|
船长好久没分享泛癌相关思路了，刚好今天发现一篇11分的高分文章，就是做的泛癌。
大家都知道做泛癌涉及的数据量很大，这篇文章更是整合了80多个公共数据集（见下文数据来源），数据类型主要包括单细胞转录组测序和空间转录组测序数据。还应用了7+15种机器学习算法，最终也做了验证实验。可以说诚意满满，堪称泛癌文章的典范了：1.乳酸代谢相关签名（LM.SIG）的开发：研究者通过综合分析单细胞RNA测序数据，开发了一个新的乳酸代谢相关签名（LM.SIG）。这个签名能够反映肿瘤细胞中乳酸代谢的状态，并与免疫疗法的反应性密切相关。2.泛癌水平的免疫疗法反应预测：利用LM.SIG，研究者能够在泛癌水平上预测不同癌症患者对免疫疗法的反应。这一点通过多个机器学习(ML)算法在多个独立队列上进行了验证，显示了LM.SIG在不同癌症类型中的普适性和预测能力。3.LDHA作为新的治疗靶标的发现：研究者通过CRISPR筛选和功能验证实验，确定LDHA（乳酸脱氢酶A）为LM.SIG中最关键的基因，它在多种癌症中作为潜在的治疗靶标。LDHA的敲低被发现能够增强胰腺癌中的抗肿瘤免疫反应和免疫疗法的效果，这为癌症治疗提供了新的策略和靶点。 泛癌工作量大，分析过程中没做好记录一不小心就会搞乱，悲催一点得重头再来；技术难学，时间紧迫除不如直接来找船长的团队做分析！船长这里还有各种创新方案和生信技术，戳戳船长的微信，有疑惑直接问就好了！ |
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20240701 |
|
| l题目：泛癌症分析为乳酸代谢在免疫治疗反应预测和生存预测中提供了新见解l杂志：Journal of Experimental & Clinical Cancer Research |
研究背景免疫疗法的兴起标志着癌症治疗的一个转型时代，为患者带来了前所未有的临床优势。然而，有限的响应率和无法预测的临床效果阻碍了它们的进一步应用，这强调了检测生物标记的迫切需求，以便促进精准医疗并制定有效的组合策略来对抗免疫抵抗。单细胞RNA测序（scRNA-Seq）和空间转录组学（ST）的优势使我们能够在单细胞和空间分辨率上检测转录组的表达谱，从而揭示具有更优越性能的新靶标。以前的研究已经基于乳酸代谢（LM）开发了预测乳腺癌、肺癌和肾透明细胞癌免疫疗法反应的生物标记，但直接研究显示LM与泛癌水平的免疫疗法反应之间的负面关系的缺乏。借助scRNA-seq技术和多种机器学习（ML）算法，我们可以精确地表征LM，并确定泛癌水平上的LM相关签名，以揭示LM在免疫疗法反应中的影响。首先阐明并验证了两个免疫疗法scRNA-seq数据集中LM与免疫疗法反应之间的反向关系。随后，基于40个泛癌scRNA-seq队列（包括17种癌症类型的406名患者和881,332个细胞）建立了与乳酸代谢相关的签名（LM.SIG）。通过基于8个泛癌免疫疗法批量RNA-seq队列（包括851名患者）的7种ML算法，进一步调查并验证了LM.SIG在免疫疗法反应中的预测性能。此外，应用了SurvBenchmark设计中的15种特定于生存的ML算法，通过整合分析泛癌癌症基因组图谱（TCGA）RNA-seq队列（包括30种癌症），对LM.SIG的生存预后进行了表征。最后，基于17个CRISPR数据集鉴定了LDHA作为LM.SIG中最具潜力的靶标，并通过实验在胰腺癌（PC）中验证了其能力。 |
![]()
|
数据来源 | | | | | | | 24名黑色素瘤患者，没有响应治疗的患者有11名，治疗前的患者有13名 | | | | 10名基底细胞癌患者，响应治疗的患者有6名，无响应治疗的患者有4名 | | | | 2名肝细胞癌患者，其中响应治疗的患者有1名，无响应治疗的患者有1名。 |
用于开发乳酸代谢相关签名（LM.SIG）的scRNA-seq数据集 细胞计数总数为881,332个，涉及406名患者： |
主要结果通过分析两个免疫疗法的单细胞RNA测序队列，发现乳酸代谢（LM）水平的上调与患者对免疫疗法的无反应性（NR）相关。研究使用基因集变异分析计算LM得分，并在排除非恶性细胞患者后，对比了无反应者和治疗前患者。结果显示，无反应者中LM水平显著升高，证实了乳酸代谢与免疫疗法抗性之间的联系。 |
![]()
图2 来自SKCM（A）和BCC（C）的恶性细胞的tSNE图。右侧的tSNE图显示了与乳酸代谢相关的基因集（LM得分）的GSVA得分分布。箱线图描述了SKCM（B）和BCC（D）中NR和R/TN患者的LM得分分布 |
| 2.利用泛癌scRNA-seq队列建立LM.SIG通过分析40个泛癌scRNA-seq数据集，建立了与乳酸代谢（LM）相关的基因签名LM.SIG。通过Spearman相关性分析，识别了与LM正相关的上调基因（LMx）和在恶性细胞中显著上调的基因（LMy）。这些基因的几何平均Spearman相关系数超过0.25的被纳入LM.SIG，共包含84个基因。功能分析显示，LM.SIG富含与乳酸代谢和肿瘤发生相关的途径，如NADH相关途径、TCA循环和TP53调控。这些基因中有些已知与免疫活性相关，表明LM.SIG可能在免疫疗法反应中起关键作用。 |
![]()
图2（E）Circos图展示了LM.SIG的开发过程。外圈代表了纳入的40个泛癌scRNA-seq数据集。中圈代表了Venn图，显示了与乳酸代谢正相关的基因（LMx，蓝色）和恶性细胞中上调的基因（LMy，棕色）的交集。LMx代表与乳酸代谢正相关的基因，LMy代表在恶性细胞中上调的基因。内圈代表了LMn。最终的LM.SIG是基于跨越LM1–LM40的各个基因计算的Spearman相关系数（R）的几何平均值建立的。基于Rectome（F）、GO（G）和KEGG（H）数据库的LM.SIG通路富集分析。 |
| 基于TCGA泛癌数据集，利用GSVA分析建立了基于84个基因的LM.SIG得分，并探究了其与免疫抑制的相关性。发现高LM.SIG得分与免疫细胞浸润减少、免疫相关基因表达降低有关，并与氧化磷酸化等途径的上调相关。通过分析LM.SIG与肿瘤突变负担（TMB）的关系，将患者分为8个亚组，发现低LM.SIG与高TMB组合（LLHT）的亚组免疫反应最佳，而高LM.SIG与低TMB组合（HLLT）可能导致免疫微环境中缺乏细胞毒性淋巴细胞。这表明LM.SIG得分较低的患者倾向于获得更好的抗肿瘤免疫能力。 |
![]() |
| 利用LM.SIG对免疫疗法反应进行了预测，并与现有的多种预测签名进行了比较。通过机器学习方法，LM.SIG在训练集和验证集中显示出较高的预测准确性（AUC值分别为0.73和0.70）。此外，LM.SIG在多个独立的癌症队列中表现稳健，尤其在黑色素瘤队列中也有良好表现，其AUC值达到0.71。这些结果表明LM.SIG是一个有潜力的免疫疗法反应预测工具，能够在泛癌水平上为免疫疗法的有效性提供预测。 |
![]()
|
| 使用LM.SIG开发了一个泛癌生存预后模型，并通过SurvBenchmark设计中的多种特定生存模型进行了评估。通过训练集训练了预后模型，并在验证集上计算了性能指标。MTLR_GA模型，即采用遗传算法作为特征选择的多任务逻辑回归模型，表现最佳。通过筛选出的10个关键基因，研究者计算了每位患者的风险评分，并且在验证集和测试集中，该预后模型都展现了卓越的性能。此外，研究发现风险评分较高的患者与较差的总生存期相关，表明LM.SIG相关的预后模型在泛癌数据集中具有作为预测工具的潜力。 |
![]() ![]()
|
| 6.利用CRISPR研究从LM.SIG生成潜在治疗靶标利用CRISPR数据集和LM.SIG来识别泛癌患者中的潜在治疗靶标。通过对22505个CRISPR基因的z分数排序，筛选出可能影响抗肿瘤免疫能力的免疫抵抗基因。LM.SIG中排名靠前的基因与已知的免疫抵抗签名相比，占据了更高的比例，特别是前5%的基因在LM.SIG中过度表达。通过交集分析，LDHA基因在CRISPR数据集中被识别为枢纽基因，并在多种癌症中上调，可能作为预测免疫疗法反应的泛癌生物标志物。 |
![]() ![]()
|
| 7. LDHA缺乏增强了胰腺癌的抗肿瘤免疫和免疫疗法反应通过敲低LDHA验证了其在胰腺癌免疫疗法中的作用。实验发现LDHA的敲低能够降低乳酸水平，减缓肿瘤生长，并减少Ki-67的表达。在共培养体系中，LDHA敲低的PDOs能够增强T细胞的杀伤基因和免疫检查点基因的表达，同时促使巨噬细胞从M2型向M1型极化转变。在小鼠模型中，LDHA敲低的肿瘤在抗-PD1治疗下显示出更明显的肿瘤缩小效果，并且有丰富的免疫细胞浸润和减缓的肿瘤增殖。这些结果表明LDHA的表达降低可以增强胰腺癌的抗肿瘤免疫反应和免疫疗法的效果。 |
![]()
|
文章小结泛癌+大批量单细胞测序数据+实验验证，这篇文章做的已经非常丝滑了。工作量和逻辑都在线，编辑看了也不能多说啥了。泛癌分析涉及的数据量比较大，笔记本可能忙不过来啦。这个时候可以看看我们提供的服务器租赁服务！当然，您也可以直接把泛癌方案和分析都交给船长团队，全过程沟通绝不出现提桶跑路（ps：刚刚听说有人找的公司提桶跑路了，要修改都不不知道去哪找！）的情况！选船长，您放心！ |
