github-actions[bot]
commented
2 years ago 肿瘤免疫和基质的四象限分类 by 生信技能树
最近看到了一个肿瘤免疫微环境的数据分析好文章，标题是：《Conserved pan-cancer microenvironment subtypes predict response to immunotherapy》，链接：https://doi.org/10.1016/j.ccell.2021.04.014 ，是德克萨斯大学 MD 安德森癌症中心 的研究团队与2021年7月发表在：《Cancer Cell》杂志。
该数据挖掘的重点结论是：使用29 个TME 特征基因集合 对肿瘤转录组队列可以无监督聚类确定了四种不同的微环境亚型：
免疫丰富、纤维化 (IE/F)； 免疫强化，非纤维化（IE）； 纤维化 (F); 免疫耗竭 (D)
文章里面的knowledge-based functional gene expression signatures (Fges)就是TME 特征基因集合 ，在附件有全部的基因信息：
如果你想复用它，可以看文章的附件去复制粘贴哦 ：
a manually curated list of 29 Fges was created covering known cellular and functional TME properties (STAR Methods, Table S1; Figures 1A and 1B). Each Fges was refined to include only genes associated with a specific cell type or biological process (Table S2, Figures 1C, S1A, and S1B).
这29 个 TME 特征基因集合 有一个简单的生物学意义分组：
首先进行泛癌打分
TME classification by transcriptomic analysis of >10,000 cancer patients identifies four distinct TME subtypes conserved across 20 different cancers.
如下所示，很容易下载TCGA的全部癌症的表达量矩阵，并且使用29 个TME 特征基因集合 进行打分，打分的方法非常多其实，我们介绍过 对单细胞表达矩阵做gsea分析的代码，以及 单细胞转录组数据的批量GSVA代码大放送。
得分可以热图可视化如下所示 ：
比较好的区分成为了4类，是无监督的，另外一个展现方式是降维图，这里是tSNE的，如下所示：
从热图和降维图，都可以很明显的看到1万多个肿瘤样品可以分成4组。对应前面的结论：使用29 个TME 特征基因集合 对肿瘤转录组队列可以无监督聚类确定了四种不同的微环境亚型：
免疫丰富、纤维化 (IE/F)； 免疫强化，非纤维化（IE）； 纤维化 (F); 免疫耗竭 (D)
后面就是丰富一下图表来描述这四种不同的微环境亚型，具有很好的跨癌症的应用场景，如下所示：
可以看到这样的4分类，在每个癌症都可以应用，而且后续还有举例的癌症内部4分类后的生存分析意义。
简单的生存分析当然不能满足《Cancer Cell》杂志要求，还可以进行免疫治疗队列的生存分析意义探索。
其它肿瘤免疫微环境背景知识
免疫系统在 TME 中具有多方面的作用，癌症免疫编辑的概念得到了许多研究证据的支持，癌症免疫编辑是免疫系统可以约束和促进肿瘤发展的过程，其通过称为消除（elimination），平衡（equilibrium）和逃逸（escape）的三个阶段进行。在这些阶段中，免疫系统改变肿瘤的免疫原性，并促进编辑的肿瘤逃避免疫识别。
其它类似的学说包括：
免疫炎症型，免疫豁免型和免疫沙漠型（2017）
2017 年 1 月，Daniel Chen 提出了一个新的癌症免疫表型 ，可以看作是免疫冷肿瘤与热肿瘤的升级版。Daniel Chen 将肿瘤分为 3 种表型：免疫炎症型，免疫豁免型和免疫沙漠型。
免疫炎症型（immune-inflamed tumor）的肿瘤内部、基质、周围环境均有大量的免疫细胞浸润，处于激活或半激活状态。ICI 容易在该免疫表型中发挥抗肿瘤效应。
免疫豁免型（immune-exclude tumor）肿瘤细胞周围也有大量免疫细胞存在，但免疫细胞不能渗透到肿瘤细胞内核，而是被限制在肿瘤细胞的外围基质。
免疫沙漠型（immnue-desert tumor）无论在肿瘤细胞内核和外围基质均缺乏 T 细胞。免疫沙漠型和免疫豁免型均被认为是非免疫感染表型。
见：Chen DS, Mellman I. Nature. 2017 Jan 18 541(7637) 321-330.
炎症和TMB的4象限分类法（2019）
2019 年 3 月，Jake O’donnell 的一篇综述将肿瘤微环境分为 4 个模式 ：
第1 类 TME 肿瘤具有较高的肿瘤突变负荷（TMB）水平和炎症基因表达，提示可能存在持续功能性抑制的免疫应答。具有 TMB 水平或 T 细胞炎症基因特征的肿瘤似乎对 ICI 应答更好。
第2 类 TME 肿瘤的 TMB 水平低，且缺乏炎症基因的表达。具有免疫无感或免疫细胞排斥表型的肿瘤可能属于 2 类 TME。这类肿瘤患者如果接受免疫治疗，预后可能最差。
第3 类 TME 肿瘤的 TMB 高于 2 类，但低于 1 类肿瘤的 TMB，提示免疫原性新抗原可能是这些肿瘤的潜在靶点。但 3 类肿瘤中没有炎症基因表达提示 3 类肿瘤可能对免疫疗法不敏感。
第4 类 TME 肿瘤中 TMB 水平低，但炎症基因表达高，这类肿瘤的 PD-1/PD-L1 免疫抑制机制不占主导地位，但是目前对免疫治疗的应答率尚不清楚。
见：O'Donnell JS, Teng MW, Smyth MJ. Nat Rev Clin Oncol. 2019 Mar 16(3) 151-167.
应该在单细胞水平看肿瘤免疫和基质
绝大部分的肿瘤研究单细胞研究我介绍过 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这个第一次分群规则是 ：
immune (CD45+,PTPRC), epithelial/cancer (EpCAM+,EPCAM), stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)
很明显，前面提到的2021年7月发表在：《Cancer Cell》杂志里面的29个knowledge-based functional gene expression signatures (Fges)，可以在单细胞水平做一个泛癌研究。
文末友情宣传
强烈建议你推荐给身边的博士后以及年轻生物学PI，多一点数据认知，让他们的科研上一个台阶：
数据挖掘（GEO,TCGA,单细胞）2022年4月场，快速了解一些生物信息学应用图表 生信入门课-2022年4月场，你的生物信息学第一课
https://mp.weixin.qq.com/s/uRdDxx20HAeFx08ZOQA6iw