非预警！纯生信还能发！2021最新纯生信免疫套路解读，早学早收获！

▌背景

AML难治复发，已充分证明同种异体造血细胞移植 (alloHCT) 可成功治疗 AML，并且 AML 具有免疫反应性。

AML blast也可能引起免疫抑制，从而导致AML患者出现矛盾的免疫抑制。因此，进一步了解免疫细胞如何与 AML 原始细胞作斗争，可以为 AML 提供更有效的治疗方法。

目前尚缺乏关于免疫相关基因（IRG）表达在预测AML预后以及将AML与健康样本进行比较中的实用性的综合研究。

▌数据来源

 训练集来源 

TCGA和GTex：（从 UCSC Xena 数据库 ( http://xena.ucsc.edu/ )获得 TCGA-LAML 和 GTEx-全血队列的临床和转录组信息。）

 验证队列来源  

从GSE37642获得了临床和转录组数据基因表达综合（GEO）数据库中的队列（验证队列）以验证我们的预后模型。

 免疫基因相关来源 

ImmPort数据库提供了总共2,498个与免疫相关的基因。

表格1列举了训练和验证队列中患者的基线特征。

▌文献解读

挑

寻找差异基因：

在TCGA-LAML和GTEx-全血队列之间确定了2,516个DEG。

从2498个IRG中取交集，获得了199个差异表达的IRG。

圈：GO和KEGG分析

基因本体论（GO）和《京都基因与基因组百科全书》（KEGG）途径富集分析表明，DEG主要在免疫生物学过程中富集（图S1A）。用了常规的dot图

KEGG富集分析结果揭示了转录异常在AML发生中的重要作用（图S1B）。用了圈图。

联

单变量分析：进行单变量 Cox 回归分析以评估个体 IRG 的表达水平与 OS 之间的关联，其中 72 个具有潜在的预后价值。

代表性的 Kaplan-Meier 图显示 TRH、MPO、IGHV4-39 和 CLEC11A 与延长 AML 患者的生存期相关。相反，APOBEC3G、IL1R2、GZMB、ISG20 和 HSPA1B 与较差的 OS 相关（ 图 1A-I）。

Lasso回归：建立了免疫预后标记（immune-17标记，因为它包含17个IRG）。风险评分的计算公式为：β1 × 基因 1 表达 + β2 × 基因 2 表达 + … + βn × 基因表达，其中 β 是 LASSO 回归分析生成的相关系数。

靠

图 2A、B使用中位风险评分作为临界值将这些患者分为低风险组和高风险组。进行 Kaplan-Meier 分析以评估免疫 17 特征的预后意义。高风险组的患者的OS明显缩短。

图2C和2D通过计算曲线下面积 (AUC) 值来评估模型特异性和敏感性。当 AUC > 0.60 时确定特异性预测能力，而如果 AUC > 0.75 则确定优良的预测值。该模型的 AUC 值在 TCGA-LAML 队列中分别达到 0.823 和在验证队列中达到 0.613。

使用单变量和多变量 Cox 分析来证明该特征是一个独立的预后模型。

分层分析评估：

为了确定immune-17信号是否为稳定的预测模型，我们分别对按年龄（图S2A）和ELN风险系统（图S2B）分层的TCGA-LAML队列患者进行了Kaplan-Meier分析。结果表明，在所有分层组中，免疫17标记都可以区分低危患者和高危患者。

我们进行的单变量和多变量 Cox 分析显示该特征是一个独立的预后模型（单变量 Cox：风险比 [HR]，1.768；95% 置信区间 [95% CI]，1.559–2.019；p <0.001；多变量 Cox：HR，1.631；95% CI，1.417–1.878；p <0.001），（ 表3）。

高免疫族群被分到高一级别的分组中，低免疫族群降低一个危险度分层

患者被分为三个新组：ELN 有利/免疫 17^高和 ELN 不利/免疫 17^低患者被重新分配到中危组，ELN 中/免疫 17^高患者被重新分配到高危人群。通过Kaplan–Meier分析，评估了新的风险分层系统的预后意义。

患者重新分层后（图 3A），我们发现结合使用ELN +免疫17风险分层系统可以更准确地确定AML患者的预后（图 3B、C）。

意义：本研究基于TCGA-LAML和GTEx-全血队列构建了AML的免疫预后特征，提高了ELN2017风险分层系统的准确性。

▌软件包：R包

DEG :limma包

“pheatmap”包进行热图和聚类

“clusterProfiler”包进行富集分析

“survival”包进行单变量和多变量Cox回归分析

“glmnet”和“survival”包用于进行LASSO回归分析。

“survminer”和“survival”包用于执行 Kaplan-Meier 分析。

“survivalROC”包用于确定 AUC 值并构建受试者工作特征 (ROC) 曲线。