掃碼聯(lián)系客服
我們不難發(fā)現(xiàn)，在當(dāng)前關(guān)于免疫相關(guān)基因signature的識(shí)別與開(kāi)發(fā)的研究中，大多數(shù)研究者更傾向于關(guān)注蛋白質(zhì)編碼基因，因?yàn)檫@更方便大家去刻畫其功能并且去做相應(yīng)的實(shí)驗(yàn)驗(yàn)證。而在我們?nèi)祟惢蚪M中，有超過(guò)98%的基因是落在非編碼區(qū)的，這是個(gè)不爭(zhēng)的事實(shí)。其中長(zhǎng)鏈非編碼RNA（lncRNAs）是比較典型的一類具有功能性的非編碼RNA。事實(shí)上，積累的研究已經(jīng)表明了lncRNAs與腫瘤發(fā)生、進(jìn)展、預(yù)后、耐藥和敏感性密切相關(guān)。值得注意的是，新的證據(jù)也報(bào)道了lncRNAs的基本作用，包括炎癥反應(yīng)、免疫細(xì)胞的分化和效應(yīng)功能，腫瘤免疫微環(huán)境以及癌癥免疫療法。今天小編帶領(lǐng)大家領(lǐng)略一下免疫相關(guān)非編碼RNA signature的開(kāi)發(fā)及其在改善患者預(yù)后方面的應(yīng)用。
參考文獻(xiàn)是來(lái)自于Liu等人于今年2月份發(fā)表在Nature Communication上的一篇研究，題目為：Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer.
整體思路比較簡(jiǎn)單，就是開(kāi)發(fā)了一個(gè)基于機(jī)器學(xué)習(xí)的整合方法用于構(gòu)建一致性免疫相關(guān)lncRNAs signature (稱為IRLS)。
識(shí)別免疫浸潤(rùn)相關(guān)的分子亞型
作者首先搜集了大量的公共數(shù)據(jù)。然后在訓(xùn)練集中計(jì)算了28種人類免疫細(xì)胞浸潤(rùn)水平，并據(jù)此進(jìn)行一致性聚類分析，將患者分為兩類（圖一）。
識(shí)別免疫浸潤(rùn)模式相關(guān)的lncRNA模塊
在這里，作者使用兩種方式確定要研究的候選lncRNAs
第一種方式：使用轉(zhuǎn)錄組數(shù)據(jù)，由WGCNA方法，識(shí)別出lncRNA模塊（圖二），包括：
刻畫免疫浸潤(rùn)亞型以及臨床特征（包括age, gender, T stage, N stage, M stage, AJCC stage, TMB, neoantigen load以及microsatellite state）與不同lncRNA模塊的相關(guān)性；
挑選一個(gè)與免疫浸潤(rùn)亞型、TMB, neoantigen load以及microsatellite state最相關(guān)的模塊，進(jìn)行下一步分析；
然后，作者基于gene significance (GS)和 module membership (MM)識(shí)別hub immune-related lncRNAs。
第二種方式：從ImmLnc pipeline中獲取免疫相關(guān)的lncRNAs（主要通過(guò)ssGSEA方法和相關(guān)性計(jì)算）。根據(jù)兩種方法獲取到的免疫相關(guān)的lncRNAs的交集，得到候選免疫相關(guān)的lncRNAs（overlapping lncRNAs）（圖三）。
一致性免疫相關(guān)lncRNAs signature識(shí)別
作者基于以上識(shí)別的235個(gè)overlapping lncRNAs，通過(guò)單因素Cox分析識(shí)別到了43個(gè)預(yù)后相關(guān)lncRNAs，并構(gòu)建免疫相關(guān)lnRNA預(yù)后評(píng)分模型，在多套數(shù)據(jù)集中評(píng)估其在訓(xùn)練集中對(duì)患者預(yù)后效能（圖四）。
免疫相關(guān)lnRNA預(yù)后評(píng)分模型的評(píng)估
接下來(lái)，作者在多套數(shù)據(jù)集中，分別計(jì)算了預(yù)后評(píng)分模型的AUC值、C-index值，以及聯(lián)合考慮其他臨床特征，計(jì)算了預(yù)后評(píng)分模型以及不同特征的C-index，用以評(píng)估免疫相關(guān)lnRNA預(yù)后評(píng)分模型（圖五）。
免疫相關(guān)lnRNA預(yù)后評(píng)分模型與已知發(fā)表了的基因signature進(jìn)行比較分析
作者通過(guò)免疫相關(guān)lnRNA預(yù)后評(píng)分模型與已知發(fā)表了的基因signature多套數(shù)據(jù)集中進(jìn)行比較分析（圖六），包括：
在當(dāng)前癌癥類型中，尋找已發(fā)表的signature，并在多套數(shù)據(jù)集中進(jìn)行單因素Cox分析，突出體現(xiàn)本研究中l(wèi)ncRNAs的優(yōu)勢(shì)。
在多套數(shù)據(jù)集中，計(jì)算當(dāng)前癌癥類型中已發(fā)表的signature的C-index，重點(diǎn)體現(xiàn)本研究中l(wèi)ncRNAs的優(yōu)勢(shì)。
值得注意的是，這篇研究作者用了in-house數(shù)據(jù)（232個(gè)CRC樣本的qRT-PCR assays數(shù)據(jù)）進(jìn)行驗(yàn)證分析（這也是決定這篇文章能上NC的一個(gè)很重要的因素），并得到與訓(xùn)練集一致的陽(yáng)性結(jié)果（圖七）。
免疫相關(guān)lnRNA預(yù)后評(píng)分模型在化療和免疫治療中的應(yīng)用
接下來(lái)，作者證明了免疫相關(guān)lnRNA預(yù)后評(píng)分模型在化療藥物（包括fluorouracil）和免疫治療藥物（包括bevacizumab）中是有作用的（圖八）。
免疫相關(guān)lnRNA預(yù)后評(píng)分模型中免疫浸潤(rùn)水平刻畫
為了進(jìn)一步突顯本研究lnRNA的免疫特征，作者在高低免疫相關(guān)lnRNA預(yù)后評(píng)分中，刻畫了免疫浸潤(rùn)水平熱圖展示。并且展示了免疫相關(guān)lnRNA預(yù)后評(píng)分與免疫浸潤(rùn)水平、CD8A、PD-L1的表達(dá)水平的相關(guān)性。最后，通過(guò)免疫組化驗(yàn)證了高低評(píng)分中CD8A、PD-L1的差異性（圖九）。
結(jié)語(yǔ)
通常而言，在mRNA signature大量盛行的時(shí)代背景下，lncRNA的研究通常比mRNA的研究要更具創(chuàng)新性，只要我們能夠充分解釋出lncRNA的功能機(jī)制和作用，都是一個(gè)不錯(cuò)的選擇，包括這篇文章的lncRNAs與免疫相結(jié)合，以及銅死亡/鐵死亡相關(guān)lncRNAs。另外，lncRNAs的研究通常比較容易通過(guò)實(shí)驗(yàn)證實(shí)，這能為我們的研究增添光彩，是妥妥的加分項(xiàng)。總而言之，這篇免疫相關(guān)lncRNA的文章是非常值得關(guān)注和學(xué)習(xí)的。
