IF: 10+ 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...-CSDN博客

本文链接：https://blog.csdn.net/weixin_41368414/article/details/137531355

‍

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

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);

2. 单细胞数据进行批量校正 (Harmony);

3. 单细胞数据处理、聚类、可视化及差异分析 (Seurat4.0);

4. 细胞类型注释 (SingleR);

5. 机器学习算法筛选基因特征 (LASSO);

6. 机器学习算法筛选基因特征 (SVM-RFE);

7. 深度神经网络(DNN)模型(nnet-Sigmoid-Dropout-Softmax);

8. 基因集变异分析 (GSVA);

9. 高、低PR风险组得分差异分析 (Limma);

10. 配体-受体标注和可视化 (iTALK);

11. 定量测定恶性细胞的干性 (CytoTRACE);

12. 恶性细胞调控网络推理和聚类(SCENIC);

13. 逐步多因子Cox回归 (StepCox);

14. 预测大量样本中恶性细胞比例 (BayesPrism);

15. 构建列线表 (Nomogram);

16. 样品基因集富集分析 (ssGSEA);

17. 药物敏感性预测 (oncoPredict);

18. 绘制生存曲线 (Kaplan-Meier);

19. 绘制 ROC 曲线图 (timeROC)

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。

(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)。

(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。

(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。

(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