12+ 单细胞衰老泛癌分析思路推荐

[ixxmu]

https://mp.weixin.qq.com/s/vzUmwGIG2xGY5aO21AJaWw

[ixxmu]

12+ 单细胞衰老泛癌分析思路推荐 by 生信人

细胞衰老在被纳入到“癌症标志”后，也被认为是恶性肿瘤的基本特征之一，引起了广泛的关注。生信人也从文章分享到思路推荐，从单个癌症到泛癌分析推出了细胞衰老相关的一系列介绍。小编今天再给大家分享一篇今年3月发表在J. Biomed. Sci.（IF: 12.771）杂志上，整合单细胞及组织数据研究泛癌中预后相关的衰老特征的文章。文章从单细胞入手，结合组织数据，对内皮细胞的衰老状态进行了刻画，并识别出预后及免疫应答相关的衰老特征，是一篇十分具有参考价值的泛癌单细胞预后分析的纯生信文章。长话短说，小编现在就带大家一睹为快。

基于内皮细胞衰老的生存及免疫治疗应答预测的转录组学泛癌特征

一．文章背景

内皮组织的微血管能够调控恶性肿瘤的营养输送、氧气供应和免疫监测，因此内皮细胞与癌症的易感性及治疗密切相关。最近研究也发现细胞衰老是实体恶性肿瘤的一个基本特征。此外，研究也发现肿瘤内皮细胞具有衰老相关的分泌表型，并通过促炎转录程序最终影响肿瘤的生长和转移。因此，该研究探索了肿瘤内皮细胞(TEC)的衰老在预测患者生存及免疫治疗应答中的作用。

         

二．文章摘要

研究首先收集了多种癌症已发表的单细胞RNA测序数据，并进行了细胞特异性衰老分析，进而开发了一个内皮细胞特异的衰老特征(EC.SENESCENCE.SIG)。研究利用这一特征，基于多种机器学习算法构建了生存和免疫治疗应答预测模型，并选择关键基因作为预后生物标志物。研究发现多种癌症中内皮细胞都表现出最高的衰老得分。此外，研究也发现EC.SENESCENCE.SIG与促肿瘤信号、促肿瘤免疫细胞反应失衡和多种癌症的不良生存正相关。进一步研究也结合患者临床数据和EC.SENESCENCE.SIG计算了患者的风险评分，并构建了一个诺莫模型。最后研究也将基于EC.SENESCENCE.SIG构建的机器学习模型与先前发表的转录组学模型进行了比较，发现特征模型具有良好的预测性能。

         

三．文章的主要内容及结果

1.肿瘤环境中细胞的衰老状态

研究在第一部分对肿瘤微环境中细胞的衰老状态进行了分析。研究首先纳入肺癌，肝癌，结直肠癌，前列腺癌和膀胱癌五种癌症的单细胞数据，并收集了一个先前报道的衰老相关基因集(FRIDMAN.SENESCENCE.UP)。接着，作者对这五种癌症的五个单细胞数据集进行质控、标化、聚类及注释(图1a-e)，随后研究基于FRIDMAN.SENESCENCE.UP对这些细胞进行的基因集变异分析(GSVA)，结果发现TEC的GSVA评分高于肿瘤细胞及肿瘤环境中的其他细胞群(图1a - e)。

         

图1 评估肿瘤环境中单个细胞类型的衰老状态

         

2.开发基于内皮细胞衰老的泛癌转录组特征

研究在这一部分开发了一个泛癌基因特征(称为EC.SENESCENCE.SIG)来反映TEC衰老。作者首先收集了18个scRNA-seq数据集，其中包括15种癌症类型。接着作者对TEC的基因表达水平和基于FRIDMAN.SENESCENCE.UP的GSVA评分进行了Spearman相关分析。在这18个数据集中，与TEC中GSVA评分正相关的基因被认为是“Gx”，代表衰老相关基因。内皮细胞中表达上调的基因被认为是“Gy”，代表特定的内皮细胞基因。为了获得特定的内皮细胞衰老调节基因，研究将“Gx”和“Gy”相交，为每个数据集生成“Gn”(图2A)。G1-G18表示18个scRNA-Seq数据集中各自Gx和Gy的交集。接下来作者计算了每个基因从“G1”到“G18”的Spearman相关系数的几何平均值。最后，只有几何平均值大于0.2的基因被筛选为EC.SENESCENCE.SIG。此外，研究也对定义的EC.SENESCENCE.SIG进行了基因注释，结果发现EC.SENESCENCE.SIG主要富集到与细胞粘附和相互作用相关的通路(图2B)。

图2 通过泛癌scRNA-seq分析开发肿瘤内皮细胞特异性衰老相关转录组特征

         

3.使用EC.SENESCENCE.SIG分析泛癌的信号通路、免疫细胞反应和患者生存

研究进一步在泛癌水平分析了EC.SENESCENCE.SIG的功能及与免疫细胞浸润和预后的关联。作者应用GSVA方法计算TCGA中33种癌症的EC.SENESCENCE.SIG评分。研究根据EC.SENESCENCE.SIG评分中位数将TCGA泛癌症队列中的患者分为高评分和低评分。接着研究对不同患者进行了差异表分析，并探索了富集的功能，结果发现高EC.SENESCENCE.SIG评分的恶性肿瘤中致癌通路富集(图3a)。接下来，作者评估了TCGA队列中EC.SENESCENCE.SIG评分与患者生存之间的关系，结果发现十多种癌症类型中，高评分都与总生存期(OS)受损显著相关。此外，也在11种癌症中观察到高GSVA评分与较短的无进展生存期(PFS)相关(图3b)。最后，研究使用Cibersort来评估EC.SENESCENCE.SIG评分与TCGA队列中不同癌症类型的22个免疫细胞亚群浸润的相关性，结果发现高评分与免疫细胞肿瘤浸润有关，几乎所有癌症类型的GSVA评分都与致癌性的M2巨噬细胞肿瘤浸润呈正相关，与抗癌的CD8+ T细胞肿瘤浸润负相关(图3c)。

图3 EC.SENESCENCE.SIG的泛癌分析

         

4.使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫检查点阻断反应

这一部分研究分析了EC.SENESCENCE.SIG 特征在抗PD-L1/PD-1或抗CTLA-4免疫检查点抑制剂治疗应答的预测作用。研究首先评估了TCGA队列中EC.SENESCENCE.SIG和TMB之间的相关性，结果发现在大多数癌症类型中，TMB与EC.SENESCENCE.SIG呈负相关(图4a)。研究接着分析了EC.SENESCENCE.SIG与免疫治疗应答和耐药患者的关联，结果发现免疫治疗耐药患者的内皮细胞表现出EC.SENESCENCE.SIG富集(图4b, c)。此外，研究收集了13个包含PD-L1/PD-1或抗CTLA-4免疫治疗结果的组织测序数据集，将其中7个队列合并作为训练队列构建预测模型，而其他6个队列用于测试最终模型的预测能力(图4d)。研究中作者使用了10种不同的机器学习算法，并在验证队列中估计了这些模型的曲线下面积(AUC)值，最终选择了AUC最高的“KKNN”机器学习算法构建了预测模型，其AUC值为0.72(图4e, f)，展示出良好的预测效能。此外，研究也将该转录组特征与先前建立的泛癌症抗PD-L1/PD-1或抗CTLA-4免疫治疗反应预测模型的性能进行了比较，结果发现EC.SENESCENCE.SIG在涵盖5种癌症类型的所有队列中都表现良好(图4,h)。

图4 使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫治疗

         

5.构建及验证EC.SENESCENC.SIG相关的泛癌预后模型

这一部分研究基于EC.SENESCENC.SIG构建并验证了生存预测模型。研究首先将EC.SENESCENCE.SIG中的102个基因纳入泛癌TCGA队列进行LASSO分析，并进行十倍交叉验证识别出50个基因。然后，作者利用这50个基因在TCGA泛癌训练集中建立Cox比例风险回归模型识别出37个基因。接下来作者根据这37个基因及其系数对每个患者进行风险评分。接下来研究根据风险评分中位数将TCGA训练集中的患者分为两组，结果发现两个队列中风险评分较高的患者与较差的总生存相关(图5a, b)。此外，临床分期较高的患者风险评分明显较高(图5c)。随后研究计算了几种选定的促肿瘤信号通路GSVA评分与风险评分的相关系数，结果发现风险评分与TCGA队列中所有癌症类型的这些通路评分呈正相关(图5d)。研究还观察到风险评分对其他各种癌症类型的总生存有很强的预测能力(图5 e-j)。为了进一步确认该风险评分的预后价值，研究也在几个外部验证队列中使用相同的公式计算风险评分，并观察到风险评分在预测患者生存方面也表现良好(图6a-i)。

图5 EC.SENESCENC.SIG相关泛癌模型在TCGA中的预后表现

图6 EC.SENESCENC.SIG相关泛癌症模型在外部队列中的预后表现

         

6.建立基于EC.SENESCENC.SIG相关风险评分的泛癌生存临床预后诺莫图

这一部分研究基于EC.SENESCENC.SIG相关风险评分构建了诺莫图。为研究在TCGA泛癌症队列中生成了结合临床疾病分期和EC.SENESCENC.SIG相关风险评分的诺莫评分(图7a)。通过观察癌症诊断后前5年的疾病特异性生存(DSS)校准曲线发现预测的生存概率与实际生存高度一致，表明该诺莫图在生存预测方面具有稳健性(图7b)。此外，单变量Cox分析也发现诺莫评分与大多数类型癌症的生存受损相关(图7c)。此外，在TCGA训练集和测试队列中，由诺莫评分预测的随时间变化的AUC比单独使用EC.SENESCENC.SIG相关风险评分表现更好(图7d)。此外，该诺莫评分在具有不同癌症的外部验证数据集中显示出良好的预后表现(图7e)。最后，研究进行了预后meta分析，观察到诺莫评分能够作为预测癌症患者总生存期的关键因素(图7 f)。

图7 EC.SENESCENC.SIG衍生诺莫图预测泛癌预后的效能评估

         

到这里，这篇文章的主要内容就介绍完了，文章整合了多套单细胞数据，聚焦内皮细胞中的细胞衰老，在泛癌中识别出与预后及免疫治疗应答相关的内皮衰老特征。文章内容丰富，逻辑清晰，从单细胞入手，结合bulk数据，是一篇十分具有参考意义的单细胞泛癌预后分析文章。

个性化医学数据挖掘

扫码咨询

往期热点 （点击标题跳转）

01

线粒体质量控制

02

孟德尔随机化

03

成纤维细胞（CAFs）

04

单细胞空间转录组

05

肿瘤相关巨噬细胞（TAM）

06

细胞死亡

07

耐药

课题设计 | 组学测序 |生信分析

培训工具 | 热点互动 | 资源互换

图文排版｜CY

文章转载请联系 | 15510012760（微信）

广告商务合作 | 18501253903（微信）

[ixxmu]

12+ 单细胞衰老泛癌分析思路推荐 by 生信人

细胞衰老在被纳入到“癌症标志”后，也被认为是恶性肿瘤的基本特征之一，引起了广泛的关注。生信人也从文章分享到思路推荐，从单个癌症到泛癌分析推出了细胞衰老相关的一系列介绍。小编今天再给大家分享一篇今年3月发表在J. Biomed. Sci.（IF: 12.771）杂志上，整合单细胞及组织数据研究泛癌中预后相关的衰老特征的文章。文章从单细胞入手，结合组织数据，对内皮细胞的衰老状态进行了刻画，并识别出预后及免疫应答相关的衰老特征，是一篇十分具有参考价值的泛癌单细胞预后分析的纯生信文章。长话短说，小编现在就带大家一睹为快。

基于内皮细胞衰老的生存及免疫治疗应答预测的转录组学泛癌特征

一．文章背景

内皮组织的微血管能够调控恶性肿瘤的营养输送、氧气供应和免疫监测，因此内皮细胞与癌症的易感性及治疗密切相关。最近研究也发现细胞衰老是实体恶性肿瘤的一个基本特征。此外，研究也发现肿瘤内皮细胞具有衰老相关的分泌表型，并通过促炎转录程序最终影响肿瘤的生长和转移。因此，该研究探索了肿瘤内皮细胞(TEC)的衰老在预测患者生存及免疫治疗应答中的作用。

         

二．文章摘要

研究首先收集了多种癌症已发表的单细胞RNA测序数据，并进行了细胞特异性衰老分析，进而开发了一个内皮细胞特异的衰老特征(EC.SENESCENCE.SIG)。研究利用这一特征，基于多种机器学习算法构建了生存和免疫治疗应答预测模型，并选择关键基因作为预后生物标志物。研究发现多种癌症中内皮细胞都表现出最高的衰老得分。此外，研究也发现EC.SENESCENCE.SIG与促肿瘤信号、促肿瘤免疫细胞反应失衡和多种癌症的不良生存正相关。进一步研究也结合患者临床数据和EC.SENESCENCE.SIG计算了患者的风险评分，并构建了一个诺莫模型。最后研究也将基于EC.SENESCENCE.SIG构建的机器学习模型与先前发表的转录组学模型进行了比较，发现特征模型具有良好的预测性能。

         

三．文章的主要内容及结果

1.肿瘤环境中细胞的衰老状态

研究在第一部分对肿瘤微环境中细胞的衰老状态进行了分析。研究首先纳入肺癌，肝癌，结直肠癌，前列腺癌和膀胱癌五种癌症的单细胞数据，并收集了一个先前报道的衰老相关基因集(FRIDMAN.SENESCENCE.UP)。接着，作者对这五种癌症的五个单细胞数据集进行质控、标化、聚类及注释(图1a-e)，随后研究基于FRIDMAN.SENESCENCE.UP对这些细胞进行的基因集变异分析(GSVA)，结果发现TEC的GSVA评分高于肿瘤细胞及肿瘤环境中的其他细胞群(图1a - e)。

         

图1 评估肿瘤环境中单个细胞类型的衰老状态

         

2.开发基于内皮细胞衰老的泛癌转录组特征

研究在这一部分开发了一个泛癌基因特征(称为EC.SENESCENCE.SIG)来反映TEC衰老。作者首先收集了18个scRNA-seq数据集，其中包括15种癌症类型。接着作者对TEC的基因表达水平和基于FRIDMAN.SENESCENCE.UP的GSVA评分进行了Spearman相关分析。在这18个数据集中，与TEC中GSVA评分正相关的基因被认为是“Gx”，代表衰老相关基因。内皮细胞中表达上调的基因被认为是“Gy”，代表特定的内皮细胞基因。为了获得特定的内皮细胞衰老调节基因，研究将“Gx”和“Gy”相交，为每个数据集生成“Gn”(图2A)。G1-G18表示18个scRNA-Seq数据集中各自Gx和Gy的交集。接下来作者计算了每个基因从“G1”到“G18”的Spearman相关系数的几何平均值。最后，只有几何平均值大于0.2的基因被筛选为EC.SENESCENCE.SIG。此外，研究也对定义的EC.SENESCENCE.SIG进行了基因注释，结果发现EC.SENESCENCE.SIG主要富集到与细胞粘附和相互作用相关的通路(图2B)。

图2 通过泛癌scRNA-seq分析开发肿瘤内皮细胞特异性衰老相关转录组特征

         

3.使用EC.SENESCENCE.SIG分析泛癌的信号通路、免疫细胞反应和患者生存

研究进一步在泛癌水平分析了EC.SENESCENCE.SIG的功能及与免疫细胞浸润和预后的关联。作者应用GSVA方法计算TCGA中33种癌症的EC.SENESCENCE.SIG评分。研究根据EC.SENESCENCE.SIG评分中位数将TCGA泛癌症队列中的患者分为高评分和低评分。接着研究对不同患者进行了差异表分析，并探索了富集的功能，结果发现高EC.SENESCENCE.SIG评分的恶性肿瘤中致癌通路富集(图3a)。接下来，作者评估了TCGA队列中EC.SENESCENCE.SIG评分与患者生存之间的关系，结果发现十多种癌症类型中，高评分都与总生存期(OS)受损显著相关。此外，也在11种癌症中观察到高GSVA评分与较短的无进展生存期(PFS)相关(图3b)。最后，研究使用Cibersort来评估EC.SENESCENCE.SIG评分与TCGA队列中不同癌症类型的22个免疫细胞亚群浸润的相关性，结果发现高评分与免疫细胞肿瘤浸润有关，几乎所有癌症类型的GSVA评分都与致癌性的M2巨噬细胞肿瘤浸润呈正相关，与抗癌的CD8+ T细胞肿瘤浸润负相关(图3c)。

图3 EC.SENESCENCE.SIG的泛癌分析

         

4.使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫检查点阻断反应

这一部分研究分析了EC.SENESCENCE.SIG 特征在抗PD-L1/PD-1或抗CTLA-4免疫检查点抑制剂治疗应答的预测作用。研究首先评估了TCGA队列中EC.SENESCENCE.SIG和TMB之间的相关性，结果发现在大多数癌症类型中，TMB与EC.SENESCENCE.SIG呈负相关(图4a)。研究接着分析了EC.SENESCENCE.SIG与免疫治疗应答和耐药患者的关联，结果发现免疫治疗耐药患者的内皮细胞表现出EC.SENESCENCE.SIG富集(图4b, c)。此外，研究收集了13个包含PD-L1/PD-1或抗CTLA-4免疫治疗结果的组织测序数据集，将其中7个队列合并作为训练队列构建预测模型，而其他6个队列用于测试最终模型的预测能力(图4d)。研究中作者使用了10种不同的机器学习算法，并在验证队列中估计了这些模型的曲线下面积(AUC)值，最终选择了AUC最高的“KKNN”机器学习算法构建了预测模型，其AUC值为0.72(图4e, f)，展示出良好的预测效能。此外，研究也将该转录组特征与先前建立的泛癌症抗PD-L1/PD-1或抗CTLA-4免疫治疗反应预测模型的性能进行了比较，结果发现EC.SENESCENCE.SIG在涵盖5种癌症类型的所有队列中都表现良好(图4,h)。

图4 使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫治疗

         

5.构建及验证EC.SENESCENC.SIG相关的泛癌预后模型

这一部分研究基于EC.SENESCENC.SIG构建并验证了生存预测模型。研究首先将EC.SENESCENCE.SIG中的102个基因纳入泛癌TCGA队列进行LASSO分析，并进行十倍交叉验证识别出50个基因。然后，作者利用这50个基因在TCGA泛癌训练集中建立Cox比例风险回归模型识别出37个基因。接下来作者根据这37个基因及其系数对每个患者进行风险评分。接下来研究根据风险评分中位数将TCGA训练集中的患者分为两组，结果发现两个队列中风险评分较高的患者与较差的总生存相关(图5a, b)。此外，临床分期较高的患者风险评分明显较高(图5c)。随后研究计算了几种选定的促肿瘤信号通路GSVA评分与风险评分的相关系数，结果发现风险评分与TCGA队列中所有癌症类型的这些通路评分呈正相关(图5d)。研究还观察到风险评分对其他各种癌症类型的总生存有很强的预测能力(图5 e-j)。为了进一步确认该风险评分的预后价值，研究也在几个外部验证队列中使用相同的公式计算风险评分，并观察到风险评分在预测患者生存方面也表现良好(图6a-i)。

图5 EC.SENESCENC.SIG相关泛癌模型在TCGA中的预后表现

图6 EC.SENESCENC.SIG相关泛癌症模型在外部队列中的预后表现

         

6.建立基于EC.SENESCENC.SIG相关风险评分的泛癌生存临床预后诺莫图

这一部分研究基于EC.SENESCENC.SIG相关风险评分构建了诺莫图。为研究在TCGA泛癌症队列中生成了结合临床疾病分期和EC.SENESCENC.SIG相关风险评分的诺莫评分(图7a)。通过观察癌症诊断后前5年的疾病特异性生存(DSS)校准曲线发现预测的生存概率与实际生存高度一致，表明该诺莫图在生存预测方面具有稳健性(图7b)。此外，单变量Cox分析也发现诺莫评分与大多数类型癌症的生存受损相关(图7c)。此外，在TCGA训练集和测试队列中，由诺莫评分预测的随时间变化的AUC比单独使用EC.SENESCENC.SIG相关风险评分表现更好(图7d)。此外，该诺莫评分在具有不同癌症的外部验证数据集中显示出良好的预后表现(图7e)。最后，研究进行了预后meta分析，观察到诺莫评分能够作为预测癌症患者总生存期的关键因素(图7 f)。

图7 EC.SENESCENC.SIG衍生诺莫图预测泛癌预后的效能评估

         

到这里，这篇文章的主要内容就介绍完了，文章整合了多套单细胞数据，聚焦内皮细胞中的细胞衰老，在泛癌中识别出与预后及免疫治疗应答相关的内皮衰老特征。文章内容丰富，逻辑清晰，从单细胞入手，结合bulk数据，是一篇十分具有参考意义的单细胞泛癌预后分析文章。

个性化医学数据挖掘

扫码咨询

往期热点 （点击标题跳转）

01

线粒体质量控制

02

孟德尔随机化

03

成纤维细胞（CAFs）

04

单细胞空间转录组

05

肿瘤相关巨噬细胞（TAM）

06

细胞死亡

07

耐药

课题设计 | 组学测序 |生信分析

培训工具 | 热点互动 | 资源互换

图文排版｜CY

文章转载请联系 | 15510012760（微信）

广告商务合作 | 18501253903（微信）

[ixxmu]

12+ 单细胞衰老泛癌分析思路推荐 by 生信人

细胞衰老在被纳入到“癌症标志”后，也被认为是恶性肿瘤的基本特征之一，引起了广泛的关注。生信人也从文章分享到思路推荐，从单个癌症到泛癌分析推出了细胞衰老相关的一系列介绍。小编今天再给大家分享一篇今年3月发表在J. Biomed. Sci.（IF: 12.771）杂志上，整合单细胞及组织数据研究泛癌中预后相关的衰老特征的文章。文章从单细胞入手，结合组织数据，对内皮细胞的衰老状态进行了刻画，并识别出预后及免疫应答相关的衰老特征，是一篇十分具有参考价值的泛癌单细胞预后分析的纯生信文章。长话短说，小编现在就带大家一睹为快。

基于内皮细胞衰老的生存及免疫治疗应答预测的转录组学泛癌特征

一．文章背景

内皮组织的微血管能够调控恶性肿瘤的营养输送、氧气供应和免疫监测，因此内皮细胞与癌症的易感性及治疗密切相关。最近研究也发现细胞衰老是实体恶性肿瘤的一个基本特征。此外，研究也发现肿瘤内皮细胞具有衰老相关的分泌表型，并通过促炎转录程序最终影响肿瘤的生长和转移。因此，该研究探索了肿瘤内皮细胞(TEC)的衰老在预测患者生存及免疫治疗应答中的作用。

         

二．文章摘要

研究首先收集了多种癌症已发表的单细胞RNA测序数据，并进行了细胞特异性衰老分析，进而开发了一个内皮细胞特异的衰老特征(EC.SENESCENCE.SIG)。研究利用这一特征，基于多种机器学习算法构建了生存和免疫治疗应答预测模型，并选择关键基因作为预后生物标志物。研究发现多种癌症中内皮细胞都表现出最高的衰老得分。此外，研究也发现EC.SENESCENCE.SIG与促肿瘤信号、促肿瘤免疫细胞反应失衡和多种癌症的不良生存正相关。进一步研究也结合患者临床数据和EC.SENESCENCE.SIG计算了患者的风险评分，并构建了一个诺莫模型。最后研究也将基于EC.SENESCENCE.SIG构建的机器学习模型与先前发表的转录组学模型进行了比较，发现特征模型具有良好的预测性能。

         

三．文章的主要内容及结果

1.肿瘤环境中细胞的衰老状态

研究在第一部分对肿瘤微环境中细胞的衰老状态进行了分析。研究首先纳入肺癌，肝癌，结直肠癌，前列腺癌和膀胱癌五种癌症的单细胞数据，并收集了一个先前报道的衰老相关基因集(FRIDMAN.SENESCENCE.UP)。接着，作者对这五种癌症的五个单细胞数据集进行质控、标化、聚类及注释(图1a-e)，随后研究基于FRIDMAN.SENESCENCE.UP对这些细胞进行的基因集变异分析(GSVA)，结果发现TEC的GSVA评分高于肿瘤细胞及肿瘤环境中的其他细胞群(图1a - e)。

         

图1 评估肿瘤环境中单个细胞类型的衰老状态

         

2.开发基于内皮细胞衰老的泛癌转录组特征

研究在这一部分开发了一个泛癌基因特征(称为EC.SENESCENCE.SIG)来反映TEC衰老。作者首先收集了18个scRNA-seq数据集，其中包括15种癌症类型。接着作者对TEC的基因表达水平和基于FRIDMAN.SENESCENCE.UP的GSVA评分进行了Spearman相关分析。在这18个数据集中，与TEC中GSVA评分正相关的基因被认为是“Gx”，代表衰老相关基因。内皮细胞中表达上调的基因被认为是“Gy”，代表特定的内皮细胞基因。为了获得特定的内皮细胞衰老调节基因，研究将“Gx”和“Gy”相交，为每个数据集生成“Gn”(图2A)。G1-G18表示18个scRNA-Seq数据集中各自Gx和Gy的交集。接下来作者计算了每个基因从“G1”到“G18”的Spearman相关系数的几何平均值。最后，只有几何平均值大于0.2的基因被筛选为EC.SENESCENCE.SIG。此外，研究也对定义的EC.SENESCENCE.SIG进行了基因注释，结果发现EC.SENESCENCE.SIG主要富集到与细胞粘附和相互作用相关的通路(图2B)。

图2 通过泛癌scRNA-seq分析开发肿瘤内皮细胞特异性衰老相关转录组特征

         

3.使用EC.SENESCENCE.SIG分析泛癌的信号通路、免疫细胞反应和患者生存

研究进一步在泛癌水平分析了EC.SENESCENCE.SIG的功能及与免疫细胞浸润和预后的关联。作者应用GSVA方法计算TCGA中33种癌症的EC.SENESCENCE.SIG评分。研究根据EC.SENESCENCE.SIG评分中位数将TCGA泛癌症队列中的患者分为高评分和低评分。接着研究对不同患者进行了差异表分析，并探索了富集的功能，结果发现高EC.SENESCENCE.SIG评分的恶性肿瘤中致癌通路富集(图3a)。接下来，作者评估了TCGA队列中EC.SENESCENCE.SIG评分与患者生存之间的关系，结果发现十多种癌症类型中，高评分都与总生存期(OS)受损显著相关。此外，也在11种癌症中观察到高GSVA评分与较短的无进展生存期(PFS)相关(图3b)。最后，研究使用Cibersort来评估EC.SENESCENCE.SIG评分与TCGA队列中不同癌症类型的22个免疫细胞亚群浸润的相关性，结果发现高评分与免疫细胞肿瘤浸润有关，几乎所有癌症类型的GSVA评分都与致癌性的M2巨噬细胞肿瘤浸润呈正相关，与抗癌的CD8+ T细胞肿瘤浸润负相关(图3c)。

图3 EC.SENESCENCE.SIG的泛癌分析

         

4.使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫检查点阻断反应

这一部分研究分析了EC.SENESCENCE.SIG 特征在抗PD-L1/PD-1或抗CTLA-4免疫检查点抑制剂治疗应答的预测作用。研究首先评估了TCGA队列中EC.SENESCENCE.SIG和TMB之间的相关性，结果发现在大多数癌症类型中，TMB与EC.SENESCENCE.SIG呈负相关(图4a)。研究接着分析了EC.SENESCENCE.SIG与免疫治疗应答和耐药患者的关联，结果发现免疫治疗耐药患者的内皮细胞表现出EC.SENESCENCE.SIG富集(图4b, c)。此外，研究收集了13个包含PD-L1/PD-1或抗CTLA-4免疫治疗结果的组织测序数据集，将其中7个队列合并作为训练队列构建预测模型，而其他6个队列用于测试最终模型的预测能力(图4d)。研究中作者使用了10种不同的机器学习算法，并在验证队列中估计了这些模型的曲线下面积(AUC)值，最终选择了AUC最高的“KKNN”机器学习算法构建了预测模型，其AUC值为0.72(图4e, f)，展示出良好的预测效能。此外，研究也将该转录组特征与先前建立的泛癌症抗PD-L1/PD-1或抗CTLA-4免疫治疗反应预测模型的性能进行了比较，结果发现EC.SENESCENCE.SIG在涵盖5种癌症类型的所有队列中都表现良好(图4,h)。

图4 使用EC.SENESCENCE.SIG预测抗PD-L1/PD-1或抗CTLA-4免疫治疗

         

5.构建及验证EC.SENESCENC.SIG相关的泛癌预后模型

这一部分研究基于EC.SENESCENC.SIG构建并验证了生存预测模型。研究首先将EC.SENESCENCE.SIG中的102个基因纳入泛癌TCGA队列进行LASSO分析，并进行十倍交叉验证识别出50个基因。然后，作者利用这50个基因在TCGA泛癌训练集中建立Cox比例风险回归模型识别出37个基因。接下来作者根据这37个基因及其系数对每个患者进行风险评分。接下来研究根据风险评分中位数将TCGA训练集中的患者分为两组，结果发现两个队列中风险评分较高的患者与较差的总生存相关(图5a, b)。此外，临床分期较高的患者风险评分明显较高(图5c)。随后研究计算了几种选定的促肿瘤信号通路GSVA评分与风险评分的相关系数，结果发现风险评分与TCGA队列中所有癌症类型的这些通路评分呈正相关(图5d)。研究还观察到风险评分对其他各种癌症类型的总生存有很强的预测能力(图5 e-j)。为了进一步确认该风险评分的预后价值，研究也在几个外部验证队列中使用相同的公式计算风险评分，并观察到风险评分在预测患者生存方面也表现良好(图6a-i)。

图5 EC.SENESCENC.SIG相关泛癌模型在TCGA中的预后表现

图6 EC.SENESCENC.SIG相关泛癌症模型在外部队列中的预后表现

         

6.建立基于EC.SENESCENC.SIG相关风险评分的泛癌生存临床预后诺莫图

这一部分研究基于EC.SENESCENC.SIG相关风险评分构建了诺莫图。为研究在TCGA泛癌症队列中生成了结合临床疾病分期和EC.SENESCENC.SIG相关风险评分的诺莫评分(图7a)。通过观察癌症诊断后前5年的疾病特异性生存(DSS)校准曲线发现预测的生存概率与实际生存高度一致，表明该诺莫图在生存预测方面具有稳健性(图7b)。此外，单变量Cox分析也发现诺莫评分与大多数类型癌症的生存受损相关(图7c)。此外，在TCGA训练集和测试队列中，由诺莫评分预测的随时间变化的AUC比单独使用EC.SENESCENC.SIG相关风险评分表现更好(图7d)。此外，该诺莫评分在具有不同癌症的外部验证数据集中显示出良好的预后表现(图7e)。最后，研究进行了预后meta分析，观察到诺莫评分能够作为预测癌症患者总生存期的关键因素(图7 f)。

图7 EC.SENESCENC.SIG衍生诺莫图预测泛癌预后的效能评估

         

到这里，这篇文章的主要内容就介绍完了，文章整合了多套单细胞数据，聚焦内皮细胞中的细胞衰老，在泛癌中识别出与预后及免疫治疗应答相关的内皮衰老特征。文章内容丰富，逻辑清晰，从单细胞入手，结合bulk数据，是一篇十分具有参考意义的单细胞泛癌预后分析文章。

个性化医学数据挖掘

扫码咨询

往期热点 （点击标题跳转）

01

线粒体质量控制

02

孟德尔随机化

03

成纤维细胞（CAFs）

04

单细胞空间转录组

05

肿瘤相关巨噬细胞（TAM）

06

细胞死亡

07

耐药

课题设计 | 组学测序 |生信分析

培训工具 | 热点互动 | 资源互换

图文排版｜CY

文章转载请联系 | 15510012760（微信）

广告商务合作 | 18501253903（微信）