神经元特征推断与分组
利用xCell算法从批量转录组中推断神经元评分,并将肿瘤分为高、低两组以进行后续比较。
对TCGA和GSE84437队列的转录组数据,使用xCell算法计算每个肿瘤样本的神经元评分。为保留生物学对比并保证样本量,按评分分布下三分位数分层,将评分低于33%定义为低,其余为高。
Neuron-Associated Transcriptional Enrichment Is Associated with Distinct Biological States and Predicts Poor Prognosis in Gastric Cancer
基于两个独立公共队列的转录组和临床数据进行生物信息学分析,包括神经递质受体表达、GSEA、免疫微环境以及与预后的关联验证,但缺乏体外或体内功能验证。
TCGA-STAD胃癌队列 GSE84437胃癌队列
利用xCell算法计算的神经元富集评分对肿瘤进行分层,上三分之二定义为高 对神经递质受体基因(如ADRB1-3、DRD1-3、CHRM1/2/4/5、CALCRL/RAMP1等)的表达差异进行分析,效应量采用Hedges's g与95%CI 利用MSigDB hallmark基因集进行GSEA分析,鉴定神经元评分高和低肿瘤间富集的通路 Cox回归分析中纳入年龄、T分期、N分期等变量,评估神经元评分的独立预后价值 TCGA队列中,突变负荷和瘤内异质性指标来自Thorsson等人已发表的TCGA免疫基因组学数据集
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
利用xCell算法从批量转录组中推断神经元评分,并将肿瘤分为高、低两组以进行后续比较。
对TCGA和GSE84437队列的转录组数据,使用xCell算法计算每个肿瘤样本的神经元评分。为保留生物学对比并保证样本量,按评分分布下三分位数分层,将评分低于33%定义为低,其余为高。
评估神经元评分高低与神经递质受体基因表达差异,以探究神经-肿瘤信号传导潜力。
比较神经元评分高肿瘤与低肿瘤之间β-肾上腺素能受体(ADRB1-3)、多巴胺受体(DRD1-3)、毒蕈碱型乙酰胆碱受体(CHRM1/2/4/5)以及感觉传入相关基因(TACR1、CALCRL、RAMP1、TRPV1)的表达差异,使用Hedges's g计算效应量。
鉴定神经元评分高低肿瘤中富集的生物学通路,以明确其相关肿瘤程序。
使用MSigDB hallmark基因集对神经元评分高与低肿瘤进行GSEA,重点分析EMT、E2F靶点、G2M检查点、MYC靶点、DNA修复及未折叠蛋白反应等通路。
比较神经元评分高低肿瘤的免疫细胞浸润差异,评估免疫相关程序。
利用xCell反卷积评估免疫细胞(如CD4+ T细胞、Th1、Th2、Treg、NK细胞、巨噬细胞等)的浸润分数,并对IFN-α和IFN-γ反应等免疫相关基因集进行GSEA。
评估神经元评分高低肿瘤的基质细胞组成及基因组特征差异。
使用xCell估计脂肪细胞、成纤维细胞、淋巴管内皮细胞、微血管内皮细胞和周细胞的浸润分数。对于TCGA队列,整合已发表的突变负荷和瘤内异质性指标,比较神经元评分高低肿瘤间的异质性、静息/非静息突变率等。
评估神经元评分与胃癌患者总体生存期之间的关联及其独立预后价值。
使用Kaplan-Meier曲线和对数秩检验比较神经元评分高与低患者的OS,并采用Cox比例风险回归进行单因素和多因素分析,调整年龄、T分期、N分期等临床病理变量。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 神经元评分计算 | xCell算法版本及参数设置,神经元评分基因集来源 阅读提示:见Methods“Inference of Neuronal Features Using xCell” |
| 神经递质受体表达分析 | 效应量计算方法(Hedges's g)及置信区间 阅读提示:见Methods“Neurotransmitter Receptor Expression Analysis” |
| 功能富集分析 | MSigDB hallmark基因集版本,GSEA参数(如排序方法、置换次数) 阅读提示:见Methods“Tumor Microenvironment Profiling and Functional Enrichment Analysis” |
| 生存分析 | Cox模型中的协变量及分层变量 阅读提示:见Results“Neuron Score Is Independently Associated with Adverse Survival”及Table 1 |