基因特征构建
构建能够反映肿瘤组织中基质和免疫细胞浸润的基因表达特征。
通过比较正常造血细胞与其他正常细胞的表达谱、利用白细胞甲基化评分定义高/低免疫浸润组、比较激光捕获显微切割后的肿瘤细胞与基质细胞组分、过滤高变基因和胶质瘤干细胞高表达基因,最终得到141个基质基因和141个免疫基因。
Inferring tumour purity and stromal and immune cell admixture from expression data.
包含体外细胞分选实验、公共表达数据集验证、独立验证集以及多种肿瘤类型数据分析,具有功能验证和机制推断。
卵巢癌肿瘤样本及EpCAM分选细胞组分 TCGA多种肿瘤类型表达数据集 公共结构域独立验证集(n=195) 癌症细胞系表达数据集(CCLE)
卵巢癌样本经EpCAM微珠分选为EpCAM阳性和阴性组分,比较基质和免疫评分 使用激光捕获显微切割的卵巢、乳腺、结肠癌数据比较肿瘤细胞与基质细胞组分 ESTIMATE评分与ABSOLUTE基于DNA拷贝数的肿瘤纯度在TCGA卵巢癌数据集中进行相关性分析 在独立验证集(n=195)中评估ESTIMATE预测肿瘤纯度与ABSOLUTE纯度的相关性 采用ROC曲线分析,以ABSOLUTE纯度的0.9、0.8、0.7、0.6为 cutoff 评估AUC
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。
构建能够反映肿瘤组织中基质和免疫细胞浸润的基因表达特征。
通过比较正常造血细胞与其他正常细胞的表达谱、利用白细胞甲基化评分定义高/低免疫浸润组、比较激光捕获显微切割后的肿瘤细胞与基质细胞组分、过滤高变基因和胶质瘤干细胞高表达基因,最终得到141个基质基因和141个免疫基因。
验证基质和免疫评分与肿瘤样本中非上皮细胞组分的关联。
取三例新鲜冷冻卵巢癌样本,酶解和机械解离后,用EpCAM抗体包被的微珠分选为EpCAM阳性和阴性组分,对 bulk 肿瘤、EpCAM阳性、EpCAM阴性组分进行基因表达谱分析,比较基质和免疫评分。
在独立公共数据集中验证基质和免疫评分在肿瘤细胞富集与基质富集组分间的差异。
利用三个独立公共数据集(卵巢癌GSE29156、乳腺癌GSE10797、肺癌GSE33363)的激光捕获显微切割样本,比较肿瘤细胞富集部分与基质富集或bulk肿瘤的评分。
评估ESTIMATE评分与基于DNA拷贝数的肿瘤纯度的相关性。
在TCGA卵巢癌Agilent表达谱数据(n=417)中,计算基质、免疫和ESTIMATE评分与ABSOLUTE肿瘤纯度的Pearson相关系数,并进行ROC曲线分析。
在多种肿瘤类型和不同表达平台上评估ESTIMATE算法的预测准确性。
将ESTIMATE应用于TCGA中10种肿瘤类型(四种平台:Affymetrix、Agilent、RNAseq、RNAseqV2),以ABSOLUTE纯度为基础进行ROC分析,计算AUC。
建立基于ESTIMATE评分的肿瘤纯度预测模型,并在独立数据集中验证。
使用TCGA Affymetrix数据(n=995,排除6个离群值)通过Eureqa和 nonlinear least squares 拟合公式,将ESTIMATE评分转换为[0,1]范围的肿瘤纯度预测值。在独立验证集(n=195,包含7个公共数据集)中评估预测纯度与ABSOLUTE纯度的相关性。
评估ESTIMATE预测肿瘤纯度的特异性,以及细胞粘附、迁移等过程对评分的影响。
使用27个癌细胞系样本(GSE34211)的拷贝数和表达数据,计算ESTIMATE和ABSOLUTE的均方根误差;使用10个正常卵巢上皮样本(GSE18520)计算ESTIMATE评分;使用26个肺腺癌细胞系(GSE17708)经TGF-β1处理或未处理,评估ESTIMATE评分变化。
验证免疫评分与基于甲基化的白细胞比例估计的相关性。
从Synapse下载白细胞甲基化评分数据,计算其与基质、免疫和ESTIMATE评分的相关性。
描述不同肿瘤类型中基质和免疫评分的分布特征。
使用TCGA和非TCGA的10种肿瘤类型数据集,分析基质和免疫评分的分布。
探究肿瘤纯度对体细胞突变检测和突变谱的影响。
按ESTIMATE评分将样本分为高纯度(最低25%)和低纯度(最高25%)亚组,比较每兆碱基突变数以及六类碱基替换的相对贡献。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 组织酶解 | HBSS Liberase研究级 | Roche | 05-401-119-001 |
| 细胞分选 | EpCAM抗体包被微珠 | Miltenyi Biotec | 130-061-101 |
| 基因表达谱分析 | Illumina BeadChip Human HT-12 v4 | -- | -- |
| 微阵列数据归一化 | GeneSpring GX 11.5 | Agilent Technologies | -- |
| 公式拟合 | Eureqa Formuliza 0.97 Beta | -- | -- |
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 |
|---|---|
| 微珠细胞分选 | 酶解条件:Liberase浓度0.8 mg/ml,37°C孵育1小时;分选抗体:EpCAM微珠#130-061-101;样本量:3例卵巢癌 阅读提示:Methods中Microbead-based cell sorting小节 |
| 基因特征构建 | 免疫浸润分组阈值:白细胞甲基化评分>97百分位和<3百分位;基质基因筛选:至少在两个数据集中重叠;基因过滤:MAD<0.5,胶质瘤干细胞表达排名低于中位数 阅读提示:Methods中Gene selection小节及Supplementary Fig. S1 |
| 与ABSOLUTE纯度关联分析 | TCGA卵巢癌Agilent数据集样本量:n=417(排除28例用于基因选择的样本);ABSOLUTE纯度来源:TCGA工作组;ROC cutoff值:0.9、0.8、0.7、0.6 阅读提示:Results中Estimation of infiltrating cells and tumour purity小节及Fig. 3 |
| 肿瘤纯度预测模型构建 | 训练集样本量:n=995(TCGA Affymetrix数据排除6个离群值后);验证集样本量:n=195(7个公共数据集);排除离群值方法:广义极值学生化偏差检验 阅读提示:Methods中ESTIMATE小节及Supplementary Fig. S8 |
| 突变分析 | 高/低纯度分组阈值:ESTIMATE评分最高25%和最低25%;突变类型:Frame_Shift_Del/Ins、In_Frame_Del/Ins、Missense_Mutation、Nonsense_Mutation;多重检验校正:Benjamini-Hochberg FDR 阅读提示:Methods中Mutation analysis小节及Supplementary Table S5 |