Identification immunophenotyping of lung adenocarcinomas based on the tumor microenvironment

二.分析流程

三.结果解读

1.鉴定LUAD中新的免疫表型使用非负矩阵分解算法（NMF）和ssGSEA算法分析TCGA-LUAD的513例患者表达数据，得到9种不同的免疫表达模式，并引入免疫细胞和炎症反应相关性分析（图S1A）以及Metascape分析排名靠前基因发现主要为免疫功能和基因信号转导（图S1B）。

图S1. 验证9种免疫模式

作者对排名靠前的基因进行共识聚类，随后通过随机森林算法（图S2A）进一步优化，因而分成免疫型和非免疫型（图S2B）。

图S2. 免疫亚型分类

图2A：展示免疫型的非免疫型的免疫特征，其中免疫型有免疫相关特征富集：免疫细胞（B细胞，细胞毒性细胞，T细胞和巨噬细胞）、免疫基因（T / NK和B / P基因）、溶细胞活性和6-IFN标记。

图2A. 免疫型与非免疫型的免疫特征

同时比较免疫类型和非免疫类型，得到一系列差异基因：CD19、CD80、CD28，ICOS、CD40LG、CCL1、CXC5、CXCL9等。

2.基于肿瘤微环境免疫亚型由免疫活化型和免疫耗竭型组成图2B：作者基于肿瘤微环境的进一步分析了免疫细胞和介质，通过活化的基质基因特征将免疫型分成两类。其中缺乏活化基质基因组由高免疫富集评分、IFN相关标记和M1巨噬细胞标记；而活化基质基因组则有高度活化的基质标记、抗炎M2巨噬细胞标记以及免疫抑制因子。基于这些信息，作者将前面一组定义为免疫活化型，后面一组定义为免疫耗竭型。

图2B. 免疫活化型和免疫耗竭型的免疫特征

图S4：对肺腺癌（图S4A）和泛癌免疫亚型（图S4B）三种亚型进行了上述免疫亚型分类。

图S4. 泛癌与肺腺癌的免疫分型

3.免疫分子亚型与预后结果相关图3AB：绘制免疫型和非免疫型的总生存期（OS）和无进展生存期（PFS）的生存曲线，发现免疫型预后较好图3CD：绘制型、免疫耗竭型、非免疫型的总生存期（OS）和无进展生存期（PFS）的生存曲线，发现免疫活化型预后最好图3EF：将免疫耗竭型和非免疫型组成一组与免疫活化型比较，发现免疫活化型预后好。

图3. 生存分析

4.免疫亚型与染色体拷贝数变异、突变负担和新抗原数量的联系图4AB：比较免疫型与非免疫型体细胞拷贝数增加（图4A）与减少（图4B）的数量，发现免疫型均低于非免疫型。图4CD：研究免疫活化型、免疫耗竭型和非免疫型的突变率和新抗原发生率，发现没有明显差异。

图4. 免疫亚型与染色体拷贝数变异、突变负担和新抗原数量的联系

5.独立队列与免疫治疗预测验证使用GEO两个对立队列验证，作者使用免疫型和非免疫型的差异基因进行分类，结果与前面一致。图5：通过免疫亚型分类将转移性黑色素瘤队列分成免疫型和非免疫性（图5A），免疫活化型、免疫耗竭型和非免疫型（图5B），然后进行PD-1、CTLA-4预测，发现免疫活化型与PD-1抑制剂效应有关。（R为应答、NR为非应答）

图5. 免疫治疗预测

最后小结一下，作者通过非负矩阵分解算法（NMF）和ssGSEA算法分析出9种免疫模式，然后通过共识聚类和随机森林算法将肺腺癌分成免疫型与非免疫型，随后通过免疫相关特征将免疫型分成免疫活化型与免疫耗竭型。然后作者进一步对免疫亚型进行生存分析与突变负荷分析。最后作者通过独立数据与免疫治疗预测验证了分类。