今天給大家?guī)硪粋€老套路文章，文章分析方法其實都是大家已經(jīng)司空見慣的方法休傍，但是它為啥能發(fā)到6分多鹊杖，讓我們一起去探個究竟~
研究背景
目前已經(jīng)有研究表明筒严，TP53突變可預測胃癌患者整體生存和無復發(fā)生存期。雖然TP53突變影響胃癌患者預后已得到證實尉辑，但其對STAD患者免疫功能的具體影響尚未得到充分研究帆精。
方法及結果
? TP53在胃癌樣本中的突變情況
從TCGA數(shù)據(jù)庫中下載胃癌（STAD）突變數(shù)據(jù)、臨床數(shù)據(jù)、基因表達數(shù)據(jù)实幕。對STAD的基因的突變頻率進行統(tǒng)計吝镣，結果發(fā)現(xiàn)TP53排名第二。
? TP53突變對免疫功能影響
將STAD樣本分為TP53突變組和TP53野生組昆庇。兩組樣本的基因表達數(shù)據(jù)進行基因富集分析（GSEA）末贾。結果發(fā)現(xiàn)有7個免疫相關的通路富集在TP53野生組，TP53突變組沒有免疫相關通路富集整吆。
? 建立免疫相關預后模型
上述GSEA分析中7個免疫相關通路共包含766個基因拱撵。單因素Cox回歸分析，結果顯示有45個基因與預后相關表蝙。LASSO回歸分析拴测、多因素Cox回歸分析、最終篩選出9個基因府蛇。用這9個基因建立預后模型集索，公式：Risk score = ECAMK4*0.456 + ECYP19A1*0.823 + EZFP36*0.195 + ECLCF1 *0.226 + ECACTIN *(?0.653) + ENRARP*(?0.170) +?ECFHR4*1.050 + EAMBP* 0.181 + EFBN1*0.149。模型測試結果（TCGA數(shù)據(jù)測試汇跨，圖ABC）和驗證結果（GEO數(shù)據(jù)驗證务荆，圖DEF）如下圖所示。該預后模型對1穷遂、3函匕、5年的整體生存的預測AUC值均能達到0.5以上，說明該模型的預測效果良好蚪黑。
? 根據(jù)TP53突變狀態(tài)進行預后特征的生存分析
TCGA數(shù)據(jù)庫中STAD樣本的總體生存和TP53的圖片沒有顯著相關性（圖A）盅惜。為了驗證預后模型是否獨立于TP53突變，作者將樣本STAD分為了兩種亞型：TP53突變型和野生型忌穿，發(fā)現(xiàn)預后模型能夠很好的預測這兩個亞型的患者的預后（圖BC）抒寂。由于不同類型的TP53突變通常會導致不同的生物學后果，作者分析了TP53各類突變與STAD患者預后之間的關系伴网，然而蓬推，結果表明TP53突變并不影響STAD患者的預后。作者將TP53突變頻率最高的類型（missense mutation subgroup）的樣本提出來澡腾，發(fā)現(xiàn)預后模型對該亞型的預后也有很好的預測效果（圖E）沸伏。
? STAD患者的免疫狀況
為了探究預后模型的免疫特性，作者應用ESTIMATE計算STAD樣本的基質評分动分、腫瘤純度毅糟、免疫評分和ESTIMATE評分。將預后模型計算的風險分數(shù)和上述評分進行相關性分析澜公，結果表結果發(fā)現(xiàn)風險分數(shù)與基質評分姆另、免疫評分和ESTIMATE評分呈正相關喇肋，與腫瘤純度呈負相關（圖ABCD）。此外迹辐，作者還研究了低蝶防、高風險STAD患者基質評分、腫瘤純度明吩、免疫評分和ESTIMATE評分的差異间学。高風險患者的免疫、基質和ESTIMATE評分均高于低風險患者印荔，腫瘤純度低于低風險患者(P < 0.05低葫，圖EFGH)。
? 患者的浸潤免疫細胞情況分析
腫瘤浸潤免疫細胞比例和水平的變化可能代表不同個體的內在特征仍律。CIBERSORT估算高風險組和低風險組患者的22種免疫細胞組成（圖A）嘿悬。22個腫瘤免疫細胞呈弱或中度相關（圖B）。高風險組和低風險組患者的免疫細胞組成進行比較水泉，發(fā)現(xiàn)高風險組STAD患者的單核細胞善涨、M0巨噬細胞和濾泡輔助T細胞比例顯著高于低風險組，靜息樹突狀細胞和CD4記憶激活T細胞比例顯著低于低風險組(P < 0.05茶行，圖C)躯概。
? 預后模型與免疫檢查點關系分析
免疫檢查點藥物已被證明具有逆轉腫瘤免疫抑制作用的抗腫瘤作用登钥，因此作者分析了風險分數(shù)與不同免疫檢查點蛋白(PD-L1, PD-1, CTLA-4, TIGIT, LAG-3 and TIM-3)表達水平的相關性畔师。結果發(fā)現(xiàn)風險分數(shù)與與TIM3和BTLA顯著相關（圖AB）。近一步的分析表明高風險患者TIM3和BTLA的表達明顯高于低風險患者(P < 0.05)(圖6C和D)牧牢。以上結果提示高風險患者不良預后可能與免疫抑制微環(huán)境有關看锉。
? STAD富集通路分析
以logFC > 1和FDR <?0.05為閾值選擇低風險和高風險患者差異表達的免疫基因。篩選與風險分數(shù)有顯著相關性的的基因（Pearson相關系數(shù)> 0.2和P < 0.05）塔鳍。一共篩選到39個基因（圖E）伯铣。對l這39個基因進行GO和KEGG分析，結果發(fā)現(xiàn)STAD中與風險分數(shù)相關的基因主要富集于免疫效應過程的調控轮纫、體液免疫反應的調控腔寡、體液免疫反應的調控、ECM受體相互作用等(圖6F和G)掌唾。
⑨ 基于預后模型的列線圖構建
單因素放前、多因素Cox回歸分析，發(fā)現(xiàn)預后模型可以作為獨立的預后因素糯彬。nomogram生存預測模型具有良好的預后凭语。
相信大家看到這里也能明白本文為啥能發(fā)6分多了。和別的文章不同的是撩扒，本文特征基因的篩選似扔、預后模型的建立只是文章的一小部分，文章大量的分析都在探究預后模型與免疫之間的關系，分析細致、緊貼主題渤刃，是文章的一大亮點吮便。另外由一個單基因引發(fā)的一系列研究，也是文中的一大亮點但校，老師們如果有想要研究的單基因，也可以嘗試這種思路~
