巨噬细胞极化机制图怎么看，怎么描述?

巨噬细胞相关的生信思路小云之前已经分享过不少，影响因子大多在5-8分的水平。如果想要冲10分+的话，肯定要下一点功夫了~ 除了补充验证实验，还可以拼分析思路的创新性！

小云今天要分享的文章，亮点非常多，简单总结如下：

（1）所用数据量大丰富：基于近30个公共数据进行分析；

（2）与化疗和免疫治疗效果关联；（ps：临床意义永远是高分必杀技！）

（3）基于巨噬细胞的不同极化状态（M0、M1、M2）进行分析；

（4）单细胞数据联合bulk RNA数据；（ps：多组学也是高分生信的常见思路！）

如此多的亮点，再加上简单的验证实验，思路创新+实验验证两条腿走路，高分文章分分钟到手！（ps：但如果没办法同时做到，选其一也可，可以根据自己的研究方向来选择性取用哦，定制或复现思路也可以找小云）

具体如何操作，跟着小云的步伐一起来看看吧~

题目：单细胞和bulk转录组分析的综合免疫基因组学分析揭示了与卵巢癌免疫学和临床不同行为相关的巨噬细胞激活方式

杂志：Journal of advanced research

影响因子：10.7

发表时间：2023年2月

数据信息

研究思路

探讨不同巨噬细胞亚型的异质性、稳态及其对卵巢癌生物学和临床表现的影响。采用单细胞和bulk转录组综合免疫基因组分析，系统研究巨噬细胞活化与预后和治疗效果的关系。一致聚类分析用于定义新的巨噬细胞亚型。采用人工神经网络模拟巨噬细胞的动态活化。

主要结果

1.公共OV数据集的免疫基因组特征揭示了巨噬细胞在OV预后和化疗中的关键作用

首先分析TME中免疫浸润的细胞组成，并使用单变量Cox回归分析评估了18个公开可获得的OV队列中每种免疫细胞类型的预后影响，并提供了总体生存信息。然后使用荟萃分析来利用18个OV队列，对每种免疫细胞类型进行总体预后评估(图1A)。生存分析显示，naïve CD4 T细胞、静息记忆CD4 T细胞、M2巨噬细胞或嗜酸性粒细胞低浸润的患者生存期明显长于高浸润的患者，而活化CD4记忆T细胞、M0巨噬细胞或M1巨噬细胞低浸润的患者生存期明显短于高浸润的患者(图1B)。

进一步研究了11个有化疗信息的公共OV队列中每种免疫细胞类型与化疗反应性之间的关系。9种免疫细胞类型的浸润丰度在化疗敏感患者和化疗耐药患者之间存在显著差异(图1C)。采用免疫组化方法检测17例OV患者(10例复发患者和7例无复发患者)M1巨噬细胞标志物(CD86)和M2巨噬细胞标志物(CD206)的表达（图1D）。CD86在非复发患者组织中的表达水平明显高于复发患者组织，而CD206在非复发患者组织中的表达水平明显低于复发患者组织 (图1D)。这些结果表明，巨噬细胞的功能复杂性与OV的预后和治疗效果有关。

（ps：免疫细胞浸润分析可以用小云新开发的零代码生信分析小工具实现，云生信分析工具平台包含超多零代码分析和绘图小工具，上传数据一键出图，感兴趣的小伙伴欢迎来尝试哟，网址：http://www.biocloudservice.com/home.html）。

2.单细胞转录组分析证实了巨噬细胞功能状态与化疗反应性之间的关联

分析5例OV患者的scRNA-seq数据，40218个单细胞被分成8个群体。使用细胞特异性标记鉴定了四种免疫细胞类型，即T/自然杀伤(NK)细胞、B细胞、髓细胞和浆细胞样树突状细胞，以及四种非免疫细胞类型(成纤维细胞、系膜细胞、内皮细胞和上皮细胞)(图2A)。化疗耐药样本在成纤维细胞、骨髓细胞和上皮细胞中高度富集，而B细胞和T/NK细胞在化疗敏感样本中过度表达(图2B)。

随后，分别分析骨髓细胞。骨髓细胞进一步分为5个巨噬细胞亚簇(巨噬细胞c1、-C2、-C3、-C4和-C5)、2个骨髓树突状细胞亚簇和1个单核细胞亚簇(图2C)。Macro-C1特异性表达趋化因子基因（CCL3、CCL4和CCL5），并显示M1 (TNF)和M2 (CD206和硒蛋白P)巨噬细胞标志物的共表达，表明存在复杂的极化表型(图2C和D)。Macro-C2、-C3和-C4亚群对应于M2样巨噬细胞，Macro-C5集群对应于M1样巨噬细胞。在化疗耐药患者中，M2样巨噬细胞占主导地位，而来自化疗敏感患者的样本则富含C5亚群(图2E)。随后，对化疗耐药和化疗敏感样本的巨噬细胞亚群进行分层聚类和KEGG通路富集分析，观察到不同的表达模式(图2F)。表明巨噬细胞的激活状态与对化疗的反应性有关。

3.巨噬细胞的功能状态识别临床不同的患者亚群

分析不同巨噬细胞亚型的相对浸润丰度与患者预后的关系。根据M0、M1和M2巨噬细胞浸润丰度的中位数将2791份OV样本分为8类(图3A)。8组患者的OS差异有统计学意义。与其他组相比，M0hiM1hiM2lo组患者表现出更好的OS(图3B)。进一步分析巨噬细胞浸润对总有效率的影响。结果显示，M0hiM1hiM2lo组患者的化疗有效率最高(82%)，而M0loM1loM2hi组患者的化疗有效率最低(59%)(图3C)。无监督的一致聚类分析能够识别两个不同的患者亚组，它们具有不同的巨噬细胞功能状态(图3D)。如图3D所示，亚组1的特点是M0和M1巨噬细胞丰度高(之后称为UnPol亚型)，而亚组2的特点是M2巨噬细胞丰度高，M0和M1巨噬细胞水平相对较低(称为M2Pol)。生存分析显示，与M2Pol亚型相比，UnPol亚型与OS改善相关(图3E)。UnPol亚型与M2Pol亚型在化疗反应率方面有明显差异(图3F)。

此外，TCGA定义的分子亚型(分化型、免疫反应型、间充质型和增生性)几乎可以平等地分为UnPol和M2Pol亚型，这证明了这两种亚型的实用性(图3G)。此外，这种基于巨噬细胞的亚型分类与OS保持显著相关，通过多变量Cox回归分析调整其他临床特征(图3H)。综上所述，这些结果表明，巨噬细胞极化在TME中显著区分OV患者的临床结局。

4.MacroANN预测患者预后和治疗效果

在训练队列中建立了巨噬细胞极化衍生的人工神经网络模型(简称MacroANN)来预测临床结局和治疗效果(图4A)。当应用于测试队列时，MacroANN区分了化疗获益或未获益的患者，获益组和无获益组的缓解率分别为78.40%和68.75%(图5B)。受益组患者的生存时间明显优于无受益组(图4B)。

为了进一步检验MacroANN是否为免疫治疗反应性提供了额外的预测价值，将MacroANN应用于三个免疫治疗队列。该模型对临床获益进行了准确预测，并将患者分为获益组和无获益组。与无获益组相比，预测获益组患者的反应率更高(图4C)。此外，生存分析的结果表明，预测获益组与改善的OS显著相关(图4D)。这些结果表明MacroANN可以预测临床结果，以及对化疗和免疫治疗的反应性。

小结

这篇文章的亮点是将巨噬细胞的不同极化表型与预后、化疗和免疫治疗效果关联进行分析，所用到的数据非常丰富，而且将单细胞和bulkRNA数据进行联合分析，最后构建了人工神经网络模型。热点方向“巨噬细胞”+新颖的分析思路，即使主图数据量并不是很多，也能拿下10分+文章。巨噬细胞作为医学领域一大热点方向，不管是实验还是生信都备受关注，思路赶快码住去冲高分吧！

如果你还苦恼于生信分析没有思路，或者嫌分析方法太过简单、太过老套，想要创新思路的，或者对单细胞分析、多组学联合分析等方向感兴趣的小伙伴快来联系小云吧！