github-actions[bot]
commented
2 years ago 结合免疫组库纯生信数据挖掘——预测模型玩出新高度（12+） by 医学僧的科研日记
今天与大家分享一篇2022年3月份发表在Cancer immunology research上的一篇文章，与以往常规套路不同，作者着眼于B细胞和免疫球蛋白等特征构建模型，研究了膀胱癌患者不同亚群中肿瘤内免疫球蛋白谱系的结构，并开发了一种基于肿瘤RNA序列的预测肌层浸润性尿路上皮癌抗PD-L1治疗反应的指标。具体是怎么实现的呢，我们一起来学习一下吧~
1
研究概述
1.数据来源
①TCGA-BLCA数据集
②IMVigor210数据集
2.根据不同免疫特征进行生存预测
①Ig克隆性与生存预测
②IgG1/IgA表达率与生存预测，以及与免疫特征关系探索
③CD8+免疫细胞signature的预后价值，以及与IgG1/IgA表达率结合的预后价值
3.构建预测模型
①随机森林建模
②SHAP来探索输入特征的重要性和交互作用
2
研究内容及结果
1、免疫球蛋白同种型组成和克隆性
作者研究了来自 TCGA 的具有不同基于 mRNA 表达的分子亚型的 BLCA 患者队列，以识别更有可能具有良好预后同时表现出高肿瘤内 IgG1/IgA 比率的患者（图 1A）。当根据 IgG1/IgA 比率分层时，基底鳞状细胞和管腔浸润分子亚型与患者存活率最显着相关，高 IgG1/IgA 比率与较低的 IgG1/IgA 比率相比，存活率更高（图 1B）。接下来，作者使用 MiXCR研究了从 BLCA RNA-seq 数据中提取的 IgG 库的克隆性。最佳预后与高 IgG1/IgA 和低免疫球蛋白克隆性相关（图 1C）。
①MiXCR:快速准确分析T细胞和B细胞受体库序列数据的通用工具。用于处理从原始序列到定量克隆型的大免疫组数据。
②本研究中 IGH、IGK、IGL、TRA、TRB、TRG和TRD受体的V和J序列取自IMGT数据库。
③免疫球蛋白克隆性计算为（1-标准化的香农-维纳指数）。
Fig1
2、CD8+ 效应T细胞特征和IgG1/IgA的预后价值
作者将先前研究报道的 CD8+ T 细胞特征应用于基底鳞状细胞 TCGA-BLCA 亚群时，该特征的高表达与更好的患者存活率相关（图 1D）。而使用标准化的 CD8+ T 细胞特征可以更准确地与预后相关联（图 1E）。与单独的 CD8+ T 细胞特征相比，IgG1/IgA 比率和标准化 CD8+ T 细胞特征的组合具有更大的预后价值，最佳预后与高 IgG1/IgA 比率和高标准化 CD8+ 特征相关（图 1F）。
Fig1
3、预测生存和对免疫治疗的反应
单独的 IgG1/IgA 比率仅对排除的免疫表型对atezolizumab 的反应具有显着预测价值（图 2A），对整个 IMVigor210 队列的治疗患者的总生存期具有显着的预后价值（图 2B）。高免疫球蛋白克隆性与接受治疗的患者亚组的阴性预后显着相关（图 2C）。低免疫球蛋白克隆性结合高 IgG1/IgA 比率与整个 IMVigor210 队列的最佳预后相关（图 2D）。原始 CD8+ T 细胞特征对反应的预测能力较差（图 2E-H），但针对泛白细胞基因的标准化提高了预测能力（图 2I-K）。标准化的 CD8+ T 细胞特征与 IgG1/IgA 比率的组合产生了最佳预后值（图 2L）。
Fig2
4、预测抗PD-L1免疫治疗反应的模型
IMVigor210 试验使用针对 PD-L1 C 末端的抗体测量 PD-L1，评分系统 (ICA) 计算为给定肿瘤区域中 PD-L1+ 免疫细胞的百分比。一线治疗的临界值为 5% (IC2/3)，但 PD-L1 评分的预测值相对较低（图 3）。
Fig3
作者使用了随机森林模型，通过嵌套交叉验证方法评估性能（图 4）。使用原始 CD8+ T 细胞特征对模型进行了训练。得到的 AUROC 类似于建立在特征值上的 AUROC（比较图 2G 和图 4A），这与随机患者选择没有区别接下来，使用标准化的 CD8+ T 细胞特征训练模型。AUROC 大于原始特征的 AUROC，并且类似于未使用模型的归一化签名的 AUROC（比较图 2K 和图 4D）。
最后，作者整合了细化的标准化 CD8+ T 细胞特征（CXCL9、CXCL10、CD8A、GZMB）、IgG1/IgA 同种型比率以及与 TCGA-BLCA 患者的高 IgG1/IgA 比率相关的特征，包括 KLRC-NK 特征（KLRC2、KLRC3、KLRC4）、IL21 和 GNLY 表达（均针对泛白细胞基因标准化），以及非标准化 TGFB1 表达。生成的 PRIMUS 模型的性能优于在标准化 CD8+ T 细胞特征上训练的模型（图 4D-I）。与 PD-L1 IHC 相比，PRIMUS 可以更好地预测反应并产生更大的预后价值（图 3B-D；图 4G）。基于标准化 CD8+ T 细胞特征或高/低 IgG1/IgA 同种型比率和标准化特征的组合，PRIMUS 的预后也优于预测（比较图 2I-L 与图 3D）。
Fig4
5、特征重要性和互作分析
接下来，作者使用 SHAP探索输入特征的重要性和相互作用。归一化的 CD8+ T 细胞特征与响应具有最显着的关联（图 5A 和 B）。作者还确定了变量之间的相互作用。具体而言，高 IgG1/IgA 比率更能预测与高 IL21 表达相结合的反应（图 5C），CD8+ T 细胞特征的高表达与高 IL21 表达之间的相互作用（图 5D）。
①SHAP是一种博弈论方法，用于解释机器学习模型，并通过量化每个特征对模型做出的预测的贡献来理解决策过程
②图A横坐标是shap-value即影响的权重， 左侧的标签是特征，并且它们也是按照重要性排序的，每一点都代表一个真实的样本。对于每一组（每一行）来说，数据点的颜色是由特征的值决定的。特征的值越大，点的颜色越红。区域分布越宽说明它的影响力越大，因此这个图一般是上宽下窄（影响大的放在上面）。
Fig5
6、预测沙漠亚型患者的免疫治疗反应
在三种肿瘤免疫表型（发炎、排除和沙漠）中，“沙漠”亚组的治疗反应尤其难以预测。而PRIMUS 能预测来自 IMVigor210 试验的免疫“沙漠”患者的反应（图 6A）。为了进一步验证 PRIMUS 模型可以有效预测“沙漠”肿瘤表型的反应，作者使用 IMVigor210 队列训练 PRIMUS，将 41 名具有“沙漠”表型的患者指定为保留集。PRIMUS 成功预测了这些患者的反应（图 6B），因此证明了 PRIMUS 在预测抗 PD-L1/PD1 免疫治疗反应方面的效用。
Fig6
3
结论
作者分析了浸润B细胞在膀胱癌中的作用，发现IgG1/IgA比率是一个预后指标。高的IgG1/IgA比率与细胞毒性基因信号、T细胞受体信号和IL21介导的信号显著相关。接下来，作者结合了TME的T细胞、NK细胞和B细胞参数，并考虑了各种免疫过程的相对代表性，开发了一种基于肿瘤RNA-seq的预测因子（PRIMUS），用于预测肌肉浸润性尿路上皮癌中的抗PD-L1治疗反应。
偷偷告诉你，我们在B站还有优质文章分享视频哦~
文献下载-医学僧
机器学习（分类）-医学僧
ggplot可视化-医学僧
热图可视化-医学僧
TCGA挖掘-医学僧
GEO挖掘-医学僧
肿瘤预后模型-医学僧
肿瘤分子亚型-医学僧
欢迎小伙伴们进群👏👏👏，每个群收费15元。请联系小编微信yixuesengkyrj或扫描下面二维码：
https://mp.weixin.qq.com/s/iv-lENGvMth8M9CrXQ7oZA