生信数据挖掘肿瘤免疫浸润新思路
Hello，大家好。今天想给大家分享一篇9/7日发表的来自ONCOIMMUNOLOGY杂志（IF：8+）的纯生信肿瘤免疫相关文章。文章主要内容描述的是甲状腺乳头状癌（PTC）免疫landscpe特征揭示不同肿瘤存在不同的免疫原性和免疫治疗反应。
涉及数据：
ImmPort：免疫基因
芯片数据集：GSE33630、GSE60542、GSE3467、GSE3678、GSE27155（均无随访时间，用于WGCNA与PCA分析）
RNA-seq数据集：TCGA-THCA、GTEx（用于WGCNA和预后分析）
这么多数据好内卷
方法：
ESTIMATE、Xcell、cibersort、WGCNA、lasso-cox、DESeq2、NMF聚类、randomForest、PCA、TIDE、CMap、Metascape
结果：
一、PTC 特异性 IRG 的鉴定
1、ESTIMATE、Xcell评估样本浸润情况发现甲状腺癌TME特征：免疫细胞浸润>基质细胞；肿瘤中免疫浸润细胞相关性描述（图a-c）
2、ImmPort获取免疫基因构建WGCNA网络筛选PTC核心免疫基因，结合差异表达筛选PTC特异性 IRGs（图d-g）
3、PCA分析基于多数据集特异性 IRGs对疾病和正常的区分能力（图h-k）
二、特异性 IRG 鉴定甲状腺乳头状癌的免疫亚型
1、基于IRGs表达使用NMF聚类对TCGA-PTC样本进行聚类（图a），聚类生存差异放在了附图中
2、免疫亚型的GSEA分析发现C2相对于C1的免疫活性更高（图b）
3、亚型间临床病理特征、免疫检查点、细胞溶解活性和 IFN-γ 特征差异；以及病理特征、亚型间的桑基图展示（图b-c）
4、TIDE 预测亚型的免疫治疗反应，及样本分布情况（图e）
亚型间免疫浸润差异及T细胞浸润评分（TIS）差异（图f-h）
三、PTC变异亚型间的突变和免疫浸润landscape
1、瀑布图分析了FPTC(follicular variant PTC)、CPTC:(classical PTC)、TCPTC(tall-cell variant PTC)三个变异亚型间的突变情况（图a-c）
2、community structure 图发现只有BRAF 为重叠突变；计算了三个亚型的BRAF 突变频率、免疫评分差异（图d-g）
3、随机森林筛选到了9个与变异亚型最相关的PTC特异性免疫基因并在GSE27155 中验证了这些基因对三个亚型的区分能力（图h-j）
四、PTC免疫风险评分（IRS）的建立与验证
1、基于TCGA-PTC数据集构建WGCNA筛选与先天免疫和适应性免疫最相关的绿色模块（图a）
2、对关键模块基因进行预后筛选，lasso-cox构建免疫评分IRS（图b-d）
3、疫评分IRS在训练集和测试集中的预测PFS效能分析（图e、h）及IRS的独立预后因子评估（图f、i）;IRS结合其它因素的C指数比较（图g、j）
五、IRS 结合其他临床病理学特征的组合提出了一个综合预后模型（列线图构建）
六、IRS高低风险分组的免疫检查点表达差异及突变差异
七、IRS高低风险分组表达差异基因的富集分析及CMap筛选不同风险分组适用性药物
总结：
文章分析的内容使用的方法都是新颖且丰富的，唯一不足的地方是缺少癌型免疫治疗数据集，目前已有很多癌型免疫治疗数据集已就位，感兴趣安排上吧！
概普生信人 生信分析意向表
