今天跟大家分享的是发表在NATURE COMMUNICATIONS（IF: 12.121）上的一篇关于免疫浸润分析的文章。免疫是当今医学研究领域的热点课题之一，肿瘤微环境在肿瘤进化和免疫治疗中起着关键作用。在我们的一贯认知中，无论是如MCPcounter，TIminer等基于标记基因的评分方法，还是如DeconRNASeq，CIBERSORT，TIMER等基于表达特征对细胞混合物进行反卷积的评分方法，都是在基因表达数据的前提下完成对免疫细胞比例的量化。在今天的文章中，小编想向大家介绍一种不太常见的免疫浸润分析量化方法-DNA甲基化。那么这种方法到底是如何实现的呢，就让我们带着这份疑问一起开始今天的文章解读之旅吧。 Pan-cancer deconvolution of tumour composition using DNA methylation基于DNA甲基化的免疫浸润泛癌分析索要分析方案，扫码添加小姐姐微信吧1.数据（1）在GEO等公共数据库和文献中检索成纤维细胞以及CD8+等7种免疫细胞的甲基化表达数据。（2）TCGA数据中22种癌症患者的DNA甲基化数据，转录组数据和基因组数据。（3）三组免疫检查点抑制剂(Ipilimumab / Nivolumab，Ipilimumab，Nivolumab)作用下的黑色素瘤的基因表达数据。2. MethylCIBERSORT方法的构建与验证在GEO等公共数据库和文献中检索成纤维细胞以及CD8+等7种免疫细胞的甲基化表达数据，通过对成纤维细胞和不同免疫细胞甲基化表达数据的两两比较，确定相应细胞中的甲基化Signature。基于甲基化Signature的预测结果和金标准高度一致（Fig 1.a），预测准确性远高于基于表达数据的CIBERSORT预测方法（Fig 1.b-d）。为验证MethylCIBERSOR方法在实际肿瘤中的应用，科学家们将研究重点放在已有实验证实肿瘤浸润淋巴细胞具有重大预后价值的HNSCC（头颈鳞癌）上。基于MethylCIBERSORT方法对TCGA中464例HNSCC患者的肿瘤细胞纯度和细胞浸润比例进行预测，并和LUMP,ESTIMATE等预测结果比较，发现MethylCIBERSORT的结果与ABOSOLUTE结果更为相似，更能反映肿瘤细胞的纯度（Fig 1.e）。另外，研究者还发现可以基于MethylCIBERSOR方法对HNSCC患者的HPV状态进行预测，在HPV阳性患者中B细胞，T淋巴细胞等浸润程度更高（Fig 1.f），HPV阴性患者中不同细胞之间相关性较高（Fig 1.g），且免疫浸润程度越高，预后越好。 . MethylCIBERSORT方法的构建与验证 3.基于MethylCIBERSORT结果将HNSCC患者分为免疫Hot和Cold组对MethylCIBERSORT的预测结果进行无监督聚类，将头颈鳞癌患者分为免疫Hot组和免疫Cold组。一些具有抗肿瘤作用的免疫细胞在免疫Hot组中浸润程度更高（Fig 2.a）。细胞的免疫浸润程度和溶细胞活性(Cytolytic activity)相关，相关性越高，说明抗肿瘤的免疫作用越强（Fig 2.b）。免疫Hot组中溶细胞活性更高（Fig 2.c），且CD8+T细胞与T细胞的比值也更高（Fig 2.d）。另外，两组中发生高频突变的driver基因也存在较大差异（Fig  2.e）。 . MethylCIBERSORT与HNSCC患者的免疫Hot，Cold分组4.基于MethylCIBERSORT结果将Pan-cancer患者分为免疫Hot和Cold组基于头颈鳞癌的免疫细胞浸润结果，通过弹性网络构建一个分类器。为得到高精度的分类结果，采用五倍交叉验证方法对结果进行验证，并通过弹性网络对TCGA中21个种癌症类型的甲基化数据进行分析，将患者分为免疫Hot和Cold组（Fig  3.a）。与HNSCC中结果一致，在免疫Hot组中CD8+T细胞，T细胞以及B淋巴细胞显著富集，TCR序列宽度增加，M2巨噬细胞比例增加（Fig 3.b-d,f）。另外，研究者还识别到365个在免疫Hot和Cold组中发生差异表达的基因，并对其进行IPA通路分析（Fig  3.e）。 . Pan-cancer患者的免疫Hot，Cold分组 5.免疫分组与ICB（免疫检查点封锁）响应研究者推断免疫Hot组的患者适用于免疫治疗且治疗响应程度更高，并使用来自三组免疫检查点抑制剂(Ipilimumab / Nivolumab，Ipilimumab，Nivolumab)作用下的黑色素瘤的基因表达数据评估这一假设。应答者和非应答者基因表达存在差异（Fig 4.a-b）,对Ipilimumab和Nivolumab治疗下免疫Hot组中的特征基因进行ssGSEA富集分析，发现响应患者的富集分数显著高于非响应患者（Fig 4.c-d）。另外，在不同药物作用下的响应患者在基因表达，突变负荷和抗原负荷间存在一定异质性（Fig  4.e）。 . 免疫分组与ICB响应6.免疫Hot/Cold患者的基因组特征与HNSCC中研究一致，免疫Hot和免疫Cold患者携带的抗原负荷不同（Fig  5.a-b）。基于adjusted binomial regressions模型识别出免疫Hot/Cold患者中的驱动基因（Fig  5.c），以及重要的拷贝数改变（Fig  5.d）。并结合EGFR突变状态和HPV状态对患者的基因组特征进行分析（Fig 5.e-h）,EGFR状态与免疫分组高度相关。 . 免疫Hot/Cold患者的基因组特征 总结今天的内容大概就是这些，不知道同学们掌握的怎么样呢？与常规免疫浸润预测方法相比，这篇文章独特之处在于将表达数据替换成甲基化数据。思路大概是MethylCIBERSORT方法的构建与验证，特定癌型以及Pan-cancer患者的免疫Hot/Cold分析，免疫状态与免疫治疗和基因组特征的关联。不知道这篇文章有没有什么给大家带来什么启发呢，给小编的启示就是既然表达数据，甲基化数据，拷贝数数据都可以用来预测免疫浸润，那蛋白质组学，lncRNA，miRNA，circRNA甚至是多维组学的联合数据，是不是一样可以用来进行免疫分析呢？至于到底可不可以，还是需要同学们自己去探索答案啦。今天就到这里啦，亲爱的同学们，我们下次再见吧！索要分析方案，扫码添加小姐姐微信吧