文献解析 | 干细胞仍值当打之年肿瘤分型+机器学习诊断模型，思路值得收藏

大家好，今天介绍的一篇题为题为“Integ rated Machine Learning and Bioinfo rmatic Analyses Const ructed Novel Stemn ess-Related Class ifier to Predict Prog nosis and Immuno therapy Respo nses for Hepato cellular Carcin oma Patients”（机器学习和生物信息学综合分析构建了一种新的与记忆相关的分类器，用于预测肝癌患者的预后和免疫治疗反应）,免疫治疗已经在肝细胞性肝癌(HCC)方面取得了很大的进展，但是仍然缺乏预测其反应的生物标志物。肿瘤干细胞(CSCs)是肝癌发生、转移和多药耐药的主要原因。

01

研究背景

免疫疗法在肝细胞癌（HCC）方面取得了很大进展，但仍然缺乏预测其反应的生物标志物。癌症干细胞（CSC）是HCC发生肿瘤，转移和多重耐药的主要原因。

本研究旨在提出一种新的CSCs相关肝细胞癌簇来预测患者对免疫治疗的反应。基于癌症基因组图谱（TCGA）和祖细胞生物学联盟（PCBC）的RNA-seq数据集，采用单类逻辑回归（OCLR）算法计算HCC患者的干性指数（mRNAsi）。

进行无监督的共识聚类，将HCC患者分为两种干性亚型，进一步证明是肿瘤免疫微环境（TIME）状态，免疫基因组表达和对新辅助治疗敏感性的预测因子。最后，应用四种机器学习算法（LASSO、RF、SVM-RFE和XGboost）来区分不同的干性亚型。

因此，在TCGA和ICGC HCC数据集中构建了基于五枢纽基因的分类器，以更方便、更适用的方式预测患者的干性亚型，这种基于干性的新型分类系统有助于预后预测，指导HCC免疫治疗和靶向治疗的临床策略。

见图一

mRNAsi 评分与肝细胞癌患者临床特征之间的相关性。

图一

（A）mRNAsi与HCC患者临床病理特征之间关联的概述。

（B）mRNAsi与最流行的HCC生物标志物的体细胞突变之间的关联概述。

（C-Q）HCC患者的mRNAsi评分箱线图按临床特征和HCC生物标志物的突变状态分层。

见图二

mRNAsi评分与HCC患者的不同TIME模式相关。

图二

（A）根据ssGSEA免疫特征将HCC患者分为3个免疫亚组（高，中和低免疫）。 

（B）mRNAsi与基质评分、免疫评分和ESTIMATE评分之间的相关性分析。

（C）通过箱线图比较mRNAsi，基质和免疫细胞的浸润水平以及不同免疫亚型的ESTIMATE评分。

（D）CIBERSORT比较三种免疫亚型中22种免疫细胞的丰度（* p < 0.05; **p < 0.01; ***p < 0.001; ****p < 0.0001; ns， p > 0.05）。

见图三

构建具有不同功能注释和生存结果的干性亚型。

图三

（A）K-M存活分析表明，高mRNAsi组中的OS明显更差。

（B）热图显示了高和低mRNAsi亚组之间100个DEG的表达水平。

（C）DEG的GO和KEGG功能富集分析。

（D）瀑布图显示了10个最常突变的DEG的突变频率。

（E）基于100个DEG的表达模式的共识聚类结果。

（F）100个DEGs表达模式的热图以及mRNAsi亚组，免疫亚组和干性簇的综合结果。

（G）K-M存活分析显示两种干性亚型的存活状态不同。

见图四

两种干性亚型之间的不同功能注释、临床病理特征、CNV 和 TMB。

图四

（A）GSVA热图显示了两种干性亚型之间28个差异富集分子途径的富集评分。 

（B）两种亚型之间的年龄，mRNAsi，OS状态和性别的比较。

（C）不同干性亚型的CNV频率。 

（D）两种干性亚型之间的TMB差异和突变状态。 

（E）瀑布图分别显示两种亚型中最常见的突变基因。

见图五

两种干性亚型之间的不同 TIME 状态、免疫基因组模式和对靶向治疗的敏感性。

图五

（A）干亚型I和II之间的基质评分，免疫评分，ESTIMATE评分和肿瘤纯度的比较。

（B）CIBERSORT比较两种亚型中22种免疫细胞的丰度。

（C）两种干性亚型中免疫亚群比例不同。

（D-I）PD-1、PD-L1、PD-L2、CTLA-4、CD80和CD86在两种干性亚型中的表达状态。

（J）IC50所示的两种干性亚型对埃罗替尼的反应不同。

（K）cMAP分析显示可能针对100个DEG及其相关MoA途径的潜在药物。（*p < 0.05; **p < 0.01; ***p < 0.001; ****p < 0.0001; ns， p > 0.05）

见图六

基于机器学习方法的基于枢纽基因的干性亚型分类器的构建和验证。

图六

（A）维恩图确定了五个由四个特征选择算法共享的枢纽基因。

（B）五个枢纽基因的表达热图以及干性亚型和临床特征的综合结果。

（C）提供干性亚型分类器计算公式的多元逻辑回归分析的结果和参数。

（D）干性亚型分类器的ROC曲线，用于区分训练集（向上）和测试集（向下）中的两种亚型。

（E）来自ICGC数据集的HCC患者干性亚型分类器患者总生存期的外部验证。

02

研究结论

综上所述，本研究提供了更多证据，证明CSCs在肝细胞癌患者肿瘤微环境中免疫浸润状态的调控和免疫治疗反应中起了关键作用。我们构建了一种创新且临床可行的HCC干性亚型分类器，该分类器既可以作为CSC和TME之间进一步机制研究的指南，也可以成为未来选择免疫治疗易感应答者的潜在方法。