今天跟大家分享的是2020年4月发表在Aging上的一篇文章，影响因子5.5。分析思路：免疫基因+预后模型。文章通俗易懂，纯生信，可行性较强~

题目:黑色素瘤新的免疫相关基因预后生物标志物：与肿瘤微环境相关

一、研究背景

在肿瘤免疫中，肿瘤细胞往往被当做抗原，免疫细胞和白细胞则通过浸润肿瘤组织的方式进行免疫防御，但是肿瘤细胞总是会利用各种方式来躲避伤害（免疫逃逸）。免疫治疗是目前临床上治疗肿瘤的一种方式，通过激活人体免疫系统，依靠自身免疫机能杀灭癌细胞和肿瘤组织。现有的黑色素瘤免疫治疗主要是PD-1, PD-L1 and CTLA-4 抑制剂，但是这些方法仅对少数患者有效，而大多数患者对治疗的反应有限或没有反应，因此，全面分析黑色素瘤免疫基因与整体生存的相关性对于发掘免疫相关生物标志物的潜在预后价值具有重要意义。

二、材料和方法

1、获取免疫相关基因

ImmPort database、GEO dataset和TCGA dataset三大数据库基因的交集；

2、WGCNA鉴定生存相关的模块

利用GEO数据库（GSE65904，210份黑色素瘤样本）的免疫相关基因表达数据进行WGCNA分析；

3、筛选基因建立预后模型

单因素Cox回归，LASSO回归；

预后模型构建公式：risk score = Σexpgenei* βi；

4、预后模型验证

用TCGA数据库的临床和表达数据验证，单因素、多因素Cox回归；

5、免疫浸润评分比较

ESTIMATE算法计算免疫浸润评分（immune score），Wilcoxon 检验比较High-RS和low-RS组差异；

6、免疫细胞亚型比较

R语言 CIBERSORT package计算22种免疫细胞亚型比例，Mann-Whitney U检验比较High-RS和low-RS组差异；

7、GSEA 分析

比较High-RS和low-RS组富集通路的差异。

三、研究结果

✦ 获取免疫相关基因

3个数据库的基因取交集，得到950个免疫相关基因。

✦WGCNA鉴定生存相关模块

WGCNA共鉴定出7个模块，其中红色模块和蓝色模块中与生存显著相关，因此，这两个模块中的基因（160个）被选择做后续研究。

✦ 筛选基因建立预后模型

将红色和蓝色模块中160个基因进行单因素Cox回归，筛选 P

根据这8个免疫相关基因的表达量构建了预后模型，计算了每一个病人的risk score，按照中位数将病人划分为High-RS和low-RS组（P0.65）（图A）。

✦ 预后模型验证

利用TCGA数据的数据计算每一个病人的risk score，结果显示生存分析显示low-RS的整体生存率高于High-RS（P0.63）（图C）。另外，本研究建立的预后模型在3年和5年整体生存的预测能力要由于其他临床指标（Table2，图EF）。

✦ 免疫浸润评分比较

利用ESTIMATE算法分别计算了GEO数据库和TCGA数据库病人的immune score和stromal score，结果发现不同immune score病人的总生存率有显著差异，High immune score的总体生存率更高（图AB）。并且，在Low-RS病人中，immune score和stromal score也显著高于High-RS病人（图CD）。

✦ 免疫细胞亚型比较

如图CD所示，很多种免疫细胞在Low-RS和High-RS病人的分布比例上都有显著的差异。

✦ GSEA分析

有14条重要的信号通路在High-RS和low-RS组分布有显著差异。

本篇文章用到的生信分析方法都是较为常见的，胜在有个好的思路，加上分析结果的多方面验证，最后高分妥妥的！