公共数据库+机器学习算法构建胰腺癌免疫相关模型，纯生信拿下6+SCI

方法

结果

目的： 通过免疫浸润分析来区分免疫热（hot）和冷（cold）肿瘤，以及它们与患者预后的关系。

结果：

1. 利用sva包整合数据集后，研究基于CIBERSORT算法估计了22种免疫细胞类型的浸润。

2. 通过对22种免疫细胞组分进行共识聚类分析，研究将PAAD患者分为两个聚类，且这两个聚类间存在显著的生存差异（图1A，B）；

3. 基于StromaScore、ImmuneScore和EstimateScore，将C1肿瘤定义为“热免疫”肿瘤，C2肿瘤定义为“冷免疫”肿瘤（图1C）；

4. 热肿瘤中浸润的免疫细胞类型包括naïve B细胞、浆细胞、CD8+T细胞等比例更高，而冷肿瘤中调节性T细胞（Tregs）等比例更高；

5. 通过差异分析，2055个在热肿瘤中上调的基因和2565个下调的基因（图1D）；

6. GO分析显示，与免疫反应和免疫受体活性相关的通路在热肿瘤中上调的DEGs中富集，与表皮发育、细胞骨架和染色质结构相关的途径则在热肿瘤中下调的DEGs中富集（图1E，F）；

7. KEGG分析显示，与免疫配体-受体相互作用相关的通路在热肿瘤中上调的DEGs中富集，与代谢相关途径则在热肿瘤中下调的DEGs中富集（图1G，H）；

8. GSVA分析识别了在热肿瘤中富集的多个特征性通路，其中前五个通路为“脂肪生成”、“同种移植排斥”、“雄激素反应”、“血管生成”和“顶端连接”（图1I）。

目的： 识别与预后相关且与免疫反应相关的特征基因。

结果：

1. WGCNA分析显示，粉色和绿松石色模块与冷肿瘤相关，黑色模块与热肿瘤相关（图2A）；

2. 在粉色模块中，GS和MM之间的相关系数为0.46，而蓝绿色和黑色模块的相关系数分别为0.81和0.23（图2B-D）；

3. 选择GS>0.3和MM>0.5的基因进一步分析，其中包括165个与热肿瘤相关的基因（HRGs）和4183个与冷肿瘤相关的基因（CRGs）（图2E，F）；

4. 通过DEGs与WGCNA结果的交集分析，提取了118个在热肿瘤中上调的DEGs和HRGs重叠的基因，以及375个在冷肿瘤中下调的DEGs和CRGs重叠的基因（图2E，F）；

5. Cox回归分析发现82个在热肿瘤中上调的、预后相关的免疫相关基因（UPIRGs），以及96个在热肿瘤中下调的、预后相关的免疫相关基因（DPIRGs）（图2G）。

目的： 构建一个基于机器学习（ML）的预后模型，用于预测胰腺腺癌（PAAD）患者的存活情况。

结果：

1. 在多个数据集中构建了基于单一和联合最大似然算法的模型，并计算了每个模型的C指数值（图3A-C）；

2. 结果显示，UPIRGs的最佳模型是Survival RF和Enet的组合，而DPIRGs的最佳模型是Survival RF和PlsRcox的组合（图3A-C）；

3. 对于综合了UPIRGs和DPIRGs的模型，发现Survival RF和PlsRcox的组合具有最佳的C指数值，被选为混合模型；

4. 在TCGA+ICGC训练队列中，基于DPIRGs模型计算的风险评分中值将患者分为高风险和低风险组，两组间生存率存在显著差异，低风险组生存概率更好（图3D）；

5. 时间依赖的ROC曲线分析显示，1年、2年和3年生存的AUC值分别为0.979、0.983和0.986，表明模型具有很好的预测能力（图3E）；

6. 两组间的风险评分和临床状态比较结果显示，高风险组存活率较低（图3F）；

7. 此外，使用四个GSE数据集验证了DPIRGs可预测PAAD患者预后。

目的： 构建应用于热肿瘤和冷肿瘤患者的预后模型。

结果：

1. 基于DPIRGs，使用单一和组合的ML算法来构建热或冷肿瘤患者的一致性模型；

2. 热肿瘤患者的最佳模型是存活RF和ridge的组合（热模型），而冷肿瘤患者的最佳模型是plsRcox和XGBoost的组合（冷模型）（图4A，B）；

3. Cox分析显示热模型比冷模型更适合将患者分为高风险组和低风险组，且组间生存率差异更显著（图4C-G）；

4. 热模型在GSE78229数据集中具有更大的存活率差异，而混合模型在其他数据集中存活率差异大（图4F）；

5. 热模型和混合模型预后能力比冷模型强（图4I-L）；

目的： 分析DPIRGs的遗传变异和DNA甲基化状态，以探究这些基因表达变化背后分子机制。

结果：

1. DPIRGs在PAAD中的基因突变频率相对较低，其中PLEC基因突变频率最高（9%）（图5A）；

2. ASPM、TRPV1、PLEC等基因的CNVs与表达水平呈正相关（图5B）；

3. TRPV1、SDHAP1等基因CNVs与疾病特异性生存（DSS）、无进展生存（PFS）和总生存（OS）显著相关（图5C）；

4. ITGB4、AHNAK2和XDH的DNA甲基化水平与表达水平呈负相关（图5D）；

5. 在PAAD患者中，TRPV1、SNORA12和ITGB4的DNA甲基化与DSS、PFS和OS相关（图5E）。

目的： 探究不同亚组免疫景观及其与预后的关联。

结果：

1. 根据免疫亚型和风险水平，PAAD患者被分为热-高、热-低、冷-高和冷-低风险组，其中热-低风险组预后最好，而热-高和冷-高风险组预后最差（图6A）；

2. 在混合数据中，患者更多被分到热-低风险组，而高风险患者平均分布在热组和冷组（图6B）；

3. ROC分析结果显示，AHNAK2、ITGB4、ACTBP7、PLEC等10个基因可以有效区分热-低和冷-高肿瘤，AUC在0.816到0.791之间（图6C）；

4. 相关性分析显示，DPIRGs的表达水平之间的相关性在热-低风险组中更强，而其与DPIRG评分之间的相关性在冷-高风险组中更强（图6D）；

5. 不同组免疫细胞相关性分析显示，DPIRGs表达水平与免疫细胞的相关性模式在热-低风险和冷-高风险组中存在显著差异（图6E）；

6. 通过计算基因和免疫细胞之间的相关性，发现冷-高风险组和热-低风险组中基因调节的免疫细胞也存在差异（图6F）。

目的： 探究不同PAAD亚型中miRNA的作用及其与DPIRGs的关系。

结果：

1. 通过相关性分析，在热-低风险组识别出16个miRNAs与DPIRGs表达水平显著相关，在冷-高风险组中鉴定出了20个，其中hsa-mir-139在热-低风险组中表达更高，而hsa-mir-193a、hsa-mir-1248、hsa-mir-365a、hsa-mir-365b和hsa-mir-93在冷-高风险组表达更高（图7A,B）；

2. GSVA分析显示，热-低风险组相对于冷-高风险组富集的生物学通路如图7C所示；

3. 在两组中，naïve B细胞与前10个富集的hallmark通路呈正相关，而restNK细胞、activated mast cells和eosinophils与之呈负相关（图7E）。

目的： 分析PAAD患者对免疫治疗的反应性，并预测了可能影响DPIRGs表达及患者预后的药物。

结果：

1. 热-低风险肿瘤的TIDE评分显著低于冷-高风险肿瘤，表明热低风险肿瘤对免疫治疗的反应性更高（图8A）；

2. 在对PD-1阻断有反应的患者中，DPIRG评分显著低于无反应的患者（图8B）；

3. 使用五种ML算法预测了影响TIDE分数的显著DPIRGs，前5个基因是RPL1P42、KRT18P7、MIR554、RBMXP2和FAM157A（图8C）；

4. 通过DPIRG表达与药物反应相关性分析，识别出23种药物与DPIRG表达水平负相关，这些药物在热-低风险和冷-高风险组中的IC50值存在差异，暗示这些药物可能在冷高风险组中具有更强的治疗效果（图8D-F）；

5. 通过五种ML算法，预测出与PAAD患者预后相关的前8种药物，以及能够显著调节DPIRG评分的前8种药物，包括thalidomide、SB-431542和bleomycin A2等（图8G，H）。

目的： 预测药物可能的作用机制和潜在疗效。

结果：

1. 从ZINC15数据库下载了8种活性化合物的化学结构，并选择了4个具有完整蛋白质结构的基因进行结合模式研究（图9A-D）；

2. 根据对接得分，SB-431542和semagacestat两种药物与GLIPR1L1蛋白质的结合最为强效；

3. SB-431542和semagacestat也与TRPV1、PLEC和CEP295NL蛋白质有较强的结合，尽管在TRPV1和PLEC蛋白质表面没有识别出明显的口袋结构，但这些蛋白质的结合仍然相对稳定（图9C-H）；