为什么有人简单做个分析就能申到国自然？看来这个视角不简单
大家好，我是雪梨~
今天的套路拆解，来看看单细胞和TCGA HNSCC数据联合，正文仅展示6张图就拿到14.9分的文献吧！
头颈部鳞状细胞癌（HNSCC）的特点是高复发率或远处转移率，预后极具挑战性。越来越多的证据表明，肿瘤浸润B细胞（TIL-Bs）在肿瘤控制中发挥着至关重要的协同作用。然而，人们对TIL-Bs在免疫微环境中的作用以及TIL-Bs如何影响免疫检查点阻断的结果知之甚少。
研究团队率先应用HNSCC结合Cox比例危险度模型建立了预后风险预测模型。这项研究为B细胞在HNSCC抗肿瘤免疫中的作用提供了支持，并为基于B细胞的肿瘤分类提供了新的见解。
注：本文得到国家自然科学基金（82173362）、中国博士后科学基金（2022M720175、2023M734003）和国家自然科学基金（82304069）的资助。
Single cell analysis unveils B cell-dominated immune subtypes in HNSCC for enhanced prognostic and therapeutic stratification
单细胞分析揭示了 HNSCC 中以B细胞为主的免疫亚型，有助于加强预后和治疗分层
期刊：International Journal of Oral Science
IF：14.9
团队：中山大学附属第一医院
套路：单细胞-肿瘤-免疫亚型-临床预测模型
发布时间：2024/04/16
技术路线
数据收集和分析：
从 GEO 数据库下载 HNSCC scRNA-seq 数据集 (GSE139324 和 GSE164690)，并进行质量控制、细胞类型鉴定和差异基因分析。
对 B 细胞进行亚群分析，并筛选出与 B 细胞功能激活或抑制相关的差异表达基因集。
利用 ConsensusClusterPlus 对 HNSCC 样本进行无监督聚类，根据差异表达基因集将患者分为 B 细胞激活组和 B 细胞抑制组。
差异基因集功能分析：
对 B 细胞激活组和 B 细胞抑制组的差异表达基因进行 GO 富集分析，揭示其功能差异。
利用 CellChat 软件分析两组之间的细胞通讯网络，探究 B 细胞在 HNSCC 免疫微环境中的作用。
验证分析：
将 B 细胞差异表达基因集应用于 TCGA HNSCC 数据集，验证其分类方法的有效性。
比较两组患者之间免疫细胞浸润情况、肿瘤免疫逃逸能力 (TIDE 评分) 和典型免疫抑制分子表达水平，评估其对免疫治疗的预测价值。
生存分析：
基于 LASSO 回归分析，从 B 细胞激活基因集中筛选出与预后相关的基因，构建预后风险模型。
对 TCGA HNSCC 患者和临床 HNSCC 患者进行生存分析，验证模型的预测能力。
利用免疫组化技术验证模型中基因的表达水平。
实验结果
Figure 1
通过单细胞分析鉴定基于 TIL-Bs 的免疫亚型
使用Seurat进行聚类，以确定主要的免疫细胞类型。每种细胞类型都是根据经典标记基因和文献证据确定的。然后，分析每个患者样本中免疫细胞类型的比例，以观察所有样本中肿瘤免疫环境的状态。
为了研究TIL-Bs在HNSCC中的功能亚群和潜在作用，重新聚类在第一级聚类中被定义为B细胞的细胞，获得15个不同的B细胞亚群。再使用ConsensusClusterPlus对25个HNSCC样本重新聚类。PCA分析根据基因组，将样本分为B细胞激活组和B细胞抑制组两组。这两组样本的CD8+T细胞比例和数量差异最大（补充图1b-d），表明这两组样本的抗肿瘤免疫力可能存在差异。
Figure 2
基于 TIL-Bs 的免疫亚型特征
以log2FC > 1 和 P < 0.05 为临界值，在B细胞激活组和抑制组之间发现了43个差异表达基因（DEG）（21个上调，22个下调）。将21个上调基因定义为B细胞活化基因特征（BCAGS），用于下一步验证分析。
根据GO功能富集分析，上调基因高度富集于B细胞活化调控、B细胞受体信号通路和B细胞活化通路。
使用CellChat对总体和不同数量和强度的相互作用以及“配体-受体”相互作用进行了无偏见分析。B细胞激活组免疫细胞相互作用的整体强度增加。补充图2g的结果表明，B细胞活化组通过细胞间的相互交流提高了抗肿瘤免疫力。
这些细胞间通讯数据为基于B细胞特征基因HNSCC分类形成免疫细胞间通讯分层提供了证据。
Figure 3
在另一个数据集中验证基于 TIL-Bs 的分类方法
验证结果支持这种分类方法存在抗肿瘤免疫差距的可能性。在基因水平上对单细胞群分类一致性的验证结果也与之前的研究一致，上调的基因主要是B细胞活化相关基因。
这些细胞间通讯数据为不同单细胞队列基于B细胞特征基因对HNSC分类的一致性提供了证据。
*其他数据可在补充图中查阅。
Figure 4
基于 TIL-Bs 的分类方法在TCGA队列中的应用
以往的研究表明，B细胞与肿瘤患者总生存率（OS）的提高有关。本研究的Kaplan-Meier曲线也显示B细胞激活组患者的生存预后明显更好。使用ssGSEA观察28个浸润免疫细胞群的相对丰度，结果显示B细胞活化组区域的免疫细胞浸润丰度较高。
总之，该研究团队的数据证明了这种分类方法在单细胞和RNA-seq队列中的一致性。
*其他数据可在补充图中查阅。
Figure 5
基于 B细胞的分类可准确预测免疫治疗反应
使用ESTIMATE函数评估了肿瘤中基质细胞和免疫细胞的浸润比例，并推断出肿瘤的纯度。与B细胞抑制组相比，B细胞激活组的免疫评分、机制评分和ESTIMATE评分更高，肿瘤纯度更低。B细胞抑制组患者的抑制受体明显下调。
团队计算了两组患者的肿瘤免疫功能障碍和排斥（TIDE）评分，以评估肿瘤免疫逃避的可能性，并预测对免疫反应的反应。结果显示，B细胞激活组的TIDE评分低于B细胞抑制组。
TIDE 评分越低通常与 ICB 治疗效果越好相关。研究结果表明，B 细胞活化组患者可能对 ICB 治疗敏感。
Figure 6
揭示HNSCC患者预后的四基因风险模型
利用LASSO回归分析优化了BCAGS，发现了四个基因组合（JCHAIN、GZMB、IGHA1 和 PDRX4），促进了关键预后风险模型的构建。其中，JCHAIN、GZMB 和 IGHA1 在低风险组的表达明显升高，而 PDRX4 在高风险组的表达明显升高。
对TCGA队列进行单变量Cox回归分析，试图确定风险评分是否能脱离传统临床因素，自主预测患者预后。研究结果揭示了风险评分是OS的自主预兆。此外，在TCGA队列中，风险评分在预测OS方面的功效也很明显，显示了其在长期预后方面的能力。
对招募的由20名异质性HNSCC患者组成的临床队列的实验结果与构建的风险模型完美吻合，肯定了这四个基因在预测HNSCC患者生存结果方面作为可靠的预后生物标志物的潜力。
总结
通过利用复杂的 LASSO 和随机森林生存模型，团队发现了四个稳健的基因（JCHAIN、GZMB、IGHA1 和 PDRX4），它们在预测患者总体生存期方面具有显著的潜力，AUC 值就是例证。
团队的创新预测模型对生物标志物进行了细致的评估，能够根据风险对患者进行分层，从而促进治疗策略的定制。
将团队的模型整合到常规评估中，可提供对预后的全面展望，从而做出明智的决策并优化治疗方式，显著提高患者的治疗效果。
总之，通过联合分析单细胞和TCGA HNSCC数据，建立并验证了基于B细胞DEGs特征的HNSCC分类，该分类能有效预测患者预后和患者对免疫疗法的反应。构建的预后风险模型可为临床HNSCC分类和免疫治疗提供指导。该研究为基于肿瘤浸润的免疫细胞肿瘤分类奠定了基础，从而实现对HNSCC的精准治疗。
想要高效发文，还得是找雪球老师！跟着大部队走，走着走着就会发现思路和技能都到了Next Level~
如果你想做单细胞-临床预测模型套路的生信，想获得拆解的原文献，或者想收看最新的直播课程，就扫码添加雪球老师获得更多资讯吧~
现在添加雪球老师微信，回复“0613”,即可获取原文~
都看到这里了，点个星标再走吧！