不要再说预后生信发不动了！中山大学团队“10种机器学习算法+单细胞转录组+免疫微环境”堪称发文绝技！学会了你也能发5分！

生信思路枯竭无处寻？江江包来帮您！江江包又带着让你眼前一亮的实验思路来和大家见面咯，江江包今天给大家介绍的思路是： 机器学习+免疫微环境+单细胞转录组分析。 时至今日，预后模型相关的生信文章，不带点免疫分析是越来越难发文了！而来自 中山大学 的大牛团队，却有着自己的“独门发文绝技”！那么我们废话不多说，上例文！

来自 中山大学附属第七医院的聂刚教授团队 ，在Nature旗下5分杂志 《Genes & Immunity》 上发表了题为 《Machine learning-derived immunosenescence index forpredicting outcome and drug sensitivity in patients with skin cutaneous melanoma》 的文章，江江包认为，文章的亮点主要为以下几点：

1、TCGA/GEO双数据库队列+免疫衰老相关选题+机器学习构建预后模型。 在本文中，作者团队一共利用了 10种机器学习算法（101种组合） 构建预后模型。再根据C指数来筛选出最佳模型！上述方法的应用是本文冲击5分杂志的重要原因！

2、免疫微环境分析+单细胞转录组分析+免疫组化验证。 文中所应用的 肿瘤突变负荷分析、肿瘤免疫评分（ESTIMATE算法）、免疫治疗反应预测 等一系列免疫分析方法在生信高分文章中屡试不爽，对免疫预后感兴趣的朋友不要错过哦！ PS：看到机器学习、免疫分析屡屡冲击优质SCI眼馋得不行？你也一样可以发！有相关需求的朋友，敬请扫码联系江江包！江江包及专业生信团队将成为您发文路上最好的助手！

l 杂志：Genes & Immunity

l 影响因子：5.0

l 发表时间：2024年2月

研究背景

皮肤黑色素瘤（SKCM）是所有皮肤恶性肿瘤中恶性最强的，而癌症免疫疗法利用人体免疫系统通过免疫调节来对抗肿瘤，已显示出显著的临床成果，为肿瘤患者提供了一种新的治疗方法。目前学界关于异常免疫衰老对 SKCM 患者发育和预后影响的知识仍然不足。此外，调节免疫衰老的基因可能作为抗肿瘤治疗的潜在靶点。 因此，在这项研究中，作者团队评估了 SKCM 中与免疫衰老相关的通路变化，并设计了免疫衰老指数。

数据来源

研究思路

主要结果

1、从免疫衰老相关基因中鉴定出枢纽基因

合并衰老相关基因和免疫相关基因后，作者一共鉴定出134个免疫衰老相关基因。GO和KEGG分析显示，这些基因在与免疫和衰老相关的通路中显著富集，如T细胞迁移、T细胞增殖、T细胞分化、趋化因子信号通路、细胞因子活性、细胞衰老（图1A-B）。 接下来，作者团队确定了 37 个基因与预后相关 （Fig.在37个预后基因中，有34个基因存在显著差异（图1C-E）。 根据上述细节，可以推断出预后改善与18个基因的表达水平升高有关。因此，在分析数据后，确定 SKCM 内的 16 个基因被归类为具有预后风险的基因 （图1F）。

2、ISI的构建

根据方法论部分，一个有趣的发现揭示了GBM成为突出的模型，在所有验证数据集中获得了最高的平均C指数（图2A-C）。 基于最优模型，作者团队最终得到10个最优枢纽基因。 然后，作者计算了10个最佳枢纽基因的表达，并通过这些基因的回归系数进行加权，以计算每个患者的风险评分。 从K-M生存率分析中获得的结果表明，与低 ISI 组相比，被归类为高 ISI 组的个体在训练（TCGA-SKCM）和验证队列（GSE22153、GSE65904、GSE54467、GSE59455、GSE53118）中都表现出总生存率（OS）显着下降（图2E-F）。

图2 使用多种机器学习算法开发和验证了ISI

3、高/低组免疫微环境的特征

通过采用ESTIMATE算法 ，研究人员观察到，与低ISI组相比，高ISI组表现出免疫评分、基质评分、估计评分降低，同时表现出更高的肿瘤纯度。此外，作者还使用 7 种算法分析了基于免疫细胞群的免疫景观。 在低ISI组和高ISI组之间，免疫细胞群的相对分布存在明显差异。随着ISI的增加，免疫浸润的总体程度有所下降（图3A）。 此外，与低ISI组相比，高ISI组的抗原呈递和配体下调，高ISI组的细胞粘附、共抑制/刺激、检查点显著上调（图3B）。此外，高ISI组的免疫抑制评分低于低ISI组，高ISI组的免疫排斥评分高于低ISI组（图3C）。

图3 ISI的免疫微环境特征