各位小伙伴大家好呀！今天小编给大家带来的是今年5月9号刚刚发表在Frontiers in Oncology(IF=5.738)上的一篇细胞外基质相关模型预测卵巢癌患者治疗的文章，可谓是模板范文了，快来一起学习一下！

一.研究背景

卵巢癌(OC)是女性癌症相关死亡的第五大原因。OC包括多种病理类型，上皮性OC是最常见的病理类型，由于未能早期诊断、转移、复发和耐药等原因导致OC患者预后不良。细胞外基质(ECM)由不同的大分子组成，包括糖蛋白、胶原蛋白和蛋白聚糖，它们组装成一个三维的超分子网络，以调节细胞的生长、存活、运动和分化。研究表明，ECM与肿瘤微环境(TME)的形成有关，其失调可促进肿瘤进展。由于ECM与许多肿瘤患者的疗效和预后相关，但在OC中并未得到深入研究。于是作者通过多种生物信息学方法开发了一种新的ECM评分(ECMS)模型，并评估了其准确预测OC患者预后和对免疫治疗反应的能力，以期有助于OC患者的预后评估和个体化治疗策略的制定，使更多的OC患者获益。

二.主要结果

1. 候选ECM基因的鉴定

作者共下载了公共数据库的三个OC队列(TCGA-OV、ICGC-OV和Imvigor210)，以及从MsigDB网站上的hallmark数据集中得到的1028个ECM基因。通过WGCNA算法确定ECM相关基因构建无标度网络，将无标度拓扑拟合指标设置为0.9，对应的最优软阈值为8(图1A)，共识别到46个模块(图1B)。Darkorange2模块与ImmuneScore的相关系数为0.79，与ESTIMATEScore的相关系数为0.8，提示Darkorange2模块在免疫细胞高浸润的样本中选择性表达(图1C)。

将1028个ECM基因和最相关基因模块的669个基因取交集，得到61个候选ECM基因(图1D)。进一步通过单因素Cox回归分析筛选得到10个独立预后因素的候选ECM基因(图1E)。为了全面分析这些基因，作者对候选ECM基因进行功能富集分析，结果表明其主要富集于NABA基质体相关信号通路(图1F)。

2. ECMS模型的构建与验证

图2A显示，由CLEC5A、TGFB1、ADAM9、SPP1、CXCL9、CXCL11、CCL19、LTA这8个基因构建的风险模型效果是最好的，C-指数分别为0.603(训练集)和0.597(测试集)。基于最优λ值0.01339134构建了包含8个基因的风险模型(图2B)。生存分析显示，在训练集中，高危组的OS较低危组短(图2C)，测试集也显示出相似的结果(图2D)。

为了进一步检验ECMS的有效性，作者对训练集和测试集进行了ROC分析，训练集(图2E)在第1、3、5年的AUC值分别为0.528、0.594和0.67，测试集(图2F)的AUC值分别为0.571、0.635和0.684。tROC分析表明ECMS是OC患者的可靠预测指标(图2G, H)。

接下来作者分析了年龄、分期、ECMS和预后之间的关系。单因素Cox回归分析显示，ECMS为独立危险因素(图3A)；在多因素Cox回归分析中，ECMS也表现出良好的预后(图3B)。作者还构建了nomogram图来评估OC患者的生存概率(图3C)，校准曲线分析表明该nomogram图是准确的(图3D)，且tROC分析显示，nomogram图的表现优于其他变量(图3E)。

3. 富集分析

作者计算了高ECMS得分组和低ECMS得分组间的差异表达基因(DEG)并进行了富集分析，结果表明高ECMS组中升高的基因与跨突触信号传导、心脏发育、突触可塑性调节、突触前组装和中间丝组织显著相关(图4A)；低ECMS组中升高的基因与同种异体移植排斥反应、淋巴细胞活化的调节、免疫应答的正向调节、SARS-CoV-2对滤泡B细胞的激活和适应性免疫应答显著相关(图4B)。

此外，高ECMS组的功能富集分析显示，黏附连接、ECM受体相互作用、丝裂原活化蛋白激酶(MAPK)信号通路、癌症通路、血管内皮生长因子(VEGF)信号通路富集(图4C)；在低ECMS组，抗原加工和呈递、哮喘、自然杀伤细胞介导的细胞毒性、氧化磷酸化和原发性免疫缺陷富集(图4D)。

4. 免疫景观

ESTIMATE算法结果显示，在两个ECMS组之间的免疫评分有显著差异，低ECMS组表现出更高的免疫活性(图5A)。作者选择CTLA-4、TIM-3、PD-1、PD-L1、PD-L2和LAG3作为免疫检查点活性的生物标志物，作者发现，低ECMS组的表达明显更活跃(图5B)。然后，作者分析了ECMS与ESTIMATE算法得到的评分的相关性以ECMS与免疫检查点表达差异的关系，如图5C所示。

随后，作者评估了两组免疫细胞浸润率和途径活性。作者发现，高ECMS组大部分免疫通路活性明显降低(图5D)；且在两个ECMS组中，大多数免疫细胞(如T细胞、巨噬细胞、肥大细胞)的浸润程度存在显著差异(图5E)。

5. 免疫治疗反应预测

在这一部分，作者分析了indel新抗原, SNV 新抗原, 新抗原和ECMS之间的相关性(图6A、B)，结果表明SNV新抗原与ECMS呈显著负相关，而indel新抗原与ECMS之间无相关性。

作者通过TIDE算法对免疫治疗反应进行预测，结果显示低ECMS组训练集抗PD-L1免疫治疗的应答率更高(图6C、D)。作者接下来对TCGA集进行ROC分析，AUC值为0.566(图6E)。作者还发现，在Imvigor210队列中，高ECMS组的OS比低ECMS组短(图6F)；此外，新抗原与ECMS之间存在显著的负相关(图6G)。

6. 验证ECMS基因在卵巢癌细胞系中的表达

在这一部分，作者评估了ECMS模型中基因的风险系数。其中，CLEC5A是最强的危险因素，LTA是最强的保护因素(图7A)。接下来作者通过RT-qPCR来验证其结果，结果表明，CLEC5A、ADAM9、TGFB1在OC细胞株中高表达，而LTA、CCL19、CXCL11、CXCL9在OC细胞株中低表达。而SPP1在正常卵巢上皮细胞株和恶性卵巢上皮细胞株中的表达水平无差异(图7B)。

到这里这篇文章就介绍完毕啦，总结一下：首先作者通过WGCNA等方法筛选得到了在卵巢癌中关键的ECM基因；然后构建模型对样本进行分类，探讨高低得分组患者微环境差异；最后，通过RT-qPCR验证模型中关键基因在癌症细胞系和正常细胞系间的表达差异。通篇逻辑清晰而且结果简明扼要，还是我常说的那句话：生信分析加简单实验永远是短平快的发文利器！小伙伴们快快行动起来！