5+纯生信换个癌种可复现，脂肪酸代谢结合单细胞肿瘤思路

今天小记者给大家带来一篇结合脂肪酸代谢热点的肿瘤预后纯生信文章，思路清晰又结合热点内容，不落俗套。作为提供能量的主要代谢途径，脂肪酸代谢（Fatty acid metabolism，FAM）毋庸置疑是癌症研究中重要的一部分。FAM的异常调控与包括乳腺癌（breast cancer）在内的几种癌症类型发生之间的关系已经被相当多的研究证实并且日渐成为了生信研究的热点内容。

我们今天要一起学习的这篇文章先是做了亚型鉴定以及亚型间的生存分析，确定FAM相关亚型之间的生存是存在差异的，然后才进行了预后基因的筛选及预后模型构建，构建了模型之后呢，又针对BC疾病的特异性，进行了免疫治疗的分析。在思路上可谓是一环扣一环。

不然人家发sci呢？

好了言归正传，正式开始我们今天的文章解读。

还没有思路吗？还在为创新点苦思冥想吗？

快来生信日报看看吧！

BC是女性中最常见的癌症。尽管BC治疗取得了重大进展，但仍然迫切需要开发用于BC检测的新型生物标志物。最近的研究表明，BC细胞改变了脂质代谢，参与FAM的特定基因在BC的发生和发展过程中发挥作用，因此靶向FAM代谢相关基因可能是BC的一种十分有前景的治疗方法。

基于FAM基因的表达对TCGA队列中的BC样本进行聚类以得到BC的FAM相关亚型。使用ESTIMATE算法评估不同亚型样本的免疫微环境，并且计算TCIA评分以评估不同亚型样本对于免疫治疗的不同反应。进行基因集变异分析（GSVA）以研究TCGA队列中不同亚型之间的途径富集差异。基于FAM相关基因构建蛋白质互作网络，用两种拓扑算法筛选出TOP20的hub基因，取TOP20的hub基因与差异表达的FAM相关基因的交集，从而获得4个关键基因。对这4个关键基因进行了单细胞分析、泛癌分析、免疫组化等。

基于TCGA-BRCA队列中的BC和对照样本进行471个FAM相关基因的差异表达分析以得到146个差异表达的FAM相关基因。基于146个差异表达的FAM相关基因在TCGA-BRCA队列中进行单因素cox回归分析和lasso回归分析以筛选特征基因。基于特征基因构建预后风险模型并验证。

使用limma包筛选TCGA数据集中乳腺癌患者和正常对照组的差异表达FAM相关基因，获得146个DE-FAMGs（图1A，图1B）。基于TCGA数据集样本的突变信息进行突变分析，得到突变频率最高的FAM基因（图1C）。基于样本的生存信息进行Kaplan-Meier生存分析，得出TMB频率低的患者的OS比TMB频率高的患者长的结论（图1D）。

图1 | 差异表达的FAM相关基因的鉴定和突变分析

基于TCGA种BC样本的FAM 基因表达水平使用ConsensusCluster进行无监督聚类分析，得到BC的两种亚型（图A）。基于不同亚型样本的临床特征信息，使用survival完成生存分析，得到与亚型1 相比，亚型 2 的患者 T1 比例更高、更年轻、存活率更高的结论（图C）。基于样本的临床特征，分析了两个群组与TCGA 队列中各种临床特征之间的关系，用堆积图进行了展示（图D）。

（ps：云生信分析工具平台包含超多零代码分析

和绘图小工具，上传数据一键出图，

感兴趣的小伙伴欢迎来尝试哟，

网址：http://www.biocloudservice.com/home.html）

图2 | 亚型鉴定

使用cibersort分析了不同亚型样本当中22种免疫细胞浸润情况，得到亚型1的ESTIMATE和免疫得分明显高于亚型2，主要组织相容性复合体和T细胞刺激因子在亚型1中的表达水平较高，而免疫检查点基因在亚型1中的表达水平较高的结论(A、B、C、E）。

ps：这里就体现了作者逻辑上的环环相扣，

这里一方面体现了免疫微环境的差异确实可能影响了预后，

一方面也为后面对免疫治疗分析埋下了伏笔

图3 | 亚型间的免疫微环境分析

基于两种亚型样本的免疫浸润程度，用TIDE算法计算了TCIA评分，得到亚型2对免疫治疗的反应更好，并且亚型2的TIDE评分高于亚型1的结论（图A和B）。使用Graphpad等工具计算了两种亚型样本的乳腺癌常用化疗药物 IC50 值，得到了亚型2的乳腺癌常用化疗药物 IC50 值高于亚型1的结论（图C和H），表明亚型2对免疫疗法的反应更好，对化疗药物的敏感性也高于亚型1。

ps：这里的针对免疫治疗和化疗反应的预测是将

生信与临床紧密结合起来的一种手段，

也是弥补本文没有实验的一种巧妙方法

图4 | 两种亚型患者对免疫治疗和化疗反应的估计

利用STRING数据库建立FAM基因的PPI网络（图A）。使用了两种拓扑算法：度算法和最大邻近成分算法（MNC）寻找关键基因（图B）。取这TOP20和之前获得的146个FAM 差异基因的交集，确定了四个关键 FAM 基因（LEP、LIPE、FABP4 和 ADIPOQ）（图C）

图5 | 关键 FAM 基因的鉴定

单细胞分析部分使用Cellranger和Seurat完成，细胞注释的结果显示，FABP4主要在乳腺癌的内皮细胞和肌成纤维细胞中过表达（图J和K）。使用HPA数据库完成了关键基因的免疫组化分析，发现邻近组织中FABP4的染色程度更高，表明乳腺癌细胞中FABP4基因表达的下调（图L 和 M）。

图6 | 关键基因的单细胞分析及免疫组化

纳入1082名来自TCGA队列的乳腺癌患者以构建预后模型，对146个差异表达的 FAM 基因进行了 Cox 回归分析以及LASSO Cox 回归分析选出了7个最佳特征基因。（图A、B 和 C）。进行了主成分分析体现了风险评分区分样本的科学性，利用C-index评估了模型的预测能力，并且在GSE42568 数据集种完成了模型的验证。（D、E、F 和 G）。

图7 | 预后模型的构建及验证

这篇文章整个构建预后模型的思路其实比较中规中矩，比较加分的点是抢占了脂肪酸代谢的先机以及在筛选出关键基因之后还进行了单细胞和免疫组化的分析。一些FAM结合其他肿瘤预后的生信文章也已经开始陆续出现，但是目前已经做了的癌症其实不是很多，小记者简单检索了一下，目前已经做了的有结肠癌、胃癌、肝癌等消化系统癌症，还有皮肤黑色素瘤、神经胶质瘤，大家换一些小众类的疾病还是可以冲一冲。所以你还在等什么呢？