肿瘤免疫浸润知多少？8+纯生信告诉你

全洪生

Hello，大家好，开门见山，今天小编给大家带来一篇来自Oncoimmunology（IF：8.110）的纯生信肿瘤免疫相关的文章：Characterization of immune landscape in papillary thyroid cancer reveals distinct tumor immunogenicity and implications for immunotherapy。文章描述了乳头状甲状腺癌的免疫景观特征揭示了独特的肿瘤免疫原性和免疫治疗的意义。



研究背景
虽然绝大多数乳头状甲状腺癌 (PTC) 患者在采用常规治疗后预后良好，但部分晚期乳头状甲状腺癌患者局部复发和远处转移仍然影响患者的生存和临床管理。由于免疫检查点阻断 (immune checkpoint blockade, ICB) 疗法在一些晚期癌症中取得了巨大的成功，本文旨在研究PTC中的免疫景观及其对预后和免疫治疗的潜在意义。
数据及方法简介
免疫相关基因 (IRGs) 下载：Immunology Database and Analysis Portal (ImmPort)
芯片数据集：GSE33630，GSE60542，GSE3467，GSE3678，GSE27155（用于WGCNA与PCA分析）
RNA-seq数据集：TCGA-THCA，GTEx-thyroid（用于WGCNA和预后分析）
涉及的主要方法：ESTIMATE，xCell，CIBERSORT，WGCNA，LASSO-Cox，DESeq2，NMF聚类，Random Forest，PCA，TIDE，CMap，Metascape等
分析流程图如下：



主要结果
1. 307个PTC特异性IRGs的鉴定
1）基于GSE33630（49 PTC+45正常样本），通过ESTIMATE、xCell评估肿瘤微环境中免疫细胞和基质细胞的浸润水平，发现免疫细胞浸润等分高于基质细胞浸润得分 (图a和b)；通过xCell评估免疫细胞的浸润丰度并构建了相关性网络，体现了不同免疫细胞之间的复杂关系（图c）。
2）通过WGCNA网络筛选PTC特异性模块基因；通过差异表达分析筛选差异IRGs；二者的交集基因（307个）作为PTC特异性IRGs（图d-g）。
3）PCA分析显示，PCA分析显示，根据307个PTC特异性IRGs表达矩阵，PTC和正常甲状腺样本明显分为两个不同的组（图h-k）。



2. PTC特异性IRGs鉴定出两种不同的免疫簇
1）基于307个PTC特异性IRGs的表达矩阵，使用NMF聚类对TCGA-PTC (n = 496) 样本进行聚类，TCGA-PTC队列被分为两个不同的免疫簇（C1和C2）。
2）GSEA分析发现C2相对于C1的免疫活性更高，最显著改变的通路是"适应性免疫反应"（图b）。
3）热图展示了两个不同的免疫簇间临床病理特征、免疫检查点、细胞溶解活性和 IFN-γ 特征的差异（图c）。桑基图显示所有高细胞变异PTC (TCPTC) 样本均归为C2类，大部分滤泡变异 (FPTC) 样本归为C1类（图d）。
4）通过TIDE算法预测亚型的免疫治疗反应，结果显示C2组应答者的比例显著升高（图e）。
5）分析了22种免疫细胞在不同的免疫簇间免疫浸润差异，结果显示巨噬细胞M2在所有免疫细胞中所占比例最高；与C1相比，C2组T细胞浸润评分(TIS)明显升高（图f-h）。



3. PTC变异亚型间的突变景观和免疫特征
1）通过瀑布图展示了FPTC(follicular variant PTC)、CPTC:(classical PTC)、TCPTC(tall-cell variant PTC)三个变异亚型间的突变情况，并展示了top10突变基因（图a-c）。
2）BRAF突变是三个变异亚型唯一的重叠突变，其突变频率以及免疫评分随着变异的恶性程度逐步增加（图d-g）。
3）采用随机森林算法筛选到了9个与变异亚型最相关的PTC特异性IRGs，并在GSE27155中验证了这些基因对三个变异亚型的区分能力（图h-j）。



4. 建立和验证PTC患者的免疫相关风险评分(IRS)
1）首先，利用ssGSEA算法对每个样本的先天性免疫和适应性免疫性能进行量化，并从MSigDB中检索相应的基因集。然后，利用TCGA PTC队列的转录组数据进行WGCNA，筛选出与先天免疫和适应性免疫最相关的绿色模块（图a）。
2）采用单因素Cox回归分析，对关键模块基因进行预后筛选，随后通过LASSO Cox回归模型构建免疫评分IRS（图b-d）。
3）KM生存分析显示IRS-高分组预后较差（图e，h），多因素Cox回归分析发现IRS是唯一的独立预后因素（图f、i），IRS的C指数相比其他因素是最高的（图g、j）。



5. PTC患者综合预后模型的构建
1）接下来，作者提出了一个综合预后模型，通过IRS和其他临床病理特征，以改善风险分层和个性化风险评估。首先，通过递归划分分析构建生存决策树，优化风险分层，以IRS为主导参数，结合病理分期，定义3个风险亚群，三个危险亚组间无进展生存期（PFS）差异显著（图a，b）。
2）为了量化PTC患者个体的风险评估，生成了评分列线图。3年和5年PFS预测的校准曲线接近理想性能，说明了nomogram预测模型的准确性（图c-e）。



6. IRS高低风险分组的基因组改变及通路改变
1）与IRS-高分组样本相比，IRS-低分组中具有代表性的免疫检查点包括LAG3、TIGIT、CTLA4和PDCD1均显著升高，IRS-低分组表现为IFNG表达升高、CYT评分和免疫评分显著升高，肿瘤纯度显著降低（图a-h）。
2）与IRS-高分队列相比，IRS-低分队列中观察到更多共现突变(图i)。随后检测两组间的差异突变基因，只筛选到HRAS和NRAS两个显著差异突变基因(图j)。与HRAS和NRAS野生型相比，HRASMut或NRASMut样本的IRS显著升高(图k)。



3）接下来分别鉴定IRS-低分和IRS-高分样本之间的差异表达基因，并进行GO富集分析。下调基因最显著富集的是“leukocyte migration”，将该条目的基因构建PPI网络，并分析了hub基因IL-6在不同IRS分组中的表达水平（图a-c）。
4）下调基因最显著富集的是“DNA repair”，将该条目的基因构建PPI网络，并分析了关键检查点基因CHEK1在不同IRS分组中的表达水平（图d-f）。
5）考虑到IRS-高分组的DNA修复能力增加，作者对”response to radiation therapy”的基因集进行GSEA，观察到IRS-高分组的样本与IRS-低分组的样本相比，对放疗的响应较弱 (图g)。将299例有放疗记录的TCGA PTC患者分为IRS-低分和IRS-高分两部分，IRS-高分组的患者预后更差 (图h)。
6）MoA 分析预测了得分最高的50种化合物，共涉及39种作用机制 (图i)。



文章小结
文本采用了一系列生物信息学和机器学习方法来评估PTC中潜在的免疫治疗的意义，并构建预后免疫相关特征。在不同的组织学变异和风险队列中进一步研究了免疫和突变特征的差异及其相关性。从这些综合的分析中，我们对PTC的免疫景观及其在预后分层和PTC患者免疫治疗方面的潜在临床应用有了更多的了解，并为指导免疫检查点阻断治疗决策提供了有用的线索。
这篇文章的分析内容比较丰富，分析思路比较容易模仿，感兴趣童鞋赶紧安排上吧！

文献来源：
Sun J, Shi R, Zhang X, et al. Characterization of immune landscape in papillary thyroid cancer reveals distinct tumor immunogenicity and implications for immunotherapy[J]. Oncoimmunology, 2021, 10(1): e1964189.
科研培训●●

• 国家自然科学基金选题与撰写专题会议
  
• 肿瘤微环境和免疫治疗课题思路介绍及热点方向分析专题会议
  
• Meta分析的核心技术与应用
  
• 肠道菌群机制研究及国自然课题设计专题会议
  
• m6A（RNA甲基化修饰）课题思路介绍及热点方向分析
  
• 非编码RNA相关课题设计及数据分析工具实操专题会议