零代码复现4-整合scRNA-Seq和TCGA RNA-Seq分析HPV+和HPV-宫颈癌免疫细胞的异质性,建立分子风险模型
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC9198569/
1、文章核心内容
本研究整合单细胞RNA测序(scRNA-seq)与TCGA转录组数据,系统比较 HPV阳性(HPV+) 与 HPV阴性(HPV−)宫颈癌(CESC) 的免疫微环境异质性。研究发现,HPV感染导致 CD8+ T细胞和B细胞减少,而Treg细胞、CD4+ T细胞及上皮细胞增加,并基于免疫相关基因构建了 9基因生存预测模型 和 7基因复发预测模型,筛选出 IKZF3、FOXP3、JAK3 等关键保护基因,为HPV相关宫颈癌精准预后评估和免疫治疗提供了新的理论依据。
2、研究设计(多组学闭环)
- 单细胞RNA测序(GEO):解析 HPV+ 与 HPV− 宫颈癌细胞组成及发育轨迹
- TCGA RNA-seq(CESC):分析免疫浸润及临床预后
- ESTIMATE + CIBERSORT:评估肿瘤免疫微环境
- WGCNA:筛选免疫相关Hub基因
- 单因素Cox + LASSO回归:构建生存及复发风险模型
- GO/KEGG富集分析:解析关键基因功能
- 泛癌分析(GEPIA):验证关键基因在HPV相关肿瘤中的作用
3、关键发现
① HPV+宫颈癌免疫微环境发生明显重塑:CD8+ T细胞和B细胞减少,Treg细胞、CD4+ T细胞及上皮细胞增加。
② CD8+ T细胞和Naive B细胞浸润越高,患者总体生存越好,提示二者具有保护作用。
③ WGCNA筛选249个免疫相关Hub基因,进一步建立预后模型。
④ 构建9基因生存模型(IKZF3、FOXP3、JAK3等)和7基因复发模型,均具有良好的预测能力(生存模型AUC最高0.74,复发模型AUC最高0.76)。
⑤ IKZF3、FOXP3、JAK3 在HPV相关头颈鳞癌(HNSCC)中同样表现出保护作用,提示其具有一定的跨肿瘤普适性。
4、作用机制
HPV感染 → 重塑宫颈癌免疫微环境 → CD8+ T细胞、B细胞减少,Treg细胞增加 → 免疫抑制增强 → 调控 IKZF3、FOXP3、JAK3 等免疫相关基因 → 影响患者生存和复发风险。
机制轴:
HPV感染 → 免疫细胞异质性重塑 → IKZF3/FOXP3/JAK3保护轴 → 调控宫颈癌预后。
5、研究亮点
✔ 单细胞RNA测序 + TCGA 联合分析,揭示HPV+与HPV−宫颈癌免疫异质性。
✔ 结合 WGCNA、Cox回归和LASSO,构建高可靠性的生存和复发风险模型。
✔ 首次建立基于HPV免疫异质性的 9基因生存模型 和 7基因复发模型。
✔ 发现 IKZF3、FOXP3、JAK3 在宫颈癌及HPV相关头颈鳞癌中均具有保护作用。
临床意义
- IKZF3、FOXP3、JAK3 可作为HPV相关宫颈癌预后评估和风险分层的潜在生物标志物。
- 9基因生存模型和7基因复发模型有望用于宫颈癌患者个体化预后预测。
- 为HPV相关宫颈癌免疫治疗及精准医疗提供新的免疫靶点和理论基础。
总结
本研究通过整合单细胞RNA测序与TCGA转录组数据,系统揭示了HPV感染导致的宫颈癌免疫微环境异质性,发现HPV+宫颈癌中CD8+ T细胞和B细胞减少、Treg细胞增加是重要免疫特征,并构建了具有较高预测能力的9基因生存模型和7基因复发模型。研究进一步确定IKZF3、FOXP3、JAK3为关键保护基因,为HPV相关宫颈癌的预后评估、风险分层及免疫治疗提供了新的生物标志物和潜在治疗靶点
一、单细胞基本分析:
1、基础分析完成亚群聚类,分四步走
https://www.ezygene.com/tool/basic_analysis
2、亚群注释
从文献中查找不同细胞类型的marker基因,基于下面的工具,进行手动注释,查看聚类后的亚群分别是什么细胞
https://www.ezygene.com/tool/sc_featureexpr
如果遇到无法定义的细胞,可以使用差异分析,筛选marker基因,通过top5或者top10的基因进行后续辅助注释
https://www.ezygene.com/tool/sc_diff
3、将注释后的亚群添加进分析结果中
https://www.ezygene.com/tool/sc_xinzeng
二结果1:
原图:



先用https://www.ezygene.com/tool/sc_plot_011将top5的基因筛选出来,再用https://www.ezygene.com/tool/sc_plot_007做热图

三、结果2
原图:

https://www.ezygene.com/tool/sc_plot_001
https://www.ezygene.com/tool/sc_plot_015
https://www.ezygene.com/tool/sc_plot_016
A图没有一模一样 的,默认一般不做分组
B:https://www.ezygene.com/tool/sc_plot_002
C:https://www.ezygene.com/tool/monocle2
四、结果3

https://www.ezygene.com/tool/calculating_immune_infiltratio_visualization
第二步用比较箱线图绘制A图

第二步用比较亚群丰度占比图绘B图

C图:https://www.ezygene.com/tool/km把预测的22种免疫评分下载下来,用中位数分高低组,绘制KM曲线
五、结果4

WGCNA分析:表型数据,就是预测的22种免疫细胞的评分
https://www.ezygene.com/tool/wgcna
第一步计算软阈值
第二步上传22种免疫细胞评分作为表型数据直接分析
六:结果5

先把关注的module基因提取出来,然后做单因素cox分析,选预后相关的基因集,然后针对预后相关的基因做lasso分析,进一步压缩基因,最后使用lasso的基因做多因素cox分析,计算风险系数建模。
https://www.ezygene.com/tool/survival(做三次)

建模:https://www.ezygene.com/tool/modue_score
七:结果6
WGCNA分析的module基因,做GO和KEGG富集分析
https://www.ezygene.com/tool/enrich

八:结果7

A:https://www.ezygene.com/tool/tcga_mut_expr

B-M:风险模型中的基因绘制KM曲线
https://www.ezygene.com/tool/TCGA_KM
N-O:风险模型中的基因在单细胞中的表达
https://www.ezygene.com/tool/sc_plot_002
p:风险模型中的基因在单细胞不同分组中的表达
https://www.ezygene.com/tool/sc_plot_010
基本所有的生信分析都可以通过在线工具完成,期间需要cytoscape和一些在线工具进行辅助,这里写的比较简单,如果对这些感兴趣,主页咨询客服。
更多推荐





所有评论(0)