今天馆长现有给大家安利一本10分的纯生信友好期刊——Clinical Cancer Research。这本期刊关注的研究领域包括：新疗法的临床试验，药理学研究，以及预测治疗应答或耐药的分子改变或生物标志物。中科院分区属于1区TOP期刊，国人发文量排名第五，审稿周期一般3-5个月左右，是一本为癌症研究领域的高质量期刊。
今天，馆长带来的是近期发表在这边期刊上的机器学习方向的一篇文章。
构思新颖：首次通过整合分析了三种不同的分子分类系统——TCGA、ACRG和TME——来识别在胃癌中最具前景的分类方案。
方法创新：利用监督机器学习分类器对来自11个不同公共数据集的2202例胃癌患者进行分类，分析方法在胃癌研究中较为新颖。
外部验证：文章还提供了TME评分在预测胃癌患者对免疫治疗反应方面的外部验证。
该研究一改我们常见的预后模型的套路，通过新颖的构思和创新的分析方法，为我们呈现了一篇精彩的纯生信文章。动手能力强的宝子可以尝试换个疾病复现一篇，担心数据量大电脑卡顿的可以试用一下馆长的生信服务器。“手残党”放心交给馆长就行，从方案定制到生信分析，一站式帮你全部搞定！
题目：在胃腺癌的综合分子分析中，肿瘤免疫微环境驱动生存结果和治疗反应
发表时间：2024.12
研究背景
胃癌是一种侵袭性和致命性疾病。各种复杂的多组学分子分类系统已经被开发出来用于胃癌，例如由癌症基因组图谱计划（TCGA）、亚洲癌症研究小组（ACRG）和肿瘤微环境（TME）评分提出的分类系统。本研究对TCGA、ACRG和TME评分提出的分子分类系统进行了综合分析，以确定哪些分类方案最有希望在随后的转化研究中采用。
研究思路
通过对TCGA、ACRG和TME亚型进行10倍嵌套交叉验证，建立了监督式机器学习分类器，并将其应用于来自11个独立公开数据集的2202名胃癌患者。
采用多变量Cox比例风险模型评估总生存率。
采用倾向评分匹配分析评估辅助化疗对分子亚型的亚组效应。
利用接受免疫治疗的转移性胃癌的公开外部样本进行验证。
研究结果
监督TCGA、ACRG和TME分子分类模型的性能与选择
最佳TCGA分类器在ElasticNet模型中使用LASSO选择的57个基因特征获得了89.5%±0.04标准差的准确率（图1B）。使用从支持向量机（SVM）中选择39个基因特征的梯度增强机（GBM）模型，ACRG亚型的分类准确率达到84.7%±0.04（图1C）。使用随机森林模型中的前50个GBM特征获得了89.3%±0.02的二元TME分类准确率（图1D）。
作者计算了每个模型的无偏平方核校准误差（SKCE），这表明，与传统的基于直方图的指标相比，多类模型的校准方法减少了校准，尽管没有显著性（图1E）。
胃癌具有明显的分子亚型异质性
接下来，使用选择的模型来了解本研究中所有2202例患者的分子亚型。
子类型概率的不同分布如图2A所示。使用欧几里得距离概率分数完全聚类的热图揭示了不同分类系统之间的关系（图2B）。
3种分类方法中几乎所有的分子亚型组合都存在（图2B）。突出的肿瘤表型包括CIN、MSS TP53-和TME低（n=572）或CIN、MSS TP53+和TME低（n=363）（图2C）。包括EMT或GS在内的组合在TME高肿瘤中是有限的。分配的亚型类别的异质性在图2D显示。突出的趋势包括CIN肿瘤相对于所有其他分子亚型的患病率，以及TME低亚型在GS和EMT肿瘤中的优势。还观察到间质型肿瘤（如GS和EMT）之间异质性模式的差异。大多数GS肿瘤分布在所有ACRG亚型中，而EMT亚型主要仅与TCGA、CIN和GS亚型相关。
作者为每个预期目标和模型亚型得分创建了逻辑回归模型（图2E）。所有亚型得分对其预期的目标表型提供了统计学上显著的价值。
生存分析-肿瘤微环境评分是一个独立的预后因素
利用2197例患者的总体生存数据，对每个分子亚型进行单变量分析。EBV和TCGA MSI肿瘤的总生存率明显高于CIN和GS（图3A）。与最初的ACRG队列相比，发现MSS TP53+和MSS TP53-肿瘤在预后方面更为密切相关。事实上，采用Benjamini-Hochberg校正的两两比较未能提供统计学上显著的预后差异（图3B）。在图3C中，发现TME高的肿瘤相对于TME低的肿瘤具有更大的预后效果。
接下来，比较了使用连续分子亚型评分与分类解释的预测值（图3D）。
构建多变量Cox模型评估分子亚型相对于主要临床病理因素的预后效能（图3E）。该分析包含了2202例患者中已知治疗水平数据的1043例。接受化疗的患者被纳入，接受任何放疗的患者被排除在外。
在描述了与较高TME相关的生存优势后，对每个分子亚型的TME异质性进行亚组分析。TME肿瘤状态分层后TCGA MSI肿瘤的KMr曲线显示预后有显著差异（图3F）。图3G给出了与TME高肿瘤相关的每种分子亚型的分层Cox模型系数，解释为分类或连续变量。当考虑每个分子亚型中TME高肿瘤的比例相对于单变量总体生存估计时， TME高肿瘤程度较高的肿瘤通常具有更高的总体生存。
倾向评分匹配分析-肿瘤微环境高肿瘤与辅助化疗的生存率提高相关
在队列中，总体边际效应倾向于辅助/姑息性化疗治疗II-IV期胃腺癌，这与之前的研究一（图4A）。本文的模型在统计上满足比例风险假设。TCGA和ACRG分类亚型具有与群体边际效应几乎相同的治疗效果（图4A）。
作者检查了MSI状态与化疗之间的关系。使用图4A中相同的倾向评分匹配队列，观察到相对于化疗治疗，增加MSI评分与生存之间没有显著的相互作用效应（图4B）。在图4C中，给出了患者的Kaplan-Meier曲线。
在图4D中，说明了Cox模型对TME-H评分的影响。观察到，TME高分最低的患者无论是否接受化疗，其效果几乎相似。
肿瘤微环境评分高可预测转移性胃癌的免疫治疗反应
从Kim等人开发的公共数据集中鉴定了43例RNA-seq数据经pembrolizumab PD-1抑制治疗的患者。使用本文的机器学习模型注释了TCGA， ACRG和TME的分子亚型。在图4E中，采用Benjamini-Hochberg多重比较修正的Wilcox检验发现，TME High、TCGA CIN和ACRG MSI评分在应答和非应答组之间存在显著差异。
分子亚型评分对免疫治疗反应的预测效用通过AUC进行评估。接下来，比较了先前已知与良好的免疫治疗反应相关的亚型的表现，作为独立的预测因子，与TME高分纳入分析时的表现。在图4 F、G和H中，发现TME高分与TCGA MSI和TCGA EBV的整合显著增加了AUC。当联合使用时，TME High和TCGA MSI评分作为单变量预测因子显著优于TCGA MSI。
肿瘤微环境高肿瘤表现出独特的免疫特征
鉴于TME高肿瘤在预后和治疗分析中的特殊作用，作者对TCGA患者进行了靶向免疫分析（图5A）。
TME高肿瘤与其他分子亚型具有多种有利的免疫基础特征，如基质丰度低、干扰素γ升高、CD8+ T细胞升高和肿瘤浸润淋巴细胞。
此外进行了Dunn’s检测，以检查分子亚型和免疫特征之间的两两比较。图5B-F显示了突出的免疫基础发现。相对于EBV、TCGA MSI和ACRG MSI等其他免疫原性肿瘤，低TGF-β应答是TME High肿瘤的决定性特征（图5B）。相反，升高的TGF-β特征在GS和EMT型肿瘤中富集。相对于GS、EMT、TME Low和CIN肿瘤，TME High和MSI型肿瘤的伤口愈合特征和Th2细胞显著（图5C和5F）。在TME High、TCGA MSI、ACRG MSI和EBV型肿瘤中观察到促炎M1巨噬细胞的富集（图5D）。在这些免疫原性肿瘤中，升高的M1巨噬细胞特征是EBV型肿瘤的标志。与所有其他肿瘤类型相比，图3A-C中具有有利生存结果的分子亚型在记忆激活的CD4+ T细胞中富集（图5E）。
小结
这篇文章通过整合11个数据集分析了三种不同的分子分类系统来识别在胃癌中最具前景的分类方案，构思新颖巧妙，难度就是处理的数据量比较大（生信服务器会让你事半功倍，有需要的直接call馆长，双12有优惠哦！），如果不擅长生信，分析数据搞不定，可以滴滴馆长！专业团队为你保驾护航~
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！
