1。介绍
弥漫性大B细胞淋巴瘤(DLBCL)占所有非霍奇金淋巴瘤诊断的30 - 58%。DLBCL的发病率在欧洲每年大约是3.8/100000 (
1- - - - - -
3]。DLBCL与异构的表型是一个复杂的和侵略性的肿瘤,临床和分子表现(
4- - - - - -
6]。现有的化疗方法后,DLBCL患者的存活率增加到50 - 60%;然而,近40%的病人不好处完全由于异构的恶性肿瘤(
7]。因此,有一种强烈的需要确定新的生物标志物应用于指导临床治疗和预后改善DLBCL [
8,
9]。基于基因测序技术的进步,大量的基因表达谱,在DLBCL患者预后与肿瘤微环境密切相关(开心的)
10- - - - - -
12]。时间是由免疫细胞,炎症介质,间质细胞和细胞外基质分子(
12- - - - - -
17]。一小部分免疫细胞浸润影响肿瘤的生长和发展,定义一个病人预后[
18,
19]。同时,基因表达影响各种免疫细胞的渗透时间(
20.- - - - - -
22]。近年来,一种新的免疫治疗方法基于目标B细胞受体信号激酶抑制剂,以及PD-L1 PD-1封锁已被证明成功的对DLBCL [
11,
23- - - - - -
26]。然而,只有少数DLBCL患者受益于这些新的治疗方法,而其他人则表现出很少或没有反应。因此,分析之间的关系的几种基因(irg)和总生存期(OS)可能揭示伊斯兰革命卫队和新颖的生物标志物的预后价值。估计算法使用基因表达特征量化渗透基质和免疫细胞的肿瘤样本(
26]。CIBERSORT反褶积算法使用散装基因表达谱检测免疫细胞表型的肿瘤样本与复杂的细胞类型(
27]。基于DLBCL和免疫细胞之间的联系,我们的研究旨在构建一种伊斯兰革命卫队分类器能够预测DLBCL患者的结果。估计和CIBERSORT被用来评估在DLBCL的作用时间。
2。材料和方法
2.1。DLBCL数据和预处理
我们系统地寻找DLBCL基因表达微阵列基因表达数据集的混合(地理,
https://www.ncbi.nlm.nih.gov/geo/)数据库公开临床注释。Illumina公司基因表达谱得到使用Illumina公司HumanRef-8 WG-DASL v3.0一群样本(GSE32918)和Affymetrix基因表达谱基于人类基因组U133 Affymetrix + 2.0 (HG-U133 Plus_2.0)获得两组(GSE10846和GSE31312)。以下步骤申请数据集的筛选。从Affymetrix数据集(i)的原始玻璃纸文件受到的multiarray Affy平均算法软件(
28进行背景校正和分位数正常化。此外,寡核苷酸/记录总结与波兰的中值算法(
29日]。Illumina公司矩阵文件受到分位数规范化使用光民软件。(二)HG-U133 Plus_2.0探针使用hgu133plus2被注释。db包。的Illumina公司HumanRef-8 WG-DASL v3.0探针序列注释从GPL8432获得平台(
https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL8432)。(3)为多个探针对应相同的基因,我们使用了基因最大的平均值。(iv)完整的基因表达谱和随访患者提供的信息。结果,1022年DLBCL选择样本,样本包括470年、140年和412年获得粘等的研究。
30.),barran et al。
31日),和楞兹et al。
12),分别。
2.2。伊斯兰革命卫队检索
我们获得一个列表的伊斯兰革命卫队ImmPort数据库(
https://www.immport.org/home)。不同的伊斯兰革命卫队包括趋化因子、细胞因子和基因相关的免疫反应被保留。重叠基因之间GSE31312 GSE32918,伊斯兰革命卫队被选作进一步研究。470年样本GSE31312被选为训练集模型发展而GSE32918和GSE10846被选为验证集。
2.3。单变量Cox回归和最小绝对收缩和选择算子(套索)分析
识别survival-associated从1170重叠的尾声时,我们对连续变量进行单变量Cox回归分析在军团GSE31312 GSE32918。只有尾声时一个重要的价值
P
<
0.05
被选为survival-related尾声。基于349名候选人从GSE32918 GSE31312队列和71组,25重叠基因被确定为survival-associated尾声。GSE31312表达式25尾声时的数据集成到套索回归确定预后签名。具体来说,套索multi-IRG-based分类器就建立了回归模型(包含18尾声)预测病人的操作系统在训练集。套索回归进行了使用“glmnet”包R估计预后意义的伊斯兰革命卫队分类器,我们使用了“survivalROC”包R,从而获得接受者操作特征(ROC)曲线的三个军团。曲线下的面积(AUC)在不同时间进行了计算和比较来验证分类器的性能。患者分为低收入和高危人群的平均每个系列的风险评分。用于分析kaplan - meier(公里)生存曲线DLBCL患者的生存。
2.4。开发和验证DLBCL患者预后预测的诺模图
接下来,我们开发了一个临床适用的方法来预测DLBCL患者的预后。基于多变量Cox回归分析的结果为操作系统,我们综合风险评分等临床病理的协变量建立GSE31312队列的诺模图。包括风险评分预测因素,年龄,性别,子类型、阶段,ECOG的性能状态和淋巴结外侵犯网站的数量。GSE10846队列使用的列线图是验证校准和ROC曲线。
2.5。比较之间渗透基质和免疫细胞的低收入和高危人群
探索潜在的机制变化低收入和高危人群之间的操作系统,我们使用估计获得微环境得分为每个样本的三组
26]。微环境在两组之间的差异进行了分析使用Wilcox测试(
32]。最后,我们分别绘制公里曲线为低收入和high-immune分数组三组根据他们的截止值。截止值测定中使用“survminer”包R基于病人操作系统和免疫之间的关系在每一个独立的群体。R包”MaxStat”,迭代测试所有可能的截止点确定的价值达到最大秩统计,应用二分免疫分数和病人分配给低收入和high-immune分数组在每个队列,从而减少计算批处理的效果。
2.6。比较白细胞亚型之间的低收入和高危人群
计算分数的免疫细胞在DLBCL的两组患者中,我们使用LM22基因签名,杰出的22个人类免疫细胞表型,包括B细胞、自然杀伤细胞、T细胞,骨髓子集,巨噬细胞(
27]。分析的结果与烫发CIBERSORT值设置为1000;患者
P
>
0.05
被排除在进一步调查。威尔科克斯测试被用来分析两组白细胞亚型之间的差异。此外,22 DLBCL患者白细胞亚型之间的相关性计算。只有相关系数的绝对值大于0.15被认为是重要的。
2.7。加权关联网络分析(WGCNA)和转录因子(TF)监管网络
揭示了潜在的分子机制与伊斯兰革命卫队分类器的临床意义,我们探讨了监管机制的18尾声时包含在分类器。首先,GSE31312 318 TFs受到WGCNA的表达谱。我们定义每一个基因的第一主成分模块eigengenes,我们视为TFs代表。基因的意义(GS)代表模块成员和临床特征之间的关系,并定义为中位数
P
值(
GS
=
lg
P
)每一个特遣部队。score-correlated模块定义了风险
P
<
0.01
,更高的GS值被选中作进一步的研究。此外,计算TFs高度相关的模块之间的相关性和分类器尾声时,只有基因的绝对值
相关
>
0.4
和
P
<
0.001
被保留并使用Cytoscape内置网络。最后,基于功能富集分析基因本体论(去)和《京都议定书》百科全书的基因和基因组(KEGG)通路进行检查这些基因的潜在的分子机制。
2.8。统计分析
所有分析进行了R版本3.6.1和相应的包。
3所示。结果
3.1。建设预后Multi-IRG分类器
单变量Cox回归分析1170年的伊斯兰革命卫队GSE31312之间的重叠,GSE32918,伊斯兰革命卫队数据集(图
1(一))确定349年伊斯兰革命卫队从GSE31312和71年伊斯兰革命卫队从GSE32918 survival-associated尾声时基于
P
<
0.05
(图
1 (b))。25 survival-associated尾声时被发现这两个群体之间的重叠,并集成到套索回归确定预后生物标志物(数字
1 (c)和
1 (d))。最后,18尾声时选择建立multi-IRG分类器(表
1)。基于套索系数和表达水平的18尾声时,我们决定每个病人的风险评分中位数在训练队列和分配给低收入或高危人群(数字
1 (e)和
1 (f))。基于公里生存分析,我们发现高危患者得分明显较短的操作系统比低风险组(
P
<
0.0001
,图
2(一个))。检查分类器的预后意义,我们介绍了ROC曲线。训练队列的AUC是0.741和0.758三,五年存活率分别(图
2 (b))。
建设multi-IRG预后分级机。(a)维恩图1170年伊斯兰革命卫队GSE31312之间重叠和GSE32918同志们。(b)的维恩图25 survival-associated尾声,GSE31312之间重叠和GSE32918同志们。(c) 18尾声时选择套索回归分析。两个虚线竖线指示误差最小和1个标准用来确定最佳值。(d)套索系数的25 survival-associated尾声。红色的垂直线代表了最佳值基于最低标准,导致18非零系数。(e)风险评分分布。(f)生存患者的概述。
![]()
![]()
![]()
![]()
![]()
![]()
伊斯兰革命卫队与操作系统相关的预后分类器的训练集。
| 基因 |
单变量Cox回归分析 |
套索系数 |
| 人力资源 |
95%可信区间 |
P
价值 |
| BTC |
3所示。1 |
(1.6 - -6.2) |
0.00094 |
0.830224972 |
| THPO |
2。9 |
(1.7 - -4.7) |
3.60
e
−
05年
|
0.357970287 |
| GDF2 |
2。6 |
(1.8 - -3.7) |
6.80
e
−
08年
|
0.690707974 |
| IFNA16 |
2。5 |
(1.5 - -4.3) |
0.00092 |
0.329279706 |
| HTR1A |
2。2 |
(1.2 - 4) |
0.0091 |
0.085717233 |
| PSMD3 |
1。8 |
(1.1 - -2.8) |
0.01 |
0.237502741 |
| OXTR |
1。7 |
(1.1 - -2.4) |
0.0097 |
0.309158016 |
| CALR |
1。4 |
(1.1 - -1.7) |
0.0019 |
0.038964007 |
| 到 |
1。4 |
(1.1 - -1.8) |
0.019 |
0.294461221 |
| FABP5 |
1。2 |
(1 - 1.4) |
0.019 |
0.211964852 |
| PTPRC |
0.86 |
(0.75 - -0.99) |
0.029 |
-0.021611294 |
| IL21R |
0.86 |
(0.75 - -0.99) |
0.033 |
-0.03685637 |
| S100A11 |
0.8 |
(0.67 - -0.94) |
0.0082 |
-0.039060903 |
| TNFRSF4 |
0.78 |
(0.65 - -0.94) |
0.0076 |
-0.01261923 |
| PSMD14 |
0.74 |
(0.64 - -0.87) |
0.00016 |
-0.20684683 |
| CTLA4 |
0.68 |
(0.5 - -0.92) |
0.013 |
-0.216324726 |
| STC2 |
0.67 |
(0.46 - -0.96) |
0.029 |
-0.543558507 |
| NFATC2 |
0.54 |
(0.41 - -0.71) |
7.80
e
−
06
|
-0.410010832 |
人力资源:风险比;95%置信区间:95%置信区间。
kaplan meier(公里)生存曲线,时间ROC曲线,和风险评分对患者的训练和独立的外部验证数据集根据multi-IRG分类器。(一)公里存活曲线的低收入和高危人群GSE31312队列。(b) ROC曲线下面积(AUC) GSE31312队列的三到五年。(c, d)公里GSE32918队列的存活曲线和ROC曲线。(e, f)公里GSE10846队列的存活曲线和ROC曲线。(g h)之间的预测精度比较multi-IRG分类器和其他临床病理的特点在GSE31312队列基于ROC曲线三年(g)和5 (h)。
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
3.2。验证Multi-IRG分类器的生存预测外部军团
生存分析来验证分类器,公里,ROC曲线生成GSE32918和GSE10846军团。GSE32918人群,高危患者往往有较短的生存(
P
=
0.0032
,图
2 (c)在三到五年),AUC强调了预测预后multi-IRG分类器(图
2 (d))。公里生存(获得了类似的结果
P
<
0.0001
,图
2 (e)),中华民国(图
2 (f)GSE10846队列)曲线。此外,在三到五年的AUC透露,IRG-based分类器有更好的预测能力比其他临床特征(数字
2 (g)和
2 (h))。
3.3。单变量和多变量Cox回归分析DLBCL患者的预后因素和操作系统
GSE31312队列和两个测试集,我们综合考虑临床特点,如子类型、年龄、性别、和舞台,进行单变量和多变量Cox回归分析。这允许我们确定multi-IRG分类器在操作系统的重要性。multi-IRG分类器是一个独立的预后DLBCL(数据的工具
3(一个)和
3 (b)GSE31312;数据
3 (c)和
3 (d)GSE32918;和数字
3 (e)和
3 (f)GSE10846)。小动物——一张长有费舍尔测试显示一个非常不同的化疗反应之间的低收入和高危人群。具体来说,高危人群倾向于有一个可怜的响应和预后比低风险组(
P
=
0.0023
,图
3 (g))。
风险评分是一个独立的预后因子对DLBCL患者,可能影响他们的化疗反应。(a, b)森林块单变量和多变量Cox回归分析GSE31312 DLBCL患者的队列。(c, d)森林块单变量和多变量Cox回归分析GSE32918 DLBCL患者的队列。(e, f)森林块单变量和多变量Cox回归分析GSE10846 DLBCL患者的队列。(g)堆叠柱形图显示化疗反应中低收入和高危人群。克雷格:完整的响应;帕金森病:进步的疾病;公关:局部反应;SD:稳定的疾病。
![]()
![]()
![]()
![]()
![]()
![]()
![]()
3.4。开发和验证的诺模图
来预测个体的概率OS和帮助临床医生DLBCL患者提供更好的照顾,诺模图,综合multi-IRG分类器和其他临床特征构造(图
4(一))。校准曲线生成评估计算图表的准确性。合并后的列线图表现良好在预测病人的3至5年存活率GSE31312(数字
4 (b)和
4 (c))和GSE10846(数字
4 (d)和
4 (e)军团,预测概率接近观察到的一个(数字
4 (b)和
4 (e))。训练队列,AUC为3至5年生存0.799和0.823,分别。执行的诺模图远比阶段,亚型,ECOG等临床病理的特点在确定病人的预后(数字
4 (f)- - - - - -
4(我))。即使GSE32918群的有限信息,如年龄和亚型,是我们multi-IRG分类器结合,DLBCL的预测准确性大大提高(数字
4 (j)和
4 (k))。因此,multi-IRG分类器提供额外的预后价值现有DLBCL临床病理因素。
开发和验证的诺模图。(一)列线图结合风险评分等临床病理的协变量。(b, c)校准情节表明之间的对应关系实际观察和nomogram-predicted三年(b)和(c)五年GSE31312群的生存概率。(d, e)校准情节表明之间的对应关系实际观察和nomogram-predicted (d)和三年五年(e) GSE10846群的生存概率。(f, g) ROC曲线描述的准确性OS列线图。训练队列,AUC是0.799为三年的操作系统(f)和0.823五年操作系统(g)。(h i) ROC曲线描述的准确性OS列线图。GSE10846队列,AUC是0.751三年为五年的操作系统OS (h)和0.754(我)。(j, k) ROC曲线积分与multi-IRG年龄和亚型分类器预测的结果DLBCL患者GSE32918队列。三年的AUC是0.719操作系统0.718 (j)和5年的操作系统(k)。
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
3.5。不同免疫渗透分数和白细胞亚型定义低收入和高危人群
我们介绍了估计算法来确定三个军团的免疫和基质分数(图
5)。训练队列,高风险评分小组倾向于较低的免疫渗透比低风险组(Wilcox测试分数
P
=
1。1
e
−
07年
,图
5(一个))。结果与GSE32918 (Wilcox测试一致
P
=
4.8
e
−
06
,图
5 (c))和GSE10846 (Wilcox测试
P
=
2。3
e
−
15
,图
5 (e))军团。基于免疫的截止值分数,我们分别执行公里生存分析低收入和high-immune分数组(图
5 (b)GSE31312;图
5 (d)GSE32918;和图
5 (f)GSE10846)。结果证实降低生存得分低的免疫组相比high-immune分数组,从而间接验证高风险的不良预后评分小组。接下来,CIBERSORT算法应用于评估22白细胞亚型的比例在三DLBCL军团(图
6)。低收入和高风险评分小组由不同的免疫细胞类型。记忆B细胞,天真的B细胞、CD4 memory-activated T细胞、CD8 T细胞,滤泡辅助T细胞,M2巨噬细胞占相当大比例的DLBCL免疫细胞的渗透。
时间和免疫渗透DLBCL患者。上层板:小提琴锅比较免疫和基质Wilcox测试分数的低收入和高风险DLBCL患者。白色的点代表平均值。降低电池板:公里曲线的低收入和high-immune分数组三组:(a, b) GSE31312队列;(c, d) GSE32918队列;(e, f) GSE10846队列。
![]()
![]()
![]()
![]()
![]()
![]()
小提琴情节比较22白细胞的浸润亚型在低收入和高风险DLBCL Wilcox样品的测试。白色的点代表平均值:(一)GSE31312队列;(b) GSE32918队列;(c) GSE10846队列。
![]()
![]()
![]()
3.6。DLBCL患者身上组件之间的关联
探索潜在的协会在DLBCL患者身上组件中,我们进行了相关测试浸润免疫细胞在DLBCL(图22日
7)。GSE31312和GSE10846军团,M1巨噬细胞,记忆B细胞,肥大细胞,T细胞CD4 memory-activated,休息NK细胞、CD8 T细胞,和γδT细胞相关网络的核心人物
7(一)和
7 (c))。热图的相关性表明,CD4 memory-activated T细胞与γδT细胞相关的积极和消极的记忆B细胞(数字
7 (b)和
7 (d))。此外,之间有很强的正相关激活肥大细胞和NK细胞。然而,休息肥大细胞相关的负面记忆B细胞(数据
7(一)- - - - - -
7 (d))。结合估计和CIBERSORT算法,我们发现high-immune DLBCL提出更高的免疫和基质细胞渗透集团分数,但肿瘤纯度低于低的免疫细胞浸润组(图
7 (e))。
DLBCL患者潜在的时间组件之间的联系。(a, c)相关的和弦图22白细胞亚型患者GSE31312队列(a)和GSE10846群组(c),红色边表示两个细胞之间的正相关关系,而绿色的表示负相关,节点的大小表示细胞的数量与指定交互单元。(b, d)的热图的相关性从GSE31312 22白细胞亚型患者组(b)和GSE10846群组(d)。(e)的热图22免疫细胞比例和免疫渗透,包括免疫和基质的分数。
![]()
![]()
![]()
![]()
![]()
3.7。TF监管网络
TFs被集成到WGCNA探索潜在的监管机制相关的临床意义揭示multi-IRG分类器。基于无标度
R
2
(
R
2
=
0.93
),平均链接层次聚类,我们决定对振动的力量和确定六个TF模块(数据
8(一个)- - - - - -
8 (c))。黄色的模块,包含15 TFs,展出最DLBCL患者的风险评分。绿色和绿松石模块,包含14和141 TFs,分别也与病人密切相关风险评分(数字
8 (d)- - - - - -
8 (h))。TFs的三个模块是与18尾声时用于构造分类器。根据筛选标准(绝对的值
相关
>
0.4
和
P
<
0.001
),我们建立了一个在Cytoscape监管网络,这显然表明了监管这些记录间隔之间的关系(图
9(一个))。
PTPRC,
PSMD14,
FABP5,
GDF2,
STC2,
S100A11,
BTC代表了七个中心基因。功能富集分析确定以下生物过程:调节造血作用,结缔组织发展和监管的增长(图
9 (b))。KEGG通路显著富集在转录misregulation癌症,巴尔病毒感染,人类乳头状瘤病毒感染,Th17细胞分化,甲状腺激素信号通路,炎症性肠病,卡波济肉瘤相关疱疹病毒感染(图
9 (c))。
WGCNA GSE31312 TFs的队列。(一)左面板:无标度拓扑适合指数对振动力量。右面板:意思是连接对振动力量。(b)无标度
R
2
(
R
2
=
0.93
)。(c)集群系统树图的TFs DLBCL患者。(d)分布平均基因的意义和错误在六个模块相关的风险分数。(e)临床特征之间的相关性和六个模块。(f)散点图g的风险分数对应加入黄色,绿色,蓝绿色的模块,它们的相关系数
P
价值。
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
监管网络分析。(一)风险管理网络图score-relevant TFs和分类器尾声。绿色圆形节点代表保护性基因(
人力资源
<
1
),红色的圆形节点代表危险基因(
人力资源
>
1
),三角形节点代表TFs。红色边缘表示正相关,而绿色的表示负相关。(b)基因在监管网络的分析。(c) KEGG分析基因的监管网络。
![]()
![]()
![]()
4所示。讨论
最常见的非霍奇金淋巴瘤亚型,DLBCL是积极和异构肿瘤。取得了实质性进展DLBCL的免疫疗法
33- - - - - -
35]。几项研究已经证明了时间影响肿瘤细胞的增长和进步和与患者预后有关
10,
11,
26,
36]。免疫渗透组件的识别可以改善病人的预后,导致生物标志物预测的结果接受免疫治疗或其他治疗(DLBCL患者
10,
37- - - - - -
40]。
这里,我们开发和验证一个新的工具DLBCL患者预后分层的低收入和高危人群。提出的风险评分提供了额外的预后价值现有DLBCL临床病理因素。这是第一次研究证明的临床效用multi-IRG签名在DLBCL患者预后的工具。此外,我们提出一个预后诺模图,允许个性化的3至5年的操作系统概率估计病人。multi-IRG分类器和相关的列线图可以提高监测和指导决策辅助化疗的管理和治疗时间。
目前的研究已经确定了各种中心伊斯兰革命卫队DLBCL患者与操作系统有关。PTPRC(也称为CD45)、蛋白酪氨酸磷酸酶(PTP)家族的成员,参与致癌转换、细胞生长和分化
41]。这种蛋白质是一个重要的调节T细胞和B细胞抗原受体的信号和与各种癌症,包括多发性骨髓瘤,急性髓系白血病,巴雷特的癌症
42- - - - - -
44]。然而,它的作用在DLBCL仍缺乏研究[
45]。这项研究表明,PTPRC施加DLBCL患者的保护作用,可能通过转录监管。PSMD14编码26 s蛋白酶体的组成部分,参与细胞凋亡、细胞周期、DNA损伤修复(
46,
47]。S100A11是S100蛋白家族的一员,在胞内钙信号传导起着重要的作用。改变表达和重组S100A11已经涉及肿瘤(
48,
49]。陈发现S100表达的抗原递呈细胞DLBCL患者与高存活率(
40]。FABP5属于类脂肪酸结合蛋白(FABPs)和视黄酸的结合。这个绑定函数作为一个在转化细胞凋亡以及分化信号(
50,
51]。FABP水平升高癌,肿瘤的皮肤细胞,神经胶质瘤,是高度耐药细胞凋亡(
52- - - - - -
54]。已知Apoptosis-resistant (BCL-2-expressing)细胞改变维甲酸诱导细胞凋亡的能力(
55]。因此,探索之间的联系FABP5和bcl - 2可能揭示bcl - 2在DLBCL的机械作用和指向潜在治疗生物标志物。GDF2(也称为BMP-9)转化生长因子
β总科,促进肿瘤细胞的增殖和迁移
56]。细胞周期蛋白依赖性激酶4(到),细胞周期进程中的关键一员,与DLBCL相关联。到抑制剂abemaciclib强烈抑制细胞增殖和凋亡在DLBCL [
57]。目前的结果点之间有很强的正相关关系到和TFs KZF1 NCAPG。识别机制这种关系可能会加速发展的合适的治疗。功能富集分析表明这些基因可能参与癌症相关的各种途径,包括巴尔病毒感染人类乳头瘤病毒感染,Th17细胞分化。Th17细胞可能影响病人的预后和发挥抗肿瘤免疫效应在DLBCL的发生和发展。这些细胞及相关细胞因子与其他免疫细胞互动时间提供直接或间接的抗肿瘤免疫(
58- - - - - -
61年]。
使用估计算法评估免疫微环境,我们发现DLBCL患者免疫渗透的程度影响操作系统的培训和验证军团。这表明,免疫渗透与DLBCL的结果密切相关。免疫细胞的时间提出了某些癌症的预后评估,如黑色素瘤、胃癌,肝癌,DLBCL [
10,
62年- - - - - -
65年]。
基于multi-IRG分类器,DLBCL患者分配给低收入和高风险的分数组。公里分析表明,低风险组的预后好于高危人群,在训练和验证军团。威尔科克斯测试显示,基质和免疫分数低收入和高危人群之间的差距显著。具体来说,低风险组的分数较高,与更大的免疫渗透和更好的结果。因此,我们相信,DLBCL患者的免疫渗透和操作系统可能受到的综合表达这些18尾声。
根据CIBERSORT算法,记忆B细胞,天真的B细胞、CD4 memory-activated T细胞CD8 T细胞,滤泡辅助T细胞,和M2巨噬细胞是主要的免疫细胞浸润在DLBCL患者的三个军团。Wilcox试验表明,合成的18尾声时可能会导致不同的免疫细胞浸润类型DLBCL患者。的比例CD4 memory-activated T细胞和卵泡辅助T细胞在低风险组相对较高。相比之下,记忆B细胞和幼稚的B细胞相对更丰富的高危人群。这种差异表明,较短的OS的高危人群可能源于一个不平衡这四个免疫细胞类型。CD4记忆激活T细胞相关的负面记忆B细胞。我们推测,记忆B细胞渗透在高危人群可能抑制CD4 memory-activated T细胞的渗透,从而导致低收入和高风险评分之间的不同预后组。
最后,我们集成多个尾声时通过套索回归分析,构建一个新的预后分级机在DLBCL前所未有的方法。提出风险评分可以补现有DLBCL临床病理因素。分类器被证实具有良好的预测性能验证群体。值得注意的是,很少有研究应用估计和CIBERSORT算法探索免疫在DLBCL渗透。然而,缺乏进一步的实验调查的比例和特定细胞类型的免疫渗透是目前研究的一个限制。
总之,multi-IRG分类器可以有效地分配DLBCL患者群体有不同的风险。因此,伊斯兰革命卫队可能补充传统临床病理的风险因素来生成一个全面的预测工具。该诺模图合并风险评分和现有临床预后预测可能促进DLBCL患者的个性化的跟踪和管理。