导语

结果：

单细胞序列分析和细胞类型鉴定
在质量控制和去除批次效应， 在治疗前（PD-1 抗体联合化疗，患者 08）和治疗后（达到 pCR，患者 06）之间GSE207422 scRNA-seq 数据，10,441 个单细胞被聚集成 13 个主要簇，特异性基因用于用经典标记注释细胞类型。

为了表征对治疗的反应 TME 重塑，作者计算了治疗前和治疗后患者不同细胞类型的比例。
调节子被组织成组合模块
作者应用 SCENIC 来识别关键调节因子。SCENIC 可以同时重建基因调控网络并从 scRNA-seq 数据中识别细胞状态。确定了显著活跃的调节子。SCENIC 将顺式调控序列信息与 RNA-seq 数据链接在一起。SCENIC 包含三个主要步骤，包括共表达分析、靶基因基序富集分析和调节子活性评估。主要结果包括一系列调节子（每个调节子代表一个 TF 以及一组共表达和基序显着富集的靶基因）和每个细胞的调节子活性评分 （RAS）。通过应用上述改进的 SCENIC 方法，作者鉴定了 139 个包含 8839 个靶基因的重要调节子。

引人注目的是，这 139 个调节子被组织成 14 个主要模块，对于每个模块，作者分析了它们的平均活动评分，当将每个模块的平均活动评分映射到 UMAP 上时，作者发现，比较新辅助免疫治疗联合化疗前后，髓系细胞在模块 M5 中表现出最显着的差异。
接下来，通过分析 14 个模块中的方差分量对调节子进行排序。此外，通过计算调节子特异性评分 （RSS），作者确定了细胞类型特异性调节子。有趣的是，PPARG 调节子（包含 23 个靶基因：FTL、ACP5、GRN、ASAH1、FBP1、CTSS、APOE、GLUL、SLA、TXNIP、BRI3、CD68、MSR1、VSIG4、BHLHE41、ALDH2、ALOX5、CSTB、TMBIM1、CD52、LIPA、GPNMB 和 CPM）在模块 M5 中显著共享，并且也是骨髓细胞特异性调节子，表明 PPARG 调节子可能影响免疫治疗。
PPARG 调节因子是免疫治疗反应的预测因子
为了研究 PPARG 调节子在本研究中的临床作用，作者使用 AUCell 和 GSVA 验证了其功能。根据 TCGA 泛癌队列，基于单变量 Cox 回归分析，高 PPARG 调节子和低 PPARG 调节子之间没有显着的预后差异，表明 PPARG 调节子不是纯粹的预后指标。
然而，在达到 pCR 的治疗后组 （GSE207422 患者 06，新辅助免疫治疗联合化疗）中 PPARG 调节子的评分高于治疗前组 （GSE207422患者 08，新辅助免疫治疗联合化疗），在患者 05 GSE207422 （治疗前） 与患者 11 （治疗后达到主要病理反应 [MPR]）中观察到相同的结果，此外，根据 GSE207422 数据，新辅助免疫治疗联合化疗后，MPR 组 PPARG 调节子的 AUCell 高于非 MPR （NMPR） 组和补充图6另一个 CRC scRNA-seq 数据集 （GSE205506） 显示了相同的结果。对于达到 pCR 的患者，与治疗前数据相比，PPARG 调节因子的 AUCell 在治疗后数据中更高， 新辅助免疫治疗后，在 pCR 组和肿瘤组织中发现 PPARG 调节子的 AUCell 分别高于非 pCR 组和正常组织。
通过使用一系列大量 RNA-seq 数据 （GSE207422、GSE126044 和 PRJEB23709 进一步进行验证;无花果。4G-I）。在接受免疫治疗±化疗的晚期非小细胞肺癌 （NSCLC） 患者的另外两个 RNA-seq 数据集 （GSE135222 和 Orient-11） 中，高 PPARG 评分与较好的预后相关。此外，PPARG 调节子与免疫评分呈正相关
PPARG + 髓系细胞图谱
接下来，作者根据 scGate R 软件包从 GSE207422（LUAD 样本）和 GSE205506（CRC 肿瘤样本）中筛选髓系细胞标志物（“CD14+”、“FCER1A-”）的表达来选择髓系细胞簇。作者总共获得了 18,488 个髓系细胞。基于 PPARG 的 AUCell，作者构建了 PPARG + 髓系细胞图谱，并将这些细胞分为 14 个簇 （I-XIV） ，值得注意的是，PPARG 的中位 AUCell 在集群 I、II 和 III 中超过 0.50。具体来说，聚类 I、II 和 III 在治疗后数据中占主导地位（GSE207422患者 06 和患者 11）。同样，对于 CRC，治疗反应组的 I、II 和 III 簇的分数大于无反应组和治疗前组。

此外，外部验证产生了相同的结果。当比较 BRCA scRNA-seq 数据的反应组和非反应组时，簇 I、II 和 III 的分数较高。总体而言，聚类 I 、 II 和 III 与免疫治疗反应相关，并提供了用于识别聚类 I 、 II 和 III 的标志物。总之，在本研究中，作者构建了一个 PPARG 网站，上传 scRNA-seq 数据矩阵时，会提取骨髓细胞。然后，计算每个骨髓细胞的 PPARG 调节子的 AUCell 评分，并确定 PPARG 高表达的簇 I、II 和 III 的比例。

总结

不得不服，这种纯生信+泛癌+单细胞思路也太绝了！轻松发6+！

scRNA-seq 分析结合泛癌数据大量 RNA-seq 分析揭示了新辅助免疫治疗前后的 TME 以及良好反应者和不良反应者之间的 TME 特性不同。作者确定 PPARG 调节因子是 ICI 反应的预测因子。此外，髓系细胞图谱能够识别 PPARG + 亚簇，并提供强大的发现工具和资源价值。