今天分享的是2020年10月份發表於Clinical Cancer Research的一篇文章，標題是Association of Clock-like Mutational Signature with Immune Check-point Inhibitor Outcome in Patients with Melanoma and NSCLC，影響因子7.032，這裡主要基於黑色素瘤、非小細胞肺癌免疫治療隊列的WES數據和靶向測序隊列，基於突變數據確定相應的突變圖譜，並分析其驅動基因，基於clock-like 將病人分為兩組後進行生存分析，多因素分析和腫瘤突變負荷的比較，確定兩個分組的確一系列差異。
一：研究思路
二：結果
2.1 黑色素瘤免疫治療隊列的突變圖譜
這裡主要用到了兩個概念，COSMIC Signature和Cosine Similarity，COSMIC Singature主要作為reference存在，與我們發現的Sigature進行比較得到相應的相似度的值，這算是主流的分析方法之一；Clock-like Signature是指該突變有時鐘特性，研究表明其在患者中的數目與確診時的患者年齡有關。
本文主要分析了黑色素瘤免疫治療隊列的WES數據，並提取了3個Signature，與基於COSMIC Signature進行餘弦相似性分析，主要為Signature 1，7，11（A）；並用堆疊圖展示了3種signature在每個樣本中的分布（B）；Signature1 便是Clock-like Signature；此外基於Clock-like Signature將樣本分為2組，進行生存分析，發現non clock-like的病人比clock-like的預後好，且具有統計學意義
（C）；並將其他臨床信息，如年齡、性別、藥物類型等考慮進去後，進行多因素cox分析，發現，基於Clock-like Signature對病人進行的二分類，可以作為獨立預後因素（D）；從箱線圖和堆疊圖兩個維度展示了基於clock-like的二分類下，6種鹼基替換 (C>A, C>G, C>T, T>C, T>A, T>G)的比例和計數情況（E-F）；且clock-like相較non clock-like的病人，腫瘤突變負荷高，且具有統計學意義（G），因為文章研究的切入點是突變方向，所以，腫瘤突變負荷的比較是很有必要的。
2.2 確定與clock-like突變圖譜相關的驅動基因
OncodriveCLUST算法主要基於突變聚類，基於突變無偏分布找到可能存在的突變，而MutsigCV根據突變信息建立突變背景模型，並根據背景推斷每個基因的突變是否比偶然突變顯著；
這裡整合 OncodriveCLUST 和 MutsigCV 算法，獲得了4個潛在的突變基因，圖中標星展示（A）；並展示了Non clock-like和Clock-like兩個分組中，這幾個基因的突變情況（B）；且基於Fisher檢驗，分析BRAF和PPP6C更有可能在Non Clock-like的亞組中存在（C）。
2.3 多個非小細胞肺癌免疫治療隊列的clock-like 突變圖譜
同樣的，在非小細胞肺癌免疫治療隊列中，進行了類似黑色素瘤相應的分析，包括餘弦相似性確認突變圖譜（4，7，1）（B），堆疊圖展示其在樣本中的突變佔比（A），二分類後做生存分析，與前面結果一致，發現non clock-like的病人比clock-like的預後好，且具有統計學意義（C），結合多個臨床因素進行多因素分析，發現，基於Clock-like Signature可以作為獨立預後因素，與在黑色素瘤隊列中的結果一致（D），小提琴圖展示兩個分組的腫瘤突變負荷，可以看出clock-like相較non clock-like的病人，腫瘤突變負荷高，且具有統計學意義（E），隨後進行了驅動基因的確定，這裡是KRAS（Fisher檢驗，p為0.006）（G-H）；
2.4 在靶向測序隊列中證明clock-like突變圖譜的存在
除WES隊列外，文章還利用了黑色素瘤和非小細胞肺癌的靶向測序數據，同樣證明了clock-like突變圖譜的存在，文中展示的主要是二分類後的生存分析（A、B），結合臨床因素的多因素cox分析（C、D），以及腫瘤突變負荷的比較（E、F）；多個證據證明了Clock-like signature對預後有較大的指導意義；
2.5 與clock-like突變圖譜相關的通路和免疫細胞浸潤分析
T 細胞炎性 GEP是 T 細胞炎性腫瘤微環境的生物標誌物，其含有與抗原 提呈、趨化因子表達、細胞毒性及IFN-γ應答等相關 的基因。TIDE（Tumor immune dysfunction and exclusion）反應的是對免疫檢查點的敏感性；
對黑色素瘤患者進行了基於REACTOME數據集的GSEA富集分析，並用氣泡圖展示其富集得到通路（A）；ssGSEA進行免疫浸潤分析後並用熱圖展示免疫細胞浸潤情況（B）；CIBERSORT分析肺腺癌患者中的腫瘤浸潤淋巴細胞的富集情況，並用箱線圖展示其在兩個分組的浸潤水平（C）；分析TIDE和T細胞炎性GEP在兩個亞群的分布，發現，TIDE在Non Clock-like亞群高於Clock-like亞群，且具有統計學意義（D），T細胞炎性GEP在Non Clock-like亞群低於Clock-like亞群（E）；
三：結語
文章主要基於黑色素瘤和非小細胞肺癌的突變數據展開分析，基於獲得的突變圖譜，分析獲得潛在的驅動基因；並基於Clock-like 將病人進行二分類，後續進行生存分析、多因素cox、腫瘤突變負荷等分析；當然，富集分析是繞不開的，文章採用了GSEA對非小患者進行了富集分析；此外還用ssGSEA和CIBERSORT展開了腫瘤浸潤方面的分析；
聲明：本文轉自「生信發文助手」，文章轉載只為學術傳播，如涉及侵權問題，請聯繫我們， 我們將及時修改或刪除。
沃斯(WOSCI)由耶魯大學博士團隊匠心打造，專注最新科學動態並提供各類科研學術指導，包括：前沿科學新聞、出版信息、期刊解析、論文寫作技巧、學術講座、論文潤色等。