m6A Signature and Tumour Immune Microenvironment for Predicting Prognostic Value in Gliomas m 6 A signature与肿瘤免疫微环境对胶质瘤预后的预测价值 小编根据2020年的新热点，结合一些专用名词，针对肿瘤项目，设计如下定制免疫分型方案。扫码填写信息合作分析 首先让我们通过该文章的流程简单了解下其工作内容（图1），作者对TCGA-GBM / LGG数据集中的m 6 A RNA甲基化调控子进行了共识聚类。通过单样本基因集富集分析（ssGSEA）分析了癌症基因组图谱（TCGA）胶质瘤队列的肿瘤浸润免疫细胞。通过加权基因共表达网络分析（WGCNA）和最小绝对收缩和选择算子（LASSO）鉴定了四个hub基因。通过风险评分分析，Kaplan-Meier和ROC验证了诊断和预后价值。
其中n是预后基因的数目，是基因i的表达值，β是基因i在LASSO算法中的回归系数。使用中位风险评分，将脑胶质瘤患者分为高风险评分组和低风险评分组。此外，根据Rembrandt，GSE16011和CGGA数据集的三个外部队列研究了预后signature与总生存率之间的关系。使用R包survival，Kaplan-Meier评估了两组之间的生存时间差异。最后使用R包“ pROC”比较ROC曲线下的面积（AUC），使用ROC曲线来测量预后性能。二.结果展示2.1 m 6 A-RNA甲基化调控子的一致性聚类分析发现两组胶质瘤具有明显的免疫浸润在这一部分，作者基于TCGA数据集中12个关键m 6 A RNA调控子的基因表达进行了共识聚类。基于m6A RNA甲基化调控子的表达相似性，聚类分析会将样本分为不同的聚类。在评估了累积分布函数，（CDF）曲线和热图下面积的相对变化之后，作者选择了一个三聚类解决方案（K = 2）。作者比较了由k = 2聚类的这两个亚组的临床病理特征，即cluster1和cluster2的亚组。结果显示m6A RNA甲基化调控子的大部分表达在两个簇亚组中表现出明显的区别和显著差异（图2a和b）。此外，cluster1亚组的总生存期（OS）明显短于cluster2亚组（图2c）。然后，作者评估了每个簇中的肿瘤突变负荷（TMB）；结果表明，cluster1的TMB明显高于cluster2（图2d）。
图2. 通过m 6 A RNA甲基化调控子识别一致性聚簇以及生存分析此外，作者分析了cluster1和cluster2之间的DEG，并注释了它们对于生物学过程的功能基因集变异分析（GSVA）。结果表明，DEGs 富集于免疫相关的生物过程，包括IL2 / STAT5，IL6 / JAK / STAT3和干扰素-γ反应信号传导（表1）。这些发现表明，通过共识聚类确定的两个类别与胶质瘤的免疫浸润密切相关。
表1. cluster1和cluster2之间用GSVA对每个样本的通路活性评分的差异2.2免疫景观与m 6 A RNA甲基化调控子显著相关为了探讨免疫细胞对胶质瘤恶性进展的影响，作者分析了来自TCGA-GBM / LGG数据集的665名胶质瘤患者的RNA-seq数据，以评估免疫状况。在这里面免疫浸润的高低由欧氏距离和免疫细胞的ssGSEA得分定义。结果表明，与低免疫浸润胶质瘤相比，B细胞，T cm细胞和T辅助细胞富含高免疫浸润胶质瘤。相对而言，低浸润性神经胶质瘤的特征在于巨噬细胞，嗜酸性粒细胞，嗜中性粒细胞和aDC细胞（图3a）。为了分析m 6 A簇与免疫浸润之间的关系，作者进行了卡方检验（图3a）。然后使用Kaplan-Meier生存曲线分析来探讨免疫细胞浸润对胶质瘤患者预后的影响。观察到免疫浸润低的患者与免疫浸润高的患者相比，其总生存期较差（图3b）。作者还对TCGA数据集的免疫细胞进行单因素Cox回归分析，结果表明23/24细胞类型与OS显著相关（图3c）。
图3.胶质瘤的免疫景观 为了进一步确定m 6 A RNA甲基化调控子与免疫细胞浸润之间的关系，作者评估了免疫细胞浸润亚组与m 6 A RNA甲基化调控子表达之间的关系。结果表明，高免疫浸润与FTO，MELLT14，METTTL3，YTHDC1，YTHDC2和ZC3H13的高表达密切相关。低免疫浸润具有较高表达的ALKBH5，HNRNPC，WTAP，YTHDF1和YTHDF2（图4a（a-l））。然后作者计算了每个m 6 A RNA甲基化调控子与免疫细胞之间的关系，发现FTO，ZC3H13和YTHDC1与T cm细胞呈显著正相关，而巨噬细胞与FTO和ZC3H13呈负相关（图4b）。这些数据表明，m6A簇与免疫浸润高度相关。
图4. m 6 A RNA甲基化调控子与免疫浸润的关系2.3 WGCNA和关键模块的标识为了找到与胶质瘤中的m6A和免疫浸润亚型最相关的关键基因，作者对TCGA-GBM/LGG数据集进行了WGCNA分析。从该数据集中检索了胶质瘤样本信息，例如年龄，m6A簇亚组，免疫浸润亚组，OS（总生存）和OS状态（图5a）。通过软阈值功率和切割高度的设置作者确定了6个模块（图5b），从模块特征相关性的热图中发现黑色模块与临床特征相关性最高（图5c和d），尤其是免疫浸润和预后（图5d）。通过设置模块成员（MM）> 0.9和基因显著性（GS）> 0.5，作者从黑色模块中选择了5个hub基因（TAGLN2，PDPN，TIMP1，EMP3，CHI3L1）。这些基因彼此密切相关（图5e）。
图5. 通过WGCNA识别TCGA-GBM / LGG数据集中与临床特征相关的关键模块2.4 hub基因的表达与m 6 A RNA甲基化调控子和免疫浸润的表达相关在这里，作者探讨了这五个hub基因的表达水平与m 6 A RNA甲基化调控子之间的关联，以阐明胶质瘤异常上调的潜在机制。相关分析表明，许多hub基因的表达与m 6 A RNA甲基化调控子显著相关。然后，我作者利用Spearman方法探索胶质瘤hub基因表达与免疫细胞浸润之间的潜在联系。结果显示，hub基因均与巨噬细胞正相关。相反，这五个基因与B细胞，Tcm细胞和Tem细胞的浸润之间负相关。这些结果表明，选定的五个hub基因与m 6 A RNA调控子和免疫浸润高度相关。2.5 在四个数据集中验证hub基因作者选择了上面筛选的五个hub基因，以验证其诊断和预后价值以及它们与临床特征的相关性。在预后部分，Kaplan-Meier曲线显示，这些基因的较高表达与外部数据集（GSE16011）的总体存活率差显著相关（图6a）。为了进一步预测具有hub基因的胶质瘤的临床结果，作者将最小绝对收缩和选择算子（LASSO）Cox回归算法应用于TCGA数据集中的五个hub基因（图6b）。
