第六篇
Distinctive targetable genotypes of younger patients with lung adenocarcinoma: a cBioPortal for cancer genomics data base analysis
IF:3.6 中科院分区:4区 医学WOS 分区:Q2 Cited by: 11
可以学习的点:
1.使用了cBioPortal for Cancer Genomics(http://www.cbioportal.org)数据库
2.驱动基因突变,EGFR、ALK、ROS1、RET、BRAF-V600E、MET、ERBB2 和 KRAS,无任何一种即为野生型
3.年轻患者中,不吸烟、女性、诊断时就是女性时,预后比较差
4.EGFR kinase mutations(P = .005), ALK rearrangements (P = .009), ROS1 rearrangements (P = .035) and RET arrangements。上述突变年龄越小突变概率越高。
5.年龄越大,KRAS突变概率越高。
6.以45岁为分界点,突变频率有区别,中国人群包括KRAS、ALK在45岁以下人群突变率高。
第七篇
Identification and validation of a novel cuproptosis-related stemness signature to predict prognosis and immune landscape in lung adenocarcinoma by integrating single-cell and bulk RNA-sequencing
IF:7.3中科院分区:2区 医学
背景
癌症干细胞 (CSC) 在肺腺癌 (LUAD) 复发、转移和耐药性中起着至关重要的作用。Cuproptosis为肺CSCs的治疗提供了新的见解。然而,目前缺乏对关于cuproptosis相关基因结合干性特征及其在LUAD预后和免疫landscape中的作用。
摘要
通过整合LUAD患者的单细胞和bulk-RNA测序数据来鉴定铜死亡相关的干性基因(CRSGs)。随后,采用一致聚类分析对铜死亡相关干性亚型进行分类,并采用LASSO-Cox回归构建预后标志。还研究了预后标志与免疫浸润、免疫治疗和干性标志之间的关联。
结果
1.scRNA-seq数据的聚类和差异分析
将簇注释为 8 种主要细胞类型 (图2B; S1A),它们是上皮细胞(包含非恶性细胞和癌细胞)、髓样细胞、T 淋巴细胞、自然杀伤 (NK) 细胞、B 淋巴细胞、成纤维细胞、肥大细胞和内皮细胞(图2C).T淋巴细胞比例相对较高,内皮细胞比例较低(图2E).根据干性评分的中位数将每个细胞分为高得分干细胞和低得分干细胞(图2D).此外,共鉴定出6107个差异表达的干性基因
2.基于干性标志的铜死亡得分与功能富集
通过6107个差异表达的干性基因和10个铜死亡相关基因的交叉,获得了6个CRSG(CDKN2A、GLS、FDX1、PDHA1、PDHB和DLD)(图2G).此外,这些CRSGs之间存在正相关,CDKN2A的表达与GLS呈正相关(cor=0.394)(图2N).这些基因在上皮细胞和骨髓细胞中明显更活跃(图3A).总共筛选了 25802 个基于干性特征的高 cuproptosis 评分的细胞 (AUC > 0.054)
通过GO和KEGG分析进一步探讨了基于干性特征的高铜死亡组和低铜死亡组评分细胞之间的功能富集。它们在代谢微环境和癌症相关途径中富集最多,例如蛋白质分解代谢、DNA 结合蛋白和内吞作用。
3.高铜死亡得分的干性细胞的聚类亚型
将高铜死亡得分干细胞重新进行聚类,按原先规则分成八类。类别与先前找的的6个基因表达一致。
4.cuproptosis 干细胞簇和其他细胞之间的细胞间通讯
CellChat用于细胞通讯。图5A显示主要发生在上皮细胞、内皮细胞、成纤维细胞、淋巴细胞和髓样细胞中的高低cuproptos评分干性簇的细胞间通讯,相互作用数量和强度不同。进一步分析表明,高簇与免疫细胞(如NK细胞和淋巴细胞)的相关性更高,与上皮细胞、内皮细胞和髓样细胞的相关性较小(图 5B、C).此外,配体-受体对分析显示,成纤维细胞更倾向于通讯MIF-(CD74+CXCR4)、MIF-(CD74+CD44)和MDK-NCL(图5D).
5.分析CRSGs在bulk数据的表现
分析tcga正常疾病的差异基因,并与CRSGs交集,看CRSGs在bulk数据的上下调方向。通过DEGs与高铜死亡干细胞簇标记基因的交集,共获得129个基因(图 5G; 表S5)。GO分析显示,它们主要与免疫特征和补体激活有关。
6.LUAD中cuproptosis相关干性亚型及免疫浸润分析
通过无监督聚类,根据 129 个相交的 DEG 确定了 3 种不同的 cuproptosis 相关干性亚型(聚类 1-3)。(图 6A–C).聚类标准为k=3,结果由PCA确认(图6D, 图S1E)。此外,除FDX1外,大多数CRSGs在3个簇中均有显著差异表达(p < 0.05)接下来,采用ssGSEA分析(图6F).结果显示,大多数免疫浸润细胞,如活化的B细胞、CD4+T细胞、CD8+T细胞、髓源性抑制细胞(MDSC)和NK细胞在簇1中显著降低,表明簇1中的患者对免疫治疗更不敏感。
7.具有铜死亡相关干性特征的预后模型的构建和验证
采用单因素和LASSO Cox回归构建预后特征,在129个DEGs(图 7A、B).最终筛选出8个基因(KLF4、SCGB3A1、COL1A1、SPP1、C4BPA、TSPAN7、CAV2和CTHRC1)构建预后模型。内部验证队列 (TCGA-LUAD) 显示,高风险评分的患者表现出更差的 OS(p=0.00004,图7C).同样,K-M分析显示,高危组患者的生存率显著降低(p < 0.001,图7D).计算 1 年、2 年和 3 年 OS 的 ROC 曲线,AUC 分别为 0.7049、0.7049 和 0.6836(图 S2A、B)。此外,我们还在外部队列(GSE141569).与上述结果一致,风险评分较高的患者死亡率较高(p = 0.0038,图7E).K-M曲线和AUC值在低风险组中也表现出更高的OS率(p = 0.005,图a 7F; S2C,D)。所有结果表明,风险评分可能是预测LUAD预后的可靠和准确的模型。
8.LUAD患者列线图的构建
为了进一步应用预后模型,我们进行了单因素和多因素Cox回归分析(图8A-B; 表 S7 )基于TCGA-LUAD的临床信息(表S1)和CRSGs特征。类似的结果在外部队列中得到了验证(图S3A,B)。根据多变量Cox回归(图8C).列线图的 1 年、3 年和 5 年生存预测的准确性通过校准曲线得到证明。(图8D).同时,DCA还表明LUAD患者更有可能从列线图模型中受益(图 8E–G).
9.基于预后特征的免疫浸润谱和干性评分
我们进一步执行CIBERSORT算法来评估每个LUAD患者中免疫细胞的比例和相关性(图S3C,D)。相关性分析发现,具有预后特征的CRSGs与22个免疫细胞中的大多数(图9A )。此外,高危组和低危组之间的免疫细胞差异有统计学意义。(图9B).最后,进行风险评分与免疫浸润的相关性分析,结果显示风险评分与M0巨噬细胞、记忆CD4+T细胞、静息NK细胞呈正相关,与活化NK细胞、静息肥大细胞和Tregs呈负相关( 图9C )
此外,使用ssGSEA计算干性评分,并与风险评分相关。风险评分与干性评分呈正相关(r = 0.286,p = 1.95e-10,图9E),这表明风险评分较高的患者也具有较高的干性评分和更多的 CSC 特征 (p = 3.3e-13,图9F).
10.免疫治疗反应和药敏性
为进一步评价CRSGs对LUAD的免疫治疗反应,本研究对预后CRSGs与免疫检查点基因进行相关性分析。KLF4、COL1A1、SPP1、CAV2和CTHRC1与前14个免疫检查点基因呈正相关,其中CTHRC1和COL1A1的相关性最高,而TSPAN7、C4BPA和PSMB9呈负相关(图 9D).综上所述,这些结果表明,预后CRSGs可能是一种有用的生物标志物,可以预测将从免疫治疗中受益的LUAD患者。
我们还根据GDSC数据库中的药物敏感性特征评估了高风险组和低风险组之间的潜在抗肿瘤药物。通过计算IC50值选出前16种敏感药物,如AKT-VIII、EHT-1864、GW-441756、厄洛替尼、拉帕替尼等,表明高危组患者对化疗和靶向治疗更敏感