文章五月份发表在Briefings in Bioinformatics（IF：8.99）上。研究的结果和图是真好，到底是神马样的预后评分呢，快来一探究竟吧，还剩的癌型赶紧mark一下咯。
基于免疫细胞浸润的乳腺癌预后及免疫基因分析
摘要部分不用赘述，乳腺癌是人类最严重的恶性疾病之一，也是世界上导致癌症死亡的主要原因。作者从6415个样本中构建了免疫相关预后评分。之后便是常规操作了，各个角度和各个层面去探讨。当然最重要的结论是该免疫评分可能是乳腺癌患者总体生存预测和治疗指导的有用工具。
一、 材料方法：
1、数据集：乳腺癌基因表达数据来自GEO、TCGA、METABRIC、ArrayExpress和PubMed。免疫相关数据来自已经发表的研究以及Genomic Data Commons.
2、数据处理：count数据转换利用R包“limma”实现，基因表达数据利用Robust Multi-array Average方法标准化，使用“affy” R包实现。
3、数据分析：数据分析使用了GSEA、GSVA、ssGSEA、Kaplan-Meier进行生存分析等生物信息学方法。
二、结果：
1、文章最重要的便是免疫预后评分IRPS，所以第一个结果讲的是怎么构建的这个得分。对于每一个样本，作者都计算了147种肿瘤免疫浸润细胞类型的ssGSEA得分。接着利用cox回归分析计算了NES value的预后得分。最后确认了51种免疫细胞类型为预后因子。通过结合NES得分和对风险预后模型的贡献，构建了IRPS（可以找客服小姐姐要文章哦）。
2、文章接下来的结果便是对IRPS得分的评价和说明了。包括TCGA数据集高低IRPS得分之间的生存差异，不同乳腺癌亚型得分比较和分布，NES得分分布，部分免疫细胞GSEA分析，IRPS与fibroblast和STING的相关性，IRPS与PD-1,PD-L1等的关系，当然最后少不了不同得分之间表达的比较。都属于比较常规的生信分析。没有特别复杂难懂的算法。
图1. 探讨IRPS在TCGA样本中扮演的角色
3、第三个结果同样是IRPS在乳腺癌中的一个相关性分析，也就是内源性免疫逃逸机制与IRPS的相关。简单地说，在高低IRPS得分之间，比较了突变负荷、HRD、SNV新抗原等等特征的差异。同时还有IRPS与各个特征之间的相关性。当然同样少不了表达水平的比较。
图2. TCGA乳腺癌中IRPS与潜在内在免疫逃逸机制的相关性
4、第四个结果主要展示的是突变与IRPS的关系。包括了整体的突变情况展示和主要基因的NES得分的比较。
图3. TCGA乳腺癌的基因组与IRPS的关系
5、第五个结果，作者利用三套GEO的药物治疗数据，发现IRPS能够预测治疗效果。化疗前后的IRPS具有显著差异。
图4.IRPS与治疗的关系
图5.GSE91061与IMvigor210的IRPS免疫治疗效能
6、通过各个层面的分析，说明了IRPS的有效性和重要性。因此最后一个结果作者利用支持向量机，基于NES可以将乳腺癌患者分为高低IRPS两组。这对于临床来说是一个很好的分类工具。
总结
正如开头所说，免疫评分再到预后分析肯定是很常规的操作。但这篇文章中直接构建免疫预后评分，就问你角度新不新？而且很大程度上化解了自己想做的癌型被人用免疫评分分析了的尴尬。公共数据做分析，一点湿实验不做，8.99分的文章，你确定不抓住这个机会吗？如果说昨天的免疫预后评分是盆地，那么今天的肯定是喜马拉雅山了。乳腺癌已经pass了，剩的癌型可不多了，再错过可不一定还有这么好的评分咯！
