文摘
CD8 + T细胞需要建立抗肿瘤免疫力,和大量的渗透与预后良好。然而,CD8 + T细胞亚群在肿瘤微环境在肿瘤恶化可能扮演不同的角色,预后和免疫疗法。在这项研究中,我们使用了scRNA-seq肝细胞癌(HCC)的数据,揭示不同CD8 + T细胞的异质性的子集。scRNA-seq数据集GSE149614 GEO数据库,获得的转录组和样本表型数据得到了TCGA-LIHC TCGA的数据库。CD8 + T细胞亚型和代谢基因集得到发表的报道。的数据处理和分析是由CD8 + T细胞组R语言。PPI网络构建获得中心基因,和中心的公里存活曲线基因进一步策划确定中心生存的差异基因。CD8 + T细胞在肝细胞癌分为7个子集,和细胞毒性CD8 T细胞4显示相当大的子集TP53-mutant和nonmutant组之间的差异,以及不同程度的肝硬化,肝癌成绩,阶段,年龄,和身体重量。细胞毒性CD8 T细胞基因4微分分析TCGA-LIHC数据和单细胞测序数据集。10中心基因被发现:FGA、ApoA1、ApoH, AHSG, FGB,惠普,竞技场队伍,TF, HPX, APOC3。不同子集的CD8 + T细胞被发现为异构HCC预后和通路活动作出贡献。改变的细胞毒性和免疫基因表达在检查站CD8 + T细胞分化也确定了。我们发现细胞毒性CD8 T细胞4是与HCC的生存和预后密切相关,确定四个微分基因可作为生物标记为生存,肝细胞癌的预后和临床相关的特征。本研究的结果可以帮助找到目标免疫治疗的肝细胞癌和援助的加速发展为肝细胞癌免疫治疗。
1。介绍
肝细胞癌(HCC)是一种非常普遍的肝癌类型(1]。传统治疗肝细胞癌的治疗方法主要有手术治疗(肝切除、肝移植),射频,微波消融,栓塞(肝动脉化疗栓塞),和索拉非尼2- - - - - -6]。肝癌的早期症状是隐藏没有特征;因此,大多数患者发展到中、晚期诊断时,大多数人不能接受彻底的治疗,预后差(7]。近年来,免疫疗法产生了良好的治疗效果在各种恶性肿瘤的治疗,包括黑色素瘤和血液恶性肿瘤,而坚实的恶性肿瘤的治疗效果不满意,尤其是在肝细胞癌(8,9]。一方面,这是有关复杂实体肿瘤微环境,包括低氧、高pH值、营养不良、免疫抑制细胞因子(10- - - - - -13];的障碍,另一方面,相关免疫细胞功能状态的肿瘤也是一个重要因素导致无效或低效的免疫疗法(14]。
在肿瘤的微环境免疫失衡是肿瘤的重要特征之一。自适应免疫反应,介导的免疫细胞,是很重要的,在肿瘤的发生和发展15]。CD8 + T细胞是主要的抗肿瘤效应细胞(16]。元气大伤的抗肿瘤免疫的特点是CD8 + T细胞功能障碍中扮演着重要的角色在肝细胞癌的发生和发展17,18]。CD8 + T细胞从循环迁移和渗透到肿瘤组织由接触肿瘤抗原刺激成为有效的CD8 + T细胞杀死肿瘤小红细胞的影响(19,20.]。
抗肿瘤免疫反应在正常生物过程中,抗原递呈细胞存在肿瘤特异性抗原(TSA)作为主要组织相容性复合体(MHC)和绑定到T细胞表面细胞(T细胞受体),然后各种costimulatory信号分子的作用下,激活T细胞;激活T细胞,主要是细胞毒性CD8 + T细胞,结合肿瘤细胞通过识别TSA的表面并杀死肿瘤细胞后costimulatory信号被激活(21,22]。costimulatory信号的激活中扮演着重要的角色在杀死肿瘤的T细胞(23]。在肿瘤微环境(时间)T细胞,costimulatory信号分子的表达包括CD137 CD28和OX40往往显著下降(24- - - - - -26),而costimulatory信号分子的表达,如细胞毒性T-lymphocyte-associated蛋白4 (CTLA4)程序性细胞死亡蛋白1 (PD-1), t细胞免疫球蛋白mucin-3 (TIM-3)显著增加(27- - - - - -29日]。这些costimulating /抑制分子被称为免疫检查点,和治疗这些信号分子也被称为免疫疗法检查站。
Immunocheckpoint治疗取得了一系列的成功治疗实体肿瘤,突破原来的观点,肿瘤免疫治疗可能只是有效的免疫原性黑色素瘤和肾癌(30.]。最近的临床研究表明,单药治疗取得了良好疗效等实体肿瘤的非小细胞肺癌(NSCLC)、结直肠癌、胃癌、最安全的免疫疗法也被认可(31日- - - - - -33]。美国食品和药物管理局(FDA)和欧盟已经批准了一些免疫抑制剂检查站和单克隆抗体临床肿瘤治疗,如CTLA4单克隆抗体ipilimumab PD1单克隆抗体nivolumab等等。34]。
非小细胞肺癌和大肠癌、肝癌细胞也表达大量co-inhibitory组件(如PD-L1表面上,但不幸的是,免疫抑制剂检查站的功效还没有充分评估在早期的临床试验(35]。当前scRNA-seq技术广泛应用于细胞异质性的研究。然而,由于需要前置放大的cDNA图书馆建设之前,可怜的放大可能导致一些信息的损失。更全面地识别肝癌细胞之间的差异,肖et al。36)第一次执行Holo-Seq技术获得mrna和小rna的转录组信息从一个细胞同时结合信息来确定细胞间的异质性。在这项研究中,Holo-Seq技术应用于分析人类肝癌的单个细胞,并发现线粒体活动表达下调在肝癌的早期阶段36]。此外,肿瘤抑制microrna和肿瘤促进microrna的调节比经典的肿瘤促进信号通路的激活36]。这些发现为肝癌诊断提供重要的信息和引用。此外,他们画了一个集群映射基于双单细胞mrna转录概况和microrna在肝细胞癌(36]。与单一scRNA-seq聚类分析相比,这种方法使一个更完整的理解在肝细胞癌肿瘤细胞的异质性和发现新的细胞亚群。
在这项研究中,我们使用了scRNA-seq肝细胞癌的数据揭示不同CD8 + T细胞的异质性的子集。蜂窝组件的CD8 + T细胞亚群的不同状态下肝硬化肝癌患者,年级,阶段,年龄、体重测定,代谢途径和标志的活动分析途径进行了基于管道通路活动基于单细胞测序数据的分析。细胞分化的轨迹,和交互进行网络分析,和中心的基因的表达在不同的癌症是决定预后标记识别/治疗。不同子集的CD8 + T细胞被发现为异构HCC预后和通路活动作出贡献。改变免疫检查点CD8 + T细胞分化过程中基因表达和细胞毒性也确定了。
2。材料和方法
2.1。scRNA-seq和RNA-seq数据
肝癌scRNA-seq从基因表达综合下载(GEO)数据库(GSE149614),和34414细胞从10 HCC组织样本筛选。从TCGA齐娜数据库(https://xenabrowser.net/datapages/),TCGA-LIHC的转录组和样本表型数据下载;总共得到了424个样本,其中374人肿瘤组织(6的样品没有生存的信息,被排除在后续分析)和50是正常组织。表示值从log2(数+ 1)被转换为计数进行后续分析。CD8 + T细胞亚型被邓从研究获得et al。37]。总共有85代谢基因集得到小et al。(38),共50标志基因集从h.all.v7.3.symbols下载。从MSigDB格林尼治时间。
2.2。CD8 + T细胞亚群的识别
R包“修”是用于地图的表达谱CD8A和CD8B (CD8 + T细胞标记)并确定CD8 + T细胞数量。CD8 + T细胞被选中,UMAP再次进行聚类分析,和注释根据每个细胞群表达CD8 + T细胞亚型的分布。每个亚型的CD8 + T细胞的比例计算,和一个条形图是用R包“ggplot2”显示。每个亚型变异度高的基因检测的帮助下修包。找到所有标记功能,min.pct logfc。阈值参数设定在0.25。每个亚型的十大高度可变的基因选择,和R包“pheatmap”是用来画的热图的基因表达。标记基因之前报道的研究是用来注释亚种群的CD8 + T细胞包括天真/内存CD8 + T细胞(CCR7、IL7R TCF7,出售,SATB1, GPR183, LTB, LEF1,和S100A10),疲惫的CD8 + T细胞(CXCL13, HSPB1 IRF4,蕾,GIMAP6 HSPH1, CXCR6, CTLA4, PDCD1, LAG3, HAVCR2,和TIGIT),和细胞毒性CD8 + T细胞(PRF1, GZMA、GZMK NKG7)。
2.3。细胞CD8 + T细胞亚群的组件
修包被用来获取每个亚型的基因高变的CD8 + T细胞,他们根据Bonferroni调整的筛选值< 0.05。筛选的基因表达(计数),CIBERSORTx (https://cibersortx.stanford.edu/)工具使用缺省参数后的CD8 + T细胞亚型肝癌的特征矩阵文件。TCGA-LIHC转录组数据的整理,数转化成CPM CIBERSORTx估计的输入文件的内容CD8 + T细胞在肝癌亚型。surv_cutpoint函数被用来分析每个亚型的细胞内容,和细胞内容TCGA-LIHC样本分为高、低水平组,并使用生存公里的存活曲线绘制包和survminer包。TCGA-LIHC表型数据的排序。箱线图被吸引到显示单元内容之间的差异TP53突变和性别,和线情节被吸引到显示的内容CD8 + T细胞在肝癌亚型患者肝硬化不同状态下,年级,阶段,年龄和体重。
2.4。途径活性分析
scRNA-seq数据,FindMarkers修包的函数用来获取每个亚型的基因高变的CD8 + T细胞并根据Bonferroni调整屏幕值< 0.05。ClusterProfiler包被用于基因本体论(去)和《京都议定书》百科全书的基因和基因组(KEGG)富集分析,然后使用ggplot2,泡泡图绘制显示结果。据肖等人的研究报告。38),代谢途径和标志的活动分析途径进行了基于管道通路活动基于单细胞测序数据的分析。
2.5。细胞分化的轨迹,和交互网络分析
使用包的默认参数,弹弓包是用来评估细胞分化轨迹和标记基因表达的分布。CD8 + T细胞单细胞测序数据的整理,和网络的交互分析的CD8 + T细胞亚型进行了基于Python使用CellPhoneDB软件开发。R包风景被用来构建基因调控网络的CD8 + T细胞亚型。
2.6。预后标记识别/治疗
CD8 + T细胞亚型与显著差异在生存分析选择和分组根据细胞细胞亚型的内容。微分分析TCGA-LIHC表达数据(R包DESeq2),后| log2 (FoldChange) | > 1和纠正值< 0.05差异基因筛选。蛋白质相互作用(PPI)网络使用字符串构造数据库(https://www.string-db.org/),Cytoscape (v3.7.2)和cytoHubba插件被用来屏幕中心的基因。中心的基因分为两组根据他们的表达水平:高、低数量的中值显示中心的基因。绘制kaplan - meier生存曲线(公里)使用R和Survminer生存包。中心与生存基因差异选择和单基因基因集富集分析(GSEA)都使用了clusterProfiler包。根据不同的临床特征,ggstatsplot用于情节箱线图展示中心基因表达水平与生存的显著差异。TCGA pan-cancer数据从TCGA齐娜下载数据库,和中心各肿瘤基因表达是一个条形图所示。
2.7。统计分析
具有不同的基因表达的不同子集,KEGG, GSEA分析进行了分析统计,使用相应的软件包或默认的方法在软件。随机安排的测试表现出统计途径活性。学生的测试是用来评估的频率不同的细胞在正常和肿瘤样本;统计分析也用于检查的水平表达在肿瘤和正常组织样本。公里的意义使用生存率较曲线测试。克鲁斯卡尔-沃利斯检验是用来确定动态变化在细胞比例和基因表达水平在不同病理阶段。
3所示。结果
3.1。数据下载和预处理
对于肝癌,scRNA-seq数据集GSE149614从GEO数据库下载(https://www.ncbi.nlm.nih.gov/geo/10)和肝癌组织样本共有34414个细胞的筛选。从TCGA齐娜数据库(https://xenabrowser.net/datapages/),TCGA-LIHC的转录组和样本表型数据下载;总共得到了424个样本,其中374人肿瘤组织(6样品没有生存信息和被排除在后续分析)和50名正常组织。
单细胞测序结果表明,基因数量的样本主要分布在1000年和8000年之间,该基因数是主要分布在100年至50000年之间,和线粒体比例是主要分布在0到5%之间(图1)。之间的关系的深度测序和基因检测的数量为0.89,和之间的测序深度和线粒体为0.16,表明正相关的测序深度的测量基因(图2)。2000个差异表达基因高表达选择主成分分析(PCA),和最初的15个人电脑之间的差异都非常重要,建议相当理论与实际值之间的差异,用于额外的分析(图3)。
(一)
(b)
(c)
(一)
(b)
(一)
(b)
3.2。CD8 + T细胞识别提取和群
UMAP方法被用于集群,集群和26获得(图4 (b))。因为它是一个肿瘤组织样本,异质性高(图4(一))。CD8A和CD8B主要分布在集群0,6,9日,16日和24日,共有5062个细胞(图5)。这些组织的细胞被拿出,UMAP集群进行再次获得7 CD8 + T子组(图6)。CD8 + T细胞亚型标记了邓的研究报告等。37),也就是说,天真的标志/ CD8记忆T细胞:CCR7, IL7R, TCF7,出售,SATB1, GPR183, LTB, LEF1, S100A10;细胞毒性CD8 T细胞的标记:PRF1, GZMA, GZMK, NKG7;和疲惫的CD8 T细胞的标记:CXCL13, HSPB1, IRF4,蕾,GIMAP6, HSPH1, CXCR6, CTLA4, PDCD1, LAG3 HAVCR2, TIGIT。基于上述标记的表达,7细胞群是注释如下:天真/ CD8记忆T细胞,疲惫的CD8 T细胞1,疲惫的CD8 T细胞,细胞毒性CD8 T细胞,细胞毒性CD8 T细胞,细胞毒性3,CD8 T细胞和细胞毒性CD8 T细胞4。
(一)
(b)
(一)
(b)
(c)
(d)
(一)
(b)
3.3。细胞比例和细胞标记表达式
细胞的比例在每个分组人口证明是天真/ CD8记忆T细胞在肝癌碰头。媒介的比例是最高的,其次是疲惫的CD8 T细胞1,最低的是细胞毒性CD8 T细胞4(图S1A补充信息的文件)。同时,十大差异表达基因的表达在七CD8 + T进行了分析(图子集印地)。CIBERSORTx TCGA-LIHC的转录组数据,计算出细胞毒性CD8 T细胞4和疲惫的CD8 T细胞(图2占最高比例S8、表S1)。
3.4。分析和临床预后的相关性
生存分析是由生存率较。的生存差异集团整体免疫细胞比例显著,有一个重要的生存差异组高和低的细胞毒性CD8 T细胞比例4。精疲力竭的CD8 T细胞的生存区别2和天真/ CD8记忆T细胞并不显著(图S2、表S2)。细胞毒性CD8 T细胞4不同TP53突变和nonmutant团体之间的显著性之间(非参数Wilcox rank-sum测试)和(数据S9A和S9B)。肝硬化组中不同程度的细胞毒性CD8 T细胞的比例增加4第一和最低的结节性肝硬化形成和不完整(图S9C)。在肝癌的分级,细胞毒性CD8 T细胞的比例4在G2最高,然后逐渐下降(图S9D)。细胞毒性CD8 T细胞4的比例降低,然后增加肝癌(图阶段S9E)。细胞毒性CD8 T细胞的比例4年未来保持最低年龄组(图S9F)。4细胞毒性CD8 T细胞的比例增加而增加体重(图S9G)。
3.5。异构途径活性的景观
调查中存在的异构途径CD8 + T细胞亚群,我们使用和KEGG分析。分析表明,细胞毒性CD8 T细胞4有一个明显的生物过程,细胞组件,和分子功能(数据7(一)- - - - - -7 (c)、表1)。KEGG结果表明,细胞毒性CD8 T细胞与核糖体(图47 (d)、表1)。进一步阐明各种子组的异质性,我们还执行细胞群代谢途径的分析活动和标志免疫途径活性检查站。细胞的代谢途径的分析活动子集透露,疲惫的CD8 T细胞1,疲惫的CD8 T细胞2和3都有很强的细胞毒性CD8 T细胞代谢途径活性和细胞毒性CD8 T细胞2代谢途径活性(最低的数据S3A和S3B)。氧化磷酸化是显著富集7 CD8 + T细胞子组(图S3C)。标志途径活性分析显示,疲惫的CD8 T细胞1,疲惫的CD8 T细胞2,和细胞毒性CD8 T细胞3途径活性有很强的特点,和细胞毒性CD8 T细胞2途径活性最低标志(数字8(一个)和8 (b))。HALLMARK_MYC_TARGETS_V1显著富集在7 CD8 + T细胞子组(图8 (c))。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
3.6。轨迹分析细胞分化和细胞相互作用网络
没有指定初始分化组和血统来自疲惫CD8 T细胞1细胞毒性CD8 T细胞4,如图S4A。PRF1, GZMA, NKG7首次表达下调的基因,然后调节,最后表达下调在家族的发展(数字S4B- - - - - -S4E)。HAVCR2, PDCD1 LAG3、CD27 CTLA4 TIGIT, TNFRSF9基因predifferentiation过程中保持不变并显著分化在中期,然后保持不变(数字S4F- - - - - -S4L)。
考虑CD8 + T细胞的异质性子集,我们分析了他们的通信网络和细胞识别中的关键对子集,主导的交互。结果表明,细胞毒性CD8 T细胞,细胞毒性CD8 T细胞1,细胞毒性CD8 T细胞(图4的最高配体受体S5A)。疲惫的CD8 T细胞之间的对数中的2和其他6亚型是少(图S5B)和监管因素JUND、EGR1 FOSB, IRF1 IRF8, REL高表达的细胞毒性CD8 T细胞(图1S5C)。
3.7。预后标记识别/治疗
的生存结果的基础上显著差异,差异表达基因首先被计算TCGA的数据库,得到的差异表达基因,总共6813,其中2378是调节和4435表达下调(表S3)。前50的表达差异基因数据所示9(一)和9(b)。然后,根据生存的显著差异的结果,选择相应的细胞差异表达基因子集,和它们之间的配体受体和转录因子为主。如果随后的分析并不支持,只有选择的差异表达基因,总共发现了168个差异表达基因。自从4例生存分析的细胞毒性高、低组CD8 T细胞显示重要的生存差异,前50的表达差异表达基因的细胞毒性CD8 T细胞4选择显示(图S10)。根据获得的两组不同的基因,PPI网络构建和基因鉴定中心。cytoHubba发现10基因中心:FGA、APOA1 APOH, AHSG, FGB,惠普,竞技场队伍,TF, HPX, APOC3(图10)。生存率较显示APOC3上面十中心基因生存有统计上显著的差异,而APOH HPX, FGB显著差异(图生存(11日)- - - - - -11 (d))。考克斯的测试表明,P值APOC3, APOH、HPX FGB是0.02,0.14,0.00067,和0.034,分别。遗传GSEA APOC3, APOH、HPX FGB进行,前五个铀浓缩项目数据所示(11日)- - - - - -11 (d)和表S4在补充文件中。表S4补充文件中显示了单基因的分析结果GSEA APOC3, APOH HPX, FGB。不同基因的表达水平在不同的临床特征进行了进一步的分析,和基因的表达水平APOC3 APOH, HPX,和FGB在正常组织和肿瘤明显不同,并进一步分析了TP53突变是否在场。有显著性差异( )在APOH的表达性组织。APOC3的表情,APOH、HPX FGB没有显著不同的在不同的肝硬化程度和不同年龄(P> 0.05)。有显著差异的肝癌分级和分期。基因APOC3没有显著差异在不同的身体重量(数字S6和S11)。最后,不同的基因的表达在不同的癌症进行了分析,结果表明,基因的表达APOC3 APOH, HPX, FGB是最高的肝脏肝细胞癌(LIHC)和正常组织中的表达高于癌组织。基因APOC3 ApoH、HPX FGB也高度表达胆管癌(胆固醇),在正常组织和他们的表达水平高于在癌症组织(图S12)。
(一)
(b)
(c)
(d)
4所示。讨论
肿瘤浸润免疫细胞的作用,特别是T细胞在肿瘤发展已经被更深入地理解革命,开辟了新途径的免疫治疗策略。先前的研究已经表明,免疫细胞浸润肿瘤表现出不同程度的渗透取决于肿瘤的类型和阶段39]。Immune-associated细胞,包括T细胞和肥大细胞,已被证明是小说在肝细胞癌患者预后标记物,进一步表明immunoinfiltrating肿瘤组织细胞的组合甚至可以预测化疗和免疫治疗的效果(40]。因为CD8 + T细胞是最重要的效应T细胞在当前肿瘤免疫治疗(41),CD8 + T细胞检测肿瘤相关抗原在肿瘤细胞表面的主要组织相容性复合体类我分子(42]。
人们已经发现,四个coexpression基因(GZMA, C1QC CD3D, PSMB9)已被确认为CD8 + T细胞coexpression基因促进肝癌的CD8 + T细胞浸润,而这些coexpressed基因良好的渗透与CD8 + T淋巴细胞在抗原。这种生物过程可能为患者提供新的方向干细胞癌症免疫疗法不敏感(43]。因此,CD8 + T细胞抗肿瘤免疫的形成至关重要,和他们增加入侵与良好的预后相关。CD8 + T细胞亚群在肿瘤的微环境,另一方面,在肿瘤进展可能扮演不同的角色,预后和免疫疗法。细胞毒性已报告CD8 + T细胞与乳腺癌淋巴结转移和其他预后因素(44]。我们发现细胞毒性CD8 T细胞4 TP53-mutated和不变异群体之间显著不同,以及不同程度的肝硬化,肝癌年级阶段,年龄和体重。细胞毒性CD8 T细胞4微分TCGA-LIHC基因分析的数据和单细胞测序数据集。最后,10中心基因被发现:FGA、ApoA1、ApoH, AHSG, FGB,惠普,竞技场队伍,TF, HPX, APOC3。有显著的生存差异APOC3、APOH HPX, FGB基因。HPX,进一步分析表明,APOC3 APOH和FGB明显不同于正常组织和肿瘤无论TP53突变,肝癌年级,和舞台。有显著差异的表达APOH性团体之一。APOC3、APOH HPX, FGB表达水平在肝细胞癌是最高的,而在正常组织更大的比癌症组织。此外,在胆固醇显著表达,其表达水平高于正常组织相比,在癌症组织。脱辅基蛋白C3 (APOC3)是一种脂蛋白代谢的关键调节器和已被证明是与高甘油三酯血症密切相关(45]。β2-glycoprotein 1 (APOH)已被证明是与从结直肠癌肝转移46]。血液结合素(HPX)作为清道夫的有毒血浆血红素和转运到肝脏,已被证明是乳腺癌的发生和发展密切相关(47,48]。同样,纤维蛋白原β链(FGB)基因被发现与肾细胞癌侵袭转移相关(49]。,所有这些提供了强有力的证据表明APOC3 APOH, HPX, FGB可以作为肝细胞癌的生物标志物。
肿瘤免疫疗法是一种治疗癌症的新方法,近年来已大大改变了癌症治疗的前景(50,51]。尽管重大进展可以在免疫等治疗检查点封锁,其功效变化很大在不同患者或癌症类型(52]。详细了解癌症的免疫微环境内部组织的发展具有重要的参考价值新免疫疗法。单细胞测序技术可以作为一种有效的工具来研究肝癌的免疫微环境,并在这一过程中起着至关重要的作用的免疫细胞治疗和抗体药物开发的肝癌。
肝癌的发病率和死亡率都很高(53,54]。为了了解肝癌的免疫微环境和寻找新的目标和有效的生物标记物的免疫治疗肝癌,郑et al。17)执行sRNA-seq 5063人类T细胞使用智能Seq2技术。分组人口分类基于单细胞的T细胞的转录图谱表明,有大量的功能失调的致命的CD8 + T细胞和抑制性T细胞在肿瘤组织。基因Layilin发现抑制杀死的CD8 + T细胞功能针对这两种细胞中特异表达的基因,这可能是一个新的潜在的免疫疗法的目标。
5。结论
Immune-associated细胞,包括T细胞,是小说在肝细胞癌患者预后标记,表明immunoinfiltrating肿瘤组织细胞的组合甚至可以预测化疗和免疫治疗的效果。因为CD8 + T细胞是最重要的效应T细胞在当前肿瘤免疫治疗,他们也认识到肿瘤相关抗原作为主要组织相容性复合体类我在癌症细胞表面的分子,我们使用scRNA-seq肝细胞癌(HCC)的数据,揭示不同CD8 + T细胞的异质性的子集。CD8 + T细胞在肝细胞癌分为7个子集,子集细胞毒性CD8 T细胞4显示TP53突变组和nonmutant之间的显著差异,以及不同程度的肝硬化,肝癌成绩,阶段,年龄,和身体重量。中心基因被TCGA-LIHC和单细胞测序数据集分析,和基因APOC3 APOH HPX, FGB被确定为生物标记基因的考克斯测试。APOC3的表达、APOH HPX, FGB在正常组织和肿瘤和TP53突变明显不同。有显著差异的表达APOH性团体之一。有显著差异的肝癌分级和分期。基因APOC3没有显著差异在不同的身体重量。APOC3的表达水平,APOH HPX, FGB最高的肝细胞癌和正常组织的是高于癌组织。此外,它也是胆固醇中高度表达,与正常组织中的表达水平高于癌组织。我们发现细胞毒性CD8 T细胞4是与HCC的生存和预后密切相关,确定四个微分基因可作为生物标记为生存,肝细胞癌的预后和临床相关的特征。 This study could help to find effective targets for immunotherapy of HCC and accelerate the development of immunotherapy for HCC. At the same time, this work also outlines the map of the tumor-immune environment, which provides a basis for the future study of other tumor-immune microenvironments.
缩写
| 胆固醇: | 胆管癌 |
| CTLA4: | 细胞毒性T-lymphocyte-associated蛋白4 |
| 食品药品监督管理局: | 食品和药物管理局 |
| 走: | 基因本体论 |
| GSEA: | 基因集富集分析 |
| 肝细胞癌: | 肝细胞癌 |
| KEGG: | 京都基因和基因组的百科全书 |
| LIHC: | 肝脏肝细胞癌 |
| 非小细胞肺癌: | 非小细胞肺癌 |
| 别说话: | 经导管肝动脉化疗栓塞术 |
| 运输安全管理局: | 肿瘤特异性抗原 |
| MHC: | 主要组织相容性复合体 |
| PD1: | 程序性细胞死亡蛋白1 |
| 主成分分析: | 主成分分析 |
| PPI: | 蛋白质相互作用 |
| TIM-3: | t细胞免疫球蛋白mucin-3 |
| 时差: | 肿瘤微环境 |
| 识别: | T细胞受体。 |
数据可用性
所有生成的数据或分析在这项研究中都包含在本文并补充提供的文件。
同意
不适用。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
Hailei王、杨Fu1负责数据处理和分析;耿Bin-Bin Da进行写作和熊校对。所有作者阅读和批准最后的手稿。
确认
这项研究是一个开放项目云南器官移植临床医学中心在2021年,2020号syz - z - 011。
补充材料
表S1:细胞比例和细胞标记表达式。表S2:分析和临床预后的相关性。表S3:预后标记识别/治疗。表S4:遗传GSEA APOC3、APOH HPX, FGB。图S1: CD8 + T)的比例和标记表达亚型。(一)比例柱状图7 CD8 + T亚型。7 (B)热量地图类型的CD8 + T亚型标记。图S2:生存分析细胞群。(一)公里曲线整个免疫细胞比例的分组。(B)细胞毒性CD8 T细胞4公里的曲线。 (C) The KM curves of exhausted CD8 T cells 2. (D) The KM curves of naive/memory CD8 T cells. Figure S3: metabolic pathway activity analysis of CD8+ T subsets. (A) Heatmap of metabolic pathway activity of CD8+ T subsets. (B) Violin diagram of metabolic pathway activity of CD8+ T subsets. (C) GSEA enrichment fractional point diagram of CD8+ T subgroups. Figure S4: cell differentiation trajectory analysis and marker gene distribution. (A) Cell differentiation trajectories of seven CD8+ T subtypes. (B)–(L) Expression profile of marker genes in Lineage 1. Figure S5: cell-cell interaction network analysis. (A) Cell interaction network diagram. (B) Heatmap of ligand-receptor pairs between seven subgroups. (C) Regulators of seven subgroups. Figure S6: expression of genes HPX and FGB under different clinical characteristics. (A)–(H) Violin diagrams showing the expression differences of genes HPX (left) and FGB (right) in normal and tumor tissues, TP53-mutant and nonmutant patients, gender, degree of liver cirrhosis, cancer grade, cancer stage, different ages, and different body weights; the degree of liver cirrhosis was divided into no fibrosis, portal fibrosis, nodular formation and incomplete cirrhosis, and established cirrhosis; age: 0–20, 20–40, 40–60, 60–80 and 80–100; body weight: 40–60, 60–80, 80–100, 100–150, and 150–200. Figure S7: single-gene GSEA of hub genes. (A) APOC3 single-gene GSEA, showing the first 5 enrichment pathways. (B) ApoH single-gene GSEA, showing the first 5 enrichment pathways. (C) HPX single-gene GSEA, showing the first 5 enrichment pathways. (D) FGB single-gene GSEA, showing the first 5 enrichment pathways. Figure S8: proportion of TCGA-LIHC immune cells. (A) Boxplot of the proportion of cells of the seven CD8+ T subtypes. (B) Heatmap of the proportion of the seven CD8+ T subtypes. Figure S9: proportion of cytotoxic CD8 T cells 4 in different clinical features. (A), (B) Boxplots showing the ratio of CD8 T cells 4 with or without TP53 mutation and sex, respectively. (C)–(G) Line plots showing the proportion of cytotoxic CD8 T cells 4 in cirrhosis degree, grade, stage, age, and body weight. Figure S10: differential analysis of CD8+ T subsets. Figure S11: expression of genes APOC3 and APOH in different clinical characteristics. (A)–(H) Violin diagrams showing the expression differences of APOC3 (left) and APOH (right) in normal and tumor tissues, TP53-mutant and nonmutant patients, gender, degree of liver cirrhosis, cancer grade, cancer stage, different ages, and different body weights; the degree of liver cirrhosis was divided into no fibrosis, portal fibrosis, nodular formation and incomplete cirrhosis, and established cirrhosis; age: 0–20, 20–40, 40–60, 60–80 and 80–100; body weight: 40–60, 60–80, 80–100, 100–150, and 150–200. Figure S12: hub gene expression in different cancer types. (A) Expression of APOC3 in different cancer types. (B) Expression of ApoH in different types of cancer. (C) Expression of HPX in different types of cancer. (D) Expression of FGB in different cancer types.(补充材料)