基于转录组数据的TIME亚型鉴定
利用ssGSEA和GSEA分析24种免疫细胞浸润，鉴定ACC的肿瘤免疫微环境（TIME）亚型，并评估其预后差异。
对TCGA和GEO队列（GSE76019、GSE76021）的ACC样本进行ssGSEA，鉴定出三个TIME聚类（A、B、C），并分析免疫检查点表达和预后。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
肾上腺皮质癌治疗中代谢和免疫基因簇的多模态表征
Multi-modal characterization of metabolic and immune gene clusters in adrenocortical carcinoma treatment.
实验完整度
高包含转录组分析、AI病理模型、单细胞测序、体外细胞实验、免疫组化等多层级证据，并进行功能验证（DHCR7敲低增加米托坦敏感性）和机制探索。
主要模型
肾上腺皮质癌细胞系NCI-H295R 肾上腺皮质癌细胞系SW-13 ACC患者肿瘤组织（TCGA及大连医科大学附属医院） 单细胞RNA测序的ACC肿瘤样本
重点核对
SIS分组阈值（1.041494）及其与预后的关联 ResNet50模型在WSI分类中的AUC（0.8214）和准确率（0.71） DHCR7敲低后米托坦处理后细胞活力变化 外部验证队列的淋巴细胞浸润程度 单细胞RNA测序中肿瘤细胞亚群比例（癌细胞78.95%）
摘要
肾上腺皮质癌（ACC）是一种罕见且侵袭性的内分泌恶性肿瘤，治疗选择有限，患者预后差异显著。挑战在于将ACC的复杂信息与人工智能（AI）及临床和病理数据相结合，以实现精准医学并改善患者预后。我们利用基因组学、数字病理学和人工智能的多模态分析开发了类固醇相关免疫评分（SIS），并在外部数据集中进行了验证。此外，我们对小样本进行了单细胞RNA测序（scRNA-seq）和体外功能实验。SIS在ResNet50和Vision Transformer-B16模型中表现出稳定的性能，AUC为0.8 ± 0.01。我们在外部ACC队列中验证了最佳模型。使用类激活映射（CAMs）技术揭示SIS与淋巴细胞浸润相关，使其成为Weiss评分系统之外的新特征。高SIS组患者对免疫治疗反应良好，而低SIS组对激素抑制治疗表现出适应性。单细胞RNA测序数据揭示了肿瘤微环境与ACC耐药性之间的关系。体外功能实验表明，DHCR7基因表达升高与不良预后和治疗敏感性相关，将其确定为潜在治疗靶点。此外，ACC与精神分裂症的代谢特征存在相似性，例如钙和铁离子水平。我们的多模态分析全面表征了ACC的免疫微环境，强调了影响ACC患者对免疫和激素治疗反应的代谢和免疫基因簇的协同调控。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何通过多模态分析（包括AI病理分析和多组学）对肾上腺皮质癌（ACC）进行分子分型，并揭示其免疫微环境、耐药机制及潜在治疗靶点，以指导个性化治疗？
- 核心机制
- 高SIS组富集免疫相关通路，与淋巴细胞浸润相关，对免疫检查点阻断治疗反应良好；低SIS组富集类固醇合成通路，与肾上腺皮质分化相关，对激素抑制治疗（如米托坦）更敏感。DHCR7作为胆固醇合成关键基因，其高表达与不良预后相关，敲低可增加米托坦敏感性。
- 主要证据
- TCGA和GEO队列的转录组分析、AI病理模型（ResNet50和ViT-B16）验证、单细胞RNA测序揭示肿瘤与免疫细胞相互作用、体外实验（CCK-8）证明DHCR7敲低增强米托坦敏感性。
- 研究意义
- 为ACC的精准分型和个性化治疗提供新策略，提示DHCR7作为潜在治疗靶点，并指出代谢与免疫基因簇的协同调控对治疗反应的重要性。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基于DEGs的基因聚类和SIS评分构建
基于TIME亚型间的差异表达基因（DEGs）进行无监督聚类，并开发类固醇相关免疫评分（SIS）系统。
识别18个常见DEGs，进行一致性聚类（k=2），分为基因簇A和B，通过PCA计算SIS评分，并根据最佳截断值将患者分为高低SIS组。
AI病理图像验证SIS分组
利用深度学习模型（ResNet50和ViT-B16）分析全切片图像（WSIs），验证SIS分组的有效性，并探索其病理特征。
对WSIs进行预处理（分块、颜色归一化、去除背景），训练深度学习模型进行SIS分类，并使用CAMs可视化与SIS相关的病理特征，包括淋巴细胞浸润。
SIS亚型的临床关联分析
验证SIS分组与临床预后、病理参数及已知分子亚型的关系。
分析SIS分组与COC、C1A/B亚型、免疫亚型的相关性，并通过Kaplan-Meier曲线和Cox回归评估生存差异，同时比较基因组改变。
低SIS组与类固醇合成关联分析
探索低SIS组的类固醇合成特征及其与肾上腺功能和米托坦敏感性的关系。
通过GSEA和GSVA分析通路富集，鉴定类固醇合成相关基因（如DHCR7），并通过体外实验（CCK-8）评估米托坦对ACC细胞系的抑制作用及DHCR7敲低的效果。
高SIS组与免疫特征关联分析
分析高SIS组的免疫微环境特征及其对免疫治疗反应的预测价值。
计算ESTIMATE评分、免疫细胞浸润、IPS、TIDE评分等，并分析免疫细胞与肿瘤细胞的相互作用，包括单细胞RNA测序揭示的配体-受体对。
药物敏感性预测
基于SIS分组预测药物敏感性，并挖掘潜在治疗药物。
使用GDSC1/2数据集预测药物敏感性，通过CMap和SPIED3筛选候选药物，并分析药物靶向通路与SIS分组的关系。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证细胞功能变化
评估体内效果
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | DMEM培养基 | EallBio | -- |
| DMEM/F12培养基 | EallBio | 03.1012 | |
| 胎牛血清 | PAN Seratech | ST30-3302 | |
| 青霉素-链霉素 | Procell | PB180120 | |
| 胰岛素-转铁蛋白-硒补充剂 | Procell | PB1804 | |
| 细胞活性检测 | 细胞计数试剂盒-8 | ApexBio | K1018 |
| 转染 | 脂质体转染试剂2000 | Life Technologies | -- |
| 免疫组化 | 抗DHCR7抗体 | ZEN-BIOSCIENCE | 822232 |
| HRP标记的抗兔二抗 | JiJia Biotechnology | J0046 | |
| 单细胞测序 | 10x Genomics Chromium控制器 | 10x Genomics | -- |
| 单细胞3'文库和凝胶珠试剂盒V3.1 | 10x Genomics | 1000121 | |
| Illumina Novaseq6000测序仪 | Illumina | -- | |
| 组织处理 | MACS组织保存液 | Miltenyi Biotec | -- |
| 细胞计数 | Countstar荧光细胞分析仪 | Countstar | -- |
| 病理图像扫描 | 全景数字病理切片扫描仪 | Songming Medical Tech | BL-006 |
| 药物处理 | 米托坦 | -- | -- |
关键环节
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 |
|---|---|
| SIS评分计算 | 使用18个DEGs，SIS=PC1A+PC1B，最佳截断值1.041494 阅读提示：Methods: Development of the Steroid-related Immune Score (SIS) System |
| AI病理模型训练 | WSI分块大小256x256, 10倍放大, 5折交叉验证, 训练集和测试集划分3:1:1 阅读提示：Methods: Image preprocessing, data partitioning, and external validation |
| 细胞培养和药物实验 | 细胞系NCI-H295R和SW-13, 培养基条件, 米托坦浓度（IC50分别为4.684μM和6.918μM） 阅读提示：Methods: Cell culture, transfection and pharmacological assays |
| DHCR7敲低实验 | siRNA转染效率, 转染后48小时, 药物处理浓度 阅读提示：Methods: Cell culture, transfection and pharmacological assays |
| 单细胞RNA测序 | 样本来源（1例低SIS患者）, 细胞浓度300-600 cells/μL, 基因筛选条件（avg_log2FC>0.4） 阅读提示：Methods: Single-cell RNA sequencing(scRNA-seq) and related analysis |