单细胞结合肿瘤微环境异质性,构建新型肝癌预后模型,换癌种可做! | 您所在的位置:网站首页 › 太平梳打饼干热量高吗 › 单细胞结合肿瘤微环境异质性,构建新型肝癌预后模型,换癌种可做! |
0
分享至
用微信扫码二维码 分享至好友和朋友圈 大家好,今天给大家带来的是2022年2月发表在Cancer Cell Int.上的一篇文章。在这项研究中,作者通过整合RNA-seq和scRNA-seq,分析了肿瘤免疫微环境(TIME)在单细胞水平上的异质性,构建了一个3基因预后风险模型,可以准确评估肝细胞癌(HCC)患者的预后和对免疫治疗的反应。 Cancer Cell Int. 2022 Jan 25;22(1):38. 长按阅读全文 期刊简介 在【科研猫公众号】后台--回复期刊名称-即可获期刊详情~(英文不限制大小写,支持缩写模式搜索) 研究方法和流程 数据来源: GEO数据库:下载scRNA-seq数据; TCGA数据库、国际癌症基因组联盟(ICGC)数据库:临床数据和基因表达信息数据; CIBERSORT进行细胞类型鉴定,评估免疫浸润细胞丰度; 加权基因共表达网络分析(WGCNA)构建基因共表达网络; 单变量 Cox 和LASSO分析来构建风险模型; qPCR评估模型基因的表达水平。 研究成果 1.scRNA-seq数据聚类降维 作者从GEO数据库中的scRNA-seq 数据集GSE149614中提取所有基因,进行PCA降维分群和细胞类型注释; 从 cellmarker 下载了人类细胞标记基因,并使用 clusterProfiler 包富集功能定义了 25 个cluster,细胞类型由标记基因鉴定。细胞亚群信息如Table1所示; Table 1 The information of 25 cells types Cluster Cell type 0 CD4 + cytotoxic T cell 1 Kupffer cell 2 Liver progenitor cell 3 Endothelial cell 4 Liver bud hepatic cell 5 5 Memory T cell 6 Liver bud hepatic cell 7 Hepatocyte 8 Exhausted CD8 + T cell 9 Liver bud hepatic cell 10 Myofibroblast 11 Kupffer cell 12 Memory B cell 13 Liver bud hepatic cell 14 Liver bud hepatic cell 15 Liver bud hepatic cell 16 Cancer stem cell 17 B cell 18 Dendritic cell 19 CD4 + cytotoxic T cell 20 Kupffer cell 21 Monocyte 22 Liver progenitor cell 23 Liver bud hepatic cell 24 Dendritic cell 图1.来自肿瘤样本和正常样本的单细胞概览。 图A:四种不同类型样本的 Umap( MLN,转移性淋巴结;MTL,转移性淋巴结;PT,原发性肿瘤;PVTT,门静脉癌栓)。 图B:来自肿瘤组织和正常对照组织的细胞的 Umap; 图C:所有细胞分为25组。 图D:细胞类型由标记基因鉴定。 相关学习: 关于PCA的内容学习可参考: 特别注意:既往推文中代码领取方式已过期! 新的领取方法可参考: 2.定义细胞亚群 作者发现5种细胞类型的多个亚群,包括肝芽肝细胞, CD4 + 细胞毒性 T 细胞, 树突状细胞, 库普弗细胞, 肝祖细胞。每个亚群均有特定表达的标记基因。这些特异表达的标记基因可能在未来的研究中用于鉴定细胞亚群。 图2.5个亚群特征基因表达的小提琴图。( a )肝芽肝细胞、 ( b )CD4 + 细胞毒性 T 细胞、 ( c )库普弗细胞、 ( d ) 肝祖细胞和 ( e )树突状细胞的特异性表达标记基因。(eg:图A左1图表示C4特异性表达FGF19基因 ) 3.HCC的共表达模块分析 作者通过CIBERSORT方法计算了TCGA数据库中肿瘤组织和癌旁组织中25个已识别细胞簇的丰度。发现肿瘤组织和正常组织中16个细胞亚群丰度存在显著差异(如图3a)。 为进一步分析HCC中基因表达模式和不同细胞亚群之间的相关性,作者使用WGCNA方法,基于TCGA-LIHC队列中371个肿瘤组织和50个正常组织的表达谱数据构建关键模块。所有样本的层次聚类分析结果如图3b所示。 作者利用皮尔逊相关系数计算每个基因之间的距离,并使用WGCNA构建无标度网络(图3c)。 然后,作者利用层次聚类法对基因进行聚类,共得到6个模块,其中灰色模块是一个不会在其他模块中聚类的基因集(图3d)。 作者进一步分析了每个模块与细胞亚群丰度之间的相关性(图3e)。作者发现癌症与棕色模块关系最为密切,而棕色模块与单核细胞(C21)关系最为密切。 此外,作者还对棕色模块中的基因进行了KEGG和GO功能富集分析。 图3.HCC中共表达模块的鉴定。a通过 CIBERSORT 方法从 TCGA 数据库中识别出的 25 个肿瘤组织和癌旁组织中的簇的丰度。b样本聚类以检测异常值。c软阈值能力的无标度拟合指数。d构建基于不同度量的基因树状图。e 6 个模块与每个单元子集之间的相关性分析。 相关学习: WGCNA的基础参见:《》,我们进行了详细的讲解,WGCNA的代码我们也已经公布,参见《》。 的学习参考: ① ② GO/KEGG的学习可以参考系列推文: ①; ②; ③。 特别注意:既往推文中代码领取方式已过期! 新的领取方法可参考: 4.风险预后模型的构建 为了筛选与肿瘤发生相关的关键基因,作者对来自TCGA数据库的基因表达数据进行差异分析。通过对上调基因、棕色模块基因和单细胞(C21)标记基因的取交集; 然后,用单变量Cox回归模型确定了TCGA-LIHC队列中与总生存率显著相关的7个基因; LASSO-Cox回归分析用于进一步减少候选基因的数量。确定了三个基因CLTA、TALDO1和CSTB,并用于生成风险模型(图4e); qRT-PCR进一步评估CLTA,TALDO1和CSTB在HCC细胞系SK-Hep-1和健康活细胞系LO2中的表达。结果显示,这三个基因在HCC细胞系中均呈上调(图4f)。 图4.基于关键基因的风险模型构建。a TCGA-LIHC 队列中差异分析的火山图。b肿瘤发生相关上调基因、单核细胞(C21)标记基因和棕色模块基因的维恩图。c肿瘤发生相关下调基因、单核细胞(C21)标记基因和棕色模块基因的维恩图。d每个自变量的 LASSO 系数剖面图。e LASSO Cox 回归分析的部分似然偏差。F通过 qRT-PCR 测定的 HCC 细胞系 SK-hep-1 和正常活细胞系 LO2 中 CLTA、TALDO1 和 CSTB 的表达。 重现方法: 火山图的学习可以参考: 韦恩图的学习可以参考: LASSO回归的学习可以参考: 特别注意:既往推文中代码领取方式已过期! 新的领取方法可参考: 5.风险预后模型的评估和验证 紧接着,作者计算TCGA-LIHC队列中每位患者的风险评分,并绘制风险评分分布,验证了模型的预后能力; 通过ICGC数据库再一次测试和验证了该模型; 结果表明:高分组的总生存时间明显短于低分组。说明作者已经构建了一个良好的预后风险模型。 图5.评估和验证预后模型的预测功效。a TCGA-LIHC 队列的风险评分分布、患者状态和 mRNA 表达热图。b TCGA-LIHC 队列的 3 基因模型的 Kaplan-Meier 曲线。c ICGC 队列的风险评分分布、患者状态和 mRNA 表达热图。d ICGC 队列的 3 基因模型的 Kaplan-Meier 曲线。缩写:TCGA-LIHC,癌症基因组图谱肝细胞癌;ICGC,国际癌症基因组联盟 6.HCC风险评分与免疫浸润细胞的关系 作者用ESTIMATE方法分析了风险评分与各种类型免疫细胞浸润水平之间的关联; 然后,通过皮尔逊相关分析计算22个免疫细胞的丰度与风险评分之间的相关性; 根据结果(详细见下图表注),作者推测该风险模型参与免疫微环境调节,并可能影响肿瘤内的抗肿瘤免疫反应。 图6.进行 ESTIMATE 以计算每位患者的免疫和基质评分。 a.高风险组和低风险组的免疫评分和基质评分的比较:高风险组的免疫评分高于低风险组,而二者的基质评分没有显著差异。 b-m.免疫细胞丰度与风险评分的相关性分析:①风险评分与免疫细胞呈负相关(图b-f)。②风险评分与免疫细胞呈正相关(图g-m)。 相关学习: ESTIMATE的学习可参考: 7.HCC风险评分与免疫治疗反应预测的分析 作者使用TIDE软件来评估高风险和低风险组患者对免疫治疗的反应。 结果可能帮助我们更好理解:为什么高风险评分患者预后差,以及为什么高风险患者往往对免疫治疗反应不佳。 图7.分析高危组和低危组之间 TIDE 评分的差异。a.在 TCGA-LIHC 中,低风险组的 TIDE 评分较低。b. T 细胞功能障碍评分在高危组和低危组中没有显着差异。c.高风险组的T细胞排斥评分高于低风险组。d-f. 风险评分与 TIDE 评分、T 细胞功能障碍评分和 T 细胞排斥评分之间的相关性分析。缩写:TIDE,肿瘤免疫功能障碍和排斥;TCGA-LIHC,癌症基因组图谱肝细胞癌 8.3基因风险模型的临床应用 在确认3个基因特征在预测HCC患者免疫治疗反应方面的表现后,作者研究了临床特征与风险评分之间的关系(图a-f); 在TCGA-LIHC中,作者使用单变量和多变量Cox回归分析,验证了3基因风险模型具有较好的预后能力,风险评分是HCC的独立危险因素(图g-h)。 图8.3基因特征在HCC中的临床应用。按性别 ( a )、M 期 ( b )、N 期 ( c )和年龄 ( d )划分的风险评分差异无统计学意义(图8a-d),但肿瘤和T 期 ( e )之间的风险评分存在显著差异,晚期HCC的风险评分更高(图8e和f)。TCGA-LIHC 中的单变量 ( g ) Cox 回归分析提示:风险评分与预后显著相关。多变量 ( h ) Cox回归分析进一步证实:风险评分是HCC的独立危险因素。 小结 在这项工作中,作者分析了 scRNA-seq 数据和bulk RNA-seq 数据的基因表达谱。优点:结果既提高了我们对单细胞水平 TIME 异质性的理解,又提供了基于预后相关基因的 3 基因模型。此外,本研究中使用的研究策略也可适用于其他癌症。 然而,这项研究存在一些局限性。首先,样本量相对较小。其次,需要对这3个基因进行功能实验和基础分子机制。第三,该模型是用HCC组织生成的,不能用于早期肿瘤的诊断。在未来的研究中,可以考虑检测这三个基因在循环免疫细胞中的表达,这可能有助于提高 HCC 的早期诊断率。 别被上面的结果图唬住了,跟着专业老师学习,相信你也可以哦~想要学习单细胞的同学,可以关注一下科研猫精品课程哦~国内某顶级三甲医院研究员(正高职称)老师带你飞~~ 科研猫单细胞课程5月开营! (点击下方详情) 第一天 8:30- 12:00 单细胞scRNA-seq测序分析的基本流程和关键技术鸟瞰 单细胞测序的目的、意义和常见平台基本介绍(优缺点) 常见单细胞测序论文的主要内容 R软件包的安装、检查等 R语言的基本操作(变量、列表、矩阵和文件读取和保存等) 13:30- 17:00 单细胞数据的基本分析内容 单细胞数据的获取,读入和质量控制 数据初步分析、分群和亚群鉴定 DoubleFinder分析Doublets 不同批次、来源数据的整合 细胞注释、Heatmap和细胞分布 实战演练以及学员提问和讨论 第二天 8:30- 12:00 单细胞scRNA-seq的高级分析1 单细胞种类的自动化注释 GSVA和GSEA对细胞功能进行注释和作图 inferCNV对肿瘤细胞基因组拷贝变异分析和恶性细胞亚群鉴定 单细胞数据的拟时序分析(以monocle2为例) SCENIC对单细胞亚群转录调控的分析 13:30- 17:00 单细胞scRNA-seq的高级分析2 细胞间通讯分析和分组比较(以CellChat为主) TCGA数据库的下载以及预处理 TCGA数据与单细胞测序数据的结合和数据挖掘 scTCR-seq/scBCR-seq数据初步分析(更新课程!) 实战演练以及学员提问和讨论 注:1、实际授课过程中,老师可能根据学员接受程度对授课进度进行微调。2、学员电脑配置:Mac或者Windows系统的笔记本均可(内存16G以上)(Windows系统推荐Win10),老师将用MAC系统进行讲解。3、课后赠送课堂同步视频,可无限重复回放。参加培训的学员可通过微信群继续和老师交流,获得答疑机会。 时间: 2022年5月初 地点: 在线直播授课 注册费(可开发票): 3400元/人; 2人组团报名,每人可优惠100元; 3人及以上组团报名,每人可优惠200元。 注: 报名请联系下方胖雨·小姐姐(微信号:KYM006009),加微信时请注明“姓名+单细胞"。 ↓ ↓ 报名通道 ↓ ↓ 【干货资源】免费领取 关注·科研猫学术宝库 好看你就 点点 特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。 Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services. /阅读下一篇/ 返回网易首页 下载网易新闻客户端 |
CopyRight 2018-2019 实验室设备网 版权所有 |