肿瘤免疫微环境或者免疫侵润概念，就是肿瘤的内部和周围往往聚集着大量的免疫细胞。主要由肿瘤细胞、成纤维细胞、免疫细胞、各种信号分子和细胞外基质及特殊的理化特征等共同组成，这些免疫细胞之间，以及肿瘤细胞和免疫细胞之间存在着千丝万缕的联系。免疫浸润的分析，本质上，就是搞清楚肿瘤组织当中免疫细胞的构成比例。免疫浸润显著影响着肿瘤的诊断、生存结局和临床治疗敏感性。免疫浸润也是近几年肿瘤研究的一个重要方向。

解读文献：

研究背景：

随着人类基因测序的发展，基于基因的生物标志物预测患者的预后变得越来越流行。随着免疫疗法的凯歌不断奏响，如何快速区分出其潜在获益人群成为了当务之急。基于免疫侵润的生物标志物区分肿瘤亚型，用以指导临床治疗和改善胃癌的预后成为迫切的需要。

signature筛选与模型构建分析流程

数据：TCGA数据库中的胃癌基因表达数据（375个样本），由 UCSC Xena 网站下载得到用于预测模型构建；GEO数据库中 GSE62254 and GSE29274数据集用于模型验证。
免疫侵润分析方法：ESTIMATE （R包）和 CIBERSORT （在线工具），ssGSEA（GSVA)。

预后signature查找：

免疫评分聚类区分免疫亚型

根据ssGSEA 评估的样本不同免疫细胞的得分利用层次聚类法进行聚类可以将样本分为免疫侵润高低两个亚型，并用tSNE聚类分析验证分类准确性：

差异基因分析：

根据免疫亚型将样本分为两组，利用TCGA数据库中的基因表达数据进行差异基因分析共找到1086个差异基因（differentially expressed genes DEG），其中与免疫相关的基因608个（ differentially expressed immunity genes DEIG）。DEG基因和DEIG基因分别绘制表达热图：

univariable Cox 回归

基于608个DEIG基因的表达量，利用单因素cox回归分析筛选到16个与预后相关的显著PIGs（prognosis‐associated immunity genes）：

Lasso cox模型构建与优化
利用lasso cox方法优化筛选最佳模型，最终从16个PIGs中筛选到6个基因构建预后模型：risk score=0.142 * expression of IL2RG + 0.104 * expression of IGLV5-48 +0.147 * expression of BMP7 + 0.110 * expression of IL33 + 0.010 *expression of GKN1 + 0.045 * expression of CCL25.

模型验证

根据模型计算患者的风险值，用中位值划分高低风险组。生存分析发现高风险组与低风险组具有显著的生存率差异，高风险组预后明显差于低风险组。ROC分析发现5年生存率预测AUC高达0.794.

GEO数据集验证

GEO数据库中的两个数据集，利用模型根据6个基因的表达量对样本计算risk score值，并根据值得大小划分高低风险组；通过KM分析不同分组生存率存在显著差异：

其他分析

差异基因功能富集分析

差异基因功能富集分析包括KEGG和GSEA富集分析。通过富集分析发现,DEGs主要参与免疫相关的生物过程或信号通路。免疫响应相关通路：complement, IL2-STAT5 signaling, allograft rejection, inflammatory responses, IL6-JAKSTAT3 signaling, interferon gamma response, TNF-a signaling via NF-kB, and interferon alpha response。另外还涉及细胞生长和凋亡相关信号通路，包括apoptosis, p53 pathway, and transduction pathways such as KRAS signaling and PI3K-Akt signaling.

RS风险值可以作为独立预后指标

通过单因素与多因素cox回归分析纳入更多的临床指标分析发现，基于免疫的风险指标IGPM可以作为独立的预后指标，都具有显著性。

Nomogram图

结合其他临床指标构建Nomogram诊断图：

延伸阅读

1. GEO数据库挖掘—WGCNA鉴定骨肉瘤转移相关基因
2. GEO、TCGA多数据库联合挖掘胰腺导管腺癌预后关键基因
3. 文献精读-GEO数据挖掘生物信息文章（宫颈癌）
4. GEO数据挖掘直肠
5. GEO数据挖掘案例解读-植物篇（拟南芥重金属）
   
6. GEO数据如何挖掘？案例解析！
7. 胃癌免疫侵润预后Signature数据挖掘-糖酵解