这次分享的文献是Immune cell infiltration as a biomarker for the diagnosis and prognosis of digestive system cancer，2019年9月发表于Cancer Science，影响因子为4.6；同样是利用公共数据，围绕CIBERSORT的分析数据展开，进行模型构建验证，并将样本进行亚型的区分作生存分析。
• CIBERSORT Newman等开发的分析工具，使用基因表达数据来估计混合细胞群体中成员细胞类型的丰度，被广泛用于肿瘤浸润免疫细胞的估计；
• LM22 包含了547个基因在内的signature 矩阵，能够精确区分从外周血或体外培养条件中分离出的22种成熟的人造血细胞群；
• RFS （relapse free survival）无复发生存期，或无病生存期，从随机化开始至疾病复发或（因任何原因）死亡之间的时间，最常用于根治性手术或放疗后的辅助治疗的研究；
• 数据来源：TCGA数据库，ESCA, STAD, LIHC,PAAD, COAD, READ；GEO数据集
• 基于CIBERSORT结果进行lasso回归分析，用于诊断模型的构建，并进行验证
• 基于CIBERSORT结果进行预后模型的构建和验证，并比较预后模型、TNM、列线图的c-index，以确定预测效果
• 基于PIS和临床信息进行列线图的构建和验证
• 依据免疫细胞比例，对肿瘤病人进行无监督聚类，最后确定为6类，并进行生存曲线的绘制和PIS分布的比较
2.1 消化系统肿瘤中DIS（诊断免疫评分）的构建和验证
利用了CIBERSORT网站对表达矩阵进行处理，参考集是LM22 signature并置换1000次；结果图里，同样看到了熟悉的火山图，但这里的点代表的已经不是基因，而是免疫细胞了,代表的是免疫细胞比例的差异；将样本分为训练集和验证集，进行lasso回归分析，得到DIS的计算公式；在训练集、验证集和整个数据集绘制ROC曲线；关于DIC的一些更详细的结果，在补充材料里可以找到；这里用到的数据包括肿瘤和正常样本，大思路是，lasso回归得到的结果应能区分样本是否为肿瘤；
2.2 消化系统肿瘤中PIS（预后免疫评分）的构建和验证
相较DIS，PIS是预后指标，所以，用到的数据是肿瘤样本数据；同样是lasso回归后，得到PIS的计算公式；绘制ROC曲线，在训练集、验证集和整个数据集进行生存曲线的绘制；三个生存曲线的结果一致，均是，PIS高，预后差；
2.3 PIS（预后免疫评分）与TNM进行预后比较
这里采用了DCA分析，PIS与传统的TNM分级进行比较，认为使用PIS预测病人的RFS比使用TNM分级进行预测获益大，分别在训练集、验证集和整个数据集进行了DCA曲线的绘制；表格展示的是PIS、TNM、Nomogram的c-index，c-index越高即预测效果越好；
基于PIS和临床信息进行列线图的构建，同时在训练集、验证集和整个数据集都观察到预测结果和实际具有较好的一致性；
基于644个消化肿瘤病人的免疫浸润情况，进行无监督聚类，区分出6个免疫亚型；对分出的6个免疫亚型进行生存曲线的绘制并展示了不同亚型的PIS分布情况；生存曲线和PIS分布共同印证了亚型5和亚型6复发概率高；
总的来说，文章主要围绕CIBERSORT的分析结果展开，用lasso回归进行多个模型的构建，引入了DCA曲线、c-index和calibration curve对模型的预测能力进行评价；文章思路很清晰，有很多数据放在了附录。
