github-actions[bot]
commented
2 years ago 联合单细胞与TCGA数据建立肝癌预后模型 by 单细胞天地
分享是一种态度
文章信息
题目: A novel prognostic model based on single‑cell RNA sequencing data for hepatocellular carcinoma
期刊: Cancer Cell International (IF=5.722)
日期：2022-1-25
DOI: https://doi.org/10.1186/s12935-022-02469-2
1、总体思路
（1）首先对来自GEO的HCC单细胞数据集，进行分群与细胞类型注释。
（2）基于此，使用CIBERSORT算法去预测TCGA每个样本的细胞类型组成比例。
（3）然后使用WGCNA算法得到一个与肿瘤最相关的module，以及与之最相关的cluster类型。
（4）之后取tumor deg、module gene、cluster marker gene交集进行cox回归与LASSO分析，得到一个3基因的risk model；
（5）再对这个模型进行验证以及预后分析。
2、分析结果
2.1 scRNA数据(GSE149614)分析
按照基本的Seurat单细胞数据分析流程，进行过滤--标准化--高变基因--降维分群--细胞类类型注释。
其中分为了25个cluster，为每个cluster鉴定marker gene
有5种细胞类型包含多个cluster，分别是CD4 + cytotoxic T cells、Kupffer cells、liver progenitor cells、dendritic cells
2.2 使用CIBERSORT算法计算TCGA样本的细胞组成
根据计算结果，有16个cluster比例在tumor与nomal中存在显著差异
2.3 使用WGCNA算法挖掘与tumor相关的基因模块
得到5个module 其中brown module与肿瘤最相关，而C21与brown module最相关
2.4 建立risk model预后模型
去tumor normal deg，brown module，C21 marker gene的交集作为候选基因
通过单变量cox回归，Lasso回归筛选出3个基因(CLTA, TALDO1, CSTB)用于建立预后模型，计算risk score
结合TCGA的生存数据，验证模型的预后能力；并通过ICGC数据集进行再次验证。
单变量与多变量cox回归验证模型的预后性能
2.5 模型risk score分析
risk score与免疫浸润细胞比例的关系
risk score与免疫治疗预测结果(TIDE)的关系
3、小结
这篇文章是一篇结合单细胞数据的TCGA数据挖掘文章，使用了CIBERSORT、WGCNA算法，筛选建模候选基因的思路值得借鉴与学习。
如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程
看完记得顺手点个“在看”哦！
长按扫码可关注
https://mp.weixin.qq.com/s/K8Yc7qVNO4I5utl8P-9IOA