“多组学＋机器学习”斩获10分＋！天津市肿瘤医院这个思路太强了，换个疾病又是一篇！

◆◆◆ 文献解读 ◆◆◆

特别提示：今天这期内容对追求高分的老师们来说非常友好！！“思路简单 + 容易复现”，绝对是大家首选的性价比之王！主角是我们非常熟悉的“多组学+机器学习+实验验证”，生信 + 实验斩获10分+，快来看看吧！

1. 文章介绍

标题： 新的翻译后修饰学习特征揭示了B4GALT2在肺腺癌中的免疫排斥调节作用

期刊： Journal for ImmunoTherapy of Cancer

影响因子： 10.3

研究思路： 多组学 + 机器学习 + 实验验证

优势： 生信 + 湿实验

发表年份： 2025年5月

2. 研究背景

肺腺癌（LUAD）是肺癌主要亚型，预后差且免疫治疗响应率低。肿瘤免疫微环境（TIME）的复杂性是关键挑战。翻译后修饰（PTMs）通过调控蛋白功能影响肿瘤进展和免疫逃逸，但其在LUAD中的预后价值及机制尚不明确。

本研究旨在构建基于PTMs的机器学习特征（PTMLS），预测LUAD预后及免疫治疗响应，并探索关键基因B4GALT2的免疫调控作用。。

3. 研究思路

数据整合： 整合7个LUAD队列（1231例）和12个免疫治疗队列，筛选PTM相关基因（PTMRGs）。

模型构建： 通过10种机器学习算法构建PTMLS，验证其预后和免疫治疗预测能力。

机制解析： 结合单细胞转录组和空间免疫分析，揭示PTMLS与免疫微环境的关系。

靶点验证： 聚焦B4GALT2，通过临床队列、体外/体内实验验证其促肿瘤和免疫排斥功能。

4. 研究结果

1. PTM相关标志物的研究

• 方法与数据：

  • 通过整合TCGA和GTEx数据库的LUAD（n=1231）和正常肺组织（n=110），筛选差异表达的PTM相关基因（PTMRGs），标准为FDR <0.05且log2FC>1。

  • 单变量Cox回归分析筛选与预后显著相关的PTMRGs（p<0.05）。

• 图表支持：

  • Figure 2A： 火山图显示肿瘤与正常组织间PTMRGs的差异表达（红色为上调基因，黑色为下调基因）。

  • Figure 2B： 森林图展示31个预后相关PTMRGs的HR值和p值（如UBE2C、B4GALT2等）。

  • Figure 2C-D： GO和KEGG富集分析显示PTMRGs主要参与泛素化、组蛋白修饰和糖基化通路。

  • Figure 2E： ssGSEA评分显示肿瘤组织中S-亚硝基化修饰活性显著升高（p<0.001）。

  • Figure 2F-G： 基因组定位和CNV分析显示PTMRGs在染色体3p和8q区域频繁扩增（如B4GALT2位于1q23）。

• 结论： PTM相关基因在LUAD中呈现显著表达异质性，并与预后密切相关，提示其可作为潜在生物标志物。

2. PTMLS：新型预后和免疫治疗响应预测模型

• 方法与数据：

  • 整合10种机器学习算法（如Lasso、SuperPC）构建PTMLS，基于31个PTMRGs，通过7个独立队列验证。

  • 使用TIDE算法和IPS评分评估免疫治疗响应。

• 图表支持：

  • Figure 3A： 热图展示不同算法在验证队列中的C-index值（StepCox+SuperPC最优，C-index=0.72）。

  • Figure 3B-H： Kaplan-Meier曲线显示PTMLS在7个队列中的预后分层能力（高PTMLS组生存率显著降低，HR=2.1，p<0.001）。

  • Figure 3I-K： 在3个LUAD免疫治疗队列中，低PTMLS患者响应率更高（AUC=0.85）。

  • Figure 3L-P： 在4个NSCLC免疫治疗队列中，低PTMLS组客观缓解率（ORR）显著提升（p<0.05）。

  • Figure 3Q-T： TCIA数据库分析显示低PTMLS组IPS评分更高（PD-1/CTLA-4联合治疗获益更显著）。

• 结论： PTMLS是首个基于PTMs的泛癌预测工具，可精准预测预后和免疫治疗响应。

3. PTMLS预后性能的临床验证

• 方法与数据：

  • 通过ROC曲线、PCA分析和C-index对比PTMLS与传统临床参数（如年龄、分期）。

• 图表支持：

  • Figure 4A： C-index柱状图显示PTMLS（C-index=0.72）优于年龄（0.55）、分期（0.60）和EGFR状态（0.58）。

  • Figure 4B： PCA图显示高/低PTMLS组在基因表达谱上显著分离（主成分1和2解释60%变异）。

  • Figure 4C： ROC曲线显示PTMLS在1年、3年、5年生存预测中的AUC值均>0.65。

  • Figure 4D： 雷达图对比PTMLS与98个现有模型的C-index，PTMLS排名第一。

• 结论： PTMLS在临床应用中显著优于传统指标，可作为独立预后标志物。

4. 基因组改变与PTMLS状态的关系

• 方法与数据：

  • 使用GISTIC 2.0分析PTMLS高低组的CNV和TMB。

• 图表支持：

  • Supplemental Figure S4A-B： 高PTMLS组染色体不稳定性（CIN）评分显著升高（p<0.01）。

  • Supplemental Figure S4C： 突变谱显示高PTMLS组TP53（45% vs. 25%）、MUC16（30% vs. 12%）突变频率更高。

  • Supplemental Figure S4D-G： CNV分析显示高PTMLS组染色体3p缺失和8q扩增频率更高。

  • Supplemental Figure S4J： 生存分析显示低TMB且高PTMLS患者预后最差（p<0.001）。

• 结论： PTMLS与基因组不稳定性密切相关，可能通过驱动基因突变促进肿瘤进展。

5. PTMLS对细胞互作和免疫微环境的影响

• 方法与数据：

  • 单细胞转录组分析结合CellChat算法解析细胞通讯网络。

• 图表支持：

  • Supplemental Figure S5A-B： t-SNE图显示11个细胞亚群（如肿瘤细胞、T细胞、巨噬细胞）。

  • Supplemental Figure S5C： 点图显示B4GALT2在肿瘤细胞中高表达，ZDHHC5在T细胞中高表达。

  • Supplemental Figure S5H-I： 热图显示高PTMLS组TGF-β和VEGF信号通路显著激活（p<0.01）。

  • Supplemental Figure S5J： 网络图显示高PTMLS组细胞间双向通讯增强（如配体-受体对SPP1-CD44）。

• 结论： PTMLS通过增强肿瘤细胞间通讯和免疫抑制信号，塑造“冷肿瘤”微环境。

6. PTMLS作为肿瘤免疫景观的决定因素

• 方法与数据：

  • 使用TIMER2.0、ssGSEA和TIDE算法评估免疫浸润。

• 图表支持：

  • Figure 5A： 箱线图显示低PTMLS组CD8+ T细胞、B细胞和NK细胞浸润增加（p<0.05）。

  • Figure 5B： ssGSEA评分显示低PTMLS组干扰素-γ应答和抗原呈递通路激活（p<0.01）。

  • Figure 5C： 热图显示低PTMLS组MHC-II分子（HLA-DRA）上调，高PTMLS组TAP1/TAP2上调。

  • Figure 5D： TIDE评分显示低PTMLS组免疫治疗响应率更高（p<0.001）。

  • Figure 5F： H&E染色显示低PTMLS肿瘤中淋巴细胞浸润更密集。

• 结论： PTMLS通过调控抗原呈递和免疫细胞招募，决定肿瘤免疫活性。

7. B4GALT2：LUAD进展和免疫响应的关键因子

• 方法与数据：

  • 通过临床队列（n=171）和HPA数据库验证B4GALT2表达与预后的关系。

• 图表支持：

  • Figure 6A： 散点图显示B4GALT2与PTMLS强相关（r=0.82, p<0.001）。

  • Figure 6B-H： Kaplan-Meier曲线显示高B4GALT2表达患者生存期显著缩短（HR=1.62, p=3.9e-08）。

  • Figure 6I-L： HPA免疫组化显示B4GALT2在肿瘤组织中高表达（H-score=180 vs. 正常组织H-score=50）。

  • Figure 6N-O： 散点图显示B4GALT2与CD8A表达呈负相关（R=-0.25, p=1.4e-05）。

  • Figure 6Q： 箱线图显示高B4GALT2组CD8+ T细胞和B细胞浸润减少（p<0.01）。

• 结论： B4GALT2是PTMLS的核心基因，通过抑制CD8+ T细胞浸润驱动免疫逃逸。

8. B4GALT2 and CD8+ T cell distribution: clinical implications（B4GALT2与CD8+ T细胞分布的临床意义）

• 方法与数据：

  • 根据CD8+ T细胞浸润模式将肿瘤分为“炎症型”、“排斥型”和“荒漠型”。

• 图表支持：

  • Figure 7A： 临床特征表显示“荒漠型”患者淋巴转移率更高（70% vs. 30%）。

  • Figure 7B： 多色免疫荧光图像显示“荒漠型”肿瘤中CD8+ T细胞（绿色）与B4GALT2（红色）空间排斥。

  • Figure 7C-D： Kaplan-Meier曲线显示“荒漠型”患者OS和DFS显著缩短（p<0.0001）。

  • Figure 7E： 箱线图显示“荒漠型”中B4GALT2表达最高（p<0.01）。

  • Figure 7G： 生存分析显示高B4GALT2表达组生存期更短（p=0.033）。

• 结论： B4GALT2是“免疫荒漠”表型的关键标志物，与不良预后直接相关。

9. B4GALT2’s role in immune regulation and treatment response（B4GALT2在免疫调控和治疗响应中的作用）

• 方法与数据：

  • 体外敲低B4GALT2（A549/H1299细胞）评估增殖能力，体内联合PD-1抗体治疗小鼠模型。

• 图表支持：

  • Figure 8C-D： Western blot和qPCR验证B4GALT2敲低效率（蛋白表达降低70%，p<0.001）。

  • Figure 8E-G： CCK8实验显示B4GALT2敲低后细胞增殖抑制（OD值降低50%，p<0.01）；克隆形成实验显示克隆数减少60%（p<0.001）。

  • Figure 8H-J： 小鼠肿瘤生长曲线显示联合治疗组肿瘤体积减少50%（p<0.001）。

  • Figure 8B： 多色免疫荧光显示B4GALT2高表达区域（红色）与CD8+ T细胞（绿色）空间排斥。

• 结论： B4GALT2通过促进肿瘤增殖和免疫排斥削弱PD-1疗效，其抑制可逆转此效应。

10. B4GALT2 inhibition potentiates anti-PD-1 response through T cell activation（B4GALT2抑制通过T细胞活化增强抗PD-1响应）

• 方法与数据：

  • 流式细胞术分析小鼠肿瘤中CD8+ T细胞表型变化。

• 图表支持：

  • Figure 9A： 柱状图显示联合治疗组总CD8+ T细胞比例增加2倍（p<0.001）。

  • Figure 9B： 流式点图显示联合治疗组活化CD8+ T细胞（CD44+/CD69+/GZMB+）比例显著升高（p<0.001），而初始T细胞（CD62L+）比例下降。

• 结论： B4GALT2抑制通过增强T细胞活化和细胞毒性，协同PD-1阻断提升抗肿瘤免疫。

5. 总结

• 核心发现：

  • PTMLS是首个整合多组学PTM特征的预测模型，显著优于现有标志物。

  • B4GALT2作为PTMLS的核心基因，通过糖基化介导免疫排斥，是潜在治疗靶点。

• 转化意义：

  • PTMLS可指导LUAD患者分层，低评分患者优先接受免疫检查点抑制剂。

  • B4GALT2抑制剂联合PD-1/PD-L1阻断可能成为新型联合疗法。

6. 后话

这篇文章用“多组学 + 机器学习 + 湿实验验证”，生信 + 实验斩获10分+！相较于目前很火的网药/临床分析思路，实操相对会难一些，成本更高，感兴趣的小伙伴们可以自己尝试上手复现。

对多组学分析思路有想法的伙伴们随时可以滴滴我们，从思路设计到个性化分析，我们将为你提供专业辅助，让你的科研之路一路畅行。

关于我们： 我们的团队是领航生信，如果大家想要系统学习常规SCI生信套路和流程或者了解更多生信相关知识，可以在下方公众号链接找到我们~~~

祝大家能够开心学习，轻松学习，在学习的路上少一些坎坷~~~

• 目录部分跳转链接：零基础入门生信转录组数据分析——导读