[摘要]目的：基于加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析（WGCNA）構(gòu)建免疫相關(guān)基因預(yù)后模型，篩選預(yù)后標(biāo)記物，探索與腫瘤微環(huán)境的關(guān)系。方法：黑素瘤基因表達(dá)數(shù)據(jù)和相關(guān)臨床數(shù)據(jù)從癌癥基因組圖譜（TCGA）和表達(dá)綜合（GEO）數(shù)據(jù)庫中下載。采用加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析、單因素Cox回歸分析和LASSO回歸分析對黑素瘤預(yù)后進(jìn)行分類。采用ESTIMATE和CIBERSORT算法探討風(fēng)險評分與腫瘤免疫微環(huán)境的關(guān)系。GSEA分析用于探索生物信號通路。結(jié)果：共獲得1 793個標(biāo)志性的免疫相關(guān)基因，其中與黑素瘤的總生存期相關(guān)的基因有246個。五個免疫相關(guān)基因的風(fēng)險評分模型顯示了很強的預(yù)測能力。與當(dāng)前臨床特征對疾病預(yù)后預(yù)測能力相比，該評分模型具有更好的預(yù)測能力。同時高、低風(fēng)險評分組之間基因集富集分析（GSEA）存在多種差異信號通路。此外，風(fēng)險評分模型基因作為生物標(biāo)志物與腫瘤微環(huán)境中的多種免疫細(xì)胞和免疫浸潤息息相關(guān)。結(jié)論：基于加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析構(gòu)建了皮膚黑色素免疫相關(guān)基因預(yù)后評估模型，為預(yù)測預(yù)后提供參考，且可能通過影響腫瘤微環(huán)境中的免疫細(xì)胞的生物學(xué)功能發(fā)揮作用。

[關(guān)鍵詞]皮膚黑素瘤；免疫；預(yù)后；腫瘤微環(huán)境；免疫浸潤

[中圖分類號]R739.5" " [文獻(xiàn)標(biāo)志碼]Anbsp; " [文章編號]1008-6455（2025）02-0007-07

Effects of Immune Related Gene Model Constructed Based on WGCNA on Skin Melanoma and Immune Microenvironment

LING Chen， SONG Pan， YE Jinmao， ZHANG Haiyang， SUN Min

（ Department of General Surgery， Taihe Hospital， Hubei University of Medicine， Shiyan 442000， Hubei， China ）

Abstract： Objective" To construct an immune related gene prognosis model， screen prognostic markers， and explore the relationship with tumor microenvironment based on weighted gene co-expression network analysis. Methods" Melanoma gene expression data and related clinical data were downloaded from the Cancer Genome Map （TCGA） and Expression Synthesis （GEO） databases. The prognosis of melanoma was classified using weighted gene co-expression network analysis， univariate Cox regression analysis， and LASSO regression analysis. The relationship between risk score and tumor immune microenvironment was investigated using ESTIMATE and CIBERSORT algorithms. GSEA analysis was used to explore signaling pathways. Results" A total of 1793 significantly immune related genes were obtained， of which 246 genes were associated with the overall survival of melanoma. The risk scores model for five immune related genes showed strong predictive power. Compared to the current clinical features' ability to predict prognosis， this risk scores model had a better predictive capability. At the same time， there were multiple different signaling pathways in gene set enrichment analysis （GSEA） between high and low risk scores groups. In addition， five immune related genes were closely related to multiple immune cells and infiltration in the tumor microenvironment. Conclusion" Based on weighted gene co-expression network analysis and immune related genes， a prognostic evaluation model for skin melanoma was constructed， which provided a reference for predicting prognosis and might play a role by influencing the biological functions of immune cells in the tumor microenvironment.

Key words： skin melanoma; immune; prognosis; tumor microenvironment; immune cell infiltration

黑素瘤是一種威脅人民生命的惡性腫瘤，具有極高的轉(zhuǎn)移率和死亡率[1-2]。2020年全球約有324 635例新增的黑素瘤患者，同年有死亡患者57 043例[3]。黑素瘤預(yù)后不良和早期診斷差導(dǎo)致極高死亡率。因此，提出早期診斷的方法極其重要，目前TNM分期是檢測癌癥分期的有效方法，對癌癥預(yù)后非常重要，并為正確的治療方法提供指導(dǎo)[4]。然而，有研究觀察到TNM分期法相關(guān)的總生存率之間也存在差異[5]。目前隨著腫瘤研究的深入，TNM分期法的臨床局限性逐漸顯現(xiàn)。因此，有必要探尋新的黑素瘤標(biāo)志物來用于指導(dǎo)臨床治療和改善黑素瘤的預(yù)后。隨著人類基因測序的進(jìn)展，基于基因的生物標(biāo)志物變得越來越流行。

研究發(fā)現(xiàn)大多數(shù)免疫系統(tǒng)成分與黑素瘤的發(fā)生和發(fā)展有關(guān)[6]。在腫瘤免疫中，腫瘤細(xì)胞充當(dāng)抗原，而免疫細(xì)胞和白細(xì)胞通過免疫防御的趨化性浸潤腫瘤組織功能。免疫逃逸也是腫瘤發(fā)生的一個重要因素。目前，許多新的免疫療法用于治療黑素瘤，包括PD1、PD-L1和CTLA-4抑制劑。然而，這些方法僅對少數(shù)患者有效，而大多數(shù)患者對治療反應(yīng)局限或無反應(yīng)，尤其是在黑素瘤進(jìn)展期間。因此，全面分析免疫基因和黑素瘤總生存率之間的相關(guān)性對于探索免疫基因和新生物標(biāo)志物的潛在預(yù)后價值非常重要。

本研究目標(biāo)是利用TCGA和GEO數(shù)據(jù)，基于加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析（WGCNA）構(gòu)建一種新的免疫相關(guān)基因的預(yù)后模型，用于黑素瘤的免疫治療和預(yù)后監(jiān)測。同時，探索生物標(biāo)志物在腫瘤中的潛在機制、與免疫細(xì)胞浸潤的關(guān)系。這項研究為黑素瘤的后續(xù)個性化診斷和治療提供了潛在指導(dǎo)作用。

1" 材料和方法

1.1 數(shù)據(jù)獲取與處理：檢索TCGA-SKCM黑素瘤樣本的轉(zhuǎn)錄組和臨床數(shù)據(jù)，用于R包分析。排除沒有隨訪信息和生存時間小于1 d的樣本。TCGA的428個黑素瘤樣本用于分析。GSE65904數(shù)據(jù)集從基因表達(dá)綜合數(shù)據(jù)庫（GEO：https：//www.ncbi.nlm.nih.gov/geo/）中檢索下載。在這項研究中，生存數(shù)據(jù)小于1 d的剔除。檢索了210個黑素瘤樣本用于R包的外部驗證分析。此外，GEO表達(dá)式文件被轉(zhuǎn)換為log2（表達(dá)），以便進(jìn)一步分析。免疫相關(guān)基因數(shù)據(jù)從免疫報告數(shù)據(jù)庫（https：//immport.niaid.nih.gov）中檢索。選擇來自GEO數(shù)據(jù)集、TCGA數(shù)據(jù)集和免疫組的重疊免疫相關(guān)基因進(jìn)行進(jìn)一步分析。

1.2 統(tǒng)計方法分析：所有分析均由R-4.2.1版本和相應(yīng)的包進(jìn)行。Kaplan-Meier生存曲線被進(jìn)一步用來評估免疫評分和總生存率之間的關(guān)系，中間值設(shè)定為截斷值。glmnet包用于LASSO分析。

1.3 加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析：TCGA表達(dá)數(shù)據(jù)使用WGCNA包進(jìn)行加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析（WGCNA）。用WGCNA探討臨床特征與表達(dá)模塊的關(guān)系。模塊特征基因（MEs）被定義為每個基因模塊的第一主成分，并被用作每個模塊中所有基因的代表?；蝻@著性（GS），作為每個基因的中介P值（GS=lg P），表示該模塊的基因表達(dá)和臨床特征之間的線性相關(guān)程度。根據(jù)P≤0.01定義生存相關(guān)模塊，提取較高的GS值用于進(jìn)一步分析。

1.4 模型的建立：進(jìn)行單變量Cox回歸分析，以探討每個基因?qū)偵媛实挠绊?。P＜0.01的生存相關(guān)模塊的免疫相關(guān)基因（Immune-related genes，IRG）被確定為生存相關(guān)IRG，并整合到最小絕對收縮和選擇算子（LASSO）回歸中，用于識別預(yù)后風(fēng)險特征。每個樣本的風(fēng)險評分（Risk Score，RS）使用以下公式計算：風(fēng)險評分=Σexpgenei* βi，構(gòu)建風(fēng)險預(yù)測模型。進(jìn)一步進(jìn)行Kaplan-Meier曲線分析，以評估風(fēng)險評分與總生存率之間的關(guān)系。采用單因素和多因素Cox回歸分析研究該指標(biāo)與臨床特征的關(guān)系。為了預(yù)測模型的準(zhǔn)確性和預(yù)測能力，在驗證集GSE65904中計算ROC曲線下面積并進(jìn)行比較，以使用timeROC包檢查風(fēng)險預(yù)測模型的性能。

1.5 風(fēng)險評分與腫瘤微環(huán)境的關(guān)系：為了探討風(fēng)險評分與黑素瘤預(yù)后的關(guān)系，本研究分析了風(fēng)險評分與腫瘤微環(huán)境的關(guān)系。腫瘤微環(huán)境包括多種細(xì)胞類型，包括間充質(zhì)細(xì)胞、內(nèi)皮細(xì)胞、免疫細(xì)胞、炎癥介質(zhì)和細(xì)胞外基質(zhì)分子。使用ESTIMATE算法，使用R軟件確定每個樣本的免疫評分，并通過Wilcoxon檢驗進(jìn)一步比較高風(fēng)險組和低風(fēng)險組之間免疫細(xì)胞浸潤程度的差異。

1.6 高、低風(fēng)險評分組之間22種免疫細(xì)胞亞型的比較：為了探索免疫細(xì)胞亞型的差異，使用R語言中CIBERSORT軟件包評估了22種免疫細(xì)胞亞類型的比例。參數(shù)設(shè)定在1 000。CIBERSORT分析結(jié)果中P＜0.05的樣品用于進(jìn)一步分析。Mann-Whitney U檢驗用于比較高風(fēng)險評分和低風(fēng)險評分組中免疫細(xì)胞亞型的差異。

1.7 基因集富集分析（GSEA）：為了確定高低風(fēng)險評分組之間差異激活的信號通路，本研究通過limma包選擇了一個有序的基因列表，并使用cluster包進(jìn)行了基因集富集分析（GSEA），選取矯正后P＜0.05。

2" 結(jié)果

2.1 用WGCNA方法鑒定出與生存相關(guān)模塊：對1326個重疊的免疫相關(guān)基因進(jìn)行了WGCNA分析（見圖1）。三個數(shù)據(jù)集中有1 326個IRG重疊，所用的數(shù)值代表了整體標(biāo)識和探針標(biāo)識所覆蓋的基因符號的數(shù)量，被注釋的基因數(shù)量顯示在y軸上?；跓o標(biāo)度R2（R2=0.95）確定WGCNA的軟閾值?；谄骄溄訉哟尉垲惡蛙涢撝的芰ψR別出六個模塊。其中黃色和藍(lán)色模塊顯示出與黑素瘤總生存率高度相關(guān)，選擇這兩個模塊的數(shù)據(jù)進(jìn)行下一步分析（見圖2）。

2.2 基于免疫相關(guān)基因的預(yù)測預(yù)后模型的構(gòu)建：黃色和藍(lán)色模塊的IRGs被鑒定為黑素瘤的生存最佳相關(guān)的免疫相關(guān)基因，標(biāo)準(zhǔn)為P＜0.01。LASSO分析確定了五個IRG（S100A14、PSME1、IFIH1、GBP2、KLRC1）（見圖3）并構(gòu)建預(yù)后模型（見表1）。圖4顯示了其表達(dá)水平。時間相關(guān)的ROC曲線表明，該預(yù)后模型在TCGA數(shù)據(jù)集上具有很強的預(yù)測能力（見圖5A）。在訓(xùn)練集中，1年的AUC為0.739，3年為0.701，5年為0.731（見圖5A）。根據(jù)Kaplan-Meier生存分析，高、低RS組相比，高RS組顯示出較差的總體生存率（見圖5B）。

2.3 GEO隊列作為測試集對預(yù)后風(fēng)險模型進(jìn)行驗證：本研究使用GEO數(shù)據(jù)庫中的GSE隊列來驗證預(yù)后模型的預(yù)測能力。時間相關(guān)的ROC曲線顯示，預(yù)后模型具有良好的準(zhǔn)確性，1年為0.690，3年為0.684，5年為0.604（見圖5C）。Kaplan-Meier生存分析表明，高評分組的整體存活率很低（P＜0.05），見圖5D。此外，與其他臨床特征相比，該風(fēng)險模型具有更好的預(yù)測能力和準(zhǔn)確性（見圖5E～F）。此外，預(yù)后模型的RS是多因素Cox分析中的一個獨立預(yù)后因素，預(yù)后相關(guān)因素和總生存期的單因素和多因素分析結(jié)果見表2。

2.4 高、低免疫評分組間免疫浸潤評分：免疫評分、基質(zhì)評分顯示高和低風(fēng)險評分組之間有顯著差異，無論是訓(xùn)練集還是測試集低風(fēng)險評分組的免疫評分和基質(zhì)評分都高于高風(fēng)險評分組（見圖6）。

2.5 高、低風(fēng)險評分組間的免疫細(xì)胞亞型：黑素瘤的22種免疫細(xì)胞比例結(jié)果顯示，M0巨噬細(xì)胞、M2巨噬細(xì)胞和CD8+T細(xì)胞占黑素瘤免疫細(xì)胞浸潤的很大比例。高和低RS組顯示不同的免疫細(xì)胞表達(dá)（見圖7）。

2.6 GSEA分析：GSEA分析顯示了15種與風(fēng)險評分相關(guān)的顯著KEGG通路，包括MAPK信號通路、血管生成、血管發(fā)育、細(xì)胞活化、細(xì)胞因子產(chǎn)生及活化調(diào)節(jié)、免疫系統(tǒng)發(fā)育、細(xì)胞增殖的正調(diào)控、細(xì)胞內(nèi)信號轉(zhuǎn)導(dǎo)的正調(diào)節(jié)、蛋白質(zhì)修飾過程的正向調(diào)節(jié)、細(xì)胞遷移的調(diào)節(jié)。（見圖8）。

3" 討論

黑素瘤是一種致命的皮膚癌[7]。目前，免疫療法是黑素瘤患者一種成功的治療選擇[8-10]。許多研究人員證明了免疫細(xì)胞對腫瘤細(xì)胞的作用[11]。黑素瘤組織中的免疫成分可用于評估患者的治療效果和黑素瘤預(yù)后[12-13]。在本研究中，246個免疫相關(guān)基因與黑素瘤預(yù)后相關(guān)，其中5個顯著基因被用來構(gòu)建模型。該模型具有可靠的預(yù)測價值和準(zhǔn)確性。此外，本研究還探討了風(fēng)險評分（RS）與黑素瘤預(yù)后之間的內(nèi)在關(guān)系。研究結(jié)果表明，高RS組和低RS組的免疫細(xì)胞浸潤和多種信號通路存在差異。

模型中使用了S100A14、PSME1、IFIH1、GBP2、KLRC1這5個與免疫相關(guān)的標(biāo)志基因（IRGs）。在以前的研究中，這些IRG被報道與腫瘤預(yù)后相關(guān)。S100A14調(diào)節(jié)腫瘤免疫逃逸，促進(jìn)腫瘤轉(zhuǎn)移與腫瘤的預(yù)后息息相關(guān)[14-16]。PSME1免疫治療腫瘤逃逸有關(guān)，GBP2的低表達(dá)與SKCM中免疫細(xì)胞浸潤較少和預(yù)后不良相關(guān)，GBP2的高啟動子甲基化是SKCM預(yù)后不良的有希望的生物標(biāo)志物[17-18]。IFIH1基因突變體能以不同的方式作用于癌癥免疫力，比如，攜帶能賦予1型糖尿病風(fēng)險的IFIH1突變體的個體機體中更易于出現(xiàn)炎性腫瘤，但研究人員還看到了與克羅恩病相關(guān)突變體患者的效果恰恰相反，這就提示這類患者或許并不會受益[19]。目前IFIH1對于腫瘤關(guān)系還不清楚需要進(jìn)一步研究。有研究表明KLRC1受體在細(xì)胞毒性淋巴細(xì)胞上表達(dá)，包括NK細(xì)胞和活化的CD8+T細(xì)胞亞群。阻斷KLRC1抗體釋放了這些效應(yīng)細(xì)胞的反應(yīng)性，從而控制了腫瘤[20-22]。

有研究表明，免疫細(xì)胞成分比例失衡與癌癥患者預(yù)后不良和存活率低高度相關(guān)[23-24]。為了進(jìn)一步探索免疫和風(fēng)險評分的關(guān)系，本研究使用CIBERSORT算法計算免疫細(xì)胞亞型。結(jié)果表明，兩個風(fēng)險評分組表達(dá)不同的免疫細(xì)胞亞型。先前的一項研究報告稱，CD8+T細(xì)胞產(chǎn)生粒細(xì)胞和穿孔素來殺死腫瘤細(xì)胞。在本研究中，發(fā)現(xiàn)的免疫細(xì)胞主要包括M0巨噬細(xì)胞、M2巨噬細(xì)胞和CD8+T細(xì)胞。在這項研究中，高風(fēng)險組的CD8+T水平較低，而M0和M2巨噬細(xì)胞水平較高。這寓意著CD8+T細(xì)胞和M0、M2巨噬細(xì)胞比例失衡可能會降低高危組患者的生存率。CD8+T細(xì)胞的高表達(dá)可以改善黑素瘤患者的預(yù)后，減少危險因素。

GSEA分析顯示了高和低RS組之間15條重要信號通路的差異。MAPK信號通路的抑制劑通過增強黑素瘤抗原表達(dá)和下調(diào)免疫抑制細(xì)胞因子來改善黑素瘤免疫微環(huán)境。此外，趨化因子信號通路參與腫瘤生長。

在本研究中，LASSO回歸分析被用來建立一個新的預(yù)后模型，并使用獨立隊列驗證了該模型[25]。目前，很少有研究使用ESTIMATE和CIBERSORT算法來探索黑素瘤的免疫浸潤。這些初步結(jié)果為探討免疫浸潤在黑素瘤中的作用提供了一個視角。然而，本研究有以下局限性。首先，由于缺乏體內(nèi)外實驗，分子機制分析結(jié)果的可靠性有限；第二，這項研究是一項回顧性研究，因此，應(yīng)進(jìn)行前瞻性研究，以驗證本次研究結(jié)果。

綜上所述，本研究成功地構(gòu)建了一個黑素瘤預(yù)后模型，其具有強大的預(yù)測功能。高、低風(fēng)險組總生存率的差異與免疫浸潤、腫瘤微環(huán)境和多種信號通路的相互作用密切相關(guān)，為黑素瘤發(fā)病機制和臨床治療的分析提供了潛在指導(dǎo)作用。

[參考文獻(xiàn)]

[1]Rastrelli M， Tropea S， Rossi C R， et al. Melanoma： epidemiology， risk factors， pathogenesis， diagnosis and classification[J]. In Vivo， 2014，28（6）：1005-1011.

[2]Wei D. A multigene support vector machine predictor for metastasis of cutaneous melanoma[J]. Mol Med Rep， 2018，17（2）：2907-2914.

[3]Sung H， Ferlay J， Siegel R L， et al. Global cancer statistics 2020： Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin， 2021，71（3）：209-249.

[4]Bertero L， Massa F， Metovic J， et al. Eighth edition of the UICC classification of malignant tumours： an overview of the changes in the pathological tnm classification criteria-what has changed and why？[J]. Virchows Arch， 2018，472（4）：519-531.

[5]Perakis S O， Thomas J E， Pichler M. Non-coding RNAs enabling prognostic stratification and prediction of therapeutic response in colorectal cancer patients[J]. Adv Exp Med Biol， 2016，937：183-204.

[6]Angell H， Galon J. From the immune contexture to the Immunoscore： the role of prognostic and predictive immune markers in cancer[J]. Curr Opin Immunol， 2013，25（2）：261-267.

[7]董小龍，馬勇光，楊欣.皮膚惡性黑素瘤診斷及外科治療策略[J].中國美容醫(yī)學(xué)，2016，25（6）：108-112.

[8]Valpione S， Campana L G. Immunotherapy for advanced melanoma： future directions[J]. Immunotherapy， 2016，8（2）：199-209.

[9]高正君，謝沛霖，司小強，等.不同來源黑素瘤BRAF V600E基因突變分析[J].中國美容醫(yī)學(xué)，2018，27（1）：74-76.

[10]劉洋，劉林嶓.抗原負(fù)載的DC-CIK聯(lián)合化療治療晚期惡性黑素瘤的臨床研究[J].中國美容醫(yī)學(xué)，2015，24（2）：25-30.

[11]Fischer G M， Vashisht Gopal Y N， McQuade J L， et al. Metabolic strategies of melanoma cells： Mechanisms， interactions with the tumor microenvironment， and therapeutic implications[J]. Pigment Cell Melanoma Res， 2018，31（1）：11-30.

[12]Ladányi A. Prognostic and predictive significance of immune cells infiltrating cutaneous melanoma[J]. Pigment Cell Melanoma Res， 2015，28（5）：490-500.

[13]張學(xué)軍，亓發(fā)芝.內(nèi)質(zhì)網(wǎng)應(yīng)激蛋白ATF4調(diào)控STAT3信號通路促進(jìn)黑素瘤細(xì)胞生長及轉(zhuǎn)移的研究[J].中國美容醫(yī)學(xué)，2018，27（7）：83-86.

[14]Li X， Ding F， Wang L， et al. Disruption of enhancer-driven S100A14 expression promotes esophageal carcinogenesis[J]. Cancer Lett， 2022，545：215833.

[15]Li X， Wang M， Gong T， et al. A S100A14-CCL2/CXCL5 signaling axis drives breast cancer metastasis[J]. Theranostics， 2020，10（13）：5687-5703.

[16]Xiao M， Liang X， Yan Z， et al. A DNA-methylation-driven genes based prognostic signature reveals immune microenvironment in pancreatic cancer[J]. Front Immunol， 2022，13：803962.

[17]Zhang S， Chen K， Zhao Z， et al. Lower expression of GBP2 associated with less immune cell infiltration and poor prognosis in skin cutaneous melanoma （SKCM）[J]. J Immunother， 2022，45（6）：274-283.

[18]Ji G， Luo B， Chen L， et al. GBP2 is a favorable prognostic marker of skin cutaneous melanoma and affects its progression via the Wnt/β-catenin pathway[J]. Ann Clin Lab Sci， 2021，51（6）：772-782.

[19]Sayaman R W， Saad M， Thorsson V， et al. Germline genetic contribution to the immune landscape of cancer[J]. Immunity， 2021，54（2）：367-386.e8.

[20]Parrot T， Oger R， Allard M， et al. Transcriptomic features of tumour-infiltrating CD4（low）CD8（high） double positive αβ T cells in melanoma[J]. Sci Rep， 2020，10（1）：5900.

[21]Saputro R D， Rinonce H T， Iramawasita Y， et al. Potential prognostic value of PD-L1 and NKG2A expression in Indonesian patients with skin nodular melanoma[J]. BMC Res Notes， 2021，14（1）：206.

[22]van Hall T， André P， Horowitz A， et al. Monalizumab： inhibiting the novel immune checkpoint NKG2A[J]. J Immunother Cancer， 2019，7（1）：263.

[23]Ali H R， Chlon L， Pharoah P D， et al. Patterns of immune infiltration in breast cancer and their clinical implications： a gene-expression-based retrospective study[J]. PLoS Med， 2016，13（12）：e1002194.

[24]Bense R D， Sotiriou C， Piccart-Gebhart M J， et al. Relevance of tumor-infiltrating immune cell composition and functionality for disease outcome in breast cancer[J]. J Natl Cancer Inst， 2017，109（1）：djw192.

[25]沈劍，廖海英，黃謙.基于生物信息學(xué)構(gòu)建GOPC的皮膚黑素瘤預(yù)后模型[J].中國美容醫(yī)學(xué)，2023，32（3）：70-74.

[收稿日期]2023-03-23

本文引用格式：凌晨，宋攀，葉金茂，等.基于WGCNA構(gòu)建的免疫相關(guān)基因模型對皮膚黑素瘤及免疫微環(huán)境的影響[J].中國美容醫(yī)學(xué)，2024，34（2）：7-14.