各位宝子们大家好呀！充满创新思路与科研方向的馆长又来啦，馆长今天来给大家分享一篇发表在《Journal of Translation Medicine》上的纯生信文章！小伙伴们可能都或多或少了解过这个期刊，这个期刊接收纯生信文章，且以积极开放的态度。而且这个期刊的纯生信文章思路极其新颖，对想发纯生信的小伙伴来说，绝对是优秀的学习平台！此外，审稿速度相对较快，平均2.33月，被同学们称为“毕业神刊”！所以馆长今天分享一篇线粒体相关基因的纯生信文章，大家一起来看一看这篇文章的新颖之处！
1.本研究选择了热度很高的线粒体相关基因，是国自然项目的一大热门方向呦！有热度有新颖性，选它就对了！
2.本研究通过多组学数据+机器学习+免疫微环境+全基因组关联研究等，深入分析了肺腺癌预后和个性化治疗的线粒体基因特征。研究思路简直无敌了，新颖性直接拉满！选题热+思路强，具备这两点，纯生信依然可以轻松发文！（ps：听完馆长的介绍，小伙伴们是不是瞬间信心倍增？线粒体相关基因+多组学数据+机器学习就是杠杠滴厉害! 如果你有思路，不知怎么复现，赶紧联系馆长吧!
题目：全面的多组学整合
揭示了肺腺癌预后和个性化治疗的线粒体基因特征
杂志：Journal of Translational Medicine
影响因子：IF=6.1
发表时间：2024年10月
研究背景
肺腺癌（LUAD）是原发性肺癌中最常见的组织学亚型，其治疗效果仍然不足，在准确的预后评估方面仍有重大挑战。本研究旨在通过综合多组学方法阐明线粒体相关基因在LUAD中的预后意义，本研究不仅为改善LUAD的预后评估提供了一种新的方法，而且为个性化治疗干预的发展奠定了坚实的基础。
研究思路
本研究利用转录组学和单细胞RNA测序数据，以及临床数据，对LUAD单细胞数据进行降维和聚类。随后通过TCGA-LUAD数据鉴定线粒体相关预后基因，并通过共识聚类将LUAD病例分层为不同的分子亚型。利用机器学习算法，开发了基于线粒体相关基因的人工智能衍生预后模型（AIDPS），并在多个独立数据集中验证了其预后准确性。最后，本研究对免疫微环境和全基因组关联研究数据进行了深入分析，为线粒体相关基因在LUAD发病中的机制研究提供了额外的见解。
主要结果
1.LUAD单细胞表达图谱
本研究对单细胞数据进行降维和聚类分析，确定了31个不同的细胞簇（图1A）。t-SNE图显示了来自正常和肿瘤组织的细胞之间的差异分布（图1B）。随后，本研究分析了这些集群中31个标记基因的表达模式（图1C）。根据这些标记基因的表达谱，本研究将这些细胞簇标注为八种不同的细胞类型：成纤维细胞、内皮细胞、上皮细胞、T细胞、B细胞、骨髓细胞、肥大细胞和NK细胞（图1D）。气泡图通过显示标记基因在这八种细胞类型中的表达谱，有效地验证了这种分类的准确性（图1E）。正常和肿瘤样本的细胞类型组成存在显著差异，肿瘤组织中T细胞和B细胞的比例较高（图1F-G）。（ps：单细胞测序这么大的工作量一定得用服务器，要不然跑得太慢了，想试用服务器联系馆长吧！）
图1 LUAD单细胞分类结果
2. 构建和验证PRGs
本研究分离上皮细胞进行独立降维和聚类分析。tSNE图显示了24个上皮细胞簇及其样本来源（图2A-B）。本研究发现簇7、8和12主要由正常上皮细胞组成，而其余簇则富含肿瘤细胞（图2C）。本研究计算每个集群的差异表达基因（DEGs），并将其用作标记（图2D）。在热图中，聚类16、21、20、10、18和22聚在一起，统一为S2；聚类1、13和23被归为S3；其余的集群被指定为S1，从而产生三个子组（图2E）。亚组轨迹图显示S1包含大部分上皮细胞，S2主要由肿瘤细胞组成，S3具有相对较高比例的正常细胞（图2F）。肿瘤和正常样本之间的比较显示，肿瘤衍生的轨迹包含更多的上皮细胞，分布在所有六种状态（图2G）。此外，本研究选择了100个在拟时间内表现出表达变化的基因（图2H）。转录因子分析发现S1中RXRB、TCF7L1、RARB、ZNF197和SP4富集；S2中FOXJ2、CTCF、KLF3、NFKB2、TCF7L2富集；S3中的NFIC、SNAI1、HNF4G、HFYA、ZEB2富集（图2I）。
图2上皮细胞亚分类及细胞轨迹分析
3. 基于机器学习集成方法构建的预后风险模型
本研究对2030个线粒体相关基因进行了单因素Cox回归分析，鉴定出220个具有显著预后价值的基因。在TCGA-LUAD数据集中，使用LOOCV框架拟合了101个预测模型，计算了每个模型在11个验证数据集中的c指数，最优模型Enet[a = 0.2]具有最高的平均c指数（0.655）（图3A）。利用最优模型，根据预后基因的表达水平计算每位患者的风险评分，将样本分为高风险组和低风险组。在TCGA-LUAD数据集和其余11个验证数据集中，高危组患者的总生存率明显低于低危组（图3B-M）。本研究在合并所有样本的荟萃队列中观察到类似的趋势（图3N）。
图3 基于机器学习的集成方法生成的风险模型构建结果
4. 高危组和低危组化疗和免疫治疗预测反应分析
本研究观察到化疗药物Bortezomib_1191， Docetaxel_1007, Sepantronium broide_1941， Vinblastine_1004的半最大抑制浓度（IC50）值在高危组和低危组之间存在显著差异（图4A-D）。此外，本研究使用TIDE算法进行分析显示，高危组的TIDE评分明显高于低危组（图4E）。生存分析显示，高危无应答组的预后明显差于高危应答组、低危无应答组和低危应答组（图4F）。条形图显示高危组和低危组中反应者和无反应者的比例，其中71.5%为无反应者，28.5%为反应者（图4G）。生存分析显示，高危组预后明显差于低危组（图4H）。IMvigor210数据集中反应者和无反应者比例的条形图显示，高风险组和低风险组之间的免疫反应组成差异极小（图4I）。最后，对风险评分与免疫检查点基因表达的相关热图分析显示，风险评分与CD276和PVR的表达呈正相关（图4J）。
图4 高危人群免疫治疗/化疗反应预测分析结果
5. LC的GWAS数据分析和MR分析
肺癌GWAS数据的曼哈顿图显示，22条染色体上有多个显著的SNP位点，其中最突出的位点位于2号染色体上（图5A）。然后，本研究通过SMR软件使用eQTLGen和LC-GWAS数据进行基因共定位分析，确定了两个预后相关基因CDKN3和MYO1E（图5B-C）。本研究对Cox基因相关SNP位点的孟德尔随机化分析未发现间质性肺病（ebi-a-GCST90018643）和肺癌（ukb-a-54）之间存在显著关联。然而，rs1794002和rs244320等SNP位点与这两种情况都有显著的相关性（图5D-F）。
图5 遗传关联和MR分析结果
文章小结
看完这篇文章，有没有觉得文章思路如此新颖？
本研究以线粒体相关基因为主要研究方向，妥妥滴紧跟国自然热点！其次，本研究通过多组学分析，揭示了肺腺癌预后和个性化治疗的线粒体基因特征，大量数据集的使用，是文章质量的关键！最后，文章通过机器学习+免疫微环境+全基因组关联研究等进行了深入分析，为线粒体相关基因在LUAD发病中的机制作用提供了额外的见解，给文章整体质量又进行了升华，文章直接纯生信拿下6分+！想发文章的小伙伴们，赶快抓住线粒体相关基因+多组学+机器学习的套路，赶紧大显身手! 关注馆长，无论是生信分析还是基础实验，各种创新性思路设计，馆长都可以帮你解忧哦~
馆长会持续为大家带来最新生信思路，也可以提供特色数据库构建、免费思路评估、付费生信分析等服务，对数据库构建和生信分析感兴趣的朋友可以咨询馆长哦！
