12+单细胞泛癌纯生信，识别某类细胞的某个表型做分析，思路新颖可
影响因子：12.771
研究概述：
最近，细胞衰老成为恶性肿瘤的基本特征。据报道，肿瘤内皮细胞（TEC）获得与衰老相关的分泌表型，其特征是促炎转录程序，最终促进肿瘤生长和远处转移的形成。作者在已发表的转录组学数据集中的分析表明，在各种癌症中，内皮细胞表现出最高的细胞衰老。作者开发了一个与TEC相关的、衰老相关的转录组特征（EC.SENESCENCE.SIG），该特征与亲肿瘤性信号传导、肿瘤促进免疫细胞反应失衡以及多个癌症实体的患者生存能力受损呈正相关。将临床患者数据与从EC.SENESCENCE.SIG计算的风险评分相结合，构建模型，以提高临床生存预后准确性。作者又确定了三种基因作为泛癌生物标志物，用于生存概率估计。从治疗的角度来看，在EC.SENESCENCE.SIG上构建的机器学习模型为免疫治疗反应提供了比之前发布的转录组模型更好的泛癌预测。
关于基因集泛癌分析的文章，我们最近也解读过很多
研究结果：
一、肿瘤环境中单个细胞群的衰老状态
作者假设TEC中与衰老相关的转录组学变化是癌症生存预测和免疫治疗反应的潜在目标。为了证明这一假设，实施了五个已公布的不同癌症实体的scRNAseq数据集，包括肺癌、肝癌、结直肠癌、前列腺癌和膀胱癌。作为细胞衰老的衡量标准，作者使用了一个既定的衰老相关基因集（FRIDMAN.SENESCENCE.UP），如UMAP图所示（图1A-E）。除了癌症相关成纤维细胞（图1A-E），TEC在肿瘤环境中表现出比肿瘤细胞或其他细胞种群（包括骨髓细胞、T细胞和B细胞）更高的GSVA评分。因此，TEC在恶性肿瘤的血管区间中表现出最高的细胞衰老水平。进一步分析表明，TEC的衰老特别通过涉及MIF和凝集素依赖性途径来促进与免疫细胞的相互作用。
二、基于内皮衰老的泛癌转录组特征的开发
18个scRNAseq数据集，包括15个癌症实体，用于对TEC的基因表达水平和GSVA评分（基于FRIDMAN.SENESCENCE.UP）的Spearman相关分析。“Gx”代表衰老相关基因，“Gy”代表特定的内皮细胞基因。为了获得特定的内皮衰老调节基因，“Gx”和“Gy”相交，为每个数据集生成“Gn”（n = 1-18）（图2A）EC.SENESCENCE.SIG主要由与细胞粘附和相互作用相关途径相关的基因丰富（图2B），这与之前报告的衰老内皮细胞增强的粘合性能以及HS-TEC与其他非恶性细胞的细胞-细胞通信增加一致。
三、使用EC.SENESCENCE.SIG对信号通路、免疫细胞反应和患者存活率的泛癌预后
为了进一步探索不同癌症EC.SENESCENCE.SIG的生物特征，作者将GSVA方法应用于EC.SENESCENCE.SIG，以计算33个癌症实体的癌症基因组图集（TCGA）每个患者的转录组特征评分。结果表明，几乎所有分析的促肿瘤信号通路都富含恶性肿瘤（图3A）。仅在甲状腺癌（THCA）中，与GSVA评分低相比，GSVA评分高的患者表现出OS改善。此外，11种癌症的高GSVA分数与较短的无进展生存率（PFS）相关，而仅在肾癌（KIRC）中，高GSVA评分与增强的PFS相关（图3B）。最后，使用Cibersort来评估GSVA评分（基于EC.SENESCENCE.SIG）与TCGA队列中不同癌症类型中22个免疫细胞亚群浸润的相关性。高GSVA评分与免疫细胞明显改变的肿瘤浸润有关。特别是，几乎所有癌症类型的GSVA评分都与（原瘤源性）M2巨噬细胞肿瘤浸润呈正相关，与（抗瘤源性）CD8+ T细胞肿瘤浸润呈负相关（图3C）。
四、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
作者进一步假设这种转录组特征还提供了预测对抗PD-L1/PD-1或抗CTLA-4免疫检查点抑制剂治疗反应的可能性。首先评估了TCGA队列中EC.SENESCENCE.SIG和TMB之间的相关性，发现TMB在大多数癌症类型（BRCA、HNSC、CESC、LIHC、STAD、MESO、LUSC、KIRP、LUAD、UVM、PRAD、UCEC和SKCM；图4A）中与EC.SENESCENCE.SIG呈负相关；强烈表明这种转录组特征可以预测免疫治疗反应。作者从两个免疫治疗scRNAseq数据集中探索了内皮细胞的GSVA评分（EC.SENESCENCE.SIG），其中包括肾癌（PRJNA705464）和基底细胞癌（GSE123813）患者。从免疫治疗耐药患者的内皮细胞表现出EC.SENESCENCE.SIG基因富集（图4B-C）。
作者使用了13个包含抗PD-L1/PD-1或抗CTLA-4免疫治疗结果的BULK RNAseq数据集，其中只选择了未经治疗的患者进行进一步分析。在这十三个队列中，七个队列被合并为训练队列，其他六个队列用于测试最终开发的模型的预测能力（图4D）。作者选择了“KKNN”机器学习算法模型，该模型提供了0.72的最高AUC（图4E-F）。EC.SENESCENCE.SIG在涵盖五种癌症类型的所有队列中表现良好，包括SKCM、GBM、UC、GC和NSCLC（图4G-H）。
五、构建和验证与“EC.SENESCENCE.SIG”相关的泛癌预后模型
作者使用此转录组特征生成了LASSO-Cox模型。作者根据风险评分的中位值，将TCGA训练测试中的患者分为两组，发现两个队列中风险得分较高的患者与总体生存率更差有关（图5A-B）。因此，临床阶段较高的患者的风险评分明显更高（图5C）。作者计算了几个选定的肿瘤促进信号通路的EC.SENESCENCE.SIG相关风险评分和GSVA评分之间的相关系数，发现风险评分与TCGA队列中所有癌症类型的所有途径的GSVA评分呈正相关（图5D）。EC.SENESCENCE.SIG相关风险评分对各种其他癌症类型的总体生存表现出很强的预后能力，包括BRCA、宫颈癌、HNSC、KIRC、LIHC和PAAD。EC.SENESCENCE.SIG相关风险评分也在外部验证队列中显示了预测患者存活率的良好表现（图6A-I），表明此风险评分是各种癌症的可靠预测因素。
六、建立“EC.SENESCENCE.SIG”相关基于风险评分的列线图用于泛癌生存的临床预测
作者生成了一个将临床疾病阶段与TCGA泛癌队列中EC.SENESCENCE.SIG相关风险评分相结合的列线图评分（图7A）。癌症诊断后前五年的疾病特异性生存率（DSS）校准曲线显示，预后生存概率与实际生存率高度一致，表明该诺模图在生存预测中的稳定性（图7B）。此外，诺模图评分对TCGA泛癌队列总体生存率的影响的单变量Cox分析表明，诺模图评分与大多数类型癌症的生存率下降有关（图7c）。由列线图评分预测的时间依赖性AUC的表现优于EC.SENESCENCE.SIG相关风险评分（图7D）。它还具有不同癌症实体的外部验证数据集中较好的预后性能（图7E）。作者进行了预后元分析，以检查这十个训练和验证集的综合预后价值。列线图评分是癌症患者总体生存率的重要风险因素（图7F）。
七、EC.SENESCENCE.SIG的预后特征选择
作者使用三种基于机器学习的算法，包括随机森林、XGBoost和LASSO特，从EC.SENESCENCE.SIG的所有基因中选择最重要的特征，获得了三个共同基因，包括整合素亚基α5（ITGA5）、转谷氨酰胺酶2（TGM2）和fascin肌动蛋白结合蛋白1（FSCN1）。与正常组织相比，FSCN1在所有癌症类型中都受到上调，而ITGA5和TGM2在70%的肿瘤中上调；FSCN1和ITGA5的高表达与十多种癌症的生存能力受损有关，TGM2的高表达也与多种癌症的预后不良有关。
研究总结：本研究中，作者评估了多个癌症实体中的细胞衰老程度，并开发了一种包含102个基因的新型TEC特异性转录组特征，称为EC.SENESCENCE.SIG。作者建立了基于LASSO-Cox回归的列线图，并且确定了整合素ITGA5、转谷氨酰胺酶TGM2和肌动蛋白结合蛋白FSCN1作为EC.SENESCENCE.SIG预测OS的关键基因。本研究为恶性肿瘤血管腔室中与细胞衰老相关的各种分子和细胞过程提供了新的见解，作者建立的内皮细胞相关、衰老相关的泛癌基因标记EC.SENESCENCE.SIG可能有助于肿瘤的精确生存预测和免疫治疗反应的预测。
