今天小编分享一篇今年8月25日发表在《EBioMedicine》的原著性文章，标题是Comprehensive molecular analyses of a TNF family-based signature with regard to prognosis, immune features, and biomarkers for immunotherapy in lung adenocarcinoma，影响因子5.736分，文章分析很全面，符合逻辑。

https://doi.org/10.1016/j.ebiom.2020.102959

文章的关键术语

Immune checkpoint：免疫检查点

Tumor Necrosis Factor ：肿瘤坏死因子

lung adenocarcinoma (LUAD) ：肺腺癌

CIBERSORT：一种新颖的方法用于鉴定实体瘤中复杂组织的细胞成分。

肿瘤免疫缺陷和排斥分析法 (TIDE) ：一个算法框架，用来预测免疫检查点封闭反应。

研究主旨

本研究旨在探索LUAD中TNF家族成员的基因表达图谱，并构建了TNF家族预后特征。这篇研究的作者第一次对LUAD中TNF家族成员的基因表达情况和临床意义作了系统性探索。作者还利用来自7个不同队列的1300肺腺癌病例数据建立了基于TNF家族的预后模型。

肿瘤坏死因子TNF家族成员包括调节体内抗肿瘤免疫反应的关键通信系统，以及来自 B7-CD28 家族的免疫检查点分子。通过调控TNFSF/TNFRSF家族之间的相互作用以作为一种新型癌症疗法具有很大的潜力。迄今为止，尚未有报道过关于TNF家族成员在肺腺癌中的表达情况的相关研究。

研究思路

下载公共数据库的数据集，分别来自TCGA数据库（RNA-Seq，测试集）和GEO数据集（GSE11969、GSE13213、GSE30219、GSE31210、GSE41271，验证集）。

收集临床上手术切除的LUAD组织样本，提取RNA，并做qRT-PCR分析。

TCGA数据库中得到的数据采用DAVID 6.8做GO和KEGG分析。

采用CIBERSORT和LM22将TCGA数据库得到的免疫细胞分型进行计算，做免疫浸润分析。

通过TCIA分析TCGA数据的突变率和PD-L1蛋白。

做肿瘤免疫功能缺陷和排斥分析。

用STATA软件进行预后芸分析。

结果

首先作者从TCGA数据库中获取临床数据，从而探索出TNF家族基因表达谱。接着作者用单变量Cox比例风险回归分析方法鉴定TNF家族成员和肺腺癌病人的总生存率之间的关系，作者发现有17个基因明显跟总生存率有关，其中TNFRSF1A, LTBR和TNFRSF6B为高风险因子，其风险比值大于1，其余14个基因（CD27、EDA2R等）的风险比值小于1。

接着，把没有预知意义的基因过滤掉，留下17个基因作进一步分析，作者再通过筛选出5个基因（TNFRSF6B, TNFRSF13C, TNFRSF14, TNFRSF1A, EDA2R）用COX 比例风险模型分析以优化这个模型。

然后，为了验证独立队列里的TNF家族的标记的可现性，作者对5个独立的GEO数据集的每个病人数据计算出风险评分。Kaplan-Meier分析结果发现较高风险组别病人的死亡率较高。

与此同时，作者也通过风险评分、生存率以及用Kaplan-Meier分析方法做总生存曲线，验证了TNF家族标记分子的预后表现。

作者还做富集分析探索标记相关的通路，KEGG分析发现了一些基因与原发性免疫不全和其他免疫相关通路呈高度相关性。

由于TNF家族特征和免疫相关通路之间的密切关系，作者还进行更深入地探索风险评分，因为风险评分与肺腺癌患者的免疫细胞渗透和炎症特征有关。

最后，通过分析风险评分的相关性和一系列广泛使用的生物标志物，探讨TNF家族标志物与免疫治疗反应之间的关系。首先，在高危和低风险群体中计算肿瘤突变负荷、新抗原数量、克隆新抗原数量和亚克隆新抗原数量。

​​​​​​​