单细胞转录组分析
表征结肠癌肿瘤微环境中的免疫细胞类型，并基于ICD评分评估T细胞异质性。
从结肠癌图谱获取单细胞RNA-seq数据，经质控、标准化后，鉴定7种主要细胞类型，提取T细胞进行再聚类，使用ssGSEA计算每个T细胞的ICD评分，并根据中位数分为高、低ICD评分组。
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
多组学整合与机器学习驱动的结肠癌免疫原性细胞死亡预后模型构建及FCGR2A功能验证
Multi-omics integration and machine learning-driven construction of an immunogenic cell death prognostic model for colon cancer and functional validation of FCGR2A.
实验完整度
高包含单细胞转录组、TCGA/GTEx批量转录组及两个GEO外部验证队列，并使用117种机器学习组合构建模型，最后通过体外实验验证FCGR2A功能。
主要模型
TCGA-COAD及GTEx正常结肠组织队列 GSE17538和GSE38832验证队列 结肠癌单细胞转录组数据 HCT116结肠癌细胞系
重点核对
TCGA-COAD队列420个肿瘤样本及41个癌旁组织，与GTEx 779个正常结肠样本合并，使用ComBat校正批次效应 RSF模型参数：ntree=1000, nodesize=5，固定种子1234 T细胞鉴定标准：至少两个CD3基因表达且无NK/ILC标记 FCGR2A过表达慢病毒感染HCT116细胞，MOI=10，嘌呤霉素筛选 CCK-8增殖实验在96孔板中每孔2000细胞，重复5孔，检测0、24、48、72小时
摘要
背景：免疫原性细胞死亡（ICD）影响肿瘤免疫微环境重塑和免疫治疗反应。然而，ICD相关基因在结肠癌中的预后价值尚未被系统阐明。本研究旨在开发基于ICD的预后模型，并探讨其与免疫微环境和治疗敏感性的关系。方法：从TCGA和GTEx获取结肠腺癌（COAD）患者的转录组和临床数据，并以GSE17538和GSE38832作为外部验证队列。分析来自结肠癌图谱的单细胞RNA-seq数据，以表征ICD相关的T细胞状态。使用ssGSEA鉴定高、低ICD评分T细胞之间的差异表达基因，随后使用WGCNA选择免疫相关模块。评估了一百一十七种机器学习模型组合以构建最佳预后特征。使用CIBERSORT、ssGSEA和ESTIMATE评估免疫浸润。GSEA探索通路差异，而药物敏感性使用pRRophetic预测。通过体外实验验证权重最高的基因。结果：在肿瘤微环境中鉴定了七种主要细胞类型。具有高和低ICD评分的T细胞表现出不同的功能和空间模式。WGCNA鉴定了一个与ICD评分高度相关的关键模块，筛选出51个基因。随机生存森林模型产生了一个15基因的ICD相关特征，具有强大的预后性能（TCGA中C指数为0.968；验证队列中为0.767和0.855）。高风险患者持续显示较差的生存（p < 0.001）。组合列线图显示出稳定的预测准确性。高风险患者显示M2巨噬细胞和Tregs增加，而低风险患者显示活化的CD4+ T细胞和浆细胞更高。EMT和血管生成途径在高风险组中富集，而代谢途径在低风险组中占主导。高风险患者对达沙替尼等药物更敏感。FCGR2A过表达在体外促进增殖、迁移和侵袭。结论：基于15基因的ICD模型有效预测COAD预后，反映免疫微环境异质性，并为个体化治疗计划提供见解。
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
- ICD相关基因在结肠癌中的预后价值及其与免疫微环境和治疗敏感性的关联尚不清楚，本研究旨在开发基于ICD的预后模型并探索其临床意义。
- 核心机制
- 高风险组肿瘤微环境呈免疫抑制特征（M2巨噬细胞和Treg富集），并富集EMT和血管生成通路，而低风险组以代谢通路为主；FCGR2A过表达促进结肠癌细胞增殖、迁移和侵袭。
- 主要证据
- 通过单细胞RNA-seq鉴定T细胞亚群ICD异质性，WGCNA筛选免疫相关模块，117种机器学习组合构建15基因模型，在TCGA和两个GEO队列中验证预后价值，并通过体外实验证明FCGR2A的促癌功能。
- 研究意义
- 该ICD预后模型可有效预测COAD患者预后，反映免疫微环境异质性，为个体化治疗计划提供依据，并可能为开发新的治疗靶点奠定基础。
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。
WGCNA模块筛选
识别与免疫评分显著相关的共表达基因模块，并筛选潜在的免疫相关预后标志物。
使用TCGA-COAD转录组数据，以免疫评分为性状，选择软阈值β=5，进行WGCNA分析，鉴定与免疫评分显著相关的蓝色模块，并与肿瘤/正常组织差异表达基因取交集。
机器学习模型构建与验证
基于候选基因使用多种机器学习算法组合构建最优预后模型。
使用10种机器学习算法（RSF、Enet、LASSO、CoxBoost、StepCox、Ridge、plsRcox、SuperPC、GBM、survival-SVM）及其组合共117种，在训练集上评估C-index，选择性能最佳的RSF算法构建15基因预后模型，并在两个外部验证队列中验证。
预后模型与临床特征关联分析
评估风险评分与临床病理特征的关系及模型在不同亚组中的预后预测能力。
绘制风险评分在不同T分期、总体分期中的分布，进行年龄和分期亚组的生存分析，并构建列线图预测1、3、5年生存率。
功能富集与免疫微环境分析
阐明高低风险组之间的通路差异和免疫细胞浸润模式。
使用GSEA和GSVA进行通路富集分析，使用CIBERSORT、ssGSEA和ESTIMATE评估22种免疫细胞和28种免疫细胞亚型的浸润水平，并分析15个特征基因与免疫细胞的相关性。
药物敏感性预测
预测高低风险组患者对常用抗肿瘤药物的敏感性差异。
使用pRRophetic包基于肿瘤基因表达预测IC50值，比较8种药物在高低风险组间的IC50差异。
FCGR2A体外功能验证
验证权重最高的基因FCGR2A在结肠癌细胞中的表达和功能。
通过Western blot检测FCGR2A在结肠癌细胞系和正常结肠上皮细胞系中的蛋白表达；构建FCGR2A过表达HCT116细胞，进行CCK-8、集落形成、划痕愈合和Transwell实验检测增殖、迁移和侵袭能力。
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。
数据获取与预处理
单细胞数据分析
免疫评分与WGCNA
药物敏感性预测
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | RPMI-1640培养基 | -- | -- |
| 胎牛血清 | Gibco | -- | |
| 青霉素-链霉素 | -- | -- | |
| Western blot | RIPA裂解液 | Beyotime | -- |
| 蛋白酶抑制剂 | Roche | -- | |
| 磷酸酶抑制剂 | Roche | -- | |
| BCA蛋白定量试剂盒 | Thermo Fisher | -- | |
| PVDF膜 | Millipore | -- | |
| FCGR2A抗体 | Elabscience | -- | |
| β-肌动蛋白抗体 | Elabscience | -- | |
| β-微管蛋白抗体 | Elabscience | -- | |
| HRP标记的二抗 | -- | -- | |
| ECL化学发光试剂盒 | Millipore | -- | |
| 化学发光成像系统 | Bio-Rad | -- | |
| 细胞转染 | pLVX-IRES-Puro载体 | Clontech | -- |
| psPAX2包装质粒 | -- | -- | |
| pMD2.G包膜质粒 | -- | -- | |
| 聚凝胺 | Sigma | -- | |
| 嘌呤霉素 | Sigma | -- | |
| 增殖检测 | CCK-8试剂盒 | Dojindo | -- |
| 酶标仪 | BioTek | -- | |
| 迁移和侵袭 | Transwell小室 | Corning | -- |
| 侵袭 | Matrigel基质胶 | BD Biosciences | -- |
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 |
|---|---|
| 数据获取与预处理 | TCGA-COAD包含420个肿瘤样本和41个癌旁样本，GTEx提供779个正常结肠样本；使用ComBat进行批次效应校正，并对表达值进行log2(TPM+1)转换。 阅读提示：Methods 2.1 Data acquisition and preprocessing |
| 单细胞分析 | 质控阈值：nFeature_RNA 200-6000，nCount_RNA 500-40000，percent.mt <20%，percent.ribo <50%；T细胞鉴定标准；ICD评分分组基于中位数。 阅读提示：Methods 2.2 Single-cell RNA sequencing analysis |
| WGCNA | 软阈值β=5（R²=0.85），模块检测参数minModuleSize=50，mergeCutHeight=0.15；免疫评分基于ssGSEA，基因集来自ImmPort和InnateDB。 阅读提示：Methods 2.3 Weighted gene Co-expression network analysis |
| 机器学习模型构建 | RSF参数：ntree=1000, nodesize=5；固定种子1234；其他算法参数如交叉验证次数等。 阅读提示：Methods 2.4 Machine learning prognostic model construction |
| 模型验证 | 外部验证队列GSE17538（n=232）和GSE38832（n=122）的生存信息类型（OS/DSS）；时间依赖ROC分析的时间点。 阅读提示：Methods 2.5 Model performance validation and clinical association analysis |
| 体外功能验证 | 细胞系HCT116和正常结肠上皮细胞；培养条件（10% FBS, 1% 青霉素-链霉素，37°C, 5% CO2）；FCGR2A过表达慢病毒感染MOI=10，嘌呤霉素筛选浓度2 μg/mL；CCK-8实验每孔2000细胞，五个重复；集落形成每孔500细胞；划痕和Transwell的具体条件。 阅读提示：Methods 2.10 Key gene functional Experimental Validation |