大家好，今天跟大家分享一篇题为Pan-cancer evaluation of regulated cell death to predict overall survival and immune checkpoint inhibitor response（泛癌评估调节细胞死亡预测总生存率和免疫检查点抑制剂反应）调控细胞死亡(RCD)在生物过程中至关重要，但泛癌层面的全面评估尚缺。免疫检查点抑制剂(ICI)虽有进展，但效果有限。

研究背景

调节性细胞死亡 （RCD） 在各种生物过程中起着关键作用，包括发育、组织稳态和免疫反应。然而，在泛癌水平上对 RCD 状态及其相关特征的全面评估仍未得到探索。此外，尽管免疫检查点抑制剂 （ICI） 取得了重大进展，但目前只有一小部分癌症患者从治疗中受益。鉴于将 RCD 和 ICI 疗效联系起来的新证据，我们假设 RCD 状态可以作为预测恶性肿瘤患者 ICI 反应和总生存期 （OS） 的有前途的生物标志物。

我们将 RCD 水平定义为 RCD 评分，使我们能够描绘来自 82 个 scRNA-Seq 数据集的 30 种癌症类型、29 种大量正常组织和 2,573,921 个细胞的 RCD 景观。通过利用大规模数据集，我们旨在建立 RCD 与免疫力的正相关并确定 RCD 特征。利用 7 种机器学习算法和 18 个 ICI 队列，我们开发了 RCD 签名 （RCD.Sig） 预测 ICI 响应。

此外，我们采用了 10 种机器学习算法的 101 种组合来构建一种新的 RCD 生存相关特征 （RCD.Sur.Sig） 用于预测 OS。此外，我们获得了 CRISPR 数据以确定潜在的治疗靶点。我们的研究提出了一个评估 RCD 状态的综合框架，并揭示了 RCD 状态与 ICI 有效性之间的密切联系。此外，我们建立了两个临床适用的特征，并为肿瘤患者确定了有前途的潜在治疗靶点。

见图一

本研究的图形摘要。

图一

综合评估调节细胞死亡和泛癌种特征的综合开发，以预测总生存期和免疫检查点抑制剂反应。

见图二

总体方法。

图二

利用多组学数据对癌症的 RCD 景观进行全面分析的工作流程。

见图三癌症和正常组织中受调节细胞死亡水平的综合定量。

图三

a 本研究中的 18 个调节的细胞死亡特征。在 9 种 RCD 类型中筛选出 TP53 、 BCL2 和 BAX 3 个基因。

b 圆圈热图显示各种癌症类型的 RCD 评分的平均值。平均 RCD 评分、癌症类型和组织类型从外侧到内侧显示。RCD 评分通过零均值标准化 （Z 评分） 进行缩放。

c 热图显示了 TCGA 中单个样本的 RCD 分数和 ssGSEA 分数。RCD 分数定义为 18 个 RCD 的 ssGSEA 分数之和。右面板是条形图，显示了 TCGA 中所有样本的 ssGSEA 分数之和。

d 右图显示了 TCGA 中每种 RCD 的 ssGSEA 评分在癌症中的比例。中间面板显示了 RCD 类型，它在癌症中的比例最高。左图显示了所有癌症中 RCD 类型比例最高的 RCD 类型。例如，在总共 30 种癌症中，双硫线垂在 18 种癌症类型中的 18 种 RCD 类型中比例最高。

e 热图显示了 30 种癌症的 18 种 RCD 类型中任意两种之间的 Spearman 相关性。CD 1 包含 18 种类型的 RCD，除焦亡外，CD 2 包含 18 种类型的 RCD，除碱化外。

f 气泡图显示了 RCD 分数与单一 RCD 类型的 ssGSEA 分数的 Spearman 相关性。< 0.05 的 p 值被认为是显著的，而相反的则被认为是不显著的。

g GTEx 数据库中正常组织的平均 RCD 评分。蓝色越深，样本量越大。

h 在大多数癌症中，与邻近的正常实体组织（蓝色）相比，原发肿瘤（红色）的 RCD 评分更高，使用 Wilcoxon 秩和检验。表示 P < 0.0001。表示 p < 0.001，** 表示 p < 0.01。* 代表 p < 0.05。

i 与正常大脑皮层相比，GTEx 和 TCGA 数据库中 LGG 、 GBM 和神经胶质瘤 （LGG-GBM） 的 RCD 评分显着更高。RCD 分数随着年级的增加而增加。

见图四

RCD 水平与肿瘤免疫的癌症类型特异性关联。

图四

a 显示 RCD 评分与肿瘤免疫力的 Spearman 相关性的热图，包括由 MCP 计数器 Z 评分定义的 TME、由 CIBERSORT 算法定义的浸润免疫细胞、与免疫 TME 功能方向相关的基因特征的表达、与免疫检查点相关的基因表达。根据中位 RCD 评分，将 TCGA 泛癌队列分为两个亚组，分别称为高 RCD 亚组和低 RCD 亚组。如前所述，高 RCD 亚组和低 RCD 亚组之间的肿瘤免疫差异是通过 Wilcoxon 秩和检验估计的。“****”表示 p 值< 0.001，“N”表示 p > 0.05，这被认为是无稽之谈。

b RCD 评分与 ESTIMATE 算法针对单个 TCGA 癌症类型调查的 ESTIMATE 评分、免疫评分和基质评分之间的 Spearman 相关性（颜色）。

c RCD 评分与通过 MCP 计数器算法估计的单个 TCGA 癌症类型浸润免疫细胞之间的 Spearman 相关性（颜色）。

d RCD 评分与 CIBERSORT 估计的 22 种免疫细胞类型的绝对丰度之间的 Spearman 相关性（颜色）。

e HR 表示高 RCD 亚组和低 RCD 亚组中 22 种已知免疫细胞类型与 OS 之间的关联。红色表示风险较高，蓝色表示风险较低，灰色表示无意义。

f 亚组之间 OS 的 Kaplan-Meier 曲线按高 RCD 亚组中几个代表性免疫细胞的浸润分层。

g 亚组之间 OS 的 Kaplan-Meier 曲线按低 RCD 亚组中几个代表性免疫细胞的浸润分层。

h 通过 Wilcoxon 秩和检验研究通过 CIBERSORT 算法估计的适应性免疫细胞和先天免疫细胞之间 RCD 评分的差异。

i 显示多个纯化免疫细胞的 RCD 评分的箱形图。

j 该图显示了从纯化免疫细胞系中提取的适应性免疫细胞和先天免疫细胞之间 RCD 评分的差异。执行 Wilcoxon 秩和检验以估计差异。

见图五确定 RCD 评分与免疫治疗反应之间的正相关。

图五

a 圆圈热图显示 RCD 评分与个体癌症类型中免疫检查点基因表达之间的关联，具有 Spearman 相关性。从内到外，圆圈热图的纵轴表示不同的癌症类型，由图 B 的 x 轴注释。

b 热图描述了 RCD 评分与 ssGSEA 评分之间的 Spearman 相关性跨多种癌症的 29 个微环境特征。

c 热图表明 RCD 评分与多种癌症类型中 7 步抗肿瘤免疫周期信号活性之间的相关性。

d 上图显示了 92 个免疫纹理特征中与 RCD 评分显著相关的特征比例。下图显示了 1793 个免疫相关基因中与 RCD 评分显著相关的基因比例。癌症类型是通过增加 92 个免疫微环境特征中 RCD 评分相关特征的比例来排序的。

e RCD 评分与 CD274 基因表达（x 轴）和 PD-L1 蛋白表达（y 轴）的 Spearman 相关性在 pan-caner 水平上的显著性。橙色表示两个 p 值均为 <0.05。黄色表示 CD274 相关 p 值为 <0.05，而 PD-L1 相关 p 值不是 <0.05。蓝色表示两种 p 值都不是 <0.05。

f RCD 评分与 CYT 评分 （x 轴） 和 PD-L1 蛋白表达 （y 轴） 的 Spearman 相关性在泛 caner 水平的显著性。

g 热图描述了免疫治疗反应特征的 RCD 评分和 ssGSEA 评分之间的 Spearman 相关性。

h 中位 RCD 评分与每种癌症类型的客观缓解率的 Spearman 相关性。i GSE115798 中已鉴定细胞类型的 UMAP 图 （SKCM）。不同的颜色代表不同的细胞类型。

j 由 RCD 分数着色的已识别单元格的 UMAP 图。按照方法中的描述计算 RCD 分数。

k 由免疫疗法反应着色的已鉴定细胞的 UMAP 图。

l SKCM 队列中 NR 和 NT 之间 RCD 评分的差异。盒底的中心是中位数，盒的边界是 25% 和 75% 的分位数。Wilcoxon 秩和检验用于估计差异。NR 无反应者，NT 初治治疗。

m 高 RCD 亚组和低 RCD 亚组之间 NT 和 NR 比例的差异。采用卡方统计检验，根据 RCD 评分的中位数将细胞分为高 RCD 亚组和低 RCD 亚组。

见图六

RCD 签名的识别和描述。

图六

a 显示 RCD 发展的 Circos 图。批量签名级别。

b 显示 RCD 发展的 Circos 图。单单元级别的 Sig。

c 285 个基因被鉴定为 RCD。通过在块水平上交叉 1955 个候选基因，在单细胞水平上交叉 4186 个候选基因来 Sig。

d 描绘 RCD 富集反应组通路的条形图 e描绘 RCD 富集的 KEGG 通路的条形图 f 描绘 RCD 富集的 BP 通路的条形图。

g 中位 RCD 的 Spearman 相关性。每种癌症类型的 Sig 评分和中位 TMB。计算 ssGSEA 分数以估计 RCD 的活动水平。TCGA 中的每个样品的签名。

h 中位 RCD 的 Spearman 相关性。每种癌症类型的 Sig 评分和中位 ITH。

i 显示 RCD 的 Spearman 相关性的热图。通过 MCP 计数器算法估计的跨癌症类型的 Sig 评分和免疫细胞浸润。

j 描述 RCD 的 Spearman 相关性的热图。Sig 评分和跨癌症类型的免疫治疗反应特征的活性。

02

研究结论

总的来说，我们获得了一个 71 基因的 RCD。Sur.Sig 的 Sur.Sig，并开发了一个强大而健壮的模型来预测 OS。该模型在不同场景和数据集中始终表现良好。此外，我们鉴定了一些核心预后基因。

好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。