• 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；
