6分+代谢重编程+泛癌预后+免疫微环境，纯生信分析文章套路 ...

有趣青年

随着肿瘤发生、发展的分子机制不断得到阐明，Hanahan 和 Weinberg 于 2011 年将免疫逃逸和代谢重编程这两种现象归纳为肿瘤细胞的主要特征。

今天小编就为大家介绍一下如何将代谢重编程和生信分析结合，首先我们来了解一下代谢重编程吧~

代谢重编程是指癌细胞重新编程某些新陈代谢的现象，主要特征是糖酵解、谷氨酰胺分解、脂质代谢、线粒体生物生成、磷酸戊糖途径以及其他生物合成和生物能量途径的上调。

自Otto Warburg阐明有氧糖酵解以来，糖代谢一直是肿瘤代谢研究的中心，而只有少数研究关注其他营养物质，如谷氨酰胺。因此谷氨酰胺代谢发文存在很大的空间！

谷氨酰胺在能量生成和大分子合成中发挥了关键作用，针对谷氨酰胺代谢相关的酶类开发的相关药物在抑制肿瘤方面具有非常大的潜力。

小编今天分享一篇最新的生信文章，从代谢重编程入手，选择谷氨酰胺作为研究的切入点，通过对泛癌预后、细胞周期、免疫微环境、免疫治疗多个角度进行生信分析，探讨了谷氨酰胺代谢对泛癌患者临床治疗的重要意义。

（没有思路、不知道怎么创新的生信鸟吧，超多创新的分析思路供你选择！）




<hr/>文章题目：谷氨酰胺代谢紊乱在泛癌预后和免疫微环境中的作用
发表杂志：FRONTIERS IN PHARMACOLOGY
影响因子：IF=5.738
发表日期：2022年12月
研究背景

对细胞代谢过程的精确控制维持了细胞的形态，但在转化为恶性状态的过程中，细胞获得了代谢重编程的特征，通过改变几种信号通路以维持肿瘤细胞无限的增殖能力。

谷氨酰胺在细胞自噬、活性氧(ROS)应激和肿瘤微环境的形成中起着至关重要的作用。谷氨酰胺在细胞新代谢中起着不可忽视的作用，研究表明谷氨酰胺缺失会导致肿瘤细胞死亡。肿瘤细胞对谷氨酰胺的特殊需求使得开发新的临床预测、治疗计划和成像策略成为可能。
数据来源




研究流程




主要研究结果
1. 根据P-value、LASSO分析、Mantel检验，筛选出21个谷氨酰胺代谢相关基因
利用R“coxph”计算初始生物标志物中涉及的每个基因的HR值和p值，评估TCGA训练集患者OS中118个基因表达的相关性。67个p值阈值<0.001的候选对象进入LASSO Cox回归模型。最终确定25个谷氨酰胺代谢相关基因（图1A-C）。采用Mantel检验鉴定表达模式相同的基因(图1D)。剔除这些基因后，筛选出21个谷氨酰胺代谢相关基因。



图 1 鉴定出21个谷氨酰胺代谢相关基因
2. 预后GMscore的建立以及生存分析
根据鉴定出21个基因的系数和表达水平(TPM值)建立一个特征，进行signature特征训练，预测泛癌患者的OS。计算32种肿瘤每个样本的GMscore（图2A）。对GMscore、性别、年龄、阶段(I-IV)四个变量进行多变量Cox回归分析评估生存风险意义（图2B-C）。
为了衡量GMscore的预测能力，比较了四个变量的C-index（图2D-E）。根据GMscore的中位数将数据集样本分为两个风险组，进行Kaplan - Meier分析，并采用log-rank检验来估计两个危险队列之间预后的差异。（图2F-H）。
这些结果表明，GMscore是一个不同于其他临床病理特征的个体危险因素，是一个预后预测概率更高的理想模型。



图 2 泛癌GMscore的建立与验证
3. 泛癌OS综合预测模型的构建
通过将GMscore与详细的临床病理特征(包括性别、年龄、分期和癌症类型)结合，生成一个综合评分nomogram，以提高生存预测能力（图3A）。此外，绘制了预测1、3和5年OS的校准曲线，以与实际OS进行比较（图3B）。tROC分析来估计nomogram的准确性，并比较不同变量之间的预测能力(图3C)。此外，与其他四个变量相比，nomogram对OS的预测最高(图3D)。



图 3 建立了一个综合预后模型，以提高对泛癌生存概率的估计
4. 单细胞测序分析GMscore与细胞周期进展显著相关
使用z-score算法对每个样本的EMT、血管生成、炎症、免疫浸润、CCP和谷氨酰胺代谢等所有特征进行了检测。计算了谷氨酰胺代谢与这些恶性特征之间的Pearson相关系数(r)，结果显示谷氨酰胺代谢与恶性特征之间存在显著相关性（图4A）。
从GEO数据库(GSE146773)检索到的346个G1期细胞、334个S期细胞和387个G2M期细胞的单细胞RNA序列数据，筛选基于三个聚类之间的差异基因(图4B)。然后进行伪时间轨迹分析，推测与“monocle2”聚类的发育相关性，绘制参与谷氨酰胺代谢的基因表达与细胞周期进程发展的关系（图4C）。根据簇间发育的时间顺序（图4D），绘制了参与谷氨酰胺代谢过程的基因表达热图(图4E)。对G1期细胞簇的差异基因进行KEGG富集分析(图4F)。使用初始生物标记物生成PPI网络(图4G)。
结果表明，G1期和谷氨酰胺代谢过程受到TP53的调控。



图 4 GMscore与细胞周期进展显著相关
5. 筛选不同风险队列中的突变基因，分析CAD表达与预后的相关性
确定了不同风险组中突变最频繁的前15个基因(图5A, B)。TP53在两组基因中都占据了第一的位置，图5C显示了TP53的不同突变频率和位置。比较了两个风险组之间的共发生和互斥突变，观察到IDH1存在明显差异(图5D)，并且IDH1在所有突变基因中具有最高的OR(图5E)。随后分析了TCGA-LGG队列中前15个频繁突变基因，其中IDH1突变频率最高（图5F）。根据TCGA数据库中LGG和GBM组CAD不同表达水平的中值，探讨在IDH1是否突变的情况下，CAD表达与预后的相关性（图5G-I）。



图 5 两个危险组和CAD之间的基因组改变对IDH1突变胶质瘤患者至关重要
6. 通过GESA和多种算法分析GMscore不同组间的免疫浸润特征
基因集富集分析(GSEA)由R“clusterProfiler”完成，用于富集GMscore高队列中高度调控的基因（图6A）。上调基因在许多免疫相关通路中富集（图6B）。比较了常见的免疫检查点，包括PDCD1，CD276，以及其他指标，如INFG，CYT评分和TMB。在GM评分高的队列中，所有这些特征都显著升高(图6C-F)。这些结果表明在GMscore高的队列中有更好的治疗反应。
使用了三种算法(ESTIMATE、CIBERSORT和xCell)来测量不同队列间免疫细胞的绝对丰度和相对丰度。ESTIMATE显示GMscore高队列的特点是免疫、基质和估计评分显著高，肿瘤纯度低(图6G）。应用CIBERSORT评估各种免疫细胞的相对丰度，M2巨噬细胞最大(图6H)。CIBERSORT和xCell的结果(图6I)与TIMER一致，在GMscore高的队列中CD8+ T细胞明显减少。



图 6 GMscore不同组间的免疫特征
7. 抗癌药物和免疫治疗的敏感性预测
采用R“pRRophetic”评估每位患者对常用化疗药物和靶向表皮生长因子受体(EGFR)药物的敏感性。gmscore低组的IC50估计值显著升高，这表明gmscore高组可能提供更好的结果(图7A-E)。
为了提高对具有不同谷氨酰胺代谢特征的患者免疫治疗反应的预测，基于初始生物标志物开发了一个名为谷氨酰胺代谢免疫治疗反应评分（GMIRS）的全新标志。对具有两个最佳参数的118个基因（图7F）通过两种方法进行了排序（图7G）。将16个重叠的候选数据输入LASSO调节分析(图7H)，选择15个基因构建预测模型。使用ROC分析验证准确性。通过TIDE算法预测样本和对ICB治疗的反应（图7I-K）。



图 7 谷氨酰胺代谢对抗癌药物和免疫治疗的影响
文章小结
这篇文章的巧妙之处就在于：
亮点一：本文选择了代谢重编程这一热点话题，以谷氨酰胺代谢作为切入点。使用参与谷氨酰胺代谢和调控过程的相关基因作为初始生物标志物。通过机器学习选择21个与谷氨酰胺代谢相关的基因，构建谷氨酰胺代谢相关的预后基因特征。
亮点二：与免疫微环境热点结合，分析谷氨酰胺代谢对免疫微环境的影响，比较了不同危险组患者免疫浸润的差异。得到结论：高危评分伴高免疫细胞浸润和免疫通路激活。
亮点三：本文在泛癌分析中，从细胞周期的角度入手，进行了基于周期特异性差异基因的富集分析。得到了以下结论：谷氨酰胺代谢与肿瘤的几种恶性特征密切相关，尤其是细胞周期紊乱。
这篇文章思路清晰，可以当作代谢重编程方向的模板思路。如果你也对这个热点有兴趣，又不知如何与生信结合起来，快来咨询小编吧！