information:
time: 2022.04
journal: genome medicine(IF = 15)
Objective:
癌症干细胞可能是 ICI 耐药的潜在原因，但缺乏直接的临床证据。
Results:
A previous published ICI SKCM cohort（11 non-responders (NR) and 13 treatment-naïve patients (TN)） and Another ICI cohort with a different cancer type (BCC)（4 non-responders 6 responders）：干性和ICI治疗成负相关。
为什么这一步用这么少的样本量做？
Gx：计算肿瘤细胞中基因与cytoTRACE score 的spearman 相关性，保留显著正相关基因。
Gy：计算肿瘤细胞中显著上调的基因。
Gn：Gx 和Gy的交集，与干性正相关的上调肿瘤特异性基因。
再根据34个数据集的spearman结果求几何平均数，挑选 R>0.4的基因，认为stem.sig 是在泛癌中干性有关的基因。(为什么这里用几何平均数？我理解是这里把34个数据集放在一起挑选stem.sig，但是ICI治疗本身对不同癌症有不同效果，这样的合并合理吗？)
fig2b：stem.sig通路富集结果
fig3A:对 Stem.Sig 和 75 个免疫相关基因进行了分析，在 30 种不同癌症类型中，Stem.Sig 与免疫相关基因的表达水平之间观察到普遍负相关（哪来的75个免疫相关基因？）
fig3B: 评估了免疫细胞的浸润状态，以更好地表征肿瘤免疫微环境（TIME）。 Stem.Sig 高的肿瘤细胞毒性免疫细胞减少，包括 CD8+ T 细胞、NK 细胞和巨噬细胞。（不是很能从图中看出这样的结论，看出来不同肿瘤类型的免疫细胞相关性不同，怎么看出哪些是stem.sig高的肿瘤细胞？）
fig3c: hallmark pathways enrichment. Metabolic pathways, DNA repair, and MYC signaling were found to be enriched in tumors with high Stem. Sig。
fig3d: Stem.Sig and ITH相关性, ITH：a stemness-associated feature that mediates immunosuppression. ITH 在各种癌症类型中与 Stem.Sig 呈正相关。
fig3e: Stem.Sig and TMB相关性, TMB：a well-known immune-relevant factor. TMB在各种癌症类型中与 Stem.Sig 呈正相关。
fig4a:来自 10 个 ICI 队列的大量 RNA-Seq 数据和临床信息用Stem.Sig 来预测免疫治疗结果。workflow：首先，使用七种不同的机器学习算法训练模型，并应用 10 次重复 5 倍交叉验证来优化每个模型的参数。经过训练得到七个模型。然后评估并比较了验证队列中这些模型的 AUC。
fig4b: 朴素贝叶斯模型获得最高 AUC，0.71
fig4c: 测试集得到同样的AUC
fig4d: 分别在验证集和测试集中看生存分析结果
fig5a: 比较了其他的pan-cancer signatures，Stem.Sig 在测试集中表现出最佳性能，AUC 为 0.71，其次是 INFG.Sig， AUC 为 0.66
fig5b: 然而，Stem.Sig 在所有队列中都取得了足够甚至非常好的表现，涵盖四种癌症类型：SKCM、GBM、UC 和 GC，这进一步强调了其作为泛癌方式 ICI 反应预测模型的潜力
fig5c: 在预测黑色素瘤患者的 ICI 反应方面，Stem.Sig 仍位居前 3 位，其 AUC 为 0.76。 IMPRES.Sig 和 CRMA.Sig 的 AUC 略好于 Stem.Sig，分别为 0.81 和 0.77。（为啥选择黑色素瘤作为特例）
fig6a: 系统地收集了7个CRISPR队列的敲除基因的免疫反应数据，根据这些CRISPR队列中使用的模型细胞和治疗条件，将其进一步分为17个数据集。这些 CRISPR 数据集总共记录了 22,505 个基因。根据基因的平均 z 分数对基因进行排名。排名靠前的基因是免疫抗性基因，敲除后可能会促进抗肿瘤免疫。排名垫底的基因是免疫敏感基因，敲除后可能会抑制抗肿瘤免疫。
fig6b: 接下来，计算了在 Stem.Sig 和以前的免疫抗性特征（包括 TcellExc.Sig、ImmuneCells.Sig、IMS.Sig、LRRC15.Sig）中出现的排名靠前的基因的百分比。Stem.Sig 比其他签名具有最高百分比的排名靠前的基因.
fig6c: 免疫抗性基因（3% 排名靠前的基因）在 Stem.Sig 中显着过高（P=0.03；Fisher 精确检验）。 Stem.Sig有20个基因位列前3%，包括EMC3、BECN1、VPS35、PCBP2、VPS29、PSMF1、GCLC、KXD1、SPRR1B、PTMA、YBX1、CYP27B1、NACA、PPP1CA、TCEB2、PIGC、 NR0B2、PEX13、SERF2 和 ZBTB43。这些干性相关基因的免疫抗性特征已通过多个独立 CRISPR 数据集进行验证
疑惑的点在于：能否这样pan-cancer去分析这个免疫治疗，是否应该单独肿瘤分析。还有单细胞数据的或许可能存在一定困难， 作者用到的数据不多，是否应该扩大样本去关注干性。是否应该更深层次理解干性如何和免疫治疗相关，影响了哪些免疫细胞类群等?
Summary：
描述了 细胞干性和肿瘤ICB的关系，stemsig好像是给出了干性有关的基因list。
Data:
an integrative analysis of 34 scRNA-Seq datasets, which consisted of 345 patients and 663,760 cells across 17 cancer types
作者使用的都是已发表数据
Sth to learn:
利用一种细胞干性去和免疫治疗联合分析，主要在于用单细胞发现这个现象，剩下用bulk数据验证。
record some words for writing
paves the way 铺平道路
The development of single-cell RNA sequencing (scRNA-Seq) enables us to dissect gene expression at single-cell resolution and identify novel biomarkers with better performance（单细胞的优势）
以上均个人观点，欢迎讨论。禁止转载，如有需要，请简信联系作者！
