这篇文章2022年发表在Journal of Translational Medicine上:Identification of molecular subtypes and a novel prognostic model of diffuse large B-cell lymphoma based on a metabolism-associated gene signature。期刊Journal of Translational Medicine是BioMed Central(BMC)出版社旗下期刊,影响因子8.44,JCR Q1区,中科院二区(医学)。研究主要涉及的分析思路如下:1.从GEO数据库获取DLBCL患者的基因表达和临床资料,通过共识聚类鉴定2个代谢相关的分子亚型;2.在GEO训练队列中,Lasso-Cox回归建立了14个代谢相关基因(MAGs)的预后风险模型;3.在GEO内部队列和TCGA外部队列中进行验证预后模型可靠性;4.GO、KEGG和GSVA用于探讨高风险和低风险组之间富集通路的差异;5.ESTIMATE、CIBERSORT和ssGSEA分析用于评估免疫微环境;6.利用WGCNA分析在14个MAGs中鉴定了两个hub基因,并通过TMA用mIHC进行了初步实验验证。研究的技术路线图如下:图1.本研究的技术路线图接下来我们看一下研究结果:图2. 共识聚类和两个集群之间不同的免疫谱图3.构建GSE10846训练队列中的风险模型并验证图4.GSE10846数据集的风险评分的临床相关性与列线图图5.GSE10846中的高、低风险人群之间不同的免疫图谱图6.两个hub基因的鉴定及其与免疫细胞的关系图7.实验验证PLTP与预后和免疫微环境关系图8.实验验证PHKA1与预后和免疫微环境关系最后我们总结一下:研究共包括7张图,其中包括5张生信分析结果图,2张mIHC实验验证图。生信分析和实验结果分析结果如下:1)通过单因素Cox回归分析获得了GSE10846数据集中92个预后相关的MAGs;2)使用共识聚类将412例患者聚类为2个不同的代谢相关分子亚组;1组患者的预后较差,且免疫抑制细胞和免疫检查点表达增加,表明存在免疫抑制肿瘤微环境;3)LASSO-Cox回归分析生成了14个MAGs构建代谢相关预后风险模型,该模型在GEO内部队列和TCGA外部队列中得到了进一步验证。4)该预后模型也成功预测了Rituximab联合化疗(R-CHOP)队列的总生存期;5)建立了一个列线表(Nomogram),发现风险评分对预后贡献最大,列线表预测OS与实际结果一致性很高。6)分析了风险评分与肿瘤免疫微环境之间的关系,高风险组中免疫抑制细胞和免疫检查点表达的丰度较高,表明存在免疫抑制肿瘤微环境;7)通过WGCNA筛选预后风险模型中的hub基因PLTP和PHKA1;8)实验验证了TMA队列中hub基因表达及其与预后和免疫微环境的关系。