7. TME 与基因组：突变和免疫信号怎样联系
本章把 STAD 的表达特征与公开 MC3 突变资料按患者衔接。
这一步想知道什么
前面几章都从 RNA 看微环境。加入 DNA 突变后可以问：某些基因发生突变的患者，免疫效应信号是否不同？这种差异是该基因独有的线索，还是更广泛的高突变负荷背景的一部分？本章重点不是列出最长的"显著基因"名单，而是弄清哪些比较成立、哪些解释需要保留。
可以这样问
结合 iobrx_skill_tutorial/inputs 中的 STAD MC3 突变数据与本次 TME
结果，研究哪些常见突变和免疫效应信号有关。
尽可能使用完整的可匹配队列，给出突变
概览、关联比较及突变负荷相关的敏感性分析，说明哪些联系稳健、哪些
只是探索性线索。不参考其他案例的脚本或结果。产物保存到
iobrx_skill_tutorial/results/07_genomics，用中文解读。
Agent 按 iobrx Skill 中的基因组分析说明检查患者匹配，使用分析工具完成突变统计、关联与敏感性分析。
结果怎么看
先看队列怎么对齐。 突变事件表只记录被报告的事件：患者不在这套测序资料里，不能把"没有记录"填成"未突变"；确实检测过但没有符合筛选条件事件的，才保留为零。本次从 439 位 MC3 登记患者与 412 位 RNA 肿瘤患者出发，按患者 ID 得到 409 位交集患者，其中 408 位有符合定义的事件，1 位保留为零事件。这 409 位患者共对应 137,756 条事件、17,467 个基因。另外注意：RNA 用 GRCh38 注释，MC3 原始元数据标记为 GRCh37，本章连接的是患者身份与基因符号，没有做基因组坐标转换。
再看突变概览图。
每列是一位患者，每行是一个基因。基因按突变患者比例从高到低排列；患者按这些基因的有无突变依次分组，形成瀑布式排列。顶部事件数跟随同一患者，所以不再从左到右递减。右侧虚线后的 22 位患者在这 30 个基因中无事件，其中只有 1 位在全部纳入基因中无事件。
频率最高的三个：TTN 218/409（53.3%）、TP53 200/409（48.9%）、MUC16 139/409（34.0%）。频率要用明确的检测队列作分母，"常见"也不等于"最重要的驱动基因"——基因长度和背景突变率都会影响频率。每位患者的蛋白改变型事件数中位数为 113，但分布极不均匀（四分位 71–230，最高 6,304），后面不能忽略总体负荷的影响。
然后看关联比较：把人数和效应放在 P 值旁边。 本次筛选在至少 5% 患者中突变的基因（≥21 人），得 843 个基因，与 20 个免疫端点逐一比较（8 个 ssGSEA 签名加代表性细胞/综合读数），共 16,860 次双侧 Mann–Whitney 检验，在同一范围内做 BH 校正，1,148 个配对 q<0.05。
热图挑选 40 个基因帮助观察模式，显著性来自完整检验范围；颜色对应 Cliff's delta（−1 到 1，色阶在 ±0.5 饱和）。只看 CD8 T-effector ssGSEA 这一个端点，就能读出几种情形：
| 基因 | 突变/未突变人数 | Cliff's delta | 校正 q | 这一步支持的描述 |
|---|---|---|---|---|
| PIK3CA | 67/342 | 0.589 | 1.99×10⁻¹⁰ | 突变组明显偏高 |
| ARID1A | 104/305 | 0.393 | 3.08×10⁻⁶ | 突变组偏高 |
| TP53 | 200/209 | −0.212 | 0.0101 | 突变组偏低 |
| TTN | 218/191 | 0.095 | 0.316 | 频率最高，但此项关联证据不足 |
这些是表达信号的组间差异，不能读成"突变使 CD8 细胞增加或减少"。突变组很小时，少数患者就可能改变结论；除 q 值外，还要看两组人数和效应大小。
最后看控制突变负荷后结论还在不在。 突变多的患者同时携带很多基因变化：PIK3CA 突变组的事件数中位数为 381，未突变组为 105.5——原始差异可能混合了整体负荷背景。本次对全部 16,860 个配对分别加入 log2(事件数+1) 或原始事件计数拟合模型（各自在完整范围内校正），q<0.05 的配对从 1,148 减到 133 和 91。
回到 CD8 效应签名：PIK3CA 的负荷调整系数为 0.880（95% CI 0.648–1.113），ARID1A 为 0.567（0.306–0.827），TP53 为 −0.430（−0.617 至 −0.244），方向在两种负荷模型中一致。进一步要求原始检验、两种负荷模型和签名方法对照全部方向一致且校正通过，留下 66 个配对、19 个基因——这里的"一致"只限于同一队列内的这些分析设定，不能等同于外部验证。用更严格的 PASS-only 事件重做，结论方向保持一致（16,740 个可检验配对中 1,102 个未调整、137 个负荷调整后 q<0.05）。
接下来怎么做
本章没有直接测得的 MSI/MMR、EBV 亚型标签，事件数也不能直接称为标准化 TMB；敏感性分析不能自动证明因果。当前结果适合帮助提出后续问题，例如"PIK3CA 与免疫信号的关系能否在独立、带分子亚型信息的胃癌队列中重现"。
接着做第 8 章 TME 建模：切换到有真实治疗反应标签的 IMvigor210 队列，学习训练模型并评估尚未见过的患者。想先核对本章，可以问："把关联分析换成只用在至少 10% 患者中突变的基因，PIK3CA 和 ARID1A 的结果还成立吗？"
样本与事件筛选流程、完整突变矩阵和关联全表见数据与运行说明。