Professional Documents
Culture Documents
碩士論文
Master Thesis
指導教授:張資昊(Tzu-Hao Chang)
利用細胞分解工具及免疫特徵進行非小細胞肺癌化療患者
預後預測模型建立及建立免疫圖
研究生:廖子齊(Tze-Chi Liao) 撰
中華民國 112 年 1 月
Jan, 2023
誌謝
感謝指導老師張資昊教授在這兩年期間的指導,在研究方面給
予我很多點子及建議,讓我從中學習到身為研究者要有的嚴謹及思
考邏輯,另外在我遇到困難時不斷拉著我回到軌道上,如今能順利
完成論文,真心感謝。另外感謝口試委員吳育瑋副教授及蘇家玉副
教授,在口試開始前就提前到場修改,給予許多論文修改的建議,
讓我的論文更完整。
再來感謝爸媽,謝謝爸爸在我申請上北醫時無條件資助我兩年
的學費,謝謝媽媽在就學期間的接送讓我能更專心在學習上,以及
感謝你們在我跌落人生谷底時的不責怪及陪伴,我終於完成碩士
了!我一定會再重新站起來,而且這次會站得更穩。
最後感謝佩君,在兩年碩士期間的陪伴及包容,沒有你在旁邊
我大概也放棄了,祝未來我們都能變得更好。
子齊 2023/1/16
i
目錄
誌謝 ............................................................................................................. i
目錄 ............................................................................................................ii
表目錄 ........................................................................................................ v
圖目錄 ....................................................................................................... vi
摘要 ..........................................................................................................vii
第一章 緒論
1.1 研究背景 ........................................................................................ 1
第二章 文獻探討
3.2 資料來源
3.3 免疫特徵剖析模組
ii
3.5 預測模型建立 ............................................................................. 19
第四章 研究結果
第五章 討論
5.6 總結 ............................................................................................. 39
第六章 結論與建議
6.1 結論 ............................................................................................. 40
參考文獻 .................................................................................................. 41
iii
附件 2 PPS 分群之 PFI 存活分析 .......................................................... 46
附件 3 分群特徵統計摘要表 .................................................................. 46
iv
表目錄
表2 細胞類型分析結果 ....................................................................... 13
表3 免疫特徵之敘述 ........................................................................... 15
表7 各模型預測準確性之評估 ........................................................... 35
v
圖目錄
圖1 肺癌患者免疫圖譜 ......................................................................... 7
圖2 研究架構圖 ..................................................................................... 9
圖3 本研究彙整之新免疫圖 ............................................................... 17
vi
摘要
背景:近年針對肺癌之藥物進步如免疫抑制劑,所帶來的益處往往
只在一小部分的患者中顯現,研究指出免疫微環境會影響化療反
應。相較於單一生物標記,結合多種免疫組織概況可獲得更好癌症
過 Bisque 細胞分解工具拆解患者之細胞比例,並整合多篇文獻之免
勢,且帶有之免疫細胞比例及免疫評分均優於 C2 組。結論:本研
關鍵字:肺腺癌、免疫圖譜、反卷積、TCGA
vii
Abstract
cancer drugs, such as immunosuppressants. But the benefits are only seen
LUAD patients (n=513) from TCGA, and single cell data of NSCLC
patients(n=42) from GEO. The calculation of proportion of cell type was
established by the Lasso-Cox model. All the above features were then
based on the two groups. Result: Compared with the C2 group, the C1
cells and immune score were better than the C2 group. Conclusion: We
viii
第一章 緒論
1.1 研究背景
癌症為十大死因之首,致死人數又以肺癌為主,肺癌主要分為
expression profiling)進行分析。
近年關於肺癌之藥物治療進步,包括免疫療法、標靶藥物、化
ICIs)在近十年已改變許多癌症的臨床治療策略,例如 PD-
益處往往只在一小部分的患者中顯現,如肺癌患者之五年存活率僅
1
約 15%。原因可能為免疫抑制劑的反應與多種因素相關,例如腫瘤
足以區分患者是否該接受免疫療法或其他療法(Whiteside et al.,
2016)。因此需要建立有效和可靠的生物標記,精確的用藥以降低不
必要的藥物副作用。
由於腫瘤微環境的複雜性,需要生物標記的組合來預測個體患
者對治療的反應。「免疫圖」方法被提出可更全面的整合免疫相關
方法需要昂貴的實驗成本。目前已開發許多由傳統測序方法(bulk
RNA)數據推估免疫細胞比例工具,如 Bisque、CIBERSORT、
CIBERSORTx、MuSiC、TIMER、xCell、EPIC 及 MCP-counter 演算
胞定序更方便、低成本。另外,有學者透過細胞類型的拆解,替肺
癌患者進行分群,他們假設可以根據腫瘤微環境的主要成分來區分
非小細胞肺癌的異質性。與此同時,現今已有許多公開資料可提供
研究者進行細胞類型分解,如美國癌症基因體圖譜計畫(TCGA)上有
al., 2022)。本研究將應用上述二種資料庫進行腫瘤細胞比例之估
計,結合免疫圖方法探討預後相關議題。
2
1.2 研究動機與目的
腫瘤發展是極為複雜的過程,攸關宿主免疫系統與癌細胞之間
的互動。過去研究指出免疫微環境會影響化療反應(Cerbelli et al.,
2020)。相較於單一生物標記,研究結合多種免疫組織概況(tissue
針對患者進行初步分類,尚未深入探討臨床用藥的關聯性及預測模
型的建立。
本研究目的為探討非小細胞肺癌患者之腫瘤細胞比例及免疫特
徵與化療反應之關聯性,並建立免疫圖及預測模型,最終提供給醫
師及臨床醫事人員,提升用藥的準確性及治療效果,同時也避免不
必要的藥物副作用,最終有助於延長宿主存活期,以達到精準醫療
(Precision Medicine)之概念。
3
第二章 文獻探討
本章節將以「非小細胞肺癌與細胞分解工具及分群結果」 、 「癌
症免疫圖譜」 與 「非小細胞肺癌亞型」等方面進行探討。
2.1 非小細胞肺癌與細胞分解工具及分群結果
者細胞比例。此研究以皮下脂肪(subcutaneous adipose)及背外側前額
CIBERSORT、CIBERSORTx 等方法,且此作者更提出另一種方法
MarkerBased,僅需提供已知的標記基因(Marker gene)即可推估細胞
豐度(abundances)。
譜的忠誠性(fidelity),儘管此方法顯示出低於其他方法如 RLR、
4
PERT、DSA、LLSR、QP、MMAD 之估計偏差,但他仍可能高估或
二分群患者具有生存優勢,且對免疫治療有良好反應,並發現三個
關鍵分子 HSPA8、CREB1、RAP1A 可能作為第一分群的潛在標靶
僅 195 人。
alterations, CNA)在確立免疫檢查點表達起到關鍵作用。
NNLS。
5
總結上述研究可了解到為癌症分群的重要性,本研究嘗試替
行分群。
2.2 癌症免疫圖譜
助生物標記研究並協助臨床用藥選擇,但此研究並未實際於臨床上
進行測試,因此本研究結合免疫圖及臨床用藥資料,剖析不同化療
患者之免疫圖差異。
1)觀察到肺癌患者中三種不同免疫圖譜,分別為富含 T 細胞、中等
及缺乏 T 細胞。透過使用免疫圖譜作為生物標記,可了解癌症患者
腫瘤微環境的特異性概觀。然而研究指出仍有更多與 T 細胞相關的
因素可納入免疫圖軸向,因此本研究彙整免疫圖相關研究之軸向及
基因列表,創立新免疫圖。
6
圖 1 肺癌患者免疫圖譜
徵,以預測對免疫療法的反應。本研究將依照實驗中彙整之免疫特
因表達數據估計腫瘤中體細胞、免疫細胞的含量以及腫瘤的純度
7
2.3 非小細胞肺癌亞型
非小細胞肺癌主要可分為肺腺癌及肺鱗狀細胞癌,過去研究指
據驗證提出的演算法,結果顯示此方法能以更少的基因特徵
(signature)替非小細胞肺癌進行分類,有趣的是,此研究首次發現
8
第三章 研究方法
3.1 研究架構圖
圖 2 研究架構圖
9
圖 2 為本研究架構圖。研究資料方面,使用 TCGA 資料庫
者單細胞表達量資料進行細胞比例估計,單細胞資料先分別以
類型比例(proportion);第二,搜集各文獻之免疫特徵(signature)進行
下稱 ssGSEA),輸入資料類型為 TPM,輸出為各特徵之免疫評分;
集(https://www.innatedb.com/index.jsp)比對,此資料庫提供 4,723 個
Signature)值。
group,以下稱為 C1 組及 C2 組。在分群後,分別解析 C1 組及 C2
組對於化療反應之比例及一年內復發之人數。
10
在預測模型建立中,以 69 個特徵經由 Mann-Whitney U-test 篩選
出 49 個在兩群顯著差異的特徵,再導入機器學習模型,研究使用的
測目標為先前分好之 C1 組與 C2 組。
11
3.2 資料來源
3.2.1 TCGA
美國癌症基因體圖譜計畫(The Cancer Genome Atlas, TCGA)是由
2005 年發起的癌症基因組計劃。計畫內容為搜集癌症病患的臨床紀
錄,包括腫瘤組織及正常組織進行定序及生物資訊分析,並公開搜
集之定序資料與分析結果提供下載,以利於全球研究人員及學術單
位使用,最終目的為協助癌症的預防、治療及診斷。如表 1,本研
達資料進行分析,並搜集病患之臨床及用藥資料進行後續分析,篩
選出 177 位化療患者。
表1 TCGA 資料摘要
資料類別 內容
TPM
Clinical 性別、年齡、治療方法、臨床分期、存活情形等
Drug 用藥紀錄,包含 Cisplatin、Gemcitabine 等
12
3.2.2 Single Cell Data & Cell type annotation
本研究依照細胞分解工具需求搜集單細胞表達數據,資料參考
iDentification)工具分別進行細胞類型註解,結果如下表 2,由
表 2 細胞類型註解結果
分析方法 細胞類型
cell,
T cell, type 2 alveolar epithelial cell
13
3.3 免疫特徵剖析模組
3.3.1 Bisque
非小細胞肺癌患者之細胞比例及根據細胞類型概況將患者分群,並
探討化療反應之關聯性。
析,以得知細胞類型比例。
3.3.2 ssGSEA
延伸用法,可以針對單一樣本及感興趣的基因集(gene set)計算單獨
Immunescore、Stronmalscore、TumorPutiry、12chemokine、
IFNG.expanded、IFNG.Sig、CD8.Sig、Inflammatory.Sig、
EMG.Sig、IPRES.Sig、CRMA.Sig、IMPRES.Sig、Innate immunity、
14
T cell_Immune metagene、activated DC_LM22、Treg_Immune
metagene、MDSC_Immune metagene、Trafficking_infiltration、
如表 3。本研究分別搜集四篇免疫圖及免疫特徵相關文獻結合
表 3 免疫特徵之敘述
特徵 敘述
28 個基因。
IFNG.Sig IFNG、STAT1、IDO1、CXCL10、CXCL9
和 HLA-DRA 等 6 種基因的 γ 干擾素
(IFNγ) 反應生物標誌物。
Inflammatory.Sig 預測肺癌免疫檢查點阻斷反應的 27 個發
炎相關基因的基因表達特徵。
15
EMG.Sig 12 個上皮-間質轉化 (EMT) 相關基因的基
因表達特徵預測肺癌免疫檢查點阻斷反
應。
matrix remodeling、血管生成、傷口癒合和
mesenchymal transition,預測黑色素瘤對抗
PD-1 抗體治療的反應。
MAGEA2、MAGEA2B、MAGEA3、
MAGEA6 和 MAGEA12。
28 個免疫檢查點基因的黑色素瘤免疫檢查
點阻斷 (ICB) 反應預測因子。
Ingibitory
Angelova_MDSC.
cells_MDSC
16
T cell_Immune
T 細胞的豐度(enrichment)。
metagene
Treg_Immune
Neoantigen, CG antigen.
metagene
MDSC_Immune
Treg, MDSC 的豐度。
metagene
Other inhibitory
IDO1, ARG1 等。
molecules
圖 3 本研究彙整之新免疫圖
17
3.3.3 比例涉險模型
3.4 病患免疫特徵分析
k=2,將患者分為兩群。使用存活分析進行後續研究,觀察疾病穩定
PFI 代表病患自上次治療後疾病復發的時間。本研究將依據存活分
比例分佈。特徵熱圖部分,針對顯著差異的特徵進行熱圖(heat map)
(https://maayanlab.cloud/clustergrammer/),輸入的資料格式為 txt 檔。
18
3.5 預測模型建立
Validation,模型評估指標為準確率(Accuracy)、召回率(Recall)、精
確率(Precision)、F1 Score 及 ROC 曲線下面積(Area Under Curve,
AUC)。
19
3.6 化療反應及疾病復發分析
根據前述分群之 C1 組及 C2 組,進一步探討對於化療反應之比
例及一年內復發之人數,並以卡方檢定為統計考驗。
3.7 統計方法
依照前述進行患者分群後,所有特徵均進行統計檢定,本研究
使用 Mann-Whitney U-test 檢定,顯著水準為 p<.05。此外,在患者
分群之疾病復發與化療反應與否,本研究使用卡方檢定(Chi-
Squared),顯著水準為 p<.05。
20
第四章 研究結果
者免疫分群結果、LUAD 化療患者預後與化療反應之關聯性分析、
LUAD 化療患者之分群預測模型,以下將根據各分析進行說明。
21
4.1 LUAD 患者基本資料
表4 LUAD 患者基本資料
性別 分期 化療反應
類別 年齡
男 女 Early Late CR PD
全部
237 276 395 115 NA NA 65.2±10.3
n=513
化療
84 93 106 68 93 42 63.3±9.9
n=177
22
4.2 LUAD 患者細胞比例分析結果
本研究目的為探討細胞比例對化療反應之關聯性,在本節中將
觀察全部患者(n=513)及化療患者(n=177)細胞比例概況。全部患者如
23
圖4 LUAD 全部患者細胞比例
24
圖5 LUAD 化療患者細胞比例
25
4.3 LUAD 患者 ssGSEA 分析及建立免疫圖
在本節中將呈現全部患者(n=513)及化療患者(n=177)免疫特徵評
2.596。
圖6 LUAD 全部患者免疫圖
26
圖7 LUAD 化療患者免疫圖
27
4.4 LUAD 患者 PPS 分群
之 PPS 分數由分數低排到分數高並取平均值作為切點分成兩群患
PFI 有關聯性。
圖 8 比例涉險模型分析結果
28
4.5 LUAD 化療患者免疫分群結果
群 PFI 有顯著差異,且分群一(n=102)相較分群二(n=75)具備存活優
根據分群的結果繪製免疫圖,如圖 10,結果顯示在大部分的免
高於 C1 組,僅 Inhibitory.cell.Tregs、Ingibitory.cells.MDSC、
Recognition.of.tumor.cells、Glycolysis 四個特徵在兩分群無顯著差
異,而其餘特徵 C1 組均顯著高於 C2 組。
29
圖 10 LUAD 化療患者分群之免疫圖
30
根據分群的結果進一步觀察兩群之細胞比例分佈情形,如圖
C2 組顯著高於 C1 組,其餘細胞則無顯著差異。
圖 11 LUAD 化療患者分群之細胞比例
31
根據 69 個特徵進行分群後,經過 Mann-Whitney U-test 有 49 個
特徵有顯著差異,如附件 1 顯示統計摘要。本研究根據顯著差異的
特徵進一步進行熱圖繪製。如圖 12,結果顯示在細胞比例方面有 9
圖 12 LUAD 化療患者分群顯著差異之特徵熱圖
32
4.6 LUAD 化療患者預後與化療反應之關聯性分析
4.6.1 預後關聯性分析
根據分群結果,本研究進一步進行分群之卡方檢定。如表 5,結
果顯示 C1 組及 C2 組在疾病一年內復發與否存在顯著差異,且 C1
組在一年內復發的比例小於 C2 組。
表5 LUAD 化療患者分群之預後關聯性分析
PFI<365 PFI>=365
C1 組
21 (20.5%) 81 (79.4%)
n=102
C2 組
27 (36.0%) 48 (64.0%)
n=75
P=.0350*
33
4.6.2 化療反應關聯性分析
根據分群結果,本研究進一步進行分群之卡方檢定。如表 6,結
果顯示 C1 組及 C2 組在化療反應上存在顯著差異,且 C1 組在 CR
表6 LUAD 化療患者分群之化療反應關聯性分析
CR PD
C1 組
59 (75.6%) 19 (24.3%)
n=78
C2 組
34 (59.6%) 23 (40.3%)
n=57
P=.0474*
34
4.7 LUAD 化療患者分群預測模型
本研究將使用分群顯著差異之 49 個特徵進行預測模型建立,預
表 7 各模型預測準確性之評估
35
第五章 討論
目的為探討非小細胞肺癌患者之腫瘤比例及免疫特徵與化療反應之
關聯性,最終提供給醫師及臨床人員,並提升用藥的準確性及治療
效果。以此,本研究將根據研究結果進行分點討論。
5.1 細胞比例與預後之關聯性
本研究進一步根據細胞比例及免疫特徵進行分群,並篩選出化
Macrophage 在腫瘤生長及轉移過程中作為重要角色,研究指出 M1
macrophage 的高浸潤(infiltration)對於改善非小細胞肺癌患者的總體
本研究使用的細胞拆解工具為 Bisque,本研究也嘗試使用其他
36
5.2 免疫特徵與預後之關聯性
本研究根據細胞比例及免疫特徵進行分群,並篩選化療患者進
行免疫圖繪製,結果在絕大部分的免疫特徵都為 C1 組較高分,此
cells(MDSC)在免疫抑制腫瘤微環境中扮演關鍵角色之一,有研究也
證實對於非小細胞肺癌之疾病轉換及預後發揮作用(Zahran et al.,
2021)。根據前述免疫圖(圖 10)的建立及存活分析(圖 9),可看
出預後及免疫圖趨勢存在著關聯性。此外過去研究提出熱腫瘤(hot
tumor)與冷腫瘤(cold tumor)之概念,免疫療法(ICIs)的出現雖大幅提
圖免疫圖上佔據較大的面積 C1 組,其具備熱腫瘤的特徵同時也與
良好預後有關聯性,本研究更近一步發現也跟化療反應有關聯性。
37
5.3 PPS 基因與預後之關聯性
HLA.DRB1、NELL2、IGLV8.61、C1QTNF7、TNFSF13、CAT、
顯示這些基因表達時對患者存活帶來正面的效益。反之,如 CPS1
基因在 C2 組高表達,同時 C1 組低表達,這可能顯示這些基因表達
5.4 患者分群與化療反應之關聯性
徵,接下來本研究將關聯至患者治療反應與否。結果符合預期,C1
組之化療完整反應比例確實高於 C2 組,而疾病惡化的比例則反
之,這顯示本研究所彙整的特徵除了可分出存活差異也可為患者的
化療反應做區分。
38
5.5 化療患者之預測模型
在預測模型建立中,本研究將顯著差異的特徵導入分類器進行
近,其餘模型之準確率也均超過 85.0%同本研究,可顯示此方法預
測分好的預後優劣組可有不錯的預測能力。
5.6 總結
小細胞肺癌患者進行分群,結果發現不同分群之總體存活率有顯著
差異,證實病患免疫狀況對於末期患者存活有關聯性,建立之分群
預測模型也達到 96.1%之準確率。然而,我們的研究不僅發現免疫
狀況對化療患者之預後有關,更進一步發現對疾病復發與化療反應
也有關聯性,同時我們的預測模型也達到 95.5%之準確率。
39
第六章 結論與建議
6.1 結論
PFI 顯著相關的基因表現。根據研究結果,本研究證實細胞比例的
腫瘤之原貌,我們仍要抱持懷疑的態度。本研究建議未來實驗可多
到一些單細胞資料將有助於研究結果的精確度。
40
參考文獻
1. Avila Cobos, F., Alquicira-Hernandez, J., Powell, J. E., Mestdagh, P., & De
Preter, K. (2020). Benchmarking of cell type deconvolution pipelines for
transcriptomics data. Nature Communications, 11(1), 5650.
https://doi.org/10.1038/s41467-020-19015-1
2. Blank, C. U., Haanen, J. B., Ribas, A., & Schumacher, T. N. (2016). CANCER
IMMUNOLOGY. The "cancer immunogram". Science, 352(6286), 658-660.
https://doi.org/10.1126/science.aaf2834
3. Cancer Genome Atlas Research, N. (2012). Comprehensive genomic
characterization of squamous cell lung cancers. Nature, 489(7417), 519-525.
https://doi.org/10.1038/nature11404
4. Cerbelli, B., Scagnoli, S., Mezi, S., De Luca, A., Pisegna, S., Amabile, M. I.,
Roberto, M., Fortunato, L., Costarelli, L., Pernazza, A., Strigari, L., Della Rocca,
C., Marchetti, P., d'Amati, G., & Botticelli, A. (2020). Tissue Immune Profile: A
Tool to Predict Response to Neoadjuvant Therapy in Triple Negative Breast
Cancer. Cancers (Basel), 12(9). https://doi.org/10.3390/cancers12092648
5. Devarakonda, S., Morgensztern, D., & Govindan, R. (2015). Genomic alterations
in lung adenocarcinoma. Lancet Oncol, 16(7), e342-351.
https://doi.org/10.1016/S1470-2045(15)00077-7
6. Gridelli, C., Rossi, A., Carbone, D. P., Guarize, J., Karachaliou, N., Mok, T.,
Petrella, F., Spaggiari, L., & Rosell, R. (2015). Non-small-cell lung cancer. Nat
Rev Dis Primers, 1, 15009. https://doi.org/10.1038/nrdp.2015.9
7. Guo, X., Zhang, Y., Zheng, L., Zheng, C., Song, J., Zhang, Q., Kang, B., Liu, Z.,
Jin, L., Xing, R., Gao, R., Zhang, L., Dong, M., Hu, X., Ren, X., Kirchhoff, D.,
Roider, H. G., Yan, T., & Zhang, Z. (2018). Global characterization of T cells in
non-small-cell lung cancer by single-cell sequencing. Nat Med, 24(7), 978-985.
https://doi.org/10.1038/s41591-018-0045-3
8. Havel, J. J., Chowell, D., & Chan, T. A. (2019). The evolving landscape of
biomarkers for checkpoint inhibitor immunotherapy. Nat Rev Cancer, 19(3),
133-150. https://doi.org/10.1038/s41568-019-0116-x
9. Jackute, J., Zemaitis, M., Pranys, D., Sitkauskiene, B., Miliauskas, S., Vaitkiene,
S., & Sakalauskas, R. (2018). Distribution of M1 and M2 macrophages in tumor
islets and stroma in relation to prognosis of non-small cell lung cancer. BMC
Immunol, 19(1), 3. https://doi.org/10.1186/s12865-018-0241-4
10. Jew, B., Alvarez, M., Rahmani, E., Miao, Z., Ko, A., Garske, K. M., Sul, J. H.,
Pietilainen, K. H., Pajukanta, P., & Halperin, E. (2020). Accurate estimation of
41
cell composition in bulk expression through robust integration of single-cell
information. Nature Communications, 11(1). https://doi.org/ARTN 1971
10.1038/s41467-020-15816-6
11. Jiang, P., Gu, S., Pan, D., Fu, J., Sahu, A., Hu, X., Li, Z., Traugh, N., Bu, X., Li,
B., Liu, J., Freeman, G. J., Brown, M. A., Wucherpfennig, K. W., & Liu, X. S.
(2018). Signatures of T cell dysfunction and exclusion predict cancer
immunotherapy response. Nat Med, 24(10), 1550-1558.
https://doi.org/10.1038/s41591-018-0136-1
12. Karasaki, T., Nagayama, K., Kuwano, H., Nitadori, J. I., Sato, M., Anraku, M.,
Hosoi, A., Matsushita, H., Morishita, Y., Kashiwabara, K., Takazawa, M.,
Ohara, O., Kakimi, K., & Nakajima, J. (2017). An Immunogram for the Cancer-
Immunity Cycle: Towards Personalized Immunotherapy of Lung Cancer. J
Thorac Oncol, 12(5), 791-803. https://doi.org/10.1016/j.jtho.2017.01.005
13. Kobayashi, Y., Kushihara, Y., Saito, N., Yamaguchi, S., & Kakimi, K. (2020). A
novel scoring method based on RNA-Seq immunograms describing individual
cancer-immunity interactions. Cancer Sci, 111(11), 4031-4040.
https://doi.org/10.1111/cas.14621
14. Li, C., Tian, C., Zeng, Y., Liang, J., Yang, Q., Gu, F., Hu, Y., & Liu, L. (2022).
Machine learning and bioinformatics analysis revealed classification and
potential treatment strategy in stage 3-4 NSCLC patients. BMC Med Genomics,
15(1), 33. https://doi.org/10.1186/s12920-022-01184-1
15. Li, M., Zhang, X., Ang, K. S., Ling, J., Sethi, R., Lee, N. Y. S., Ginhoux, F., &
Chen, J. (2022). DISCO: a database of Deeply Integrated human Single-Cell
Omics data. Nucleic Acids Res, 50(D1), D596-D602.
https://doi.org/10.1093/nar/gkab1020
16. Liu, Y. T., & Sun, Z. J. (2021). Turning cold tumors into hot tumors by
improving T-cell infiltration. Theranostics, 11(11), 5365-5386.
https://doi.org/10.7150/thno.58390
17. Mariniello, A., Novello, S., Scagliotti, G. V., & Ramalingam, S. S. (2020).
Double immune checkpoint blockade in advanced NSCLC. Crit Rev Oncol
Hematol, 152, 102980. https://doi.org/10.1016/j.critrevonc.2020.102980
18. Miao, Q., Zhang, L., Zheng, X., Jiang, K., Wu, B., & Lin, G. (2021).
Transformation of a cold to hot tumor and a durable response to immunotherapy
in a patient with non-small cell lung cancer after chemoradiotherapy: a case
report. Annals of Palliative Medicine, 10(4), 4982-4986.
https://apm.amegroups.com/article/view/68231
19. Newman, A. M., Liu, C. L., Green, M. R., Gentles, A. J., Feng, W., Xu, Y.,
Hoang, C. D., Diehn, M., & Alizadeh, A. A. (2015). Robust enumeration of cell
42
subsets from tissue expression profiles. Nat Methods, 12(5), 453-457.
https://doi.org/10.1038/nmeth.3337
20. Oser, M. G., Niederst, M. J., Sequist, L. V., & Engelman, J. A. (2015).
Transformation from non-small-cell lung cancer to small-cell lung cancer:
molecular drivers and cells of origin. Lancet Oncol, 16(4), e165-172.
https://doi.org/10.1016/S1470-2045(14)71180-5
21. Qian, Z., Qingshan, C., Chun, J., Huijun, Z., Feng, L., Qiang, W., Qiang, X., &
Min, Z. (2014). High Expression of TNFSF13 in Tumor Cells and Fibroblasts Is
Associated With Poor Prognosis in Non–Small Cell Lung Cancer. American
Journal of Clinical Pathology, 141(2), 226-233.
https://doi.org/10.1309/ajcp4jp8bzomheaw
22. Remon, J., Besse, B., & Soria, J. C. (2017). Successes and failures: what did we
learn from recent first-line treatment immunotherapy trials in non-small cell lung
cancer? Bmc Medicine, 15. https://doi.org/ARTN 55
10.1186/s12916-017-0819-3
23. Senosain, M. F., Zou, Y., Novitskaya, T., Vasiukov, G., Balar, A. B., Rowe, D.
J., Doxie, D. B., Lehman, J. M., Eisenberg, R., Maldonado, F., Zijlstra, A.,
Novitskiy, S. V., Irish, J. M., & Massion, P. P. (2021). HLA-DR cancer cells
expression correlates with T cell infiltration and is enriched in lung
adenocarcinoma with indolent behavior. Sci Rep, 11(1), 14424.
https://doi.org/10.1038/s41598-021-93807-3
24. Shroff, G. S., de Groot, P. M., Papadimitrakopoulou, V. A., Truong, M. T., &
Carter, B. W. (2018). Targeted Therapy and Immunotherapy in the Treatment of
Non-Small Cell Lung Cancer. Radiol Clin North Am, 56(3), 485-495.
https://doi.org/10.1016/j.rcl.2018.01.012
25. Soda, M., Choi, Y. L., Enomoto, M., Takada, S., Yamashita, Y., Ishikawa, S.,
Fujiwara, S., Watanabe, H., Kurashina, K., Hatanaka, H., Bando, M., Ohno, S.,
Ishikawa, Y., Aburatani, H., Niki, T., Sohara, Y., Sugiyama, Y., & Mano, H.
(2007). Identification of the transforming EML4-ALK fusion gene in non-small-
cell lung cancer. Nature, 448(7153), 561-566.
https://doi.org/10.1038/nature05945
26. Su, R., Zhang, J., Liu, X., & Wei, L. (2020). Identification of expression
signatures for non-small-cell lung carcinoma subtype classification.
Bioinformatics, 36(2), 339-346. https://doi.org/10.1093/bioinformatics/btz557
27. Whiteside, T. L., Demaria, S., Rodriguez-Ruiz, M. E., Zarour, H. M., & Melero,
I. (2016). Emerging Opportunities and Challenges in Cancer Immunotherapy.
Clin Cancer Res, 22(8), 1845-1855. https://doi.org/10.1158/1078-0432.CCR-16-
0049
43
28. Wu, F., Fan, J., He, Y., Xiong, A., Yu, J., Li, Y., Zhang, Y., Zhao, W., Zhou, F.,
Li, W., Zhang, J., Zhang, X., Qiao, M., Gao, G., Chen, S., Chen, X., Li, X., Hou,
L., Wu, C., . . . Zhou, C. (2021). Single-cell profiling of tumor heterogeneity and
the microenvironment in advanced non-small cell lung cancer. Nature
Communications, 12(1), 2540. https://doi.org/10.1038/s41467-021-22801-0
29. Xiong, D., Wang, Y., & You, M. (2020). A gene expression signature of
TREM2(hi) macrophages and gammadelta T cells predicts immunotherapy
response. Nature Communications, 11(1), 5084. https://doi.org/10.1038/s41467-
020-18546-x
30. Yoshihara, K., Shahmoradgoli, M., Martinez, E., Vegesna, R., Kim, H., Torres-
Garcia, W., Trevino, V., Shen, H., Laird, P. W., Levine, D. A., Carter, S. L.,
Getz, G., Stemke-Hale, K., Mills, G. B., & Verhaak, R. G. (2013). Inferring
tumour purity and stromal and immune cell admixture from expression data.
Nature Communications, 4, 2612. https://doi.org/10.1038/ncomms3612
31. Zahran, A. M., Hetta, H. F., Zahran, Z. A. M., Rashad, A., Rayan, A., Mohamed,
D. O., Elhameed, Z. A. A., Khallaf, S. M., Batiha, G. E., Waheed, Y.,
Muhammad, K., & Nafady-Hego, H. (2021). Prognostic Role of Monocytic
Myeloid-Derived Suppressor Cells in Advanced Non-Small-Cell Lung Cancer:
Relation to Different Hematologic Indices. J Immunol Res, 2021, 3241150.
https://doi.org/10.1155/2021/3241150
32. Zhang, M., Ma, J., Guo, Q., Ding, S., Wang, Y., & Pu, H. (2022). CD8(+) T
Cell-Associated Gene Signature Correlates With Prognosis Risk and
Immunotherapy Response in Patients With Lung Adenocarcinoma. Front
Immunol, 13, 806877. https://doi.org/10.3389/fimmu.2022.806877
33. Zheng, Y., Tang, L., & Liu, Z. (2021). Multi-omics analysis of an immune-based
prognostic predictor in non-small cell lung cancer. BMC Cancer, 21(1), 1322.
https://doi.org/10.1186/s12885-021-09044-4
44
附件 1 PPS 分佈及 23 個基因表達熱圖
45
附件 2 PPS 分群之 PFI 存活分析
46
附件 3 分群特徵統計摘要表
47
特徵類別 特徵類別 U-value Z-score p-value
48
特徵類別 特徵類別 U-value Z-score p-value
*=p<.05
49