掃碼聯系客服
大家好，可能大家已經習慣了基于表達做預后分析，那么今天來點很不一樣的。突變signature不知道你是否見過？這樣的分析很少，為什么大家都不做呢，答案也比較簡單。想做但是突變數據難出結果啊。文章發(fā)表于NPJ Precis Oncol（IF：8+）話不多說，看人家怎么做的吧。
流程圖
主要分析：
1、Mutation Signature 構建（基于免疫治療突變數據集，使用單因素cox+lasso回歸分析）
2、Mutation Signature 作為預后marker能夠預測患者免疫治療臨床獲益（多數據集驗證;OS \PFS都ok）
3、做突變怎么能少的了TMB呢，所以文章結合Mutation Signature 和TMB來對患者的預后進行分層（效果還不錯）
4、結合其它臨床特征闡述Mutation Signature是一個獨立預后因子
5、就算是突變也要結合下腫瘤免疫浸潤（最后的倔強），當然是結合既有突變又有表達的TCGA數據做的了
6、接下來就是審稿人和小編自己也比較喜歡的結論性美圖
到這里在文章中展示的圖就沒了，對就只有5張（圖不在多，分析不在難，有精品則成）很多圖研究者都放在了附圖
1、要證明文章構建的Mutation Signature與其他臨突變特征相比對預后的預測能力yyds
2、要證明文章構建的Mutation Signature適用廣度，所以分析了其它癌型
3、不同指標分組durable clinical benefit 占比以及對預后的分層能力（證明Mutation Signature依然棒棒的）
4、文章構建的是免疫mutation signature，所以分析下signature與免疫檢查點的相關性，嗨分析了mutation signature分組其它突變signature的占比與相關性
5、免疫signature在mutation signature分組中的差異（TCGA）
總結：
為什么文章能發(fā)到8分以上呢，小編認為有三點亮點：1、是一個基于免疫治療突變數據集的分析（多個集合） 2、基于突變數據構建的signature真的不常見也結合了很多突變指標 3、結合TCGA表達數據集分析
目前免疫治療的表達還相對比較少，但是突變數據還是不少的。即使沒有這么免疫治療突變數據，那么做一個簡單的突變signature估計也很好發(fā)。有想法的小伙伴趕緊吧
