今天给大家分享一篇IF=5.8的非肿瘤线粒体思路的文章，2023年2月发表在iScience：Characterization of glycometabolism and tumor immune microenvironment for predicting clinical outcomes in gastric cancer，糖代谢和肿瘤免疫微环境的表征用于预测胃癌的临床结果
摘要
具文献研究发现，能量代谢的重编程可以与肿瘤免疫微环境相互作用，从而参与癌症的进展。本研究利用2471个胃癌样本的多组学数据来鉴定肿瘤糖代谢及其与肿瘤免疫微环境的相关性。采用一系列生物信息学方法建立评分系统来预测化疗和免疫治疗的生存和反应。确定了胃癌的三种糖代谢亚型和两种免疫聚类亚型。我们进一步建立了糖免疫评分系统来量化个体患者的癌症糖代谢状态和免疫浸润。糖免疫评分低的患者对辅助化疗敏感，而糖免疫评分高的患者可能会受益于免疫治疗。我们的研究结果表明，在胃癌中，肿瘤糖代谢和免疫微环境的评估对于疗效预测和联合治疗策略的制定具有应用价值。
- 胃癌糖代谢情况及其对 TME 的影响
- 胃癌可分为三个亚型和两个集群
- 建立葡萄糖免疫评分系统用于胃癌的临床决策
整体概要
结果
图1 胃癌中糖代谢亚型的特征
- (A) GEO 队列中糖代谢亚型的糖代谢基因特征的转录表达谱。
- (B) GEO 队列中三种代谢亚型之间糖代谢基因表达水平的比较。
- (C) GEO 队列代谢类别胃癌患者总生存期 (OS) 的 Kaplan-Meier 曲线。
- (D) PKUCH 队列代谢类别胃癌患者总生存期 (OS) 的 Kaplan-Meier 曲线。
- (E) 基于糖代谢基因的伪时间分析说明了 GEO 队列中三个亚组的发育轨迹。数据表示为中位数±IQR。使用单向方差分析或 Kruskal-Wallis 检验比较多个组之间的统计显着差异。(B) 和对数秩检验 (C)。
图2 胃癌代谢亚型生物学特性及TME鉴定
- (A) 通过 GO 富集分析对糖代谢相关 DEG 进行功能注释。
- (B) GEO 队列和 PKUCH 队列的每种糖代谢亚型中 TME 细胞的浸润丰度。
- (C) 基因共表达模块与 TME 之间相关性的热图。红色表示高邻接性，深青绿色表示低邻接性。相关系数列在热图中。
- (D)参与糖代谢和抗肿瘤效应细胞浸润调节的12个hubgenes的共表达模式。每个节点的颜色代表程度（红色：高程度，橙色：中等程度，绿色：低程度）。每个节点的大小代表边数。每条连接线的宽度代表边缘介数。每条连接线的颜色代表重量。
- (E) GEO 队列中三种代谢亚型之间 12 个 hubgene 的表达水平比较。
- (F) 弦图显示 STAT1、葡萄糖代谢和浸润抗肿瘤效应细胞之间的关系。数据表示为中位数±IQR。使用单向方差分析或 Kruskal-Wallis 检验 (B & E) 比较多个组之间的统计学显着差异。＊p < 0.05、＊＊p < 0.01 和＊＊＊p < 0.001。
图3 基于胃癌浸润抗肿瘤效应细胞的免疫分类
- (A) GEO 队列中样本的浸润性抗肿瘤效应细胞的无监督聚类。
- (B) GEO 队列中两个免疫聚集亚组之间CD8 + T 细胞、细胞毒性淋巴细胞和 NK 细胞浸润水平的比较。
- (C) GEO 队列中免疫聚类 A 亚组和 B 亚组患者的 Kaplan-Meier 曲线。
- (D) GEO 队列的 A 簇和 B 簇中三种糖代谢亚型的比例。
- (E) GEO 队列中两个免疫类别之间糖代谢基因特征的转录表达谱。
- (F) GEO 队列中 A 簇和 B 簇之间糖代谢基因表达水平的比较。数据表示为中位数±IQR。使用对数秩检验 (C) 和单向方差分析或 Kruskal-Wallis 检验 (B & F) 评估统计显着性。***p < 0.001。
图4 胃癌生物信号通路改变与免疫分类的化疗敏感性
- (A) 对聚类 A 与聚类 B 中的样品进行 GSEA 分析。结果通过富集图可视化。红色节点代表簇 A 中的上调信号通路，蓝色节点代表簇 A 中的下调信号通路。NES，归一化富集得分。
- (B) ACRG 队列中 A 组和 B 组患者的 Kaplan-Meier 曲线。
- (C 和 D) ACRG 队列的 A 组 (C) 和 B 组 (D) 中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (E) PKUCH 队列中 A 组和 B 组患者的 Kaplan-Meier 曲线。
- (F 和 G) PKUCH 队列 A 组 (F) 和 B 组 (G) 中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (H) 三种糖代谢亚型的胃癌细胞系对 5-FU 的剂量反应比较。
- (I) 三种糖代谢亚型胃癌细胞系对顺铂的剂量反应比较。数据表示为中位数±IQR。使用对数秩检验 (BG) 和单向方差分析或 Kruskal-Wallis 检验 (H & I) 评估统计显着性。
图5 胃癌中抗肿瘤效应细胞标志物的蛋白表达及其对辅助化疗的预测价值
- (A) 通过免疫组织化学检测胃癌中 CD3、CD8 和 CD57 的表达。
- (B) 使用 PKUCH 队列中的组织微阵列数据绘制高 CD3 组和低 CD3 组患者的 Kaplan-Meier 曲线。
- (C 和 D) 使用 PKUCH 队列中的组织微阵列数据绘制高 (C) 和低 (D) CD3 组中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (E) 使用 PKUCH 队列中的组织微阵列数据绘制高 CD8 组和低 CD8 组患者的 Kaplan-Meier 曲线。
- (F 和 G) 使用 PKUCH 队列中的组织微阵列数据绘制高 (F) 和低 (G) CD8 组中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (H) 使用 PKUCH 队列中的组织微阵列数据绘制高 CD57 组和低 CD57 组患者的 Kaplan-Meier 曲线。
- (I 和 J) 使用 PKUCH 队列中的组织微阵列数据绘制高 (I) 和低 (J) CD57 组中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。在(BJ)中，p值通过对数秩检验确定。
图6 葡萄糖免疫评分的构建
- (A) 葡萄糖免疫评分计算公式中所选参数的系数。
- (B) GEO 队列中葡萄糖免疫评分高组和低组患者的 Kaplan-Meier 曲线。
- (C) GEO 队列中葡萄糖免疫评分高和低的患者的糖代谢基因特征和抗肿瘤免疫浸润的情况。
- (D) GEO 队列中高糖免疫评分组和低糖免疫评分组之间糖代谢基因表达水平的比较。
- (E) GEO 队列中高糖免疫评分组和低糖免疫评分组之间CD8 + T 细胞、细胞毒性淋巴细胞和 NK 细胞浸润水平的比较。
- (F) GEO 队列中三种糖代谢亚型之间的葡萄糖免疫评分差异。
- (G) GEO 队列中两个免疫聚类亚组之间葡萄糖免疫评分的差异。数据表示为中位数±IQR。使用对数秩检验 (B) 和单向方差分析或 Kruskal-Wallis 检验 (D–G) 评估统计显着性。
图7 葡萄糖免疫评分的生物学和临床特征
- (A) ssGSEA 富集分析显示 GEO 队列中不同葡萄糖免疫评分组中肿瘤相关信号通路的激活状态。
- (B) GEO 队列中葡萄糖免疫评分与肿瘤相关信号通路之间的相关性。负相关用深青绿色标记，正相关用红色标记。通过 Spearman 相关分析估计相关性。p值的统计显着性由每个点的大小表示。
- (C) ACRG 队列中高和低葡萄糖免疫评分组的 Kaplan-Meier 曲线。
- (D 和 E) ACRG 队列中高 (D) 和低 (E) 葡萄糖免疫评分组中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (F) PKUCH 队列中高和低葡萄糖免疫评分组的 Kaplan-Meier 曲线。
- (G 和 H) PKUCH 队列中高 (G) 和低 (H) 葡萄糖免疫评分组中接受或不接受辅助化疗的患者的 Kaplan-Meier 曲线。
- (I) ACRG 队列中高糖免疫评分组和低糖免疫评分组中 ACRG 分子亚型的比例。
- (J) ACRG 队列中四种 ACRG 分子亚型之间的葡萄糖免疫评分差异。
- (K) 具有不同 ACRG 亚型（EMT、MSI、MSS/TP53 +和 MSS/TP53 -）、免疫簇和葡萄糖免疫评分的组中糖代谢亚型的冲积图。数据表示为中位数±IQR。使用对数秩检验（C、D、H、I、J 和 K）和单向方差分析或 Kruskal-Wallis 检验（F）评估统计显着性。
图8 胃癌标本中免疫细胞浸润的多重免疫荧光图像
应用多重免疫荧光来评估肿瘤、基质和总范围中每种标记物的染色百分比。数据表示为中位数±IQR，并使用单向方差分析或克鲁斯卡尔-沃利斯检验评估统计显着性。
图9 糖免疫评分的基因组特征及其对免疫治疗的预测价值
- (A和B)肿瘤体细胞突变的oncoplot是由高糖免疫评分(A)和低糖免疫评分(B)的人建立的。每列代表个别患者。上面的条形图显示TMB，右侧的数字表示每个基因的突变频率。右侧条形图显示了每种变体类型的比例。
- (C) 散点图描绘了 TCGA-STAD 队列中葡萄糖免疫评分与突变负荷之间的正相关性。应用 Spearman 相关性（r = 0.250，p < 0.001）。
- (D) 高糖免疫评分组和低糖免疫评分组之间的 TMB 比较。
- (E) 四种 TCGA-STAD 分子亚型之间葡萄糖免疫评分的差异。
- (F) 使用 TCGA 队列的肿瘤病理学图像进行 TIL 评估的示例。红色代表正 TIL 斑块，蓝色代表没有 TIL 斑块的组织区域，而黑色代表没有组织。
- (G) TCGA 队列中高糖免疫评分组和低糖免疫评分组之间 TIL 的比较。
- (H) Sumsung 队列中不同抗 PD-1 临床反应组之间葡萄糖免疫评分的差异。
- (I) Sumsung 队列中高和低血糖免疫评分组对抗 PD-1 免疫治疗的不同临床反应的比例。
- (J 和 K) 葡萄糖免疫评分在识别 Sumsung 队列中 CR/PR (J) 或 CR (K) 患者中的预测价值。数据表示为中位数±IQR。使用单向方差分析或 Kruskal-Wallis 检验（B、E、G 和 H）评估统计显着性。
小总结
- 虽然这篇文章才发了个5分多，但是分析的流程还是很清晰的，值得参考学习，很标准的糖代谢肿瘤免疫微环境研究思路，糖代谢分型、三组的生存预后、代谢亚型的免疫浸润、免疫无监督聚类、GSEA通路、两组的生存预后、免疫组化、葡萄糖免疫模型、marker免疫荧光、突变分析、免疫治疗评分
- 非常非常接地气的生信分析思路，通篇下来就很稳，既不花里胡哨、又能做的头头是道，看了下单位，北大肿瘤研究实验室
