100篇泛癌研究文献解读之肿瘤免疫浸润情况

100篇泛癌研究文献解读之肿瘤免疫浸润情况 by 生信技能树

为了分析不同类型、组织起源肿瘤的共性、差异以及新课题。TCGA于2012年10月26日-27日在圣克鲁兹，加州举行的会议中发起了泛癌计划。参考：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6000284/ 为此我也录制了系列视频教程在：TCGA知识图谱视频教程（B站和YouTube直达）

本研究发表于 Clin Cancer Res. 2018 Aug ，题目是：A Pan-cancer Landscape of Interactions between Solid Tumors and Infiltrating Immune Cell Populations. 系统性的研究了 9,174 tumors of 29 solid cancers 的免疫浸润情况。这些免疫数据都是可以在 https://gdc.cancer.gov/about-data/publications/panimmune 下载的。本来我以为这篇文章做的很简单，以为下载 panimmune 数据就好，但是看了文章的附件，我才知道，我想的简单了。

文献解读属于100篇泛癌研究文献系列，首发于：http://www.bio-info-trainee.com/4132.html

免疫浸润背景知识

肿瘤微环境主要由肿瘤相关成纤维细胞、免疫细胞、细胞外基质、多种生长因子、炎症因子及特殊的理化特征（如低氧、低pH）和癌细胞自身等共同组成，肿瘤微环境显著影响着肿瘤的诊断、生存结局和临床治疗敏感性。微环境中的细胞可以聚成不同类别，而每种细胞与其他细胞间同时存在复杂又显著的相互作用，而且存在一些稳健的细胞浸润模式。

通过免疫组织化学染色或CIBERSORT方法评估免疫细胞浸润。基于LASSO Cox回归模型，从22种免疫特征中选择5种免疫特征构建免疫型。

本文系统性的评估了3个免疫微环境文献，提出来了自己的16个免疫成分的微环境。

数据量情况

16种免疫细胞浸润情况

作者选择自己使用GSVA算法，流程如下：

其中GSVA和ssGSEA算法

一致性不错：

为什么选择16个基因集

这里作者参考了3篇文章：

(1) Bindea et al. (2013)
(2) Angelova et al. (2015)
(3) Charoentong et al. (2017)

然后还做了两个验证：

在CCLE数据库的RNA-seq数据集验证
在GSE86362数据集Affymetrix 133 Plus 2.0 芯片数据验证

把TCGA的BRCA癌症里面的TNBC样本去除后的 924个乳腺癌表达数据的GSVA结果如下：

根据不同cytotoxic含量可以把癌症样本分成6个immunophenotypes

其它癌症的immunophenotypes分布情况：

TCGA和GTEx的比较

使用到的GTEx数据如下：

ESTIMATE 和CIBERSORT 结果的比较

首先 CIBERSORT 算法对 TCGA数据的芯片和测序表达量推断的免疫细胞组分结果一致性并不好。

所以作者修改了算法，把RNA-seq测序数据转换后适合CIBERSORT 算法，这样相关性就很不错了，如下：

不同颜色代表不同免疫细胞组分的比例。

不同immunophenotypes激活的通路不一样

前面说到作者根据不同cytotoxic含量可以把癌症样本分成6个immunophenotypes，这个是全文的核心发现，接下来就可以比较不同的immunophenotypes群体的区别。

附件

Supplementary Material - Supplementary Methods, Supplementary Note, and Supplementary Figures
Table S1 - Gene sets representing immune cell populations and cell pathways
Table S2 - Details of the meta-processes employed (in Figure 4) in the description of tumor development in the three scenarios of immune infiltration
Table S3 - Pan-cancer and per-cancer type GSVA scores for immune populations
Table S4 - Immune-phenotypes
Table S5 - Enrichment for somatic driver alterations across tumor immune-phenotypes
Table S6 - Association of somatic driver alterations with immune populations
Table S7 - Results of the GSEA enrichment