欢迎来到雪梨的生信套路~今天继续带来内容丰富的文献拆解，2张摘要+6张结果图绝对是一次对注意力的考验！如果你只作阅读，只能留下对文章大致的印象，比如十种机器学习套路的百种组合；如果你继续向挑圈联靠领头人雪球老师咨询详情，个性化服务能让你将各种时新套路的精髓据为己有，再化为己用，高效发出满足你需求的文章。
本篇多组学泛癌研究关注调节性细胞死亡（RCD），它是生物体内细胞以受控方式进行自毁的一系列复杂过程，在泛癌水平上对其状态及相关特征的评估仍有待探索。已有新证据表明，RCD与免疫检查点抑制剂（ICI）的疗效有关。ICI属于一种免疫疗法策略，通过阻断共同抑制信号通路，重新激活免疫细胞，使其能够有效地靶向肿瘤细胞。研究团队假设RCD状态可作为预测恶性肿瘤患者ICI反应和总生存期（OS）的一种有前途的生物标志物，采用了 10 种机器学习算法的 101 种组合，构建了一种新的 RCD 生存相关特征（RCD.Sur.Sig），用于预测 OS。
当然，研究团队为了评估RCD预测模型，所做的努力远不止这些。这就需要朋友们认真阅读以下内容，有问题赶紧找雪球老师反馈了！
Pan-cancer evaluation of regulated cell death to predict overall survival and immune checkpoint inhibitor response
对调节性细胞死亡进行泛癌评估，以预测总体生存率和免疫检查点抑制剂反应
期刊：npj precision oncology
IF：6.8
发布时间：2024/03/27
这篇文献用了两张图的体量来呈现研究摘要和方法论概览，因此即使研究结果图干货满满、内容丰富，我们也能尽快明白作者的研究思路，进入学习状态。
在阅读过程中有任何疑惑，可以返回阅读摘要图，或者添加雪球老师，以获得原文件或者进行个性化答疑。
本研究的基础之一是引入一种称为RCD评分的肿瘤RCD测量方法，被人为定义为所有18个RCD特征的ssGSEA评分之和。根据分数评估单个样本整体的RCD信号水平，能够提供全面的分析维度。
根据Fig 3A，取9个特征的交叉点能够得出三个基因（TP53、BCL2和BAX），说明RCD模式之间存在共同的节点和枢纽。这可以部分解释细胞死亡模式之间的相互调控和影响，以及它们在高度异质性的肿瘤微环境（TME）中相互转化的能力。
除根据不同肿瘤癌系的转录组细胞系数据估计了这些肿瘤的RCD水平，发现不同来源癌症细胞系之间RCD水平差异很大外（S Fig 1A），在正常组织中也观察到了RCD的异质性（Fig 3g）。此外，RCD评分随着胶质瘤等级的增加而增加（Fig 3i）。
在补充材料中，研究团队还探讨了RCD评分与拷贝数变异（CNV）评分、肿瘤突变负荷（TMB）和肿瘤内异质性（ITH）之间的相关性。（S Fig 1F-J）总之，RCD水平在肿瘤和正常组织的泛癌水平上表现出异质性。值得注意，与正常组织相比，肿瘤中的RCD水平更高，尤其是在胶质瘤中。RCD水平作为TMB和ITH的有效补充，可作为肿瘤ICI治疗的另一个重要生物标志物。
Fig 4a给出了丰富的信息。显示了RCD评分与CD274、CTLA4等免疫检查点表达，以及TLSs活性、调节性 T 细胞、T 细胞活化、T 细胞存活、I 类 MHC、免疫抑制以及髓系细胞趋化性之间的关系，观察到了明显的正相关。抗肿瘤相关免疫细胞与RCD评分呈强正相关，而传统的促肿瘤免疫细胞则与RCD水平呈负相关。
比较CIBERSORT算法估计的适应性免疫和先天性免疫的RCD水平，结果表明适应性免疫的RCD水平明显高于先天性免疫。然而，根据免疫细胞系功能分类的适应性免疫细胞的RCD水平低于先天性免疫细胞。（Fig 4i, S Fig 3 A-B）对于这种矛盾，一种可能的解释是RCD水平的改变受到免疫微环境的影响，免疫微环境塑造了免疫反应并影响了肿瘤的发展和进程。
本研究旨在调查RCD水平与各癌症类型中免疫检查点表达之间的关联。结果表明，在不同癌症中，几乎所有检查点基因与RCD水平之间都存在明显的正相关。（Fig 5a）
RCD水平与抗肿瘤周期的所有步骤之间都存在明显的正相关关系。RCD水平与TMB呈正相关，TMB值升高往往与新抗原形成增加有关，使肿瘤更容易被免疫系统识别。
研究过程中还发现，RCD水平与ITH呈正相关，而ITH水平较高，会使ICI反应复杂化、阻碍一致和持久的疗效，这是看似有争议的一个结果。经过对不同亚组（根据RCD、ITH评分中位数分成四组）的免疫细胞浸润分析和免疫细胞类型比较，发现无论ITH水平如何，RCD水平高的肿瘤的抗肿瘤免疫能力都明显更强。（S Fig 3C-E）
总之，研究结果为RCD 水平与肿瘤 ICI 治疗效果之间的高度正相关性提供了令人信服的证据。具体来说，较高的 RCD 水平与 ICI 疗效的可能性增加有关。
根据方法摘要图Step3的方式产生1955和4188个候选基因后取交集，产生了由285个基因组成的RCD.Sig。（Fig 6c）
为了研究RCD.Sig中285个基因功能意义，利用REACTOME、KEGG和BP数据对GO术语进行了功能通路富集分析。结果表明这些基因在与RCD相关的通路、与免疫相关的多个通路中表现出富集。（Fig 6d-f）此外，还评估了RCD.Sig与免疫的关联。（Fig 6i-j，S Fig 5B-E）
总之，团队成功地开发了一种简化的RCD.Sig来评估RCD水平，这有助于构建进一步的模型来改进ICI疗效预测。
鉴于RCD水平与ICI反应之间的显著相关性，需要探索RCD.Sig对ICI的潜在预测价值。使用7种机器学习算法训练出7个模型。随后，计算并比较这些模型在验证数据集中的曲线下面积（AUC）。（Fig 7a）使用支持向量机器（SVM）算法训练的模型具有最高的AUC，被确定为ICI反应的预测模型。（Fig 7c）
Fig 7d-f显示了三种数据集对最佳模型的测试结果，AUC值分别为0.65，0.77和0.75。为了探索该预测模型在接受ICI治疗的队列中的OS性能，根据最优模型的预测结果将患者分为高危组和低危组，然后进行对数秩检验。三种数据集都显示高危组比低危组患者的OS更差。（Fig 7g-i）
使用单个测试队列评估了预测模型的稳健性，AUC在0.58-0.85之间。（Fig 7j）将最佳预测模型的性能与13个已发表的特征进行比较，结果表明基于RCD.Sig的模型在大多数队列中表现出非凡的优越性和持续的高预测效力。（Fig 7k，S Table 2）
总体而言，基于RCD.Sig的ICI反应预测模型与以前发表的各种癌症类型的特征相比，表现出了显著的稳健性和优越性。
利用CRISPR筛选数据从RCD.Sig中发现了五个枢纽基因，敲除这些基因会损害肿瘤细胞的适应性并增强抗肿瘤免疫力。（S Fig 7-8）
Fig 8a所示方法在摘要中也已经显示。使用十种机器学习算法的101种组合组成留空交叉验证（LOOCV）框架，在LOOCV框架内，根据最高平均C指数优化了逐步Cox回归（两者）和RSF的组合，以构建模型（Fig 8b， S Table 3）。
在所有数据集中，与低风险评分的患者相比，高风险评分的患者的OS明显更差。（Fig 8c-f）此外，还评估了该模型对各癌症类型临床结果的预测性能。（Fig 8g-h，S Fig 9A-C，S Table 4）
总之，得到71个基因的RCD.Sur.Sig，并建立了一个强大而稳健的预测OS的模型，该模型在不同的情况和数据集下都表现良好。此外，还发现了一些核心预后基因，如SLC43A3和FOSL1。
恭喜你读到这里！有没有对多组学泛癌有更多的认识呢？或者，对机器学习套路感到跃跃欲试了吗？诚然，生信学习和其他许多专业一样，无法一蹴而就；跟随生信学习大部队的节奏，却可以提高你的学习效率，让你少踩坑、不踩坑，高效顺利发表人生中第一篇SCI，此后的毕业晋升、基金申请等等也都作坦途。
如果你对自己的生信学习、发文有着更高的要求，想要一场自己的夏令营效应，不妨来参与2024下半年正火热招生的卓越计划，三个月线上+两天一夜线下内训级别教学，体系化培养生信科研新星。上一届卓越计划的学员，有不少在开始学习两个月后就开始了课题设计+分析，系统性培训的优点会长期陪伴在大家的科研生涯之中！
当然，也可以从听雪球老师的直播开始，一点点了解并明确自己的需求与选择。今晚八点，雪球老师直播讲解“如何用生信积累你的科研第一桶金”，专门针对生信小白的生信文献调研+课题设计课程，走好第一步，现在就是最好的时机！
现在添加雪球老师微信，回复“0626”
即可获取今日直播拆解文献
都看到这里了，点个星标再走吧！
听说不点星标，容易错过最新资讯！
