免疫浸润天花板IOBR 2.0

动机

免疫疗法的日益应用突显了肿瘤微环境(TME)在影响治疗结果中的关键作用。测序技术的进步能从多个角度分析TME，获得新见解。多组学数据的复杂性和大量性给分析和解释带来了挑战。为了解决问题，推出了IOBR 1.0的升级版本IOBR 2.0，作为集成工具，简化了多组学数据TME分析和可视化的过程。IOBR 2.0能系统地研究TME特征，并识别免疫治疗结果的生物标志物。

亮点

• IOBR 2.0 提供了用于TME分析和生物标志物识别的流程 

• 包含6个模块，用于RNA数据预处理、肿瘤微环境特征分析以及基因组-肿瘤微环境相互作用

• 集成了10种反卷积方法和322个与TME相关的基因特征 

• 支持单细胞特征对批量RNA-seq数据表型分析

小结

大规模转录组数据集的使用极大地提高了对TME的理解，有助于开发精准的免疫疗法。多组学、scRNA-seq和空间转录组测序的日益应用带来了许多新见解，仍需要在大样本中临床验证。为了推进多组学在TME研究中的整合，升级了免疫肿瘤学生物研究(IOBR)包至IOBR 2.0，对其分析工作流程重构和标准化。IOBR 2.0提供了基于多组学数据的6个TME分析模块，包括数据预处理、TME估计、TME浸润模式识别、细胞相互作用分析、基因组与TME相互作用以及特征可视化和建模。此外，IOBR 2.0能从scRNA-seq数据中构建基因特征和参考矩阵，用于TME反卷积。用户友好的流程提供了对肿瘤-免疫相互作用的全面见解，并且详细的GitBook (https://iobr.github.io/book/)为每个模块提供了完整的手册和分析指南。

结果

图1 描述IOBR 2.0工作流程的图形方案 

IOBR 2.0 包括转录组数据准备、多种反卷积算法和特征估计方法用于微环境分析、TME模式识别、基因组与TME之间相互作用的分析、批量可视化和统计分析，以及TME建模。TME：肿瘤微环境；MAF：突变注释格式；PCA：主成分分析；GSEA：基因集富集分析；RF：随机森林；ML：机器学习；AUROC：接收者操作特征曲线下的面积。

图2 IOBR 2.0由6个与数据预处理和肿瘤免疫微环境相关的分析模块组成 

模块的功能包括：

1） 转录组数据的预处理；

2）估计特征评分并识别与表型相关或用户构建的特征，同时解码TME结构；

3）识别TME模式并分析配体-受体相互作用；

4）估计与感兴趣特征相关的特定突变景观；

5）相应的批量可视化和统计分析；

6）模型构建。 WES：全外显子测序。

图3 转录组数据的预处理和TME细胞浸润丰度的计算

(A) 流程图展示了使用count2tpm函数将RNA-seq计数数据转换为TPM的过程。 (B) PCA散点图显示了IMvigor210数据集中组织类型的分布。 (C) IMvigor210和TCGA-BLCA数据集在批量校正前后的数据分布比较。 (D 和 E) 基于CIBERSORT (D) 和quanTIseq (E) 的TME细胞百分比条形图。 (F) IOBR 2.0利用从单细胞分析生成的细胞类型特异性基因表达特征，从批量RNA-seq数据中解码IMvigor210队列的TME景观。每种颜色代表不同的细胞类型。NA：不可用；TPM：每百万转录本。

图4 IOBR 2.0识别TME模式并分析不同TME聚类之间的临床特征、表型和TME成分的差异

(A) 热图显示了高（红）和低（蓝）分组中每个患者的TME浸润细胞特征评分（蓝 = TME1；红 = TME2）。热图的行代表使用CIBERSORT算法通过deconvo_tme函数计算的TME浸润细胞特征表达（Z分数）。TME1和TME2是通过基于CIBERSORT的TME浸润细胞特征使用tme_cluster函数识别出的不同TME模式。 (B) Kaplan-Meier曲线比较了TME1和TME2之间的总生存期(OS)。 (C) 箱线图显示了TME1和TME2之间M1巨噬细胞和CD8+ T细胞（Z分数）、每兆碱基(MB)突变负荷和每MB新抗原负荷的表达。 (D) 条形图显示了临床特征和生物标志物，包括免疫表型、IC水平、TC水平以及TME1和TME2之间的BOR。 (E 和 F) 箱线图 (E) 和热图 (F) 描述了IOBR 2.0中包含的代谢特征，并识别与TME模式相关的特征。图 (E) 中的p值使用双侧Mann-Whitney U检验计算。∗p < 0.05；∗∗p < 0.01；∗∗∗p < 0.001；∗∗∗∗p < 0.0001；ns，与同型对照组相比无显著差异。 IC水平：免疫细胞水平；TC水平：肿瘤细胞水平；NA：不可用；NE：无法评估；CR：完全缓解；PR：部分缓解；SD：稳定疾病；PD：进展性疾病；BOR：最佳响应。

图5 免疫治疗预后特征的筛选和疗效预测模型的构建

(A) 森林图显示了IMvigor210队列中与OS相关的12个基因特征。 (B) 相关性图反映了M1巨噬细胞与每MB突变负荷之间的Spearman相关性。 (C) Kaplan-Meier曲线比较了4个TME聚类(TME1-4)之间的OS。IOBR 2.0基于与免疫治疗预后密切相关的30个特征识别出这4个TME聚类。 (D) 通过IOBR 2.0从ssGSEA获得的4个TME聚类的免疫治疗预后相关特征评分的热图。 (E) Kaplan-Meier曲线比较了高和低分组之间的OS。风险评分的截断值设为平均值。 (F) 时间依赖性的ROC曲线和AUC，用于评估风险评分（红）、每MB突变负荷（灰）以及联合模型（蓝）在12个月时对患者临床获益的预测能力。联合模型是使用Cox回归方法整合风险评分和每MB突变负荷构建的。 ROC：接收者操作特征；ssGSEA：单样本基因集富集分析；OS：总生存期。

图6 基因组与TME相互作用模块描绘了与TMEscore相关的突变及其对应的肿瘤图谱

(A) 箱线图显示了与TMEscore显著相关的突变，包括TP53、FGFR3、ERBB3和PIK3CA。蓝和黄分别代表突变型和野生型状态。 (B) Kaplan-Meier曲线比较了TP53突变型和野生型状态之间的OS。 (C) 肿瘤图谱展示了在高和低TMEscore背景下的基因组改变景观。左侧绿色条形图和右侧的数字共同展示了每个基因的突变频率。WT：野生型；Mut：突变型。

参考

Cell Rep Methods. 2024 Nov 26:100910. doi: 10.1016/j.crmeth.2024.100910

注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。