有无浸润免疫细胞（有无浸润免疫细胞是什么意思）

本文目录一览：

• 1、受伤的组织会被免疫细胞浸润,浸润是什么意思?
• 2、免疫浸润分析方法
• 3、肿瘤免疫分型深度剖析好文

受伤的组织会被免疫细胞浸润,浸润是什么意思?

浸润:人体组织内浸入了完整的细胞周期图片异常细胞或出现了免疫细胞存储无意义正常情况下不应出现的机体细胞，以及某些病变组织向周围扩展的现象。在细胞内或间质中出现异常的物质或原有的某些物质的堆积过多也称为浸润。有的变性或沉积也称为浸润。浸润大多为病理性的，但有时是为了治疗目的人为的。它们对机体的影响则很不相同，在炎症时，各种炎症细胞浸润炎症组织，这是机体抗损伤的防御功能表现。肿瘤细胞可以浸润周围的正常组织，这称为肿瘤细胞浸润，往往是恶性肿瘤的特征。浸润也可见于治疗中，除了为了治疗目的使用药物浸润以及炎症灶中各种炎细胞浸润外，其他任何浸润对机体都是有害的，其损害的大小要看浸润的物质的性质、多少以及受累器官功能的影响而定。

你的第二个问题不好回答，要在论文里找。

免疫浸润分析方法

肿瘤不是单纯的恶性细胞群，而是由不同类型细胞组成的复杂生态系统。在这些细胞中，肿瘤浸润免疫细胞在肿瘤控制和治疗反应中起着核心作用。例如，细胞毒性CD8 + T细胞是抗癌免疫的主要效应因子，因为它们可以特异性地识别和杀死携带新抗原的肿瘤细胞。肿瘤特异性抗原主要来源于突变基因的表达。但免疫细胞也可以发挥免疫抑制作用，支持肿瘤发生和免疫逃避，如调节性T细胞。因此，对不同类型的肿瘤浸润免疫细胞进行定量研究，有助于阐明肿瘤免疫应答的机制、评价肿瘤治疗的免疫原性作用，最终指导设计合理治疗方案。 背景介绍 最著名的 标记基因分析方法 是基因集富集分析(GSEA)。基于GSEA的方法计算富集分数(ES)，当某一细胞类型的特异性基因在感兴趣的样本中处于高表达的前几位，而在其他情况下则处于低表达的前几位时，该分数较高。

基于GSEA的方法只能计算样本中细胞类型富集的半定量分数，而 反褶积方法 可以定量地估计感兴趣的细胞类型的相对分数。反褶积算法将异种样本的基因表达谱看作是不同细胞的基因表达水平的卷积，并利用描述细胞类型特异性表达谱的特征矩阵来估计未知的细胞组分。

下面是利用标记基因与GSEA或其他评分方法，或利用反褶积算法和免疫细胞表达特征，从 细胞混合物的表达数据量化免疫细胞 的计算方法。

下图是几个 从转录组学数据定量肿瘤浸润免疫细胞 的计算工具：

方法简介****01 基于标记基因的评分方法 （1）MCPcounter

一种基于标记基因定量肿瘤浸润免疫细胞（CD3 + T细胞，CD8 + T细胞，细胞毒性淋巴细胞，NK细胞，B淋巴细胞，单核细胞来源的细胞(单核细胞系)，髓样树突状细胞，中性粒细胞）、成纤维细胞和上皮细胞的方法。对于每个细胞类型和样本，丰度得分为细胞类型特异性基因表达值的几何平均值，独立地对每个样本进行计算的。由于分数是用任意单位表示的，它们不能直接解释为细胞分数，也不能在细胞类型之间进行比较。进行定量验证时，估计分数与真实细胞分数之间具有很高的相关性，证明了MCP-counter用于样本间比较的价值。MCP-counter已应用于对32个非血液学肿瘤的19,000多个样本中的免疫细胞和非免疫细胞进行量化。

（2）TIminer

TIminer是一个用户友好的计算框架，用于不同的肿瘤免疫基因组分析，包括(i)来自NGS数据的人白细胞抗原HLAs基因分型；(ii)使用突变数据和HLA类型预测肿瘤新抗原；(iii)来自大量RNA-seq数据来分析定量肿瘤浸润免疫细胞；(iv)通过表达数据量化肿瘤的免疫原性。

（3）xCell

xCell是一种基于ssGSEA的方法，能够计算64种免疫细胞的丰度分数，包括适应性和先天免疫细胞、造血祖细胞、上皮细胞和细胞外基质细胞。基于FANTOM5，ENCODE，Blueprint，Immune Response In Silico (IRIS)，Human Primary Cell Atlas (HPCA)和Novershtern等6个研究的489个基因集。对于每种细胞类型，计算xCell丰度分数的主要步骤有四个：(i)利用R包GSVA对489个基因集单独进行ssGSEA；(ii)对属于一种细胞类型的所有基因集的ES进行平均；(iii)平台特异性ES转化为丰度分数；(iv)使用与流式细胞术数据分析类似的spillover方法纠正密切相关的细胞类型之间的关系。

02 使用表达特征对细胞混合物进行反褶积 （1）DeconRNASeq

Gong和Szustakowski将约束回归模型应用于RNA-seq数据分析，并将其实现在R包DeconRNASeq中。混合五种人体组织(大脑、骨骼肌、肺、肝和心脏)的RNA-seq数据，通过合并组织类型特异性基因来估计组织或细胞类型的比例。并利用Illumina’s human Body Map 2.0中RNA-seq数据构建的特征矩阵，对算法进行了仿真验证。虽然还没有开发出新的免疫特征，但该工具原则上可以应用于任何特征矩阵。

（2）CIBERSORT

CIBERSORT算法利用微阵列数据构建特征矩阵，描述22种免疫细胞表型的表达特征，包括不同的细胞类型和功能状态的免疫细胞。CIBERSORT使用ν-SVR评估细胞分数。CIBERSORT分别在9个免疫细胞亚群和3个免疫细胞亚群的同时反褶积方面具有较高的准确性，在4种恶性免疫细胞的模拟混合物上测试，也证明了对不同程度的噪音和未知的肿瘤具有鲁棒性。

（3）TIMER

一个系统评估不同的免疫细胞对不同癌症类型的临床影响的资源。利用一系列免疫特异性标记和免疫细胞表达特征，来估计32种癌症类型中6种免疫细胞类型（B细胞、CD4 T细胞、CD8 T细胞、中性粒细胞、巨噬细胞和树突状细胞）的丰度。从RNA-seq或微阵列数据中提取的癌症表达矩阵与免疫细胞表达矩阵合并，并用Combat进行归一化，以消除批量效应。通过从免疫细胞标记中选择与肿瘤纯度负相关的基因，为每种癌症类型分别识别特征基因。最后，对于每种癌症类型，考虑到所选的免疫细胞标记，从标准化的免疫细胞配置文件构建特征矩阵。TIMER使用线性最小二乘回归方法执行反褶积，并强制所有负估计为零。用越来越小的一组T细胞标记重复估计几次，以减少CD8 +和CD4 + T细胞比例之间的相关性。与CIBERSORT不同的是，最终的估计并没有被规范化，因此不能直接解释为细胞组分，也不能在不同的免疫细胞类型和数据集之间进行比较。

（4）EPIC

Estimate the Proportion of Immune and Cancer cells (EPIC)，用来估计免疫细胞和癌细胞比例。EPIC使用约束最小二乘回归明确地将非负性约束引入反褶积问题，并要求每个样本中所有细胞组分的总和不超过一个。EPIC克服了以往从大量肿瘤基因表达数据预测癌症和免疫细胞或其他非恶性细胞类型的方法的几个局限性，考虑了非特征性和可能高度可变的细胞类型，并在算法上得到了发展。能够广泛应用于大多数实体肿瘤，如黑色素瘤和结直肠样本验证的情况，但不适合血液恶性肿瘤，如白血病或淋巴瘤。

（5）quanTIseq

quanTIseq是专门为RNA-seq数据开发的反褶积工具，能够准确定量未知肿瘤的含量，以及量化整体组织的免疫细胞组份。基于约束最小二乘回归和一个新的特征矩阵（来自51个纯化或富集的免疫细胞类型的RNA-seq数据集）。quanTIseq实现了一个完整的反褶积流程来分析RNA-seq数据，能够避免混合物和特征矩阵之间的不一致性。

03 细胞组分和表达谱的同时反褶积 （1）DSA

数字排序算法Digital Sorting Algorithm—DSA是一个完整的反褶积算法，它基于一组从混合组织样本中提取在特定细胞类型中高度表达的标记基因，利用二次规划来推断复杂组织中的细胞组分和表达谱。该算法在三种恶性免疫细胞系混合的微阵列数据上进行了测试，重建了真实的细胞组分和表达谱。该算法是无偏的，不需要细胞类型频率的先验知识。

我生普洱茶的储存方法总结 今天我们简单介绍了一些关于免疫浸润的方法，之后会有更多详细的压箱底使用方法分享，不要错过呀。REF:Finotello, F., Trajanoski, Z. (2018). Quantifying tumor-infiltrating immune cells from transcriptomics data. Cancer immunology, immunotherapy : CII, 67(7), 1031–1040.

肿瘤免疫分型深度剖析好文

第一章：肿瘤免疫分型的起源

1.肿瘤免疫分型的由来

肿瘤的近代治疗起源于西方，可从18世纪算起。而更远的肿瘤治疗史可追溯到我国宋代。最早描述癌症的特征是《仁斋直指附遗方论》一书中 “癌者上高下深，岩穴之状，颗颗累垂……毒根深藏，穿孔透里” ，意思是说肿瘤像岩石状，有毒根深藏于体内，从这句话可以看出那时对肿瘤的外观描述，基本上与现在的肿瘤类似。人类与肿瘤的斗争已长达上千年，而始终没有取得重大进展。这是因为先前对肿瘤的研究大多集中在肿瘤细胞本身，也就是大家所认识的肿瘤生物学范畴；而随着医疗和科研水平的进步，人们认识到肿瘤异质性很大，尤其是患者之间更无从规律可循，并且肿瘤细胞可在周围环境产生变化之后发生进化，研究肿瘤细胞本身就变得困难重重。因此直到步入20世纪，人们才开始认识到要想战胜肿瘤，我们需要更强大的武器，那就是 人体自身的免疫系统 ，这样的科研导向也就促进了肿瘤免疫学这个热门研究领域的发展。

利用人体免疫系统来杀伤肿瘤 的方式最开始并不被人们看好，一方面是因为利用免疫系统治疗肿瘤的方式没有像手术、化疗那样立竿见影；另一方面是因为最开始科学家对复杂的人体免疫系统的认识并不透彻。随着人们对机体免疫系统的研究越来越深入，肿瘤免疫治疗近二十年才得以慢慢为世人所接受，其中最为引起轰动的是 2018年的诺贝尔医学奖授予了研究肿瘤免疫治疗的两位学者：Allison和Honjo 。他们分别揭示了免疫检查点CTLA-4和PD-1在肿瘤中的作用，从而为免疫治疗药物的临床应用奠定了基础。

免疫检查点抑制剂在很多肿瘤中都取得了良好的响应，这本应该是一个比较理想的结局，然而故事并没有那么简单，并且肿瘤的免疫治疗之路才刚刚开始。随着免疫检查点抑制剂投入到各种肿瘤的大型临床实验中，问题也越来越突出，那就是虽然有些肿瘤患者对免疫检查点抑制剂应答很好，但在另外很多肿瘤患者中免疫检查点抑制剂却根本没有任何疗效。同样的抗体，为什么会出现如此截然不同的结果？科学家开始研究导致这种现象的原因。

图1：

考虑到免疫检查点抑制剂主要是动员自身的免疫细胞来攻击肿瘤，那么很容易就可以想到的是会不会因为患者自身的免疫细胞的功能状态不同，从而对免疫治疗药物的应答不同呢。方向是有了，但似乎离科学家想得到的解释还有点距离。这是因为如果从整个机体的免疫系统出发，那问题就比较复杂，而且不够直接，这个问题直到免疫微环境的提出才得到更好的解决。研究者通过对多种肿瘤的肿瘤微环境分析后发现， 每一种肿瘤，甚至每一位患者的肿瘤浸润免疫细胞都存在差异 ，于是就有研究者根据免疫细胞浸润的特点将肿瘤大致分为 “冷”肿瘤 和 “热”肿瘤 ， 前者肿瘤中浸润的免疫细胞少以及较多比例的是免疫抑制性细胞（Treg,MDSC），对免疫治疗应答反应弱；后者肿瘤中浸润着较多的激活性免疫细胞（CD8+T,Th1），能对免疫治疗药物产生较好的应答反应。

2.肿瘤免疫分型分子机制

“冷”“热”肿 瘤概念的提出是 肿瘤免疫分型的雏形 ，而如果想进一步的理解免疫分型，人们就迫切需要知道究竟是什么原因会引起不同患者肿瘤免疫微环境如此大的差异。

众所周知，人体免疫系统是一个整体，其包括中枢免疫器官胸腺、骨髓以及外周免疫器官淋巴结、脾脏等，它们是各种免疫细胞的驻扎地，还需要淋巴管、血管等完成免疫细胞到局部组织的运输工作。肿瘤中很少有淋巴管，而血管含量丰富。那是不是肿瘤血管的含量是引起免疫细胞浸润的不同呢？答案是否定的，因为血管丰富的肿瘤反而浸润更多的抑制性免疫细胞，促进肿瘤的生长。故事说到这，就需要一些免疫学知识做支撑。 免疫细胞的定向迁徙除了受血管和淋巴管影响外，还需要一类重要的免疫分子：趋化因子以及趋化因子受体。如果将血管比作马路， 趋化因子就是信号灯，它们掌控着各种免疫细胞的走向 。

图2：

科学家通过研究发现，正是 肿瘤中各种趋化因子和趋化因子受体的种类以及含量不同，才会引起不同患者肿瘤浸润免疫细胞的巨大差异 。一些肿瘤细胞也因此利用免疫系统的这个特点，从而释放促进抑制性免疫细胞浸润的趋化因子，并高表达对应的趋化因子受体来吸引抑制性免疫细胞的浸润，从而有利于自身的生长。

第二章：肿瘤免疫分型的全面揭示

1.肿瘤三大免疫分型的提出

肿瘤免疫分型的理念被提出了，但科研不是哲学，光是理念是远远不够的，研究者需要用数据说话。 肿瘤浸润的免疫细胞肿瘤虽多，但大体可以分为两种，一种是可以发挥杀伤肿瘤作用的免疫细胞，如：NK, NKT, CD8+ T细胞；另一类则是发挥抑制免疫细胞杀伤肿瘤功能的细胞，如：Treg, Th1, Th2, M1, M2； 这些免疫细胞中功能最重要的就是T细胞，因为无论是何种形式的免疫细胞调控网络最后都需要T细胞的参与，而且目前各种免疫检查点抑制剂主要也是作用于T细胞来发挥抗肿瘤功能，因此揭示肿瘤浸润的T细胞功能是最重要的。

图3：

对肿瘤免疫分型的研究有很多，其中 比较受研究者广泛认可的就是肿瘤的三大免疫分型： “免疫浸润型” 、 “免疫排斥型” 、 “免疫沙漠型” 。研究者通过对肿瘤组织进行免疫组化染色后发现这三类显著的差异，在“免疫浸润型”肿瘤中，CD8+T细胞可以浸润到肿瘤内部；“免疫排斥型”肿瘤中，虽然也有较高的CD8+T细胞浸润程度，但都是集中在肿瘤外围；而“免疫沙漠型”肿瘤中很少有CD8+T细胞的浸润。

图4：

进一步的研究发现，“免疫浸润型”肿瘤内部表达较高的 MHCI 类分子 ，而另外两种类型的肿瘤中却MHCI分子的表达情况明显降低；此外，“免疫排斥型”的肿瘤外围表达较高的 细胞表面糖蛋白丝氨酸蛋白酶(FAP) ，这个基因主要负责塑造细胞外基质，可调控肿瘤外周形成一层厚厚的基质，从而阻断免疫细胞的浸润。

2.肿瘤免疫分型的量化

三大肿瘤免疫分型的提出为研究者提供了更加确切的证据，但同时也引出一个问题，就是对于很多患者来说被诊断出肿瘤时都已经是晚期；而且如果对每一位患者都进行组织切片，从而进行免疫组化染色来进行肿瘤分型是不切合实际的。因此，研究者在一个大型卵巢肿瘤队列中将数字病理和转录组数据分析进行结合，开发了一种机器学习方法来揭示肿瘤的分子分类和描述肿瘤免疫表型。通过使用随机森林的算法，研究者开发出了一个基于 157个特征基因的分类器 ，根据患者这些基因的表达情况，对患者进行肿瘤免疫特征分类。

图5：

3.影响肿瘤免疫分型的分子机制

“免疫浸润型”的肿瘤细胞表达较高水平的MHCI类分子而低表达FAP基因；而“免疫排斥型”的肿瘤细胞的MHCI类分子明显降低却高表达FAP基因。那么这两种机制有什么关联呢？哪一种才是引起不同肿瘤免疫特征的始动因素？研究者通过分析这两条路径的上下游调控机制，发现 无论是MHCI类分子还是FAP均受一个重要免疫分子的调控，那就是 TGFβ 。原来，肿瘤细胞为了逃脱T细胞的攻击，可以借助肿瘤抑制性免疫细胞(Treg,M2)产生TGFβ，后者一方面可以和肿瘤细胞上的受体结合，下调MHCI类分子；一方面可以和成纤维细胞上的受体结合上调FAP的表达，从而产生胶原蛋白形成厚厚的基质层包围在肿瘤周围，以排斥杀伤性免疫细胞的浸润。

图6：

第三章：肿瘤免疫分型的应用

说完了肿瘤免疫分型的基础知识，那么接下来我就介绍一些最近有关 肿瘤免疫分型的高分文章 ，希望能起到抛砖引玉的效果，引起大家进一步的思考。

应用1：m6A分子调控肿瘤免疫分型

近些年，肿瘤m6A修饰的调控机制也是研究的热门方向。热点碰撞会产生怎样的化学反应呢，下面首先介绍一篇发表在Molecular Cancer (IF:27.4) 的一篇文章，篇名为：m 6 A regulator -mediated methylation modification patterns and tumor microenvironment in filtration characterization in gastric cancer。

图7：

在开始讲解m6A和肿瘤免疫分型的联合分析之前，我先来介绍一些m6A的背景知识。这篇文章首先确定了21个m6A调节因子，包括8个Writers、2个Erasers和11个Readers。图7介绍的是这些分子的细胞分布和基本功能，简单来说m6A是对RNA的一种可逆的修饰方式，依靠Writers对RNA进行修饰，Readers进行m6A修饰信息的读取，当完成特定使命后又可以依靠Erasers对m6A修饰进行删除。

图8：

下面开始讲解这篇文章的主要内容，作者首先根据 m6A调控因子的表达对患者进行分类 ，随后发现这种分类和肿瘤免疫分型有很高的相似度 。于是作者就研究了肿瘤的m6A修饰和免疫分型的关系。最后发现依靠m6A特征基因算出的m6Ascore值在“免疫浸润型”、“免疫排斥型”、“免疫沙漠型”患者中的得分存在明显差异（图8A）。随后在抗PD-L1队列（IMvigor210）和抗PD-1队列（GSE78220）中，低m6Ascore的患者都具有显著的临床疗效(图8B)，并且显著的延长了生存率。此外，低m6Ascore患者的PD-L1明显高表达，这表明在对抗PD-1/L1免疫治疗中有潜在的反应。

总之， 这项研究基于21个m6A调节因子，区分了三个不同的m6A甲基化修饰模式，这三种模式具有明显不同的TME细胞浸润特性。 并且不同的m6A修饰模式之间的mRNA转录组差异与m6A和免疫相关的生物途径显著相关。作者建立了m6A score评分系统来评估每个胃癌患者的m6A修饰模式，从而在预测免疫治疗结果方面具有重要价值。

应用2：单细胞测序揭示卵巢癌免疫特征

单细胞测序是近几年兴起的一项革命性技术，它赋予了研究者在单个细胞水平研究各种细胞功能机制的能力。同样作为近些年高分文章中的常用技术，单细胞测序揭示肿瘤免疫分型会有什么样的惊喜呢，下面我就介绍一篇发表在Cancer cell (IF:31.7) 杂志上的一篇文章，篇名为：Single-cell dissection of cellular components and interactions shaping the tumor immune phenotypes in ovarian cancer

图9：

此研究首先对15名卵巢癌患者的肿瘤样本进行scRNA-seq（图9A），根据已知的细胞类型的标记物来定义细胞类型。结果表明，从整体看不同免疫分型的患者肿瘤细胞差异较大，同一免疫类型的肿瘤细胞能聚类到一起，不同免疫分型的肿瘤细胞差异较大（图9B）；此外，基质细胞（图9C）和免疫细胞（图9D）类型虽然在患者之间转录层面差异不大，但其相对分布情况差异很大，并且与肿瘤的免疫分型并没有明确关联。

文章进一步研究了肿瘤内在特征是否影响免疫浸润模式。分析结果显示，排斥型和浸润型的肿瘤之间没有显著的肿瘤细胞转录差异，但在排斥型和浸润型组合与沙漠型肿瘤之间有29个基因表达显著差异。对于这个结论我认为为排斥型和浸润型应该也有比较大的差异，只是单细胞测序需要制备单细胞悬液，可能破坏了这种结构。因而，用单细胞空间转录组进一步解析这两种免疫分型下的肿瘤细胞功能会更有意义，尤其是揭示免疫排斥型最外周的基质细胞层的特征将会为治疗这类患者提供更直接的参考价值。

基因集合富集分析显示，这些基因主要与增殖途径有关，它们的鉴定是由三种具有增殖分子亚型的沙漠型肿瘤所驱动的。另一方面，浸润型和排斥型肿瘤细胞在干扰素应答通路中显著富集，这主要是由编码主要组织相容性复合体(MHC)I类和II类加工和呈递的基因驱动的。此外，文章还观察到浸润型和排斥型肿瘤细胞中氧化磷酸化途径显著富集。

图10：

最后，作者为了总结这些观察结果，总结出了一个模型，在这个模型中，不同的成分和肿瘤、免疫和间质间的潜在串扰可能会形成不同的肿瘤免疫表型（图10）。模型中，TME中有免疫功能的肿瘤(包括浸润型和排斥型肿瘤)有许多不同于沙漠型肿瘤的共同特征。表达CX3CR1配体的内皮细胞和周细胞也可能参与浸润型和排斥型肿瘤中CX3CR1 肿瘤相关巨噬细胞的募集。浸润型和排斥型肿瘤之间也存在重要差异。在T细胞浸润型肿瘤中，浸润程度可能受到两个因素的影响：浸润型肿瘤细胞呈现出CXCL16的高表达，这可能与CXCR6+T细胞向肿瘤上皮的募集有关；此外，浸润型肿瘤中IL1 CAFs丰富，其可能通过CXCL12/ 14促进CXCR4的表达从而进一步募集T细胞。

这项研究通过 对15个临床卵巢癌患者的单细胞RNA测序分析，深入剖析了TME中不同的细胞、功能表型及其动态相互作用，使肿瘤免疫分型的特征更加丰富。 文章结果强调了可能形成肿瘤免疫表型的潜在分子机制，并可能为改善癌症免疫治疗的临床获益提供了治疗策略。

总结和展望

近些年，关于 肿瘤免疫分型 的机制探索无论是在临床研究还是基础科学研究中都是 炙手可热的方向 ，其产生的研究成果也非常有利于进行临床肿瘤免疫治疗药物的转化。

本文系统的梳理了 肿瘤免疫分型的来源、发展和应用 ，但只是窥全豹之一斑，仍然有很多细节需要大家自行补充。我是做肿瘤免疫基础研究的，近几年，发自内心体会到如今只简单的做经典的基因功能调控机制已很难再冲击高分文章，只有着手于具有潜在的临床应用价值的研究成果才能在如今科研浪潮下拔得头筹，而肿瘤免疫分型的研究正是符合了科研工作者的各种想象。

当然如果你并不是想发高分文章，只是想水几篇SCI，那么做一些较简单的肿瘤免疫分型也是不二选择。但从2021年已经发表的生信文章中可以看出，我们已很难再见到只分析纯肿瘤生物学特征的文章，将近90%的肿瘤生信思路文章或多或少都会联合免疫特征进行分析。如果之前你还不能意识到这个问题，那么阅读完此文的你就抓紧学习肿瘤免疫分型吧，相信在不久的将来也能发表一篇不错的肿瘤免疫分型相关的SCI论文。

[参考文献]

Nagarsheth N, Wicha MS, Zou W. Chemokines in the cancer microenvironment and their relevance in cancer immunotherapy.Nat Rev Immunol.2017 Sep;17(9):559-572. doi: 10.1038/nri.2017.49. Epub 2017 May 30.

Desbois M, Udyavar AR, et al. Integrated digital pathology and transcriptome analysis identifies molecular mediators of T-cell exclusion in ovarian cancer.Nat Commun.2020 Nov 4;11(1):5583. doi: 10.1038/s41467-020-19408-2.

Zhang B, Wu Q, Li B, Wang D, Wang L, Zhou YL. m6A regulator-mediated methylation modification patterns and tumor microenvironment infiltration characterization in gastric cancer.Mol Cancer.2020 Mar 12;19(1):53. doi: 10.1186/s12943-020-01170-0.

Hornburg M, Desbois M, et al. Single-cell dissection of cellular components and interactions shaping the tumor immune phenotypes in ovarian cancer.Cancer Cell.2021 Apr 27:S1535-6108(21)00212-9. doi: 10.1016/j.ccell.2021.04.004.

更多精彩文章欢迎关注生信人公众号

最新文献免费获取，欢迎还珠医科文小程序