今天給大家?guī)?lái)一個(gè)老套路文章，文章分析方法其實(shí)都是大家已經(jīng)司空見(jiàn)慣的方法，但是它為啥能發(fā)到6分多，讓我們一起去探個(gè)究竟~

論文題目：TP53相關(guān)胃癌免疫預(yù)后模型的構(gòu)建和驗(yàn)證

一、研究背景

目前已經(jīng)有研究表明，TP53突變可預(yù)測(cè)胃癌患者整體生存和無(wú)復(fù)發(fā)生存期。雖然TP53突變影響胃癌患者預(yù)后已得到證實(shí)，但其對(duì)STAD患者免疫功能的具體影響尚未得到充分研究。

二、方法及結(jié)果

? TP53在胃癌樣本中的突變情況

從TCGA數(shù)據(jù)庫(kù)中下載胃癌（STAD）突變數(shù)據(jù)、臨床數(shù)據(jù)、基因表達(dá)數(shù)據(jù)。對(duì)STAD的基因的突變頻率進(jìn)行統(tǒng)計(jì)，結(jié)果發(fā)現(xiàn)TP53排名第二。

? TP53突變對(duì)免疫功能影響

將STAD樣本分為T(mén)P53突變組和TP53野生組。兩組樣本的基因表達(dá)數(shù)據(jù)進(jìn)行基因富集分析（GSEA）。結(jié)果發(fā)現(xiàn)有7個(gè)免疫相關(guān)的通路富集在TP53野生組，TP53突變組沒(méi)有免疫相關(guān)通路富集。

? 建立免疫相關(guān)預(yù)后模型

上述GSEA分析中7個(gè)免疫相關(guān)通路共包含766個(gè)基因。單因素Cox回歸分析，結(jié)果顯示有45個(gè)基因與預(yù)后相關(guān)。LASSO回歸分析、多因素Cox回歸分析、最終篩選出9個(gè)基因。用這9個(gè)基因建立預(yù)后模型，公式：Risk score = ECAMK4*0.456 + ECYP19A1*0.823 + EZFP36*0.195 + ECLCF1 *0.226 + ECACTIN *(?0.653) + ENRARP*(?0.170) + ECFHR4*1.050 + EAMBP* 0.181 + EFBN1*0.149。模型測(cè)試結(jié)果（TCGA數(shù)據(jù)測(cè)試，圖ABC）和驗(yàn)證結(jié)果（GEO數(shù)據(jù)驗(yàn)證，圖DEF）如下圖所示。該預(yù)后模型對(duì)1、3、5年的整體生存的預(yù)測(cè)AUC值均能達(dá)到0.5以上，說(shuō)明該模型的預(yù)測(cè)效果良好。

?

? 根據(jù)TP53突變狀態(tài)進(jìn)行預(yù)后特征的生存分析

TCGA數(shù)據(jù)庫(kù)中STAD樣本的總體生存和TP53的圖片沒(méi)有顯著相關(guān)性（圖A）。為了驗(yàn)證預(yù)后模型是否獨(dú)立于TP53突變，作者將樣本STAD分為了兩種亞型：TP53突變型和野生型，發(fā)現(xiàn)預(yù)后模型能夠很好的預(yù)測(cè)這兩個(gè)亞型的患者的預(yù)后（圖BC）。由于不同類(lèi)型的TP53突變通常會(huì)導(dǎo)致不同的生物學(xué)后果，作者分析了TP53各類(lèi)突變與STAD患者預(yù)后之間的關(guān)系，然而，結(jié)果表明TP53突變并不影響STAD患者的預(yù)后。作者將TP53突變頻率最高的類(lèi)型（missense mutation subgroup）的樣本提出來(lái)，發(fā)現(xiàn)預(yù)后模型對(duì)該亞型的預(yù)后也有很好的預(yù)測(cè)效果（圖E）。

? STAD患者的免疫狀況

為了探究預(yù)后模型的免疫特性，作者應(yīng)用ESTIMATE計(jì)算STAD樣本的基質(zhì)評(píng)分、腫瘤純度、免疫評(píng)分和ESTIMATE評(píng)分。將預(yù)后模型計(jì)算的風(fēng)險(xiǎn)分?jǐn)?shù)和上述評(píng)分進(jìn)行相關(guān)性分析，結(jié)果表結(jié)果發(fā)現(xiàn)風(fēng)險(xiǎn)分?jǐn)?shù)與基質(zhì)評(píng)分、免疫評(píng)分和ESTIMATE評(píng)分呈正相關(guān)，與腫瘤純度呈負(fù)相關(guān)（圖ABCD）。此外，作者還研究了低、高風(fēng)險(xiǎn)STAD患者基質(zhì)評(píng)分、腫瘤純度、免疫評(píng)分和ESTIMATE評(píng)分的差異。高風(fēng)險(xiǎn)患者的免疫、基質(zhì)和ESTIMATE評(píng)分均高于低風(fēng)險(xiǎn)患者，腫瘤純度低于低風(fēng)險(xiǎn)患者(P

? 患者的浸潤(rùn)免疫細(xì)胞情況分析

腫瘤浸潤(rùn)免疫細(xì)胞比例和水平的變化可能代表不同個(gè)體的內(nèi)在特征。CIBERSORT估算高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組患者的22種免疫細(xì)胞組成（圖A）。22個(gè)腫瘤免疫細(xì)胞呈弱或中度相關(guān)（圖B）。高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組患者的免疫細(xì)胞組成進(jìn)行比較，發(fā)現(xiàn)高風(fēng)險(xiǎn)組STAD患者的單核細(xì)胞、M0巨噬細(xì)胞和濾泡輔助T細(xì)胞比例顯著高于低風(fēng)險(xiǎn)組，靜息樹(shù)突狀細(xì)胞和CD4記憶激活T細(xì)胞比例顯著低于低風(fēng)險(xiǎn)組(P

? 預(yù)后模型與免疫檢查點(diǎn)關(guān)系分析

免疫檢查點(diǎn)藥物已被證明具有逆轉(zhuǎn)腫瘤免疫抑制作用的抗腫瘤作用，因此作者分析了風(fēng)險(xiǎn)分?jǐn)?shù)與不同免疫檢查點(diǎn)蛋白(PD-L1, PD-1, CTLA-4, TIGIT, LAG-3 and TIM-3)表達(dá)水平的相關(guān)性。結(jié)果發(fā)現(xiàn)風(fēng)險(xiǎn)分?jǐn)?shù)與與TIM3和BTLA顯著相關(guān)（圖AB）。近一步的分析表明高風(fēng)險(xiǎn)患者TIM3和BTLA的表達(dá)明顯高于低風(fēng)險(xiǎn)患者(P

? STAD富集通路分析

以logFC > 1和FDR0.2和P

⑨ 基于預(yù)后模型的列線圖構(gòu)建

單因素、多因素Cox回歸分析，發(fā)現(xiàn)預(yù)后模型可以作為獨(dú)立的預(yù)后因素。nomogram生存預(yù)測(cè)模型具有良好的預(yù)后。

相信大家看到這里也能明白本文為啥能發(fā)6分多了。和別的文章不同的是，本文特征基因的篩選、預(yù)后模型的建立只是文章的一小部分，文章大量的分析都在探究預(yù)后模型與免疫之間的關(guān)系，分析細(xì)致、緊貼主題，是文章的一大亮點(diǎn)。另外由一個(gè)單基因引發(fā)的一系列研究，也是文中的一大亮點(diǎn)，老師們?nèi)绻邢胍芯康膯位?，也可以嘗試這種思路~

添加小姐姐微信，咨詢(xún)相關(guān)方案~?