样本被分为TLS_High和TLS_Low两组 | | | | | | | | |
|
主要结果1.HEV 在 BCa 中的预后价值及其对免疫治疗反应和疗效预测价值的探讨研究者通过文献研究获得了可靠的肿瘤相关高内皮静脉（TU-HEV）基因签名，并构建了HEV ssGSEA评分。在对BCa患者进行的分析中，虽然HEV的ssGSEA评分在评估患者总体生存（OS）时未显示出统计学意义（图1A），但在接受免疫治疗的患者中，较高的HEV ssGSEA评分则显示出与更好的预后相关联（图1B和1C）。在另外两个接受免疫治疗的患者队列中，尽管分析结果没有显示出显著的统计学差异，但也呈现了一致的趋势（图1D和1E）。此外，研究结果表明，较高的HEV ssGSEA评分预测了更好的免疫反应（图1F和1G）。研究者还分析了HEV ssGSEA评分与临床特征之间的相关性。随着肿瘤分级、分期和T分期的增加，HEV ssGSEA评分似乎呈上升趋势（图1H至1L）。 |
![]()
图1 HEV在BCa中的预后价值及其对免疫治疗反应和疗效预测价值的探讨 |
| 2.使用各种转录组学方法选择BCa中的HEV.RGs研究者采用了多种转录组学分析方法，首先关注整个肿瘤微环境（TME），基于空间转录组学和批量RNA测序数据，识别了与HEV相关的标记基因和差异基因。空间转录组学数据经过质量控制和处理后（图2A-C），进行了降维和聚类分析（图2D,E），识别出一个与HEV密切相关的细胞簇，即cluster 0。进一步的映射分析显示，HEV标记基因的高表达区域与cluster 0重叠，确认了cluster 0是一个与HEV相关的细胞簇（图2F-K）。随后从cluster 0中提取了标记基因，命名为Geneset1。接着，将TCGA-BLCA病理切片数据分为TLS_High和TLS_Low两组，并识别出两组间的差异基因Geneset2（图2L）。为了增加所获得基因的可信度，研究者将Geneset1与Geneset2取交集。这部分分析强调了影响HEV的外部因素。 然后，基于血内皮细胞（BEC）和高内皮静脉内皮细胞（HEC）的单细胞数据，识别出与HEV相关的细胞簇（cluster 0和cluster 3），并获取了相应的标记基因Geneset3（图2M-O）。这部分分析强调了影响HEV的内部因素。最后，将内部和外部部分获得的基因合并，并进行uniCox分析，最终鉴定出73个与预后相关的HEV.RGs（图2P）。 |
![]()
图2 应用转录组学方法筛选BCa中的HEV. RGs |
| 研究者使用一个集成了十种聚类方法的算法来评估HEV.RGs区分BCa分子亚型的能力。当聚类数设置为两个时，聚类预测指数（CPI）和间隙统计得分最高，表明应该预设两个聚类（图3 A）。聚类热图显示了十个算法在区分两个聚类时的高度一致性（图3 B）。而轮廓分析（Silhouette analysis）进一步确认了聚类结果的稳健性（图3 C）。 HEV.RGs可以将BCa患者分为两个聚类：cluster1（CS1）和cluster2（CS2）。这两个聚类在不同的组学特征上表现出不同的分子和临床特征（图3 D, E）。基于两个簇之间上调和下调基因的重组，也观察到显着不同的临床特征（图3 F, G）。与CS1相比，CS2显示出更长的生存期（图3 H）。对两个聚类进一步分析后揭示了不同的富集趋势。例如，适应性免疫反应等与免疫相关的通路在CS1中富集（图3 I）。与CS2相比，CS1表现出更高水平的免疫细胞表达，这通常与更高水平的HEV形成相关（图3 J）。在HEV ssGSEA分析和之前的研究中观察到肿瘤晚期和高水平HEV之间的相关性，这可能解释了为什么预后较差的CS1表现出更活跃的免疫细胞丰度。另一方面，CS1中观察到更高的TP53突变率，这表明突变背景更活跃（图3 K）。此外，研究者预测了两个聚类中患者对化疗药物的敏感性，结果显示CS1中患者对顺铂和吉西他滨更敏感（图3 L, M）。总结来说，基于HEV.RGs的分子亚型可以将BCa患者区分为CS1和CS2人群，其中CS2患者有更好的预后，CS1患者表现出更活跃的免疫细胞表达，并且CS1患者可能更多地从顺铂和吉西他滨化疗中受益。 |
![]()
|
| 4.利用多机器学习集成算法构建预测模型及 LDLRAD3的选择研究者使用多种机器学习集成算法来构建模型和筛选基因，TCGA-BLCA队列提供了训练集，另外六个GEO队列用作验证集。最终模型采用CoxBoost算法构建，该算法具有最高的C指数（0.626），能够准确预测患者六个月、一年、三年、五年、七年和十年的生存结果，并且具有高AUC值（图4 A和4 B）。模型显示出对长期生存的良好预测性能，十年AUC达到了0.87。算法筛选后，共获得了26个模型基因（图4 C）。基于风险评分分组，发现低风险组患者有更好的生存结果。随后对高风险和低风险评分组的临床特征、免疫浸润和基因突变进行了后续分析。更高的风险评分与更高的肿瘤T分期、N分期和M分期相关（图4 E-G）。随着风险评分的增加，患者的分期和分级也增加（图4 H, I）。免疫浸润分析结果显示，高风险组有更高的M2型巨噬细胞富集水平，这种巨噬细胞亚型与促进肿瘤生长和侵袭有关。此外，与增强宿主免疫反应相关的某些细胞，如CD8 T细胞和滤泡辅助T细胞，在低风险组中表现出更高的表达趋势（图4 J）。对两组间的基因突变分析比较后，研究者发现高风险组中TP53突变率更高，这表明存在活跃的突变背景（图4 K）。总结来说，基于HEV.RGs，使用多种机器学习集成算法构建的模型能够准确预测膀胱癌患者的预后。 鉴于HEV ssGSEA分析显示HEV是接受免疫治疗的膀胱癌患者的免疫反应和预后生物标志物，因此研究者对模型基因进行了进一步筛选，以确定潜在的研究目标。首先根据模型基因的表达水平，将IMvigor210数据集分为高表达组和低表达组，并在两组之间进行生存分析，筛选出了具有生存差异的基因。然后，使用接受免疫治疗的外部队列进行了全面的验证，最终鉴定出基因LDLRAD3。 |
![]()
图4 基于多种机器学习集成算法的预测模型构建及 LDLRAD3的选择 |
| 5.LDLRAD3相关的bulk RNA-seq和scRNA-seq分析在BCa患者中，研究者发现LDLRAD3的高表达是不良预后因素，与总体生存（OS）呈负相关（图5 A）。而在免疫治疗相关队列中，LDLRAD3表达较低的BCa患者则显示出更好的预后和更高的免疫反应（图5 B, C）。LDLRAD3与PD-L1表达呈显著正相关，这表明LDLRAD3可能影响PD-L1的表达或活性，进而影响肿瘤免疫逃逸（图5 F, G）。随后研究者进行了通路分析，Hallmark和KEGG分析显示LDLRAD3与免疫和血管内皮相关的通路富集，如炎症反应、血管生成、细胞因子-细胞因子受体相互作用以及趋化因子信号通路（图5 H, I）。在BCa中，LDLRAD3与癌相关成纤维细胞（CAFs）和巨噬细胞呈正相关，与CD4 T细胞呈负相关，这些细胞类型分别对肿瘤发展和免疫反应有促进和抑制作用（图5 J）。LDLRAD3在内皮细胞中表达显著，提示其可能对高内皮静脉（HEV）形成有影响（图5 K）。LDLRAD3与PD-L1的细胞间通信显示，LDLRAD3高水平表达的内皮细胞与PD-L1高水平表达的上皮细胞之间存在双向相互作用，LDLRAD3通过THBS1介导的信号通路与PD-L1通信，并可能影响免疫细胞对PD-L1的识别和反应（图5 L–O）。研究者最终的结论为，LDLRAD3的低表达与BCa患者在接受免疫治疗时更好的免疫反应和预后相关，且LDLRAD3主要在内皮细胞中表达，可能通过影响HEV形成来调节肿瘤免疫微环境。在接下来的实验验证中，研究者发现LDLRAD3在膀胱癌肿瘤区域表达较高，并通过小鼠模型实验观察到，使用LIGHT-VTP诱导HEV后，LDLRAD3的表达水平下降，这暗示了LDLRAD3表达降低可能与增加的HEV形成有关，进而可能提高免疫治疗效果。 |
![]()
图5 LDLRAD3相关的bulk RNA-seq和scRNA-seq分析 |
文章小结研究首先利用空间转录组学、批量RNA测序和单细胞RNA测序数据，通过质量控制和降维聚类分析，识别出与HEV密切相关的细胞簇和标记基因。接着，通过集成不同聚类算法，成功区分了具有不同临床和分子特征的BCa患者亚型。进一步地，利用多种机器学习算法构建的预后模型，准确预测了患者的生存结果，其中CoxBoost算法显示出最高的预测准确性。前面一系列生信分析筛选出LDLRAD3基因作为潜在的免疫治疗反应和预后生物标志物，并通过体内外实验验证了其在调控HEV形成中的作用，就这样很完美的讲述了一个故事！如何能让你的文章做的跟这篇一样精彩？如何正确的从测序结果中找到你的靶点？如果你也有idea却无从下手，又或是有数据却不知如何分析，都欢迎来找船长交流想法，无论是生信分析还是实验设计，船长都可以帮你解忧释惑，我在等风，也在等你~船长可以为您提供以下服务哦：评估思路（免费)、生信分析、方案设计、服务器租赁、特色数据库搭建等！欢迎大家扫码咨询，有问必答！ |
