这本1区Top期刊影响因子虽下降，但不影响101种组合机器学习的亮眼生信思路分享~

小云要说的期刊就是EPMA Journal，属于1区Top期刊，非预警。

这是一本关于预测、预防和个性化医学(PPPM)的杂志。该杂志提供关于医学创新和先进医疗保健的专家观点和研究，使用预测性诊断，有针对性的预防措施和个性化的患者治疗。

从近5年的影响因子趋势图可以看出，去年这本期刊的影响因子达到了8.836，而最新的影响因子降到了6.5。

虽然最新的影响因子有所下降趋势，但它对于生信文章友好，可作为备选期刊~

而且小云从期刊近期发表的文章中挑选了一篇亮眼的生信文章来分享一下~

文章新颖的基于101种机器学习算法组合建立免疫原性死亡相关特征，这可是非常创新的一点，值得借鉴学习！

（不知道如何找新思路或创新升级的可以找小云，各种个性化分析思路等你来挑~）

接下来就和小云一起来学习一下吧~

题目：基于101组合机器学习计算框架的多组学鉴定透明细胞肾细胞癌在3P医学背景下的免疫原性细胞死亡相关特征

杂志：The EPMA journal

影响因子：6.5

发表时间：2023年5月

公众号后台回复123，即可获取原文

透明细胞肾细胞癌(ccRCC)是一种常见的泌尿系统恶性肿瘤，死亡率高。缺乏可靠的预后生物标志物破坏了其预测、预防和个性化医疗(PPPM/3PM)方法的有效性。免疫原性细胞死亡(ICD)是一种特殊类型的程序性细胞死亡，与抗癌免疫密切相关。

基于AddModuleScore、单样本基因集富集分析(ssGSEA)和加权基因共表达网络(WGCNA)分析，在单细胞和bulk转录组水平上筛选ICD相关基因。作者开发了一种新的机器学习框架，该框架包含10种机器学习算法及其101种组合，以构建共识免疫原性细胞死亡相关特征(ICDRS)。在训练集、内部验证集和外部验证集对ICDRS进行评估。进行多组学分析，包括基因组、单细胞转录组和整体转录组，以获得对预后特征更全面的了解。分析风险亚组对免疫治疗的反应，并筛选了针对特定风险亚组的个性化药物。最后，通过qRT-PCR验证ICD相关基因的表达。

分析来自7例早期ccRCC患者的34,155个细胞的单细胞RNA测序数据。将所有细胞聚集成40个聚类，利用不同细胞类型的标记基因，将细胞标注为十大类(图2a)。热图显示了每个细胞群的前四个标记基因(图2b)。为了量化不同细胞类型中免疫原性细胞死亡(ICD)的活性，使用Seurat软件包中的“AddModuleScore”功能来计算34个与ICD相关的基因集在所有细胞中的表达水平(图2c)。在10种细胞类型中，巨噬细胞、T细胞和单核细胞的ICD活性明显较高(图2d)。根据ICD活性，将细胞分为高ICD组和低ICD组，并鉴定出两组之间836个差异表达基因(DEGs)进行进一步分析(。

（ps：单细胞分析可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html ）。

图2单细胞转录组免疫原性细胞死亡(ICD)特征

利用ssGSEA算法获得每个TCGA-KIRC样本的ICD活动评分，作为后续WGCNA分析的表型数据。对TCGA-KIRC数据集进行WGCNA，在单细胞水平上鉴定出的836个ICD相关DEGs用于构建共表达网络。共获得4个模块，其中MEblue模块与bulk RNA-seq中的ICD评分密切相关(图3a)。将蓝色模块中的164个基因与bulk RNA-seq中的DEGs相交，最终鉴定出总共131个基因(图3b)。这些基因被命名为免疫原性细胞死亡相关基因(ICDRgenes)。

为了构建免疫原性细胞死亡相关特征(ICDRS)，作者利用101种机器学习算法的组合来分析从单变量Cox回归分析中获得的37个预后基因。并计算了所有训练集和验证集的C指数，经过综合筛选，确定Lasso + StepCox [backward]是一种准确率高且具有翻译相关性的预测模型。最终确定了6个基因(图3e)。随后，基于6个基因的表达计算出每位患者的风险评分，根据中位风险评分将所有患者划分为高风险组或低风险组。高风险组患者的总生存率(OS)显著低于低风险组患者(图3g)。

图3 筛选ICD相关基因并构建预测模型

在单细胞转录组水平上研究ICDRS在肿瘤微环境(TME)中的作用，作者分析了6个关键基因在不同细胞类型中的表达模式(图4a)。结果表明，这些基因主要在免疫细胞中表达，如巨噬细胞、单核细胞和树突状细胞。使用ICDRS模型公式，计算单细胞转录组中每个细胞的ICDRS风险评分，并以肿瘤细胞为参照组进行Wilcoxon检验。将肿瘤细胞分为高风险和低风险评分组，并研究它们与TME中其他类型细胞的相互作用。发现具有不同ICDRS评分的肿瘤细胞具有不同的通信模式(图4d, e)。低风险评分的肿瘤细胞与更多类型的TME细胞进行交流。因此，它们可能调节肿瘤细胞的粘附、分化和迁移，影响癌细胞的存活(图4f-h)。

图4 ICDRS与单细胞特征的相关性

应用ESTIMATE算法计算ICDRS风险亚组的免疫评分、基质评分、ESTIMATE评分和肿瘤纯度评分。高风险组免疫评分和ESTIMATE评分明显高于对照组，肿瘤纯度评分明显低于对照组(图5a)。使用ssGSEA算法获得了免疫相关通路评分。高风险组在炎症促进、细胞溶解活性和T细胞共抑制途径上表现出明显更强的活性(图5b)。为了进一步分析高、低风险组特异性免疫细胞浸润的差异，使用CIBERSORT算法量化了每个样本中浸润的免疫细胞丰度(图5c)。

通过Spearman相关分析筛选与ICDRS显著相关的免疫细胞类型，鉴定出11种细胞类型(图5f)。最终利用重叠的维恩图(图5g)确定了7种交叉的TME细胞类型。

图5 ccRCC中与ICDRS相关的免疫分析

在ICDRS风险亚组之间观察到抗癌免疫周期的步骤2、3、4和6的显著差异（图6a）。进一步细化“第4步-免疫细胞向肿瘤转运”，分析ICDRS风险亚组对不同免疫细胞的募集情况。结果显示，高风险组具有更强的招募免疫细胞的能力，如T细胞、CD8 T细胞、树突状细胞和B细胞(图6b)。

分析了从TCIA数据库获得的IPS分数，，更高的IPS评分预测对ICI治疗的更好反应，结果显示，高风险组CTLA4 + /PD1 +和CTLA4 + /PD1−治疗的IPS均显著高于低风险组，这表明高风险组患者对抗CTLA4治疗以及抗PD-1和抗CTLA4联合治疗的反应优于低风险组(图6d-e)。说明ICDRS预测免疫治疗疗效的能力，表明高风险组的患者可能从这种治疗中获得更大的益处。

图6 ICDRS与抗癌免疫周期和免疫治疗反应的关系

为了确定ccRCC患者潜在的新药物，基于高风险组和低风险组之间的前300个上调或下调基因进行了XSum分析。该分析能够计算不同药物的CMap分数，并确定可能逆转高危人群表型的药物。确定了CMap评分最低的前五种药物:MS-275、PHA-00816795、伊马替尼、法舒地尔和丁蛋白(图7i)。

最后，作者检测了ICDRS中包含的6个基因在4个细胞系中的表达，包括1个正常细胞系(HK-2)和3个ccRCC细胞系(786- 0、Caki-1和Caki-2)(图7j -o)。结果显示，CNPY3、HLADPB1、KCTD12、LIPA、MIR155HG和TNFSF13B在肿瘤细胞系中显著上调。

图6 ICDRS与药物敏感性的关系及基因的验证