学会发文就和喝水一样简单？试试铁死亡+单细胞+TME三管齐下

这年头，想要发个生信文章真可谓难到登天！许多小伙伴都苦于没有思路或者说不知道怎么搭配热点，一直没有搭上顺风车。但没关系，今天，小薇终于发现了一波上分策略——以铁死亡角度构建预后模型，再以单细胞数据集验证，这总能拿捏审稿人的。

该研究团队以乳腺癌作为研究对象，整合相关数据集深入了解免疫检查点抑制剂治疗（ICB）、肿瘤微环境免疫浸润（TME）和铁死亡在乳腺癌发生发展中的作用，为进一步探讨乳腺癌精细化治疗方案奠定基础。本文思路新颖，未局限于铁死亡主题的选择，还联系了ICB及TME，让文章创新性拉满；此外该研究通过WGCNA分析、单因素和多因素COX，阐明了铁死亡的复杂景观及其与乳腺癌的关联，为开发靶向疗法提供了有用信息，也为进一步的遗传和功能研究奠定了基础！（ps：0实验、纯生信，就问你心动不！万变不离其宗，感兴趣的朋友快来联系小薇设计思路、定制分析吧）

l题目：肿瘤微环境中的铁死亡相关基因异质性揭示了乳腺癌的遗传蓝图

l杂志：Environmental toxicology

l影响因子：IF=4.4

l发表时间：2024年1月

公众号回复“123”领取原文PDF，文献编号：20240925

研究背景

乳腺癌是最常见的癌症之一，在全球女性癌症中的发病率为24.2%，位居女性癌症的首位，其中52.9%发生在发展中国家。因此，迫切需要一种有效的治疗方案。免疫治疗是指针对机体低下或亢进的免疫状态，人为地增强或抑制机体的免疫功能如免疫检查点抑制剂治疗（ICB）和肿瘤微环境免疫浸润（TME）进而识别和摧毁癌细胞。越来越多的证据表明ICB和TME在预测乳腺癌预后中起决定性作用。此外还有学者指出铁死亡这一细胞死亡机制参与了乳腺癌的发病机制。然而鲜少有研究者探究上述四者的作用机制。因此在这项研究中，作者整合相关数据集从而深入了解上述因素在乳腺癌发生发展中的作用，为进一步探讨乳腺癌精细化治疗方案奠定基础。

数据来源

研究思路

首先，作者通过相关数据库收集了乳腺癌患者及对照基因谱和单细胞RNA测序数据和铁死亡相关基因（FRGs），并基于回归模型筛选关键预后基因。接着该团队分别计算了患者FRG和TME评分，并研究了SLC39A7在乳腺癌癌变中的作用。随后作者进行了WGCNA分析和基于单因素和多因素COX回归分析探讨了临床因素的预测效果。最后作者评估了ICB是否与FER和TME评分相关。

主要结果

1.预测模型构建

首先，作者分别基于TCGA和GEO数据库收集了乳腺癌患者及对照基因谱和单细胞RNA测序数据。使用LASSO回归模型和多变量COX回归分析确定了独立危险因素如SLC39A7、IFNG、BRD4、GRIA3和ALOX15（图1A-C）。随后从相关数据集收集了铁死亡相关基因（FRGs），通过多变量COX回归分析选择与乳腺癌预后相关的FRPs，并基于此计算出患者FRG评分，将受试者分为高低FER组；采用CIBERSORT法评估患者的免疫浸润程度，计算受试者TME评分，同样分为两组。生存分析结果表明（图1D-E）高/低FER组与高/低TME组间差异有统计学意义。m1-巨噬细胞、活化的CD4阳性记忆T细胞和CD8阳性T细胞都被认为是乳腺癌的保护因素（图1F）。

图1 预测模型构建

2.SLC39A7效应、FRGs与TME预后及GSEA分析

接着作者研究了SLC39A7在乳腺癌癌变中的作用，即分别在两株乳腺癌细胞系BT-549和HCC1937中敲低SLC39A7的表达（图2A）。流式细胞术结果表明在SLC39A7敲低的情况下，两种细胞系的凋亡细胞比例更高（图2B）。这些结果提示SLC39A7在乳腺癌发生过程中起着关键作用。此外作者发现FRGs与TME同样在乳腺癌预后起着关键作用，高FER/低TME组预后最差，低FER/高TME组预后最好（图3B-C）。GSEA分析显示氧化磷酸化和T细胞受体信号通路相关基因在低FER/高TME组中表现水平升高，而细胞周期相关基因表达水平降低（图3D）。此外预后最差的高FER/低TME组表现出更高的抗原加工和递呈（图3E）。    

图2 SLC39A7效应分析

图3 FRGs与TME预后及GSEA分析    

3.亚群功能富集和WGCNA分析

随后作者进行了WGCNA分析，结果表明绿色模块与高FER/低TME组的预后相关性最高；棕色模块与低FER/高TME组预后呈正相关。作者对这两个模块相关基因进行了功能富集分析（图4C）。结果表明高FER/ 低TME组在免疫应答激活等方面均出现明显下调，低FER/高TME组的免疫激活相关过程高度富集。利用TIP在线工具研究免疫过程与亚组之间的相关性，并通过热图可视化（图4D-F），其中T细胞募集和巨噬细胞募集与低FER/高TME组的相关性更高。

图4 亚群功能富集和WGCNA分析

4.回归分析及单细胞数据分析

此外作者基于单因素和多因素COX回归分析探讨了临床因素的预测效果，其中年龄、T期、N期及FER TME评分均为危险因素（图5A-C）。接着作者收集了乳腺癌患者的单细胞RNA测序数据，使用UMAP图对数据进行降维聚类和可视化（图6A），根据经典细胞标记标注为7种不同的类型（图6B-C）。其中上皮细胞和B细胞的FER评分略高，但没有观察到显著差异（图6D-E）。此外成纤维细胞和T细胞之间的相互作用程度有显著差异，T细胞主要作为受体细胞（图6F）。基于此该研究团队确定内皮细胞是与上皮细胞表现出最强通讯的细胞类型。    

图5 回归分析

图6 单细胞数据分析

5.ICB治疗反应及突变分析

最后作者评估了ICB是否与FER评分相关。结果表明较高的FER评分与ICB治疗相关（图7A）。铁死亡可能通过调节ICB基因的表达进而调节ICB治疗反应。此外作者还研究了三组患者HLA亚型的差异（图7B）。免疫检查点基因表达在三组之间有明显差异（图7C）。突变分析显示低FER/高TME组和高FER/低TME组存在不同类型的突变（图8A-B），TP53和PIK3CA是两组中突变频率最高的基因和以错义突变为主。对预后较好组和ICB阳性反应组进行差异表达和富集分析，结果表明下调差异表达基因在肽酶、外泌体和PI3K-AKT信号通路上均显著富集（图8C-D）。上调差异表达基因均显著富集于转录因子项（图8E-F）。    

图7 ICB治疗反应

图8 突变分析

文章小结

作者整合公共数据集对铁死亡和免疫浸润对乳腺癌预后的影响进行了全面的探讨，为患者的精细化治疗提供了有价值的见解。但也有一定的局限性，研究结果严重依赖于生物信息学分析和在线工具，这可能会引入偏差并限制实验验证。此外研究缺乏对铁死亡与ICB反应之间关系的直接探讨，限制了其在预测治疗结果方面的适用性。尽管如此，这也是非常值得借鉴的文章，如果小伙伴对这类文章感兴趣，那么赶快联系小薇吧！查缺补漏，定能拿下高分SCI！