大家好，今天给大家分享一篇2020年10月发表在Life Sci上的文献，影响因子3.647。标题：Identification of tumor-infiltrating immune cells and microenvironment-relevant genes in nasopharyngeal carcinoma based on gene expression profiling。文章主要研究肿瘤免疫浸润细胞和微环境相关基因在鼻咽癌(NPC)中的预后意义及其相关性，思路清晰，方法丰富，下面一起来看一下吧！
目的:探讨肿瘤免疫浸润细胞和微环境相关基因在鼻咽癌(NPC)中的预后意义及其相关性。
材料和方法:采用“xCell”算法计算GSE12452、GSE40290、GSE53819、GSE68799和GSE102349样品中33个免疫细胞的富集分数。分析NPC组与非癌组免疫细胞的差异及免疫细胞的预后价值。此外，基于微环境评分，筛选高评分组和低评分组之间的差异表达基因，以识别与微环境相关的中枢基因。此外，DEGs用于建立风险评分模型，通过LASSO算法Cox回归预测无进展生存期（PFS）。
主要结果:NPC患者的B细胞和记忆B细胞评分明显低于非癌组织，且与无进展生存期呈正相关。此外，在GSE12452、GSE68799和GSE102349中，10个中枢基因(PTPRC、CD19、CD79B、BTK、CD79A、SELL、MS4A1、CD38、CD52和CD22)被鉴定并与B细胞、记忆B细胞和微环境评分呈正相关。CD22、CD38、CD79B、MS4A1、SELL和PTPRC的高表达水平与更长的PFS相关。此外，建立了一个由DARC、IL33、IGHG1和SLC6A8组成的风险评分模型，该模型具有良好的预测性能。
意义:这些结果增强了我们对NPC病变中肿瘤浸润性免疫细胞的组成和预后意义的理解，并为NPC患者的预后和免疫治疗提供了潜在的靶点。
1. NPC肿瘤浸润性免疫细胞的分布
使用“EPIC”包，提取5种浸润性免疫细胞的相对比例。如图2所示，GSE68799和GSE102349数据集中的NPC样本具有相似的免疫细胞浸润模式。
图2
2. NPC组织与非癌组织肿瘤浸润免疫细胞的比较
在GSE12452、GSE40290、GSE53819和GSE68799四个数据集中，B细胞、类交换记忆B细胞、记忆B细胞和肥大细胞是常见的免疫细胞。它们在NPC的富集分数明显低于在非癌组织中的富集分数(图3A-D)。韦恩图显示重叠的免疫细胞(图3F)。GSE40290、GSE53819和GSE68799中非癌组织的微环境评分高于NPC组(图3E)。此外，生存分析表明，B细胞、记忆B细胞、CD8+ Tcm、iDC和微环境评分与PFS呈正相关(图3G)。B细胞、记忆B细胞、CD8+ Tcm、iDC和微环境评分高的患者比评分低的患者具有更长的PFS。结合上述结果，使用B细胞、记忆B细胞和微环境评分进行进一步分析。
图3
3. 微环境相关基因的识别
使用“limma”包进行差异表达分析以鉴定GSE102349数据集中的微环境相关基因。结果表明，131个deg在微环境评分低组和高组之间有不同的表达。与微环境评分低的组相比，微环境评分高的组中有127个(96.95%)基因上调，4个(3.05%)基因下调。
4. 功能富集分析
GO功能分析结果(图4A)表明，在B细胞活化的生物学过程、体液免疫应答、B细胞受体信号通路、基于免疫球蛋白超家族结构域构建的免疫受体的体细胞重组的适应性免疫应答和白细胞增殖方面，DEGs显著富集。至于KEGG，DEGs主要与细胞因子-细胞因子受体相互作用途径、B细胞受体信号途径、趋化因子信号途径、造血细胞谱系以及病毒蛋白与细胞因子和细胞因子受体的相互作用有关(图4B)。此外，GSEA分析表明，高微环境评分组主要与自身免疫性甲状腺疾病、造血细胞谱系和肠道免疫网络产生IgA有关，而低微环境评分组主要与剪接体、DNA复制和细胞周期有关(图4C)。
图4
5. 蛋白质相互作用网络构建
包含99个节点和519条边的PPI网络通过STRING数据库构建，并由cytoscape可视化(图5)。按度进行排序的前10个基因，包括PTPRC、CD19、CD79B、BTK、CD79A、SELL、MS4A1、CD38、CD52和CD22被认为是与微环境相关的hub基因。生存分析显示，NPC病患者的6个hub基因(CD22、CD38、CD79B、MS4A1、SELL和PTPRC)的高表达水平与更长的PFS相关(图6E)。相关性分析表明，10个hub基因(PTPRC、CD19、CD79B、BTK、CD79A、SELL、MS4A1、CD38、CD52和CD22)与GSE12452、GSE68799和GSE102349中的B细胞、记忆B细胞和微环境评分呈正相关(图7)。
图5
图6
图7
6. 构建与微环境相关的风险评分模型
LASSO回归分析和10倍交叉验证被用来建立NPC预测PFS的风险评分模型(图8A–B)，结果确定了四个预后基因:DARC、IL33、IGHG1和SLC6A8。每个样本风险分值= 0. 06869479 × exprSLC6A8 − 0.29717793 × exprDARC − 0. 021982309 × exprIL33 − 0.03087923 × exprIGHG1。在训练集、测试集和整个集合中评估模型的预测能力(图9)，训练组、测试组和整个组的高风险组的患者比低风险组的患者具有更差的PFS，并且前者倾向于具有SLC6A8的过表达，而后者倾向于具有IGHG1、DARC和IL33过表达。ROC分析显示1年和3年PFS的AUC为0.813，训练组为0.853，测试组为0.645，0.691，整组为0.738，0.806(图9B)。训练集、测试集和整集的C指数分别为0.831、0.639和0.749。差异分析表明，在NPC的高风险组中，所有的hub基因都下调(图10A)，并且高风险组中的B细胞、记忆B细胞和微环境的xCell评分显著低于低风险组(图10B)。
图8
图9
图10
同样是预测模型，但本文的亮点在于寻找肿瘤浸润免疫细胞和微环境相关基因进行基因筛选，对这些与免疫微环境相关的基因进行模型的构建与验证，可以使得文章更具创新性，预测模型类的文章思路都是大同小异，关键在于选择哪些基因来进行研究，免疫微环境一直都是热点话题，因此我们可以借鉴一下这篇文章的思路！
正在学习这方面的内容，不知道现在这方面的好发不现在？