本文转载自公众号“呼吸坊”，致力于为呼吸科医生提供生信前沿科研热点，点击名片加关注哦~
各位小伙伴们大家好，我是专注于生信分析研究与实践的顺哥~
程序性细胞死亡想必大家不陌生吧，包含凋亡、坏死、焦亡、铁死亡、铜死亡等多种类型，在生物体的发育和稳态维持中起着关键作用，目前也有很多相关文章发表。
单细胞测序和机器学习就更不说了吧，这可是当下炙手可热的两大的分析手段！那么，他们的结合会达到什么样的效果呢？你是不是也好奇呀？那就和顺哥一起来看看~
今天顺哥准备跟大家分享的这篇文章总共涉及13种细胞死亡模式，并且还用机器学习算法建立了具有13个基因特征的细胞死亡指数（CDI），用于预测肺腺癌（LUAD）患者的预后和指导靶向治疗。下面跟着顺哥一起来看看这篇SCI吧！
1. 多模式PCD基因集成分析：研究通过整合13种不同的程序性细胞死亡（PCD）模式，对肺腺癌（LUAD）进行了全面的基因表达分析，这为理解LUAD中PCD的复杂性提供了新的视角。
2. 单细胞和机器学习的结合：单细胞数据与机器学习的结合使得研究者能够更深入地理解肿瘤微环境中不同细胞类型之间的相互作用，以及它们如何共同影响肿瘤的发展和治疗响应。
（PS：近几年又出现各种新形式的程序性细胞死亡方式，相关文章也是蹭蹭上涨，各位小伙伴不妨换种癌症试试，这不就又是高分文章！另外，如果您有任何技术方面的难题都可以找小云~）
云服务器租赁
(加微信备注99领取试用)
题目：机器学习揭示肺腺癌预后和治疗中的多种细胞死亡模式
杂志：NPJ Precis Oncol
影响因子：IF=7.9
发表时间：2024年2月
友情提示：文末可获取文献的DOI号哦~或者关注呼吸坊，回复“123”直接后台获取原文！文献编号：20240528
研究背景
肺癌是全球癌症相关死亡的主要原因，其中肺腺癌（LUAD）是最常见的组织学类型。尽管诊断技术和治疗方法有所进步，但LUAD患者的预后仍然不佳，5年生存率仅为10-20%。LUAD的高异质性和药物抗药性的发展导致只有少数患者对靶向治疗和免疫治疗有良好反应。因此，迫切需要进一步研究能够预测LUAD患者靶向和免疫疗法疗效的生物标志物，并探索其潜在机制，为药物设计和临床决策提供潜在靶点和理论基础。
数据来源
|
数据集/队列 |
数据库 |
数据类型 |
详细信息 |
|
GSE116959、GSE31210、GSE50081和GSE72094 |
GEO |
RNA-seq数据 |
LUAD队列 |
|
GSE126044和GSE78220 |
GEO |
RNA-seq数据 |
免疫治疗队列的临床病理信息和全基因组表达数据 |
|
TCGA-LUAD |
TCGA |
RNA-seq数据 |
LUAD样本相应的临床病理信息 |
研究思路
本研究通过整合13种程序性细胞死亡（PCD）模式、bulk RNA、单细胞RNA转录组学数据和来自TCGA-LUAD及六个GEO数据集的临床病理学细节，开发和验证了预测模型。利用机器学习算法，研究者识别了与LUAD中PCD相关的十个关键差异表达基因，并据此构建了程序性细胞死亡指数（PCDI）模型。通过将PCDI与临床特征结合，开发了多个预后列线图。此外，研究还观察了PCDI与LUAD中的免疫特征之间的显著相关性，并探讨了高PCDI评分患者对免疫治疗和标准辅助化疗方案的可能抗性，以及他们可能从其他FDA支持药物中获益的情况。
主要结果
1. LUAD患者程序性细胞死亡基因的变异景观
对TCGA-LUAD和 GSE116959进行差异表达分析并与PCD相关基因取交集，获得52个具有统计学意义的DEGs（图1a）。图1b显示了DEGs的RNA水平，图1c描述了DEGs的蛋白质-蛋白质相互作用网络。GO/KEGG富集分析显示，这52个基因主要参与各种致癌相关的途径，如内在凋亡信号、p53信号和癌症的途径等（图1d，e）。最后基于TCGA数据对这52个基因进行突变景观分析并对Top10突变基因进行展示，其中CDKN2A和TNC表现出最高的突变频率（图1f,g）。
图1 LUAD患者PCD-DEG的变化
2. 机器学习构建LUAD患者的预后基因特征
基于TCGA-LUAD使用LOOCV框架拟合70种类型的预测模型并计算每个模型的C指数，选择C指数最高的两个模型组合（Lasso和RSF+Lasso）筛选基因，得到Top35基因（图2a，b）。将这35个基因与Lasso回归分析确定的基因取交集得到10个基因（图2c-e）。基于这10个基因构建程序性细胞死亡指数（programmed cell death index, PCDI）。依据PCDI公式计算每位患者的PCDI并将患者分为高低风险组，分析两组的生存差异，高PCDI的预后较差（图2f）。
图2 机器学习构建PCDI模型
3. 列线图的构建与评估
首先使用单变量和多变量Cox回归分析证明PCDI具有独立预后意义。基于多变量Cox回归分析的结果构建列线图，校准曲线和ROC曲线表明该模型能够准确预测这些时间间隔内的生存率；DCA曲线证实列线图优于研究中使用的其他预测因子。此外，KM曲线显示高风险组和低风险组之间观察到显著的生存差异（图3）。
图3 列线图构建与评估
4. 单细胞分析表明PCDI评分与LUAD的发展相关
对scRNA测序数据进行质控、降维聚类和细胞注释后获得38个聚类和8种细胞类型（图4a），每个细胞类型的标记基因如图所示（图4b）。对10个模型基因在不同细胞类型中的分布和表达进行分析（图4c）。使用inferCNV算法检测每个上皮细胞中的拷贝数变化并计算每个聚类的CNV得分（图4d，4e），依据评分将上皮细胞分组，然后使用Monocle 2进行伪时间轨迹分析不同组上皮细胞的潜在进化（图4f）。最后使用计算每个细胞的PCDI评分，发现PCDI评分与CNV评分呈正相关（图4g，4h）。
图4 基于PCDI特征的肿瘤微环境解剖
5. PCDI在免疫治疗中的预测作用
基于LUAD数据集，采用TIDE评分评估免疫治疗和PCDI的关系，表明存在显著的正相关性（图5a，b），表明PCDI升高的患者可能不会从免疫疗法中受益。利用GSE126044和GSE78220数据集，进一步评估PCDI预测LUAD患者对抗PD-L1治疗反应的能力。发现与低PCDI患者相比，高PCDI的患者表现出较差的生存率（图5c，f）。高PCDI组对抗PD-L1有反应的患者百分比明显低于低PCDI组（图5d，g）。非应答者比应答者表现出更高的PCDI（图5e，h）。
图5 PCDI在免疫治疗中的预测作用
6. 临床样本中特征基因的体外实验验证
利用RT-qPCR分析验证10个模型基因在临床样本中的表达。结果显示，与癌旁样本相比，CHEK2、CD79A、RRM2、GAPDH、ITGB4、KRT18和TMPRSS4在LUAD中过表达，而CHRNA5、CTLA4和MMP1的表达没有统计学意义（图6a-j）。此外，使用HPA数据库进行验证，发现CHEK2、RRM2、GAPDH、ITGB4、KRT18和TMPRSS4在LUAD样本的染色更深（图6k）。
图6 临床样本中特征基因的体外实验验证
文章小结
看完这篇文章有没有觉得肿瘤研究还有很多可以做的内容呢？文章从13种程序性细胞死亡模式入手，通过各种机器学习模型比较获得最佳机器学习模型并用于构建模型，选题创新性极高，同时利用生信+实验相结合的方法，既可以节省一定的时间和经费，又可以提高结论的可信度。如果大家想在肿瘤研究中再发高分文章，千万不要错过程序性细胞死亡和机器学习相结合的思路，肿瘤类型换一换，又是一篇好SCI，心动的话就直接联系小云吧，让咱们的专业团队帮你把把关，有什么疑惑也可以咨询哦！
DOI: 10.1038/s41698-024-00538-5
定制生信分析
云服务器租赁
原文始发于微信公众号（云生信学生物信息学）：大力出奇迹，集齐13种细胞死亡方式发7.9分！复旦大学团队凭借单细胞测序和机器学习的双重buff，成功掀起“细胞死亡”内卷