做非小细胞肺癌（NSCLC）研究时，是不是总愁 “多组学怎么整合才不像‘数据拼盘’”？“生信结果怎么结合临床样本落地”？空军军医大唐都医院团队这篇刚发在Translational Lung Cancer Research（TLCR，IF=3.5） （2025 年 8 月在线）的研究，直接给答案 —— 以 “免疫原性细胞死亡（ICD）” 为核心，左手抓 “多组学 + 101 种机器学习” 建预后签名，右手补 “单细胞验证 + qRT-PCR/IHC 实验”，最后用 nomogram 落地临床，把 “临床痛点 - 生信分析 - 实验验证 - 治疗指导” 串成闭环，堪称医生发多组学文章的 “模板级操作”！

文章信息速览

• 原标题：The role of immunogenic cell death in the prognosis and development of treatment strategies for non-small cell lung cancer: a multiomics and machine learning approach for predictive and personalized treatment

• 期刊：Translational Lung Cancer Research（IF=3.5）

• 关键词：免疫原性细胞死亡（ICD）、非小细胞肺癌（NSCLC）、多组学、机器学习、ICDRS 预后签名、单细胞转录组、qRT-PCR 验证、免疫组化（IHC）

研究目的：

NSCLC 发病率、死亡率居高不下，且患者对免疫检查点抑制剂（ICIs）响应差异大，传统预后指标（如 TNM 分期）无法精准预测疗效和生存 —— 这正是临床医生每天面临的难题。因此团队聚焦 “ICD”（能激活抗肿瘤免疫的细胞死亡方式），想通过多组学 + 机器学习构建ICD 相关预后签名（ICDRS），解决 “NSCLC 预后难测、治疗难选” 的核心痛点。

研究亮点：

医生做多组学，不是比“谁分析的维度多”，而是比 “谁的结果更贴近临床”。这篇文章的 4 个亮点，每步都踩在期刊偏好上：

1. 用 WGCNA “精准筛基因”，拒绝 “无差别堆数据”（图 1）

做多组学的第一步，是找到“真和临床相关” 的基因，而不是盲目筛差异基因。团队先对 TCGA 的 NSCLC 数据做分层：

按疾病阶段把患者分成 11 个集群，免疫注释为 “上皮、免疫、基质”3 类细胞群（图 1A-B），再用 marker 基因标注出 9 种细胞类型（B 细胞、DC 细胞、巨噬细胞等，图 1C）；

通过 AUC 评分发现，单核细胞和巨噬细胞与 ICD 关联最强（评分最高，图 1E），直接锁定核心细胞类型；

用 WGCNA 构建基因共表达网络，选 β=7 满足无标度拓扑（图 1F），通过高维 WGCNA（hdWGCNA）得到 8 个基因模块，最终筛选出 “红、棕模块” 中与 ICD 高度相关的基因（P<0.001，r>0.5，图 1H）。

图1

筛基因要“锚定临床表型”（这里是 ICD 和 NSCLC 预后），WGCNA 比单纯的差异分析更能找到 “共调控的功能模块”，后续建模也更有生物学意义。

2. 101 种机器学习 “少而精”，多队列验证是关键（图 2）

很多人做机器学习爱堆算法，但医生发文更看重“结果稳定、能复用”。团队从第一步筛选的 29 个 ICD 相关 NSCLC 基因出发：

用 10 种经典算法（Lasso、Ridge、随机生存森林等），搭配 10 折交叉验证，做出 101 种算法组合；

在 5 个队列（训练集、测试集、GSE13213、GSE31210、GSE72094）中验证，发现Lasso+StepCox 组合的 C-index 最高（0.631，图 2A） ，稳定性最好；

最终锁定 5 个关键基因（MMP14、ALDH2、FBP1、HLA-DRA、KCTD12），构建的 ICDRS 在训练集 1 年、3 年、5 年 AUC 分别达 0.735、0.713、0.649（图 2B），KM 曲线显示 “低危组患者生存显著优于高危组”（P<0.001，图 2C）。

图2

从此可见该研究不侧重去寻找 “冷门算法”，使用常用算法 + 多队列验证更显严谨；AUC、C-index 这些指标要 “硬”，毕竟临床医生看的是 “能不能用”，而不是 “算法多花哨”。

3. 用 nomogram 落地临床，把 “签名” 变成 “工具”（图 3）

多组学文章想加分，必须回答“这个结果对临床有什么用”。团队做了关键一步 —— 把 ICDRS 和临床指标结合：

单因素 Cox 分析发现，ICDRS、T 分期、N 分期、M 分期都是预后因素（HR>1.5，P<0.001）；但多因素分析后，只有 ICDRS 是独立预后因素（HR=1.690，95% CI：1.397-2.044，P<0.001，图 3A-B）；

基于 ICDRS 和年龄、性别、TNM 分期，构建了 “nomogram 预后模型”（图 3C），能直接帮医生预测患者 1-10 年的总生存期（OS）；

验证显示，这个 nomogram 的 C-index 比单独用 “性别、年龄” 等临床指标更高（图 3D），校准曲线也证明 “预测值和实际生存情况高度吻合”（图 3E）。

图3

单纯的“风险评分” 对临床来说太抽象，nomogram 能把 “基因表达” 转化为 “具体的生存概率”，医生拿过来就能用，期刊自然更认可这种 “有转化价值” 的设计。

4. 补实验 + 单细胞，让生信结果 “不飘”（图 4）

纯生信文章容易被质疑“结果没实锤”，医生发文一定要加 “实验验证” 这步。团队做了两件事：

单细胞水平验证：在单细胞数据中看 5 个关键基因的表达 ——ALDH2 在巨噬细胞和上皮细胞高表达，HLA-DRA 在 B 细胞高表达（图 4A）；还对 11 个上皮细胞亚群做 CNV 分析，发现 C3 亚群 CNV 评分最高（图 4C），且高危组的 “糖酵解、有丝分裂纺锤体” 通路更活跃（图 4D），从单细胞层面解释了 “为什么高危组预后差”；

临床样本 + 细胞系验证：用 qRT-PCR 检测 H1975、A549 等 NSCLC 细胞系，用 IHC 检测 10 例临床 NSCLC 组织（均来自唐都医院），证实 5 个关键基因的表达模式和生信结果一致。

图4

从中可见，哪怕是 qRT-PCR、IHC 这种基础实验，只要结合 “自己的临床样本”，就能大幅提升文章的可信度；单细胞分析则能帮你 “挖机制”，让文章从 “纯预后” 升级为 “预后 + 机制”，深度更足。

医生发多组学文章的“3 条核心逻辑”

这篇文章虽不是“高分顶刊”，但对临床医生来说，参考价值远超某些 “纯生信炫技文”，核心逻辑有 3 条：

• 选题要“贴临床”：别跟风做 “泛癌多组学”，聚焦自己熟悉的疾病（如 NSCLC）+ 临床痛点（如预后、治疗响应），像这篇选 “ICD”（和免疫治疗相关），天生就有临床价值；

• 分析要“少而精”：多组学不是 “转录组 + 蛋白组 + 代谢组” 堆一起，而是围绕 “一个核心目标”（如构建 ICDRS）整合数据；机器学习别堆算法，多队列验证比 “算法数量” 更重要；

• 结果要“能落地”：一定要补实验（哪怕是小样本 IHC），最好做个 nomogram、药敏预测这类 “临床能用的工具”—— 期刊编辑和审稿人（尤其是临床背景的），更看重 “你的研究能不能帮医生解决问题”。

很多医生朋友做多组学，常卡在“公共数据挖掘”“实验设计” 或 “临床样本整合” 上 —— 别愁！我们团队能帮你从 “选题（比如结合 ICD、铁死亡等热点）”“公共数据清洗（TCGA/GEO）”，到 “qRT-PCR/IHC 实验方案设计”“临床样本关联分析” 全程对接，贴合临床医生的研究节奏，让你的多组学文章既有 “生信深度”，又有 “临床温度”，轻松拿下 3 + 甚至更高分期刊！

专注期刊投稿、发表十年，任何投稿、写作难题欢迎咨询！