文献解读（2）早期诊断的生物标记增加：DIS和PIS

通过对消化系统疾病肿瘤微环境的探索，识别出了在消化类癌症中更为有效和精确的诊断和预后标志物。他们的研究全面分析了免疫细胞在DSC诊断和预后中的作用，并且他们识别的DIS和PIS可以用作早期诊断的生物标记和用来预测DSC病人的生存。

缩写：

DIS：诊断免疫得分（diagnostic immune score）PIS：预后免疫得分（prognostic immune score）DSC：消化系统癌症（Digestive system cancers）ESCA：食管癌（Esophageal carcinoma）STAD：胃腺癌（Stomach adenocarcinoma）LIHC：肝癌（Liver hepatocellular carcinoma）PAAD：胰腺癌（Pancreatic adenocarcinoma）COAD：结肠腺癌（Colon adenocarcinoma）READ：直肠腺癌（Rectum adenocarcinoma）RFS：无复发生存期（relapse-free survival）

消化系统癌症（DSC）在世界范围内都有很高的死亡率，当前的治疗方法包括手术，放射疗法和免疫疗法等都有所提高。但是，对于DSC本身而言，由于其具有隐藏性、疾病发展迅速以及高侵袭性的特征，晚期的DSC病人的平均生存时间段。因此，去识别DSC疾病的早期诊断标志和预后标志具有重大的意义。

今天小编介绍的这篇文章中，Yang等人通过对TCGA数据库中的食管癌、胃腺癌、肝癌、胰腺癌、结肠腺癌以及直肠腺癌的数据，通过CIBERSORT算法刻画每个样本中22个免疫细胞的组成情况，通过Lasso回归分析识别出一些重要的免疫细胞类，并进一步构造诊断免疫得分DIS和预后免疫得分PIS。

标题：Immune cell infiltration as a biomarker for the diagnosis and prognosis of digestive system cancer 杂志：Cancer Science IF：4.751 发表时间：2019.7.25

（1）训练集：从TCGA数据库中的食管癌、胃腺癌、肝癌、胰腺癌、结肠腺癌以及直肠腺癌的共1809个病人的表达谱数据和临床数据。

（2）22种免疫细胞组成：通过CIBERSORT去刻画这些病人22种免疫细胞的组成，在使用CIBERSORT时，迭代计算1000次，只保留那些P<0.05的病人进行后续分析。

（3）识别重要的免疫细胞：通过LASSO分析识别在DSC中扮演重要角色的免疫细胞。基于LASSO分析中的系数，结合每一个病人相应的免疫细胞比率，可以进一步构建诊断免疫得分DIS，如下所示：

DIS = (fraction level of naive B cells × 0.520) + (fraction level of plasma cells × 9.710) + (fraction level of CD4 memory activated T cells × -5.601) + (fraction level of monocytes × 5.640) + (fraction level of M0 macrophages × -4.857) + (fraction level of resting mast cells × 8.246).

（4）生存分析：通过LASSO-COX回归分析，识别影响病人RFS的免疫细胞，根据免疫细胞构建相应的预后模型，预后免疫得分PIS模型，如下所示：

PIS = (naive B cells × −0.207) + (CD8 T cells × −0.008) + (CD4 naive T cells × 0.195) + (CD4 memory acti‐ vated T cells × −0.221) + (follicular helper T cells × −0.083) + (regu‐ latory T cells × 0.055) + (M2 macrophages × 0.272) + (resting mast cells × 0.045) + (eosinophils × −0.101).

（5）验证数据集：从GEO数据库下载GSE23400、GSE13195、GSE22058、 GSE62452、GSE90627、GSE53625、GSE26253、GSE76427和 GSE38832数据，验证构建模型的准确性。

（6）识别新的免疫细胞类：基于样本免疫细胞组成矩阵，通过“cluster”包进行无监督聚类，将病人划分成不同的免疫细胞类，并结合临床数据和DIS以及PIS模型去验证这些不同免疫细胞类之间的特征。

（1）DIS模型的评估：将TCGA数据库中801个肿瘤样本和46个正常样本划分为训练集和测试集，并通过LASSO模型找到在DSC疾病中扮演重要角色的免疫细胞类，并基于这些免疫细胞构建如方法中提到的DIS模型，并在训练集、测试集以及整体样本中评价该DIS模型。如Fig 1所示，Fig 1A是在正常样本和肿瘤样本中相应免疫细胞组成差异的火山图；Fig 1B是LASSO回归模型对22种免疫细胞的系数的可视化；Fig 1C是LASSO回归分析中进行10倍交叉验证中参数调整过程的可视化；Fig 1D-F是训练集、测试集以及整体样本数据集中DIS的曲线下面积（AUC）结果，发现该模型具有一个很好的预测性能。

Fig 1. 消化类癌症的诊断免疫得分DIS评估

（2）PIS模型的评估：通过LASSO-Cox分析，找到影响消化类疾病病人预后的免疫细胞类，如方法中那样构建相应的PIS模型，并在上述划分中的训练集、测试集以及整套数据集中去看高低免疫得分样本的预后情况。如Fig 2所示，Fig 2A是LASSO回归模型对22种免疫细胞的系数的可视化；Fig 2B是LASSO回归分析中进行10倍交叉验证中参数调整过程的可视化；Fig 2C、2E和2F是训练集、测试集以及整体样本数据集中高低PIS得分组病人的生存差异。Fig 2D是训练集样本中1年，2年以及3年的曲线下面积分布。

Fig 2. PIS评估

（3）决策曲线分析：一般来说，决策曲线是用来评价某个指标对作出临床决策时对患者的益处，将PIS与疾病TNM分期相比较，从2年、3年以及5年RFS时间的角度，在Fig 3中，我们发现PIS预测病人RFS的能力（实线）显著高于TNM（虚线部分）。

Fig 3.决策曲线分析评估PIS的临床应用性

（4）Nomogram预测模型：在训练集中对病人构建Nomogram预测模型，进一步评估不同时间节点病人的复发情况（Fig 4A）。同时在训练集、测试集以及整体数据集中去绘制相应的校正曲线分布情况。发现在训练集、测试集以及整体数据集的Nomogram模型均有一个较好的结果（Fig 4B-D）。其中对角45度的灰色虚线表示最好的预测结果。