大家好，可能大家已经习惯了基于表达做预后分析，那么今天来点很不一样的。突变signature不知道你是否见过？这样的分析很少，为什么大家都不做呢，答案也比较简单。想做但是突变数据难出结果啊。文章发表于NPJ Precis Oncol（IF：8+）话不多说，看人家怎么做的吧。

流程图

主要分析：

1、Mutation Signature 构建（基于免疫治疗突变数据集，使用单因素cox+lasso回归分析）

2、Mutation Signature 作为预后marker能够预测患者免疫治疗临床获益（多数据集验证;OS \PFS都ok）

3、做突变怎么能少的了TMB呢，所以文章结合Mutation Signature 和TMB来对患者的预后进行分层（效果还不错）

4、结合其它临床特征阐述Mutation Signature是一个独立预后因子

5、就算是突变也要结合下肿瘤免疫浸润（最后的倔强），当然是结合既有突变又有表达的TCGA数据做的了

6、接下来就是审稿人和小编自己也比较喜欢的结论性美图

到这里在文章中展示的图就没了，对就只有5张（图不在多，分析不在难，有精品则成）很多图研究者都放在了附图

1、要证明文章构建的Mutation Signature与其他临突变特征相比对预后的预测能力yyds

2、要证明文章构建的Mutation Signature适用广度，所以分析了其它癌型

3、不同指标分组durable clinical benefit 占比以及对预后的分层能力（证明Mutation Signature依然棒棒的）

4、文章构建的是免疫mutation signature，所以分析下signature与免疫检查点的相关性，嗨分析了mutation signature分组其它突变signature的占比与相关性

5、免疫signature在mutation signature分组中的差异（TCGA）

总结：

为什么文章能发到8分以上呢，小编认为有三点亮点：1、是一个基于免疫治疗突变数据集的分析（多个集合） 2、基于突变数据构建的signature真的不常见也结合了很多突变指标 3、结合TCGA表达数据集分析

目前免疫治疗的表达还相对比较少，但是突变数据还是不少的。即使没有这么免疫治疗突变数据，那么做一个简单的突变signature估计也很好发。有想法的小伙伴赶紧吧