大家好久不见！江江包作为半个科技圈的同学，注意到近期最值得关注的新闻就是英伟达的股价又创新高，市值超过3万亿美元，超越苹果成为美股市值第二大企业。这一切都要归功于人工智能的热潮，英伟达所生产的GPU是人工智能发展所需要的核心。随着人工智能技术的发展，生物医学领域对其也更加重视，越来越多的研究已经应用了机器学习和深度学习的技术，得到了非常好的结果！还在观望如何应用机器学习算法到自己的研究中吗？对生物医学与机器学习的交叉还不知道如何下手吗？跟着江江包的步伐，投身到技术革新的浪潮里来吧！
今天江江包带大家一起来解析一篇中南大学湘雅三医院的研究论文，研究对机器学习算法的应用的非常到位，新颖的机器学习加上研究热点，何愁发不出好文呢！文章有如下亮点：
1. 使用NMF机器学习区分亚型：通过非负矩阵分解（NMF）算法，基于31个双硫死亡相关基因的表达谱，将HCC患者分为两种亚型，不同亚型在生存率、免疫浸润水平和代谢通路活性上存在显著差异。
2. 构建双硫死亡评分系统：采用Cox回归分析和多种机器学习算法，筛选出五个预后差异基因，构建了双硫死亡评分系统，并通过多种内外部验证队列证实了该评分系统在预测HCC患者预后方面的高准确性和稳定性。
3. 研究双硫死亡的分化因素：分析了双硫死亡评分与MSI、肿瘤干性指数（mRNAsi）、肿瘤免疫微环境（TIME）及基因突变频率（GMF）之间的关系，确认了双硫死亡在HCC中的存在，揭示其与免疫反应和治疗敏感性密切相关。
江江包觉得这篇文章的工作真的做的太优秀了！先使用机器学习对患者进行亚型区分并构建评分模型，再深入研究评分系统如何联系到具体机制。不仅使用了非常独特的机器学习算法来联系研究热点，还从多种分化因素的角度全面阐述了生物学现象的实际机制！想要开展新颖的机器学习交叉生物医学的研究，需要创新的角度，更需要精密方案设计！如果你也想开展类似研究，扫码联系江江包进一步探讨吧！
题目：通过机器学习识别肝细胞癌中的双硫死亡亚型，并初步探索其与免疫治疗的联系
杂志：Cancer Cell International
影响因子：IF = 5.3
发表时间：2024年6月
研究背景
肝癌的特点是死亡率高，是全球最普遍的胃肠道恶性肿瘤之一。肝细胞癌（HCC）是肝癌的主要类型，其肿瘤微环境（TME）很复杂，从免疫检查点抑制剂（ICI） 治疗中受益的人群方面存在局限性。双硫死亡是指细胞内胱氨酸和其他二硫化物的积累，导致细胞快速死亡。在肝细胞癌中，对双硫死亡的研究仍有限，迫切需要开发一种新的肝细胞癌双硫死亡的预后特征，并通过分子生物学实验和临床队列分析来验证。
数据来源
数据集 | 数据类型 | 详细信息 |
TCGA | RNA-seq | 371个HCC样本 50个正常样本 |
GSE15654 | RNA-seq | 216个样本 |
GSE78220 | RNA-seq | 27个PD-1治疗队列 |
选择了 365 个具有完整表达谱和临床生存数据的肝癌样本，并以 6：4 的比例将它们随机分为训练集和内部验证集。此外，收集了来自中南大学湘雅三医院的2016年1月至2019年8月间确诊的18例HCC患者的病理切片。研究思路
1. 基于31个双硫死亡相关基因的表达谱，使用非负矩阵分解（NMF）算法将HCC患者分为两种双硫死亡亚型（C1和C2）。
2. 采用Cox回归和非负矩阵分解算法（NMF）筛选出关键基因，构建双硫死亡的评分系统。
3. 选利用细胞增殖实验、F-actin染色和PBMC共培养模型验证双硫死亡在HCC中的存在及其与免疫治疗反应的相关性。
4. 对比不同双硫死亡亚型的生存率、免疫抑制细胞浸润水平及代谢通路活性。
主要结果
1. 基于NMF的分子分型区分及不同亚型的比较
根据 31 种双硫化合物的表达水平对 HCC 患者进行 NMF 分型（图1A）。分析显示，除了PDLIM1外，其他30个双硫死亡相关基因在两类之间均表现出显著差异表达（图1B）。tSNE分析显示两类亚群之间有明确的区分（图1C）。K-M生存分析显示，不同双硫死亡亚型在OS和PFS方面存在显著差异，C2亚型患者预后较好（图1D, E）。热图展示了不同亚群在临床特征和双硫死亡相关基因表达上的差异（图1F）。ssGSEA的结果显示，一些免疫细胞的的浸润水平在C2亚群中较低（图1G）。ESTIMATE算法计算的TME得分显示，C2亚群的分数显著低于C1亚群（图1H）。这些结果表明，C2亚型患者具有较好的临床预后，可能与较低的免疫抑制细胞浸润、较低的ESTIMATE分数以及代谢相关通路的上调密切相关。
图1 双硫死亡的生存、临床特征和免疫浸润
2. WGCNA分析与预测评分系统构建
构建了双硫死亡预测评分系统（disulfS）。首先构建WGCNA网络，利用基因表达矩阵和免疫浸润水平数据构建层次聚类树（图2A, B）。通过模块-免疫细胞相关性热图，重点关注了蓝色模块（图2C）。采用Lasso回归和多因素Cox回归筛选了五个预后差异基因，并构建评分系统（图2D, E）。对患者进行分组， C2亚型的评分显著低于C1亚型（图2F）。桑基图展示了不同分组与HCC患者生存之间的对应关系（图2G）。这些结果表明，双硫死亡评分系统在评估HCC患者的双硫死亡状态和预后方面具有较高的预测能力。
图2 构建双硫死亡预测评分系统
3. 双硫死亡评分系统的预测性能验证
在多个队列中验证双硫死亡评分系统的可靠性。K-M分析显示，在全体队列、训练集、测试集以及外部验证数据集中，高低分组之间的OS差异显著，高分组患者预后较差（图3A-D）。同时，ROC曲线和校准曲线显示了模型在预测方面的准确性和一致性（图3A-D）。此外，模型对PFS的预测也表现出准确性（图3E）。这些结果表明，双硫死亡评分系统能够有效区分HCC患者的高低风险组，并且在不同队列中具有较高的预测准确性和稳定性。
图3 不同队列中模型的预测效果
4. 影响双硫死亡的HCC患者分化因素
为了研究基于双硫死亡的HCC患者分化因素，分析了其与MSI、肿瘤干性指数（mRNAsi）、免疫微环境（TIME）和基因突变频率（GMF）的关系。结果显示双硫死亡与四个错配修复基因呈显著正相关（图4A），高分组患者的错配修复基因表达较高，MSI较低（图4B, C）。双硫死亡与mRNAsi呈显著正相关（图4D）。免疫浸润分析表明双硫死亡评分与大多数免疫浸润细胞水平呈正相关（图4E, F）。此外，高分组的常见驱动基因TP53的突变频率更高（图4G）。这些结果表明，双硫死亡评分与多种关键分子和免疫特征密切相关，可以作为评估HCC患者预后和免疫状态的有效指标。
图4 影响双硫死亡的分化因素
5. 双硫死亡评分系统在预测免疫治疗和药物中的作用
为了评估双硫死亡评分系统是否可以指导临床HCC患者的免疫治疗和药物治疗，使用TCIA数据分析了两种ICIs（抗PD-1和抗CTLA-4）的免疫表型评分（IPS）。在免疫治疗组中，低分组的显著高于高分组，对免疫治疗反应更好（图5A-D）。TIDE分析显示，高分组的对免疫治疗的排斥性更高（图5E）。在抗PD-1治疗队列中，低分组患者的总生存期更长，验证了双硫死亡评分系统在免疫治疗中的预测效果（图5F-H）。此外，药物敏感性分析表明，高分组对索拉非尼治疗的IC50较低，意味着对索拉非尼更敏感。这些结果表明双硫死亡评分系统可用于指导HCC患者的免疫治疗和药物治疗策略选择。
图5 预测免疫疗法
6. 确认HCC中双硫死亡及其与免疫反应的关联
根据双硫死亡评分系统，确定了5个预后差异基因（SLC7A11、SLC2A1、ADAM9、ITGAV 和 PFKP），其中SLC7A11和SLC2A1被鉴定为肿瘤细胞中二硫键代谢紊乱的关键基因。通过实验验证双硫死亡在HCC中的存在及其与免疫反应的关联。比较了高低二硫下垂亚型之间31种二硫化物的差异表达水平，目标基因在高分组中显著上调（图6A, B）。qPCR实验结果证实，与人正常肝细胞（LX2）相比，HCC细胞中SLC7A11和SLC2A1的表达更高（图6C）。在葡萄糖饥饿条件下处理SLC7A11高表达的 MHCC97H 和 LM3 HCC 细胞系，细胞死亡无法逆转，表明HCC中可能存在双硫死亡（图6D-F）。在共培养系统中用经历双硫死亡的 HCC 细胞刺激 PBMC 细胞， 实验组上清液血清中TNF-α、IL-1β 和 IL-6 等免疫调节因子水平明显更高（图6H，I）。这些结果确认了HCC中双硫死亡的发生，并揭示其可能与免疫治疗敏感性相关。
图6 临床队列验证
文章小结
江江包带大家再梳理一遍这篇优秀文献的脉络吧，文章通过NMF机器学习算法区分HCC亚型，构建双硫死亡评分系统，并探讨其与预后及免疫反应的关系，提供了双硫死亡作为肝细胞癌预后和治疗新标志的潜力。文章使用了独特的机器学习算法来完成亚群分类和模型构建，对研究热点双硫死亡也做了全面的机制上的阐述和分析，实在是不可多得的优秀文献！如果你也想把新颖的机器学习用到自己的研究中，却又不熟悉该如何实操，就回到文章开头的二维码，速速扫码与江江包联系吧！
