这期分享一篇 2024年1月发表于 Briefings in Bioinformatics (IF 9.5)的文章,作者基于深度学习整合bulk转录组和单细胞转录组揭示肝细胞癌的预后和治疗选择中的焦亡特征。
该文章使用桓峰基因公众号里面生信分享教程即可实现,有需要类似思路的老师可以联系我们!
摘 要
虽然已经报道了一些与焦热相关 (PR) 的癌症预后模型,但在肝细胞癌 (HCC) 的单细胞水平上,尚未完全发现基于焦热的特征。在本研究中,通过深入整合单细胞和 bulk 转录组数据,系统地研究了单细胞和bulk水平上的共同焦亡特征在 HCC 预后中的意义。在此基础上,构建了一个鲁棒性 PR 风险系统来量化个体患者的预后风险。为了进一步验证热噬特征对患者预后的预测能力,构建了基于注意机制的深度神经网络分类模型。从肿瘤干性、肿瘤通路、转录调控、免疫浸润和细胞通讯等方面分析不同PR风险患者预后差异的机制。建立 PR 风险与临床病理资料相结合的 nomogram 模型,评价临床个体患者的预后。PR 风险也可以评价 HCC 患者对新辅助治疗的治疗反应。综上所述,构建的 PR 风险体系能够全面评估 HCC 的肿瘤微环境特征,准确预测预后,合理选择治疗方案。
生信分析流程
相关数据集选择
单细胞转录数据集:GSE149614 (10个样本); GSE156625 (43个样本)
bulk 转录组数据集:TCGA-LIHC cohort (335); LIRI-JP (232); GSE91061; GSE78220; GSE109211; GSE104580
基因集选择
基因卡数据库中的105个PR基因 (GeneCard database)
最后标记基因:STAT4, ERGIC3, and MGMT
生信分析方法
根据文章的分析流程提取所有的分析内容,整理出来就19个分析条目,每个条目都包括分析的内容,这些分析构成了整个文章,本文属于机器学习的临床预测分析类文章,下面我们就看看哪些分析可以利用桓峰基因公众号的教程来实现,点击分析条码就会跳转到对应公众号的教程,跟着教程做,您也能发轻松发高分,如下:
1. 单细胞数据去除双重细胞 (DoubletFinder);
3. 单细胞数据处理、聚类、可视化及差异分析 (Seurat4.0);
7. 深度神经网络(DNN)模型(nnet-Sigmoid-Dropout-Softmax);
14. 预测大量样本中恶性细胞比例 (BayesPrism);
研究结果
1. 工作流程
2. 单细胞转录组预处理和细胞分组
(A) GSE149614和GSE156625的集成效果。
(B) 亚洲和太平洋地区的大学流动性(UMAP)图显示了HCC中24种细胞类型的注释和颜色代码。
(C) 热图显示标记基因在指定细胞类型中的表达。括号内的数字与(B)中的簇数相对应。
(D) 由热释相关基因对细胞进行分组。
(E) 高、低热噬细胞间DEG差异(P < 0.05)。
3. 单细胞和大量转录组共有的焦亡基因特征
(A) 用PCA可视化方法对TCGA-LIHC样品进行热作用相关基因的分类。
(B) 高、低热解样品之间的deg (P < 0.05)。
(C) 维恩图显示了两种机器学习算法获得的共同焦亡基因签名。
(D) TCGA训练队列多变量Cox回归分析计算的热亡基因签名成员的HRs and 95% CIs。
(E) 注意机制的神经网络架构-二元分类算法。
4. 在TCGA-LIHC和验证队列中PR风险的预后作用
(A-B) TCGA-LIHC和ICGC 队列中高风险和低风险患者的K-M生存分析。
(C) 建立TCGA-LIHC队列与PR风险及临床因素的Nomogram。
(D-F) nomogram校正图表示预测的1、3和5年生存率与观察到的生存率之间的一致性。
(G-I) DCA分别显示PR风险、临床和nomogram模型在1年、3年和5年OS中的净临床获益。
5. 探讨不同PR风险等级间恶性细胞比例、干性及转录因子的差异
(A) 三种肝细胞的UMAP分布。
(B) 单个细胞(左)和大量数据(右)高、低PR风险样本中恶性细胞比例的差异。
(C) 单细胞(左)和大量数据(右)高、低PR风险样本间恶性细胞干性的差异。
(D) 高、低PR风险样本中恶性肝细胞的TOP 3转录因子。
(E) PR高风险样本中恶性肝细胞的TOP 3转录调控网络。
(F) 低PR风险样本中恶性肝细胞的TOP 3转录调控网络。
6. 高、低PR风险样本免疫细胞浸润的差异
方框图比较TCGC队列(A)、ICGC队列(B)和单细胞转录组(C)免疫细胞浸润的差异。
7. 高和低PR风险样本之间癌症标志通路的细胞通讯差异(高vs低)
PI3K_AKT_MTOR (A)、EGF (B)和核β -连环蛋白(C)途径上受体-配体通讯在两个风险等级样本之间的差异。
Reference
Yang Liu, Hanlin Li, Tianyu Zeng, Yang Wang, Hongqi Zhang, Ying Wan, Zheng Shi, Renzhi Cao, Hua Tang, Integrated bulk and single-cell transcriptomes reveal pyroptotic signature in prognosis and therapeutic options of hepatocellular carcinoma by combining deep learning, Briefings in Bioinformatics, Volume 25, Issue 1, January 2024, bbad487, https://doi.org/10.1093/bib/bbad487
文献解读
IF:12+ 不同癌症中TMB与ICI反应之间的免疫相关因素研究
IF:4+ 铁代谢和免疫相关基因标记预测三阴性乳腺癌的临床结局和分子特征
IF:14+ “冒烟型”骨髓瘤的分子组成突显了导致多发性骨髓瘤的进化途径
IF:5+ 7种癌症免疫治疗证明DNA损伤反应通路突变可作为免疫检查点封锁疗效的潜在生物标志物
IF:11+ 研究CpG岛甲基化表型病因和致癌转化的泛癌综合分析
IF:7+ 基于转录组水平上探究种植周炎和类风湿性关节炎的相似性和潜在关系:一项生物信息学研究的结果
IF:6+ 益气化瘀汤诱导胃癌铁死亡的网络药理学研究及实验验证
IF:11+ 鳞癌基因标记预测肺腺癌患者的预后和免疫治疗的敏感性
IF:7+ 免疫微环境中的免疫基因标记和免疫类型与胶质瘤的预后相关
IF: 8+ m6A调控因子与m6A相关的lnc/mRNA作为结直肠癌预后因子的综合性分析
IF: 6+ m6A信号与肿瘤免疫微环境在胶质瘤中的预后分析及验证
IF: 4+ 通过共表达网络鉴定急性心肌梗死患者血小板转录组关键基因模块和通路
IF:13+ Nomogram预测免疫检查点抑制剂治疗MSI-H型转移性结直肠癌患者的预后
IF:4+ 鉴定与股骨头坏死软骨氧化应激相关的Hub基因和通路
IF:伴FLT3-ITD突变的急性髓系白血病在米哚妥林治疗下的克隆进化
IF:8+ 小儿感染性休克的特征基因及与免疫细胞浸润的关系分析
IF: 8+ 基于单细胞 RNA-seq 构建非小细胞肺癌免疫反应的中性粒细胞预后模型
IF: 5+ 葡萄球菌核酸酶结构域含蛋白1 (SND1)在人类肿瘤中的致癌作用的泛癌分析
IF:6+ 综合分析揭示了一种炎症性癌症相关的成纤维细胞亚型在预测膀胱癌患者的预后和免疫治疗反应方面具有重要意义
IF: 25+ 单细胞转录组+scBCRseq联合分析研究癌症克隆结构和转录进化
IF: 13+基于scRNA-seq研究生物合成的微环境支架在小鼠皮肤伤口愈合中的应用
IF:10+ 单细胞转录组测序可预测乳腺癌预后和新辅助治疗效果
IF:8+ 基于scRNA-seq 揭示牙周炎患者在接受非手术治疗后免疫反应的重新平衡
IF:82+ 基于 scRNA-seq 研究肺肿瘤微环境中基质细胞的表型塑造
IF:16+ 基于 scRNA-seq 研究免疫抑制肿瘤微环境与胰腺癌肝转移的相关性
IF: 16+ 基于单细胞转录组和空间转录组分析揭示结直肠癌中FAP+成纤维细胞和SPP1+巨噬细胞的相互作用
IF:11+ 基于10种机器学习利用内皮细胞衰老的生存预测和免疫治疗反应识别转录组学泛癌标志物
IF: 27+ 基于单细胞测序揭示以 ZEB1 转录因子为主要调节因子的衰老细胞群促进软骨和半月板骨关节炎
IF: 16+ 基于10种机器学习方法开发了免疫性 lncRNA signature 改善结直肠癌的预后
IF: 16+ 基于弹性网络回归嵌套验证方法证实肿瘤邻近肺内炎症是肺腺癌临床预后的预测因子
IF: 39+ 基于单细胞转录组测序揭示肺腺癌和鳞癌之间的异质性免疫图谱
桓峰基因,铸造成功的您!
未来桓峰基因公众号将不间断的推出单细胞系列生信分析教程,
敬请期待!!
桓峰基因官网正式上线,请大家多多关注,还有很多不足之处,大家多多指正!http://www.kyohogene.com/
桓峰基因和投必得合作,文章润色优惠85折,需要文章润色的老师可以直接到网站输入领取桓峰基因专属优惠券码:KYOHOGENE,然后上传,付款时选择桓峰基因优惠券即可享受85折优惠哦!https://www.topeditsci.com/