本文是使用WGCNA方法得到CD8+T细胞相关的基因集进行分型。如果小编做的话，会通过单细胞数据分析筛选CD8+T细胞特征的基因进行后续的分型，无论新颖性和可靠性都更强。小编之前做的CAF细胞相关泛癌分析和分型，本月已经顺利发表到8+期刊上。如果对这类思路感兴趣，欢迎交流。

肿瘤分型文章比较重要的结论就是分型后构建的评分能够预测免疫治疗或者其他治疗的疗效。可以用于分型的基因集很多，比如焦亡，铁死亡，自噬，铜死亡，m7G，细胞衰老，各种代谢途径等等。

如果想做类似的分析，欢迎交流！

影响因子：6.63

研究概述：

CD8+T淋巴细胞在人体中起着重要抗肿瘤作用，CD8+T细胞相关调节基因在PAAD中的预后价值尚不明确。本文基于GEO数据库中的免疫细胞数据集，使用WGCNA获取相关基因的表达谱。采用共识聚类、LASSO回归、GSVA方法筛选相关基因并进行相关通路分析。使用IMvigor210队列探索其在免疫治疗反应方面的预测性，为基于CD8 T细胞相关基因的免疫表型衍生预后模型，为胰腺癌的临床治疗提供了基础。

研究结果：

一、基于WGCNA的CD8 T细胞相关基因的共表达分析

1、根据179个免疫细胞数据集的表达谱，对样本进行层次聚类分析，共获得了14个模块。其中，粉红色模块与CD8 T细胞之间的正相关性最强，与其他免疫细胞之间的相关性较低，粉红色模块中包含446个基因。（图1a-d）

2、对CD8 T细胞相关基因进行KEGG和GO分析显示，BP中的注释有明显的差异，33条KEGG通路显著富集。以上结果表明，这些基因与免疫功能及相关信号通路密切相关。（图1e-f）

二、基于CD8 T细胞相关基因的分子分型

1、对上述数据进行单变量分析发现，TCGA中有109个基因与PAAD预后相关，GEO队列中有60个基因与PAAD预后相关。两个队列间仅发现21个交叉基因。（图2a）

2、CDF Delta面积曲线表明，聚类结果在k=2时相对稳定，在此条件下获得两种CD8 T细胞相关亚型（免疫簇，IC），进一步发现二者预后曲线存在显著差异，在GEO数据集中也获得了相同的结论。（图2b-e）

三、免疫分型与TMB与常见基因突变的相关性

1、从TCGA获取相关的突变数据集，计算患者的TMB发现两种分子亚型的TMB存在显著差异，突变基因数量也存在显著差异。（图3a-b）

2、采用卡方检验筛选各亚型中具有显著高频突变的基因，最终得到了10个基因并分析了他们的突变特征。（图3c）

四、不同免疫亚型中趋化因子和免疫检查点基因的表达

1、41种趋化因子中有24种在两种亚型之间表达明显差异；18个趋化因子受体中的10个在两种免疫亚型之间的表达情况有显著差异；47个免疫检查点相关基因，其中28个在两种亚型之间存在显著差异。（图4a-c）

2、溶细胞活性（CYT）表明，IC2的肿瘤内CYT明显高于IC1，并且两种亚型之间的血管生成评分存在显著差异，其中IC2的血管生成评分高于IC1（图4d-e）。

五、不同免疫亚型的免疫特征和通路特征

1、采用CIBERSORT算法对22种免疫细胞进行评分，免疫细胞评分分析显示，不同亚型之间的免疫特征存在显著差异。（图5a-b）

2、10种通路中有4条在两种亚型之间存在显著的差异，IC1的细胞周期、Hippo、Nrf1和Wnt通路的得分显著高于IC2，并且，免疫浸润分析显示IC2的免疫浸润评分高于IC1（图5c-d）。

3、IC2亚型中与良好预后相关的C3和C6的比例较高。相比之下，IC1亚型中与最差预后相关的C1和C2的比例较高。（图5e）

六、免疫亚型间TIDE评分的周向分析及免疫亚型药物敏感性的差异分析

1、使用TIDE来评估分子亚型中免疫治疗的潜在临床效果。结果表明，(1)IC1的TIDE评分明显高于IC2；(2)两种免疫亚型之间的T细胞功能障碍评分明显差异，IC1亚型的T细胞功能障碍评分低于IC2亚型。(3)两种免疫亚型之间的T细胞排斥评分有明显差异，IC1亚型的T细胞排斥评分高于IC2亚型。在GEO数据集中也发现了类似的结果（图6a-f）

2、IC1亚型对紫杉醇、CGP-082996和BI-2536三种药物的敏感性均高于IC2亚型。IC2对这三种药物都不敏感，说明PD-1抑制剂不会影响IC2亚型（图7a-f）

七、基于CD8 T细胞相关基因的预后风险模型的构建及验证

1、对GEO数据集中的样本进行随机分组，在TCGA和GEO队列中已发现26个与PAAD预后相关的CD8 T细胞相关基因。使用R中的“glmnet”软件包进行Lasso-Cox回归分析发现，lambda=0.0382时，模型是最优的。（图8a-b）

2、根据GEO训练数据集中样本的表达水平计算每个样本的风险评分，并绘制了样本的风险评分分布。对风险评分进行ROC分析发现该模型具有较高的AUC。（图8c-d）

3、对风险评分进行Z-score分析及K-M曲线绘制发现，高、低危组在生存时间上有显著性差异。（图8e）

4、在TCGA数据集的外部队列中进行了验证证实该风险评分模型的有效性。

八、风险评分与临床特征的预后分析、10个基因的临床独立性及免疫治疗结果

1、风险评分随患者的年龄、性别、TN分期和临床分期而有显著差异。GSVA分析发现18条通路与样本风险评分呈正相关，6条通路与样本风险评分呈负相关。通路聚类分析表明24条通路中有18条的参与，包括p53和细胞周期通路。

2、在TCGA-PAAD数据集，单变量Cox回归分析的结果显示风险评分与预后显著相关，多变量Cox回归分析的结果仍然显示风险评分与预后显著相关。

3、使用IMvigor210数据集分析10个基因的免疫治疗效果，KM曲线显示，在接受免疫治疗的mUC患者中，较低的风险评分与较好的生存率相关。ROC分析结果显示，整合风险评分、新抗原（NEO）产生和TMB的联合模型具有较高的预测性能。高风险和低风险亚组之间的免疫治疗反应存在显著差异。风险评分与NEO、TMB呈正相关。

研究总结：
本研究根据CD8 T细胞相关基因的表达对胰腺癌进行了分类。这些免疫亚型在免疫细胞浸润、预后和免疫治疗效果方面表现出显著的差异。基于CD8 T细胞相关基因的表达，构建了一个10个基因的预后风险模型。这10个基因的签名具有很强的稳定性，并在不同平台的数据集中显示出稳定的预测性能。同时，该模型也可以预测表现稳定的PAAD患者的免疫治疗反应，为胰腺癌的临床治疗提供了基础。