• DCB(durable clinical benefit):完全缓解、部分缓解或疾病稳定超过6个月• NDB(no durable benefit ):疾病稳定小于6个月或疾病进展• DNN(Deep neural network):深度神经网络作为人工智能最主要的分支,是基于模仿人脑思考方式的计算机程序,旨在模拟人类大脑处理信息的方式对事物进行分类或预测。• IPS(immunophenoscore):免疫表型得分• Tv/Ti:转换与颠换比

2.1 基于体细胞突变对样本的分组可以预测免疫治疗的获益
这里涉及的数据集是MSKCC和VAL ALLEN,测试集为部分MSKCC,验证集为部分MSKCC和VAL ALLEN;基于体细胞突变的DNN将样本分为C1和C2两个亚型,且与DCB和NDB显著相关(a,b);绘制ROC曲线分析TP53, KRAS, STK11, EGFR 突变, TMB, C1 vs. C2 对免疫治疗效果的获益,认为C1vsC2能进行更好地预测(c);且在C1和C2亚型对DCB和NDB进行比较,大多DCB在C1亚型,且具有统计学意义(d)


在训练集和验证集分别基于OS和PFS绘制两个亚型的生存曲线,表明C1亚型预后好,且具有统计学意义(a-c);

2.2 两个亚型免疫细胞浸润和IFNγ相关基因的表达差异
绘制热图展示免疫细胞、IFNγ、T-effector特征基因的表达差异(a);GraphPad Prism和箱线图展示免疫相关基因表达的差异(b);CIBERSORT分析免疫浸润情况后,在C1、C2亚型进行比较(c);GraphPad Prism绘制散点图展示了C1、C2亚型不同的免疫浸润情况,且具有统计学意义(d);其实就是不同的可视化,从全局到局部的展示,且箱线图能表达出显著与否;

2.3 两个亚型与PD-L1表达水平、免疫表型评分(IPS)的相关性
这里涉及了TCGA-LUAD数据集(手术、放疗或化疗,无免疫治疗),同样进行DNN分型,分为C1和C2两个亚型;比较免疫检查点相关基因(a,热图;b,GraphPad Prism和箱线图);这里作了3个TCGA样本的免疫图谱(c,文章说是要比较C1、C2亚型和免疫得分的相关性,可我没看到这几个样本的分组信息);在3个分组(CTLA4negative + PD-1negative、CTLA4negative + PD-1positive、CTLA4positive + PD-1positive)进行DNN分型,对C1和C2亚型进行免疫表型评分的比较(d),认为C1亚型更容易在抗PD-1/PD-L1治疗和抗PD-1/PD-L1治疗联合抗CTLA4治疗中获益;绘制生存曲线(e)

2.4 两个亚型表现出TMB和突变图谱的差异
分析了Broad、TSP、TCGA数据集的肿瘤突变负荷,分析了TCGA-LUAD的肿瘤新抗原(a),分析了Broad和TCGA数据集的转换、颠换计数的差异(b)和转换颠换比(c、d),且均具有统计学意义;并绘制热图展示了两个数据集的两个亚型的突变图谱(c、d);

文章从突变入手,样本来源于MSKCC、VAL ALLEN、Broad、TCGA、TSP 多个数据集,用DNN将每个数据集分为两个亚型,研究亚型之间的差异,主要在于会对免疫治疗获益造成影响的方面,如肿瘤免疫浸润、PD-L1表达水平、肿瘤突变负荷等方面;对体细胞突变感兴趣的同学可以学习下本文的思路;