签名预测浆液性卵巢癌的总生存率（二）

时间:2020-09-23  来源:生信自学网   作者:刘鑫   
微信公众号:biowolf_cn   点击:次

免疫相关基因对签名预测浆液性卵巢癌的总生存率（二）    免疫细胞浸润在大体积肿瘤中         为了研究不同危险人群中免疫细胞的富集情况，我们使用CIBERSORT,一种预测大块肿瘤GEPs免疫细胞浸润的机器学习方法。CIBERSORT利用支持向量回归估计了在大块肿瘤GEPs中各种免疫细胞类型的富集。对于每个样本，CIBERSORT量化了22种浸润性免疫细胞的相对丰度，其中包括T细胞、B细胞、巨噬细胞和自然杀伤细胞等。CIBERSORT使用蒙特卡罗抽样计算每个样本反褶积的p值，以提供估计的可信度。TCGA的GEPs被上传到在线分析平台CIBERSORT门户网站(http://cibersort)。stan ford.edu/)，使用1,000个排列的默认签名矩阵。 基因本体(GO)与基因集富集分析(GSEA)         使用gProfiler对预后免疫签名进行GO分析(https://biit.cs.ut.ee/gprofiler/)。基因集富集分析使用具有10000个排列的生物导体包fgsea进行。取高危险组和低危险组基因表达谱的log2倍变化。比较了高危险组和低危险组的基因集。本研究涉及的生物学过程从分子签名数据库(MSigDB C2和C5数据库，版本6)(http://www.broadinstitute.org/gsea/ MSigDB /collections.jsp)下载。采用fdr调整的P<0.05或名义(NOM) P<0.05选择有统计学意义的基因集。 统计分析         所有统计检验都使用R (version 3.4.3, www.r-project.org)进行。学生t检验被用来比较组间的差异。采用Kaplan-Meier法计算累计生存时间，采用生存包(version: 2.41.3)的log-rank检验分析生存曲线差异。使用survcomp包装(版本:1.28.4)计算危险比。使用Cox比例风险回归模型进行了单变量和多变量分析。在所有检验中，pvalue小于0.05为差异有统计学意义。显著性为*P<0.05， **P<0.01， ***P<0.001。 结果 预测IRGPs信号构建         采用TCGA队列(n=490)基因表达数据作为发现队列，保留变异较大的基因作为候选基因，采用中位绝对偏差(MAD) >0.5进行评价。筛选后的发现数据集将使用ImmPort数据库(2018年3月18日访问)中获得的1811个独特免疫相关基因(IRGs)构建预后模型，包括17个类别，在发现集和其他平台上测量了398个IRGs。在398个IRGs中，共建立了79,003对免疫相关基因。去除变异较小(MAD =0)的IRGPs后，留下91个IRGPs作为初始候选IRGPs。然后对训练集使用Lasso Cox比例风险回归定义IRGP指数(IRGPI)，并在最终的风险评分模型中选取20个IRGP。IRGPI包括40种独特的irg，其中27种是抗菌素和细胞因子相关分子(表1)。 然后，我们使用IRGPI计算训练组每个患者的风险评分。根据时间依赖性ROC曲线分析，将IRGPI划分为高免疫风险组和低免疫风险组的最佳分界值为0.074(图1)。 IRGPI将训练集患者按照总生存率(OS)显著分为低免疫风险组和高风险组。我们的数据表明高风险组比低风险组表现出明显的更差的OS (P=1.44 10 14;HR =3.05[2.26, 4.10])(图2A)。 为了进一步探讨IRGPI对其他临床因素的预后作用，我们将单变量和多变量Cox比例风险回归分析应用于TCGA队列。在单变量Cox分析中，年龄和肿瘤分期等临床特征显示有预后影响。然而，在多变量Cox分析中，只有IRGPI签名仍然是一个独立的预后因素(表2)。 (责任编辑：伏泽   微信：18520221056)

• 上一篇：签名预测浆液性卵巢癌的总生存率（一）
• 下一篇：签名预测浆液性卵巢癌的总生存率（三）