单细胞分析如何过渡到预后模型？( 三 ) ：单细胞分析如何过渡到预后

图5.GBM患者的免疫治疗反应预测
之后使用肿瘤免疫功能障碍和排斥（TIDE）算法来预测免疫治疗反应的可能性。根据TCGA训练队列的结果， MC2GBM患者（43.7％， 31/71）比MC1患者（20.0％， 16/80 ， P=0.003）更有可能对免疫疗法产生反应。同样，在CGGA验证队列中， MC2GBM患者比MC1患者更有可能对免疫疗法作出反应。
然后，进行SubMap分析以预测在GBM患者的两个MC中对PD1和CTLA4抑制剂产生临床反应的可能性。 TCGA和CGGA队列中的MC1GBM患者对抗PD1治疗更敏感，而MC2GBM患者对抗CTLA4治疗的更敏感。
6、FN1 ， APOE ， RPL7A和GSTM2是人类GBM中4种最显著的的预测生存GDRG
进行单变量Cox分析并在TCGA训练集中确定了45个与预后相关的GDRG 。然后进行最小绝对收缩和选择算子（LASSO），然后进行多变量Cox分析，并鉴定出4个显着预测生存的GDRG：纤连蛋白1 ，载脂蛋白E ，核糖体蛋白L7a和谷胱甘肽S-转移酶mu2 。 FN1在GBM细胞和T细胞中显着上调（一般）；在GBM细胞， CSC和巨噬细胞中， APOE明显上调；RPL7A在GBM细胞， CSC和巨噬细胞中显着上调；而GSTM2在GBM细胞和星形胶质细胞中显着上调。使用包括163个GBM（TCGA）样品和207个正常（GTEx）样品的基因表达谱交互式分析（GEPIA）数据库验证了这4个GDRG的表达。发现与正常组织相比， GBM中所有4种可预测生存的GDRGs均上调。

文章图片
图6.预测模型中四个GDRG的表达和生存分析
Kaplan-Meier生存分析表明， GBM患者中FN1的高表达和APOE ， GSTM2和RPL7A的低表达与GBM患者的OS差有关。
7、以GDRG的预后风险评分模型的生成和验证
基于上述4个GDRG ，使用以下公式开发了预后风险评分模型：风险评分=ExpFN1×1.66+ExpAPOE×（-0.93）+ExpRPL7A×（-1.30）+ExpGSTM2×（-0.90）。计算TCGA训练集中所有患者的风险评分，并使用风险评分的中位数作为临界值，将患者分为高风险（高评分）组或低风险（低评分）组值。 Kaplan-Meier生存分析表明，高危组患者的OS显着低于低危组。用于OS预测的GDRG签名的C指数为0.781 。随时间变化的接收器工作特性（ROC）分析还表明， GDRG签名在预测0.5年， 1年， 2年和3年OS率方面表现出卓越的性能，曲线下面积（AUC）值为0.767 ， 0.712、0.752和0.776 。

文章图片
图7.基于GDRG的风险评分模型的生存分析和风险评分
然后使用CGGA队列以类似方式验证预测公式，所有GBM患者均分为高危组或低危组。与TCGA训练集的结果一致，生存分析也显示高风险组患者的OS显着低于低风险组患者。 GDRG验证的C指数为0.715 ，基于时间的ROC分析还提出了在CGGA验证集中预测OS的有良好价值。这些结果表明，基于GDRG的预后风险评分模型可以作为GBM患者不同人群的可靠预后指标。
8、开发验证的GDRG和临床病理参数可用于预后诺模图
研究GDRG签名的预后意义是否独立于其他临床病理变量来预测GBM患者的生存，进行了单变量和多变量Cox回归分析，结果表明GDRG验证在两个患者中均独立于OS 。 TCGA和CGGA队列（表2）。

文章图片
表2.TCGAGBM培训队列和CGGAGBM验证队列中临床病理变量和GDRG验证的单变量和多变量Cox比例风险分析
最后成功开发了预后列线图，为个体OS预测提供了临床上可应用的定量方法。年龄，药物治疗，放疗， IDH突变状态， MGMT启动子甲基化状态和GDRG特征包含在最终的OS预测模型中，预后列线图的C指数为0.896 。基于时间的ROC分析显示，对于0.5年， 1、2年和3年OS率具有良好的预测能力， AUC值分别为0.734、0.771、0.864和0.919 。校正图显示了预测的0.5年， 1年和3年OS率与TCGA队列中的实际观察值之间的极好的一致性。然后在CGGA队列中验证了预后模型，其C指数为0.729 。 0.5年， 1年， 2年和3年OS率随时间变化的AUC与预后诺模图分别为0.725、0.696、0.694和0.701 。以上发现表明，预后诺模图方法可用于OS预测，在不同人群的GBM患者中具有较高的可靠性。

文章图片
图8.预后列线图可预测GBM患者的0.5年， 1年和3年OS
四、小结
【单细胞分析如何过渡到预后模型？】文章中作者首先使用单细胞RNA测序（scRNA-seq）数据通过轨迹分析确定了处于不同分化状态的两个GBM细胞亚群，探索了GBM细胞分化相关基因（GDRGs）的生物学功能，随后使用4个可预测OS的关键可预测GDRG（FN1 ， APOE ， RPL7A和GSTM2）和其他临床病理变量为GBM患者构建了分子分型以及预后预测模型进行验证。最后确定了不同的肿瘤内GBM细胞分化状态，根据GBM细胞的分化特征对患者进行分类可以预测肿瘤的免疫治疗反应和患者生存率，对免疫治疗反应具有重要作用。