识别卵巢癌中的免疫预后基因集

这次小编要和大家分享的是今年发表的关于卵巢癌免疫与预后的文章[Development and validation of an immune gene-set based Prognostic signature in ovarian cancer；2019.2；IF:6.68]

卵巢癌是一种致死率很高的女性癌症，这篇文章的目的是开发一个通用的，个性化的免疫预后signature，可以用其对卵巢癌进行分级以及预后预测。

欢迎有实力者扫码鉴赏

数据:如下表所示

方法：如下图所示

文章的主要数据（表1）以及流程（）如上所示，接下来让我们仔细看下文章都得到了哪些结果吧。

结果1：开发以及确定IPSOV

表2

文章分析用到的来自6个数据集的2777例乳腺癌样本的临床信息如表2所示，在训练集中，找到129个免疫相关基因的156个探针与生存相关。作者又进一步对这些探针进行ssGSEA分析，去评估每个患者的免疫富集得分，结合多因素cox回归最终定义了出了IPSOV,而训练集得分的中位值可以将样本分成免疫高低风险组。

结果2：验证IPSOV

表3

在这一部分作者对之前在训练集中得到的IPSOV进行验证，在训练集中这个IPSOV可以将样本分成免疫高低风险组，而在验证集中同样可以，并且IPSOV可以作为一个独立的预后因子，在训练集以及验证集中进行生存分析，结果如所示。具有生存状态的IPSOV在数据集中的分布情况如所示。而数据集中显著的RMS时间比如表3所示。

结果3：IPSOV亚型以及灵敏度的分析

为了评估模型在不同亚组中的稳定性，作者在这一部分结合一些临床因素进行了灵敏度分析，结果发现IPSOV在大多数亚型中都是显著的，表明IPSOV可能是一个独立的潜在临床特征。进一步的，作者评估了这个基于ssGSEA得到的得分与每个免疫过程的相关性，如A所示，可以发现具有更低免疫得分的患者在每一个免疫过程中都有一个显著更长的中位生存期。

结果4：富集分析

在这一部分，作者对这129个基因进行功能富集，首先使用KEGG得到85个显著富集的通路，接下来作者又使用GO得到1034个生物学过程通路，44个分子功能通路，77个细胞组成相关的通路。

结果5：与其他signature以及临床特征相比较

作者将发现的signature与包括等级年龄在内的其他临床特征进行了比较，比较结果发现IPSOV的C指数明显优于其他特征（B）,接下来作者又进一步比较了单因素cox中的P值，IPSOV在所有数据集中都显著（C）

结果6：整合IPSOV与其他临床特征

因为除了IPSOV之外，肿瘤等级，阶段等也是独立的预后因子，表明它们具有互补价值，为了进一步提高预测的准确性，作者将IPSOV与其他临床特征使用多因素cox整合成了一个新的预测模型，并在验证集中对这个整合模型进行进一步的验证，可以看出预测预后的效能得到显著提升（）。

文章到这里就介绍完了，总结一下，作者首先得到了IPSOV,并在多个数据集中得到了验证，并且IPSOV可以与其他临床因素整合，预测效能得到了提升。

工作室

2019年7月最新多组学项目

欢迎有实力者扫码鉴赏