专栏首页生物信息云纯生信也能发到18分!这个预后型Biomarker套路,感觉没什么难度!

纯生信也能发到18分!这个预后型Biomarker套路,感觉没什么难度!

挑圈联靠解读18分+预后型Biomarker生信文章套路

小伙伴们,大家好,我是汇然。今天来为大家分享一篇2018年10月发表在Annals of Oncology的一项研究,题目为“Association between PD-1 mRNA and response to anti-PD-1 monotherapy across multiple cancer-types”。影响因子为18.274。本期分享我会带大家以“挑圈联靠”的生信思维来解构范文的思路框架,让大家有种学习完就迫不及待想要发文的冲动!哈哈,言归正传,我们先来介绍一下背景知识。

一.背景知识

我们都知道癌症的特点是不同的基因改变积累,导致癌细胞表面出现不同的新抗原表达。人体免疫系统是机体发现和消灭肿瘤细胞的可靠“人体警察”。然而,肿瘤细胞可以利用机体内的免疫调节剂促进其自身发生“免疫逃逸”,人们先前认为的可靠“人体警察”则成为肿瘤逃逸的“帮凶”,这一发现影响了免疫抗癌疗法的发展趋势,比如抗PD-1或抗CTLA4抗体“免疫检查点抑制剂”。抗PD-1药物如nivolumab或pembrolizumab对超过15种癌症类型的临床疗效显著。这些药物对22种癌症的总体反应率(ORR)在0%到50%之间各不相同。因此,有必要筛选抗PD-1治疗的获益人群。那么预测抗PD-1单药治疗疗效的可重复性生物标记物可能具有临床价值。在作者团队先前的研究中已经报道了使用nCounter平台检测免疫相关基因(包括PD-1)的表达是可重复的,且与65例晚期肿瘤患者的抗PD-1单药疗法疗效相关。在这里,我们假设肿瘤样本中PD-1 mRNA的丰度可以解释不同类型肿瘤抗PD-1单药治疗后总ORR的差异。

最近的研究支持了通过IHC检测PD-L1表达作为pembrolizumab在非小细胞肺癌(NSCLC)中的潜在生物标志物的作用。然而,它对其他癌症类型的预测价值,或与其他抗PD-1药物,是有争议的。此外,基于的PD-L1检测有重要的局限性,如所用抗体的敏感性不同,以及在评分和切断测定时的主观性。因此,识别可重复应用的生物标志物来预测抗PD-1单药治疗的疗效可能具有临床价值。之前,我们报道了利用nCounter平台表达的免疫相关基因,包括PD-1,是可重复的,并与抗PD-1单药治疗65例晚期癌症[1]患者的疗效相关。于是作者提出科学假设:肿瘤样本中PD-1 mRNA的丰度可能解释抗PD-1单药治疗癌症后观察到的总体应答率(ORR)的差异。

二.思路框架构建

本文围绕着“肿瘤样本中PD-1 mRNA的丰度可能解释抗PD-1单药治疗癌症后观察到的总体应答率(ORR)的差异”这一问题展开生物信息学分析。也就是说范文主要想通过PD-1 mRNA表达水平预测不同类型肿瘤抗PD-1单药治疗的预后,是一篇预后类型的生信文章。创新点就在于抗PD-1单药治疗与肿瘤适应性免疫反应间的关联,是否可以通过PD-1表达水平来预测呢?那么这样一个临床问题是如何通过生信分析方法来解释呢?答案还是“挑圈联靠”!

我们也按照生信文章四步曲来锻炼一下生信思路设计,根据科学假设“挑”也就是选择差异基因。既然是研究免疫检查点抑制剂疗效,肯定需要免疫相关基因。这里可能会需要免疫相关基因列表,从哪里获得呢?可以从免疫数据库,文献报道,公共数据集等等获得。

问题又来啦!有了免疫相关基因我们可以用来做什么呢?我们可以分析这些基因与我们的主角PD-1间的相关性呀~可以进一步缩小Hub基因范围,得到与PD-1相关的共表达基因呀~之后就是功能富集,分子交互,临床应用这一套流程做下来。有了创新的差异分子集合发不到18分,灌灌水也是可以了吧~还能套上热点问题高调的讨论一番,让审稿专家们眼前一亮,即便文章一看上去中(套)规(路)中(满)矩(满),也会加上不少印象分!

感慨一番~我们还是回到文章当中来,18分+的文章肯定是有它自己的特色,绝不仅是差异分析、功能富集这么简单。通过科学假设我们可以看出文章中肯定用到了临床试验,那就需要组织样本。换做我们这些小学生没有临床样本可以通过哪些方法代替呢?当然,查阅文献必不可少,自己没有数据可以参考公共数据库,自己没有组织也可以借用别人的组织样本信息嘛~如果有条件的小伙伴,用上自己的样本那当然又是大大的加分项!有了临床样本就有了蛋白水平的表达差异,同时有了临床信息。接下来就要靠临床意义,还是这一套分析流程,换汤不换药。接下来我们边学分析方法,边剖析分析结果。

三.分析方法

作者对TCGA数据库中泛癌标本的RNAseqv2数据进行分析。研究18个免疫相关基因特征和547个免疫相关基因(包括PD-1)。分析每个基因/特征和文献报道的抗PD1单药治疗后ORR之间的相关性。为了将分析结果转化为临床,作者使用nCounter平台分析了17种肿瘤类型中的773例FFPE肿瘤样本的PD-1 mRNA表达。为了检测PD-1 mRNA、PD-L1的免疫组化作者评估了117例晚期肿瘤患者接受抗PD1单药治疗的独立数据集。

四.结果剖析

表达差异 & 分子交互

1.TCGA中与表达相关的PD-1免疫相关基因

首先,作者合并了TCGA数据库中34种不同肿瘤的10078个样本的RNA序列数据(Fig.1A)。从15557个基因中选出包括PD-1在内的547个免疫相关基因(Fig.1B)。随后利用DAVID数据库分析PD-1的共表达基因,以r>0.80为限定值筛选了强相关的30个基因(包括CD3和CD8A),这些基因在CD8 T细胞活化等生物学过程中显著富集(P<0.001)(Fig.1C)。这与单基因分析结果一致,PD-1与T细胞活化的免疫相关基因表达特征(GES)强相关(r>0.80)。PD-1表达与其他免疫检查点抑制剂如LAG3(r=0.75)、PDL2(r=0.55)和PD-L1(r=0.45)之间的相关性较低(Fig.1D)。

▲ Fig.1A-D

2.TCGA数据库PD-1在泛癌中的表达差异

研究发现34种肿瘤的PD-1表达在不同肿瘤类型之间和同一肿瘤类型之内的表达变异性很大.图中红线在每个cancertype表示值的表达式。作者将样本按照整个队列中PD-1的中位表达量进行排序,水平线表示50%和80%的PD-1表达量。例如,当以组合矩阵中第80百分点作为界定PD-1高表达与PD-1低表达的临界值时,每种肿瘤类型中PD-1高表达肿瘤的比例在0%~84%之间(Fig.1E)。

▲ Fig.1E

疗效相关性分析 & 临床意义

1.免疫相关基因表达和抗PD-1抗体疗效

Fig.1F比较了每一种癌症类型中高PD-1比例进行分析的图以及抗PD-1单药治疗后报告的总体应答率(ORRs)。在PD-1平均表达最高的肿瘤类型中,接受抗PD-1单药治疗(如黑色素瘤)患者的ORR最高。在PD-1平均表达最低的肿瘤类型中,接受抗PD-1单药治疗(如胰腺癌)患者的ORR最低。这些数据表明,不同肿瘤类型之间和同一肿瘤类型之内的PD-1表达丰度可能与抗PD-1疗效有关。为了确定不同肿瘤类型中生物标记物高表达肿瘤的比例,作者在组合矩阵中评估了6种不同的临界值(即第50至第90百分点和平均值)。结果显示,在565个生物标记物中(即547个个体基因和18个GES),PD-1与ORR高度相关(r=0.74~0.91),并且与被评估的6个截止点的前三个生物标记物保持一致(Fig.1G)。在本研究中还描述了PD-1高百分比(80%)与以往文献报道的不同实体肿瘤抗PD-1单药治疗后ORR的相关性(Fig.1H)。

▲ Fig.1F-H

2.肿瘤突变负荷(TMB)和抗PD-1抗体疗效相关性

为了探讨PD-1 mRNA和TMB之间的关系,作者使用TCGA数据库中来自8792个肿瘤样本和31个肿瘤类型的PD-1 mRNA和TMB数据。在这个组合数据集中,PD-1 mRNA和TMB之间没有相关性(r=0.09)。然而,PD-1高表达肿瘤的TMB平均值(9.44)明显大于PD-1低表达肿瘤的TMB平均值(5.61;P<0.001)。并且TMB与ORR之间的相关系数为0.61(P=0.011),而PD-1 mRNA(80%作为截止值)与ORR的相关系数为0.91(P <0.001)(Fig.S3)。这些计算机分析结果表明,与TMB相比,PD-1 mRNA可能是一个更好的抗PD-1疗效的预测指标。

▲ Fig.S3

3.临床样本PD-1表达分析

作者利用了临床773个代表17种肿瘤类型的组织样本,分析不同肿瘤类型的PD-1表达,并确定了第80%的表达值,该百分点定义了PD-1高表达与PD-1低表达的肿瘤(80%表达值=6.3)(Fig.2B)。

▲ Fig.2B

接下来,比较了内部数据集和TCGA数据库(Fig.2C)之间每种癌症类型中PD-1高表达肿瘤的比例。在两个数据之间,16种肿瘤类型中15种的PD-1高表达肿瘤的比例没有显著差异(Fig.2D)。

▲ Fig.2C-D

4.PD-1表达与抗PD-1疗效的直接关系

与我们之前根据科学假设推测的分析方法一致,作者以117例接受抗PD-1单药治疗的晚期肿瘤患者根据PD-1 mRNA预先确定的临界值(6.3)“靠”临床意义,结果显示28.2%的样本被确定为PD-1高表达(Fig.2G)。与是否具有良好的临床疗效对比,以PD-1高表达肿瘤的ORR为51.5%,而其余的ORR则为23.8%,均具有显著统计学意义(Fig.2H)。

▲ Fig.2G-H

5.PD-1 mRNA与其他生物标志物的相关性

在这里,作者选用的验证数据集包含84个可评估样本,发现PD-1 mRNA与sTILs这两个生物标志物之间的相关性系数r=0.53,表示相关性并不很强。从抗PD-1疗效的相关性来看,连续变量sTILs的表达与疗效不存在显著相关性(OR=1.01;95% CI:1~1.1;P=0.197),而PD-1作为一个连续变量与疗效显著相关(OR=1.32;95% CI:1.0~1.73;P=0.034)。在以63%为限定条件的74个可评估样本中,PD-1 mRNA与PD-L1两个生物标记物之间没有发现相关性(r=-0.04)(Fig.S4)。

▲ Fig.S4

6.生存分析

最后,作者基于PD1 mRNA的表达及逆行无进展生存分析(PFS)(Fig.2I)。

▲ Fig.2I

五.范文总结

首先,我们明确本篇范文的目的就是更好地了解与抗PD-1抗体药物活性相关的生物学特征,并确定观察疗效的预测性生物标志物。

目前,免疫组化检测PD-L1表达仍然是pembrolizumab治疗NSCLC唯一被认可的伴随诊断,但该生物标记物存在严重的技术局限。同时,PD-L1在其他肿瘤和其他抗PD-1药物(如nivolumab)中未能发现其具有预测性。因此,有必要借助诸如nCounter这样已被报道具有高度可重复性的平台,在临床上实施稳健且可重复的基因组分析。

作者比较自己团队来自不同的研究队列内部泛癌数据库样本和TCGA数据库(早期疾病>90%)之间PD-1高表达的比例,结果是相似的。这一结果表明,在同一类型肿瘤和不同类型肿瘤之间的T细胞活化量是一个基于人群的稳定现象。除基因表达外,也出现了其他抗PD-1治疗敏感性的遗传生物标志物。其中最有潜力的是肿瘤突变负荷(TMB)。抗PD-1治疗后ORR最高的肿瘤类型实际上也是TMB最高的肿瘤类型。并分析之前的研究,有观察到TMB与其疗效直接相关。然而,TMB是否能直接预测其他肿瘤类型的抗PD-1治疗疗效还需要证明。此外,还需要进一步的研究来确定TMB的分析有效性和临床实用性。

TCGA数据与我们的和其他研究中的ORR进行计算机分析比较在临床试验之外治疗的晚期肿瘤患者(主要是黑色素瘤和NSCLC)的有限和异质性数据集中,评估了PD-1表达和抗PD-1疗效的直接关联,并证实基于PD-1表达的抗PD-1的疗效梯度。

总之,作者的研究结果与假设一致:使用PD-1 mRNA表达水平来识别预先存在且稳定的适应性免疫反应,可以预测不同类型肿瘤抗PD-1单药治疗的预后。

小伙伴们在学完这篇18分+干湿结合预后型Biomarker文章后有没有受到些生信思维上的启发呢?只要明确研究目的,再去赵相关的数据集,利用“挑圈联靠”的思路一步步做下来,你也可以发表高分生信文章呢!后台回复“汇然18”获取范文文献,如果你对这样的学习方式感兴趣,或者有什么意见或建议,请在下方留言~我们下期再见吧,拜拜!

参考文献

[1]Prat A, Navarro A, Paré L et al. Immune-Related Gene Expression Profiling After PD-1 Blockade in Non–Small Cell Lung Carcinoma, Head and Neck Squamous Cell Carcinoma, and Melanoma. Cancer Research 2017; 77: 3540-3550.

[2]Pare, L., et al., Association between PD-1 mRNA and response to anti-PD-1 monotherapy across multiple cancer types. Ann Oncol, 2018. 29(10): p. 2121-2128.

本文分享自微信公众号 - MedBioInfoCloud(MedBioInfoCloud)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-10-07

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • R绘图笔记 | 柱状图绘制

    绘图:geom_bar用于绘制柱状图,ylim设置纵轴值范围,them设置主题,axis.title设置坐标轴名称参数,axis.text设置坐标轴参数。

    DoubleHelix
  • Word天,这样操作可以让Sci-hub如影随形!

    最近总能看到群里有人问最新的Sci-Hub地址,或者压根不知道这个,求助文献下载的,小编就旧文新发一遍,方便大家下载文献,下载英文文献基本不需要再求人了,中文也...

    DoubleHelix
  • 蛋白质互作数据库汇总

    Licata L, Briganti L, Peluso D, et al. MINT, the molecular interaction database:...

    DoubleHelix
  • #夏日编程团#天这么热,没法出去浪,不如趁着宅在空调房里的这两个月,跟我们组团点亮你的编程技能点

    最近这天热得不像样子,一非洲游客在天安门广场中暑晕倒……还是选择老老实实窝在房间里吹空调吧。 不过也有些人,学习的热情比气温还高,不写代码就不舒服!(因为会被助...

    Crossin先生
  • VBE菜单——CommandBars对象

    这些在VBA里也提供了相应的对象让我们去操作,这个就是CommandBars对象。

    xyj
  • 缓存雪崩、穿透如何解决,如何确保Redis只缓存热点数据?

    缓存雪崩简单说就是所有请求都从缓存中拿不到数据,比如大批量数据同一时间过期。对于大批量数据同时过期的场景,可以为数据设置过期时间指定一个时间范围内的随机值,比如...

    Java艺术
  • 资深码农给新手的一些建议——项目开发

    程序员的日常就是开发项目,给大家总结了我个人多年来关于项目开发的一些建议,希望大家少走弯路。

    甲蛙全栈
  • 第一类对象(函数),闭包及迭代器

        from collections import Iterable, Iterator

    py3study
  • Python学习入门到精通:字符串方法

    字符串提供了很多内建方法,你必须掌握这些方法,否则,将无法娴熟的处理字符串。这些方法,暂时不需要你死记硬背,但至少你应该有一些印象,在处理字符串问题时,如果做不...

    python学习教程
  • 一个测试API的pytest框架

    现在,我们将创建一个小的pytest框架来测试API。这里使用的API是https://reqres.in/的免费API 。该网站仅提供可测试的API。该网站不...

    用户7466307

扫码关注云+社区

领取腾讯云代金券