Nature新贵子刊，起点7分！“12种细胞死亡+9种机器学习+预后模型” 郑大一附院“旧活新整”，来看看你是否能学会

Nature旗下有这样一本医学类期刊，专注精准肿瘤学，自引率低，对国人相对友好，首个影响因子就是7.7分，还曾经一度突破10+，堪称“新贵”。近两年虽有下跌，但也保持在7分附近，他就是npj precision oncology。收录方向涵盖精准肿瘤学领域基础科学、转化和临床研究的各个方面研究，在肿瘤学类杂志中排名前15%。但期刊整体审稿偏慢，对文章质量要求较高，时间充裕且对文章有信心的朋友可以投一投~

今天甄博就带大家看一篇发表在该期刊上的文章~文章由郑州大学第一附属医院团队发表，文章收集了12种细胞死亡模式，基于TCGA数据集将HCC患者型，并筛选出免疫相关的细胞死亡基因，接着利用九种机器学习筛选出9个关键基因，并构建及验证免疫相关细胞死亡指数（IRCDI），同时进一步验证了IRCDI在多个独立数据集上对HCC患者生存期和药物敏感性的预测能力。此外，通过体外实验验证了模型基因的功能。最后利用IRCDI值筛选出适合高IRCDI患者的抗癌药物，并开发一个在线工具，在临床实践中具有很高的创新价值和实用性。全文分析难度和实验难度都不大，但逻辑非常清晰，工作量丰富，拿下6分+权威期刊也是实至名归，想复现该思路的朋友，戳戳下方，速速来找甄博吧~

影响因子：6.8

一句话总结这篇文章：这篇文章通过分析12种受调控的细胞死亡模式，构建了一个包含9个关键基因的免疫相关细胞死亡指数（IRCDI），用于预测肝细胞癌（HCC）患者的预后和对多种治疗的敏感性，并通过多组学数据和临床特征的分析，验证了IRCDI在个体化治疗决策和改善HCC患者预后中的潜在应用价值。

研究背景

肝细胞癌（HCC）作为一种全球癌症死亡的主要原因之一，其晚期诊断和有限的治疗选择导致患者预后不佳，迫切需要新的治疗生物标志物和模型来提高治疗效果。免疫检查点抑制剂（ICIs）等新兴疗法在HCC治疗中显示出潜力，但由于免疫反应的复杂性，预测患者对免疫疗法的反应具有挑战性。本研究通过收集12种受调控的细胞死亡（RCD）模式及其调节因子，基于HCC免疫亚群识别免疫相关细胞死亡基因，并利用竞争性机器学习框架筛选关键基因构建IRCDI，旨在提高HCC亚型辨识的准确性并识别最有可能从药物疗法中受益的患者。

研究方法

l收集与分析数据：收集12种受调控的细胞死亡（RCD）模式及其1078个调节因子的数据；利用公共数据库（TCGA, ICGC）获取HCC的转录组、基因组和临床数据。

l识别免疫亚群：使用单样本基因集富集分析（ssGSEA）等方法确定HCC中的免疫细胞亚群。

l筛选免疫相关细胞死亡基因（IRCDGs）：对比不同免疫亚群中RCD调节因子的差异表达，识别IRCDGs。

l构建免疫相关细胞死亡指数（IRCDI）：应用多种机器学习模型选择影响最大的基因构建IRCDI。

lIRCDI的验证：在多个独立队列中验证IRCDI的预测效果，包括生存分析和不同治疗队列。

l多组学数据分析：结合临床特征，使用多组学数据探索HCC的恶性异质性。

l治疗反应预测：应用IRCDI预测HCC患者对免疫疗法和经动脉化疗栓塞（TACE）的反应。

l在线工具开发：开发一个在线应用程序，使临床医生能够输入模型基因值并快速获得预测结果。

l实验验证：通过qRT-PCR, LC-MS/MS,细胞培养等实验进一步验证IRCDI基因。  

研究主要发现

1.HCC中两个不同免疫亚群的识别和验证

对TCGA-LIHC数据集中28种免疫细胞的单样本基因集富集分析（ssGSEA），使用共识聚类方法将HCC患者分为“冷”（免疫细胞浸润低）和“热”（免疫细胞浸润高）两种免疫亚型。多种免疫估计算法（如ESTIMATE, quanTIseq, xCell等）发现两个免疫亚群在免疫细胞浸润方面存在显著差异。

对12种不同的细胞死亡模式中的1078个调节因子进行差异分析，识别出108个差异表达基因，定义为免疫相关细胞死亡基因（IRCDGs）。PCA结果表明IRCDGs能够代表与免疫细胞浸润紧密相关的免疫亚型。在独立队列中通过层次聚类分析确认了类似IRCDGs表达模式和相似比例的免疫亚群。

2.免疫相关细胞死亡指数（IRCDI）的构建

开发了一个包含9种机器学习模型的框架用于从IRCDGs中筛选关键基因，使用单变量Cox回归分析确定29个与生存相关的基因，应用LASSO Cox回归确定22个候选基因。通过计算C-index评估不同机器学习模型的性能，最终选择StepCox模型筛选出9个基因，构建IRCDI，用于预测HCC患者的结果、免疫反应和药物敏感性。为了方便临床应用，开发了一个在线应用程序，允许用户输入模型基因值并快速获得预测结果。热图展示了IRCDI与临床特征之间的关系，发现IRCDI与肿瘤的恶性程度和预后强烈相关。

3.IRCDI与临床特征的关联及其生存预测性能

研究IRCDI与性别、年龄、肿瘤等级等临床特征之间的相关性，发现IRCDI与性别和年龄等基线临床特征无显著关联，但与肿瘤等级、残余肿瘤和AFP水平等肿瘤特性有显著关联。多变量Cox回归分析显示IRCDI是OS和RFS的独立预后因素。KM生存分析和ROC曲线下面积（AUC）显示IRCDI在预测1年、3年和5年OS方面具有较高的准确性。进一步分析还发现，IRCDI在其他消化道肿瘤（如胰腺癌、胃癌、食管癌）中同样有较好的生存预测能力。

4.IRCDI与免疫细胞浸润和PD-1表达水平的关联

利用公共数据库单细胞RNA数据分析，将HCC肿瘤微环境中的细胞分为五个群体，发现髓样细胞具有最高的IRCDI，其次是成纤维细胞。免疫细胞浸润分析显示，高IRCDI亚群倾向于具有较少的免疫细胞浸润，免疫“冷”亚群显示出比免疫“热”和“排除”亚群更高的IRCDI。高IRCDI组在多个独立数据集中显示出PD-1表达水平显著降低。TIDE评分和免疫治疗队列分析显示，IRCDI在预测免疫检查点抑制剂治疗反应方面表现出良好的准确性，尤其是在区分免疫“排除”患者和免疫“炎症”患者方面。

5.IRCDI模型中关键基因的实验验证

收集7个HCC患者的癌组织和正常组织样本，qRT-PCR和IHC分析发现ACSL6、FGB和FYN在癌组织中显著下调，而HSPB8和NQO1上调。siRNA介导的ACSL6敲低增加了HepG2和Huh7细胞的增殖和迁移能力，划痕愈合实验进一步得到验证。蛋白质组学分析显示，ACSL6敲低导致NF-kB和EMT通路相关基因（如RFTN1、LETMD1等）上调，表明ACSL6在抑制肿瘤进展方面的潜在作用。

文章小结

总结下来就一句话，这也太好复现了吧，直接套公式“基因集+分型+n种机器学习+预后模型+关键基因筛选+各种公共数据库验证+简单实验验证”就完了~由此也可以看出，前两年流行的套路，换个基因集换个疾病也还是能旧活新整来一篇paper的。硕博研究生们，照着做就完事了，很适合大家日常学习。当然急着毕业/晋升时间已经不够的朋友，找甄博也是一样的效果，主要是节省了自己摸索浪费的时间，欢迎来找甄博，方案设计、生信分析有我无忧！