掃碼聯系客服
今天小編要給大家分享的是今年7月份發表在Front Immunol(IF:5.085)雜志上關于腫瘤多組學免疫的研究，作者開發了一個實用的工具，可利用多組學數據研究腫瘤免疫相互作用。作者還開發了一個用戶友好的基于Web界面的應用程序，面向沒有R編程技能的基礎研究人員，可謂非常貼心啦。做免疫的小伙伴不要錯過啦！
IOBR: Multi-Omics Immuno-Oncology Biological Research to Decode Tumor Microenvironmentand Signatures
IOBR：多組學免疫腫瘤生物學研究解碼腫瘤微環境和特征
一．研究背景
如今，免疫療法徹底改變了晚期癌癥的治療方式。近年來，免疫檢查點阻斷(ICB)在多種惡性腫瘤的治療中取得了成功。然而，由于患者之間免疫治療療效的異質性的存在，使得仍需要研究宿主-腫瘤的相互作用，特別是腫瘤微環境(TME)內的免疫細胞浸潤，來確定可靠的精準治療預測生物標志物。因此，作者開發了名為IOBR的計算工具，對多組學解釋，包括特征評分計算和其與臨床表型相關性的系統估計 、非編碼RNA特征、來自多種癌癥的scRNA-seq數據和基因組特征，以及多種TME反卷積算法和快速的signaure構建來對腫瘤微環境進行全面的探索和可視化。
二．主要結果
1. IOBR 工作流程
如圖1所示，IOBR包括四個功能模塊，分別是特征和TME去卷積模塊、表型模塊、變異模塊和模型構建模塊。
接下來作者介紹了IOBR中包含的四個分析模塊的功能（圖2）。除了數據預處理功能外，功能模塊還包括：（1）分析與臨床表型、lncRNA相關的特征，以及基于bulk RNA-seq或scRNA-seq數據和TME去卷積構建的靶向特征；(2) 表型相關特征、細胞分數或特征基因的識別，以及相應的批量統計分析和可視化；(3) 與感興趣的特征相關的特定突變景觀的估計；(4) 特征選擇后的模型構建。
2. 識別與治療反應相關的 TME 成分和特征
接下來，為了證明IOBR的效能，作者下載了接受抗PD-L1免疫療法(atezolizumab)的轉移性尿路上皮癌患者的轉錄組和匹配的臨床數據，通過IOBR包中的count2tpm函數將count數據轉換為TPM值，calculate_sig_score函數估計在 IOBR 中收集的多個基因signature。此外，基于源自sva R 包的ComBat函數構建了用于在解剖腫瘤微環境時去除跨數據集的批處理效應的remove_batcheffect函數。此外，IOBR 在bulk RNA-seq 研究中使用 iobr_cor_plot 函數批量分析和顯示與治療反應相關的推定特征的適用性一致。
如圖3A、B所示，總的來說，IOBR極大的簡化了bulk RNA-seq數據TME剖析和特征計算分析程序，并豐富了多組學研究的相應輸出。
3. 利用從 scRNA-seq 分析生成的特征來解碼bulk RNA-seq數據
由于單細胞分析以高分辨率揭示了腫瘤內細胞的巨大異質性，作者利用來自結直腸癌隊列患者的scRNA-seq數據提取了細胞類型特異性基因表達signature，這些signature是通過文獻中的聚類分析確定的。如圖3C、D所示，IOBR可以利用源自單細胞分析的signature通過實現CIBERSORT的線性svr算法或lsei算法來解析IMvigor210隊列的bulk RNA-seq數據，使與免疫治療最佳整體反應相關的TME復合物批量可視化快速輸出，并提供多種顯示選項。
4. 批量分析和可視化
接下來，作者為了方便實現快速探索多個數據，開發了多個函數：iobr_cor_plot 函數動態生成統計結果并有效地描述signature與目標表型之間的相關性，例如治療反應和致癌感染狀態。sig_forest功能方便用戶在生存分析輸出源于整合batch_survival功能，并描繪了多個signature的風險比的森林圖（圖3F）。基于 pROC R 包的函數sig_roc能夠描繪多個signature的 AUC 曲線（圖 3G）。此函數中的參數compare_method使用戶能夠使用可選方法比較任何兩個感興趣的signature之間的統計差異。sig_box 函數可用于推斷類別變量與特定signature之間的相關性，箱線圖顯示任何類別之間signature分數的統計差異（圖 3E）。
此外，IOBR 能夠使用相同的方法快速可視化特征基因與目標變量（二分類或連續）之間的關系。同樣，IOBR 也可以識別與感興趣的signature顯著相關的signature。IOBR 包括連續特征評分或分類表型亞組的批次生存分析，上述批次相關分析使用統計檢驗，包括 Wilcoxon 檢驗和偏相關系數 (PCC)。
5. 評估與特定特征相關的突變并描繪相關的突變情況
為了闡明TME、基因組改變并破譯潛在的相關性并認識到特定體細胞基因突變可能驅動腫瘤發生、改變癌細胞對抗腫瘤免疫細胞的脆弱性，以及多種癌癥的免疫治療。作者開發了多個函數：make_mut_matrix函數，通過輸入MAF格式文件，其結果輸入find_mutations函數進行后續分析，可以生成基因組MAF數據和感興趣的基因signature矩陣。
由于CD8 + T 細胞在抗腫瘤免疫中的重要性得到公認，因此作者專注于CD8+ T細胞效應子signature，作者可視化了CD8 +野生型和突變環境中的CD8+ T 效應子signature評分，包括 PIK3CA、ARID1A、ARID1B 和 TCHH 的突變狀態(Figure 4A)。可以使用腫瘤圖有效地顯示結果，顯示高和低 CD8 + T 效應子評分子集中的基因組改變，分別進行比較（圖 4B）。在腫瘤圖中觀察到包括上述基因在內的突變頻率顯著增加。
到這里這篇文章的主要內容就介紹完啦，作者整合了多種多組學分析方法，開發了一種綜合計算工具IOBR，大大簡化了對腫瘤免疫綜合分析的流程，并且作者還整合了單細胞分析生成的signature基因集，提高了分析的準確率。R包已經上傳GitHub(https://github.com/IOBR/IOBR)，并且開發了基于Web的圖形化界面(https://yi-xiong.shinyapps.io/IOBRshiny/)，極大的方便了我們的使用。感興趣的小伙伴不要錯過啦。
