今天为您带来一篇关于使用单细胞RNA-seq 数据、空间转录组学分析、 Scissor 算法以及机器学习的纯生信文章。如果您对文章思路和使用方法感兴趣，请为sun点点关注，生信文献汇持续分享生信文献和思路~如果您需要定制化服务，欢迎关注联系~
文章标题：Multi-transcriptomics analysis of microvascular invasion-related malignant cells and development of a machine learning-based prognostic model in hepatocellular carcinoma
中文标题：微血管侵袭相关恶性细胞的多转录组学分析和基于机器学习的肝细胞癌预后模型的开发
发表期刊：Frontiers in Immunology
发表时间：2024年8月
影响因子：5.7/Q1
微血管浸润 （MVI） 是肝细胞癌 （HCC） 的关键病理标志，与不良预后、早期复发和转移进展密切相关。然而，支配其发生和发展的确切机制基础仍然难以捉摸。
研究方法
我们从 TCGA 和 HCCDB 存储库下载了大量 RNA-seq 数据，从 GEO 数据库下载了单细胞 RNA-seq 数据，并从 CNCB 数据库下载了空间转录组学数据。利用 Scissor 算法，我们描绘了与预后相关的细胞亚群。此外，我们基于机器学习设计了一个基于 MVI 相关基因的预后模型。
结果分析
1. 预后相关细胞的细胞注释和分析。
与巨噬细胞和 T/NK 细胞相比，所有上皮细胞亚群的 CNV 显着增加，表明这些上皮细胞的恶性。在恶性细胞中发现的预后相关单细胞数量最多。T/NK 细胞、成纤维细胞、巨噬细胞和内皮细胞 （EC） 表现出与不良预后相关的细胞的存在。相反，B 细胞和浆细胞主要与良好的预后相关。
2. 恶性细胞分析
将恶性细胞分为 3 个细胞簇，位于 C1 和 C3 簇中分化早期至中期的恶性细胞都可能与肿瘤进展和转移有关，簇 C1 和 C3 中的细胞也可能在影响 TME 中起关键作用。肿瘤特异性 MHC 表达可能引发对肿瘤的免疫识别，从而增强免疫介导的恶性细胞破坏，与 MYC 调节的细胞增殖与有关的MVI_Scissor+恶性细胞具有独特的功能特征。
3. MVI 相关恶性细胞的细胞间通讯分析
细胞间通讯分析显示 MVI_Scissor+ 恶性细胞与其他细胞类型之间存在丰富的相互作用，MIF （巨噬细胞迁移抑制因子） 信号通路广泛分布在各种细胞群中。MIF 信号通路可能代表了破坏 MVI_Scissor+ 恶性细胞与其他细胞类型之间相互作用的潜在靶标。
4. 预测 MVI 相关恶性细胞在空间转录组数据中的分布
通过 Scissor 算法预测为 MVI 相关和预后相关的恶性细胞，分析显示，无论 MVI 状态如何，Scissor0 和 MVI_Scissor0 恶性细胞占主导地位。相反，Scissor+ 和 MVI_Scissor- 恶性细胞在没有 MVI 的肿瘤中更丰富，而 Scissor+ 和 MVI_Scissor+ 恶性细胞在 MVI 阳性肿瘤中明显更普遍。
5. 基于 MVIRGs 的预后模型的构建、验证和比较
TCGA-LIHC 肿瘤组织和邻近正常组织的差异表达分析显示，TMEM45A、S100A10、SERPINA12、BHMT、CFHR3、RPL8 和 STMN1 的表达差异均超过 2 倍变化。
6.使用时间依赖性 C 指数曲线、校准曲线和 DCA 评估基于 MVIRGs 的预后模型
1 年、 2 年和 3 年期间的校准曲线证实，风险模型的预测 OS 与实际结果非常相似。与单独的临床模型相比，风险组合临床模型为患者带来了更大的净收益。
7.使用生存曲线评估基于 MVIRGs 的预后模型
根据风险评分，将患者平均分为高风险组和低风险组，与低风险组相比，高危组表现出显著不利的预后。在训练集、测试集和验证集上，所有的log-rank检验p值都低于0.05，表明差异显著。
文章小结
我们通过整合多转录组学分析确定了 HCC 中与 MVI 相关的恶性细胞亚组，并阐明了它们的生物学功能。此外，我们利用机器学习算法构建了基于 MVIRGs 的预后模型。我们的模型表现出出色的预测性能，并有可能协助临床决策，从而为患者带来巨大的好处。这为未来 MVI 治疗 HCC 患者提供了新的方向和见解。（对文章思路感兴趣的老师，欢迎关注sun一起交流）
