6分+TP53相关免疫预后模型的构建与验证，这个思路值得学习

今天小编解读的这篇文章是2020年发表在Genomics（IF:6.205），题目为Construction and validation of a TP53-associated immune prognostic model for gastric cancer.作者根据胃癌中TP53突变状态构建了免疫预后特征，它可以独立预测胃癌患者的OS，并反映GC微环境中的总体免疫强度。通过整合IPS和TNM分期，作者还构建了预后列线图，它在预测GC患者的生存率方面表现出良好的表现。

摘要

越来越多的证据表明，TP53突变通过调节胃癌（GC）免疫表型影响患者的预后。基于TP53状态构建了免疫预后特征（IPS）。分析了IPS对GC免疫微环境的影响。作者还构建了一个综合了IPS和其他临床因素的列线图。在TCGA队列中构建了IPS，并在meta-GEO队列中进行了验证。TP53突变导致GC中免疫反应的下调。具体而言，高风险患者的特征是单核细胞，巨噬细胞M0和T cell follicular helper 增多；基质评分，estimate评分和免疫评分增加；更高的TIM3和BTLA表达；树突状细胞和T细胞CD4记忆激活的浸润和肿瘤纯度。列线图也显示出良好的预测性能。这些结果表明，IPS是GC患者的有效预后指标，这可能为免疫治疗提供理论基础。

流程图

结果简述

1. STAD中免疫表型与TP53突变的关系

作者描述了335例STAD患者的体细胞突变谱，发现TP53突变在所有STAD患者中排名第二（45％），排在TTN突变（46％）之后（下图A）。先前的研究表明TP53突变可预测GC患者的OS恶化和无复发生。因此，作者旨在通过TCGA STAD数据集来发现TP53突变与免疫反应之间的相关性。根据TP53突变情况对335例STAD患者进行了GSEA分析。TP53WT组中有七种显著改变的免疫相关通路，而TP53MUT组没有免疫相关通路富集（下图B）。

2. 免疫相关预后标记的构建

GSEA中有766个基因富集了七个免疫相关过程。作者提取了这些基因的表达数据和335例STAD患者的生存信息。进行单因素回归分析，结果表明STAD样本中有45个基因与预后有关。为了进一步减少基因数量，对这45个基因进行了LASSO回归分析。然后，将来自LASSO的19个基因纳入多变量Cox回归分析以建立风险特征。最后，基于335例STAD患者构建了包括9个免疫相关基因的风险特征。风险评分= ECAMK4 * 0.456 + ECYP19A1 * 0.823 + EZFP36 * 0.195 + ECLCF1 * 0.226 + ECACTIN *（-0.653）+ ENRARP *（-0.170）+ ECFHR4 * 1.050 + EAMBP * 0.181 + EFBN1 * 0.149。通过上述公式计算每位患者的风险评分，并将中位数用作STAD分为低风险和高风险的患者的临界值。生存分析表明，高风险患者的生存时间短于低风险患者（下图A）。基因表达和风险评分分布图如下图B所示。用于OS的IPS的AUCROC在第1年，第3年和第5年分别为0.691、0.704和0.742（下图C）。

3. 在GEO队列中验证预后特征

为了研究特征的鲁棒性，在由561名STAD患者组成的meta-GEO队列中评估了预测性能。作者根据TCGA中的相同公式计算了每位患者的风险评分，中位数用作分类为低风险和高风险患者的临界值。在meta-GEO队列中，高风险患者的生存时间短于低风险患者，这与STAD队列的结果一致（下图D）。基因表达和风险评分特征显示在下图E中。OS特征的AUC-ROC在1、3和5年分别为0.590、0.589和0.586（下图F）。

4. 根据TP53状态对预后特征进行生存分析

尽管TP53突变状态与STAD患者的预后没有显著相关性（下图A），但仍进行了进一步的亚组分析以研究IPS是否独立于TP53突变。结果表明该特征与TP53WT和TP53MUT STAD队列的生存率显著相关（下图B和C）。由于TP53突变通常会导致不同的生物学后果，因此作者分析了TP53突变与STAD患者预后之间的关系。但是，结果表明TP53突变不会影响STAD患者的预后（下图D）。此外，该特征与TP53错义突变STAD队列中的OS显著相关（下图E）。

5. STAD患者的免疫状况

为了了解IPS的特异性免疫特性，作者应用ESTIMATE来计算335个STAD样本的基质评分，肿瘤纯度，免疫评分和ESTIMATE评分。作者还分析了这些因素是否与IPS相关。结果表明，特征与免疫，基质和ESTIMATE得分呈正相关（P <0.05）（下图A–C）。但是，特征和肿瘤纯度之间存在负相关（P <0.05）（下图D）。此外，作者分析了STAD低风险组和低风险患者的基质评分，ESTIMATE评分，免疫评分和肿瘤纯度的差异。与低风险患者相比，高风险患者具有更高的免疫，基质和ESTIMATE得分，并且肿瘤纯度较低（下图E–H）。

使用CIBERSORT估计22个免疫细胞的浸润比例。下图A和B分别显示了335个STAD样本中免疫细胞的比例和浸润水平。肿瘤浸润免疫细胞比例和水平的变化可能代表了不同个体的内在特征。22个肿瘤免疫细胞之间呈弱相关或中等相关（下图C）。 与低风险患者相比，高风险STAD患者单核细胞，M0巨噬细胞和滤泡辅助性T细胞的比例明显更高，而静息树突状细胞和CD4记忆激活T细胞的比例则显著降低。 这表明STAD患者的异质性和异常免疫浸润可能是免疫治疗的预后指标和靶标，可能具有重要的临床意义。

免疫检查点抑制剂已被证明具有逆转肿瘤免疫作用的抗肿瘤作用。 因此，作者分析了STAD样本中不同免疫检查点蛋白（PD-L1，PD-1，CTLA-4，TIGIT，LAG-3和TIM-3）的特征与水平之间的相关性。特征与TIM3和BTLA显著相关（下图A和B），与PD-L1，PD-1，CTLA-4或TIGIT不相关。 进一步的分析表明，高风险患者的TIM3和BTLA表达明显高于低风险患者（下图C和D）。 以上结果表明，高风险患者的不良预后可能归因于免疫抑制性微环境。

6．STAD患者的富集通路

在GO中进行了生物过程（BPs）分析，以进一步探索IPS对免疫反应的生物学机制。通过logFC> 1和FDR <0.05的阈值选择低风险和高风险患者之间差异表达的免疫基因，并将与IPS相关的基因（Pearson相关系数> 0.2和P <0.05）视为特征相关基因。共有39个基因差异表达（下图E），其中25个基因进行了GO和KEGG分析，以研究IPS的重要BP和通路。分析表明，与STAD中的特征相关的基因主要集中在免疫过程调节，体液免疫应答，体液免疫应答，ECM受体相互作用等方面（下图F和G）。

7. 基于IPS的列线图构建

在单变量和多变量Cox回归分析中，以研究特征是否可以独立预测STAD患者的预后。单变量Cox分析表明，STAD患者的分级，N，T，TNM分期和特征与不良预后相关（下图A）。多元回归分析表明，特征和TNM分期均与STAD患者的OS显著相关，这证明特征可以独立预测TCGA STAD患者的OS（下图B）。构造了整合特征和TNM分期的列线图（下图C）。为了评估列线图的预测性能，进行了校准曲线和ROC分析，结果显示在预测患者生存率方面表现良好。校准曲线表明预测的和实际的生存STAD队列之间具有较高的一致性（下图D和E）。1年，3年和5年OS的列线图的AUC-ROC值分别为0. 674、0.686和0.713（下图F）。因此，这些结果表明，列线图是预测STAD患者生存的良好模型。

作者根据GC中TP53突变状态开发了IPS，它可以独立预测GC患者的OS，并反映GC微环境中的总体免疫强度。通过整合IPS和TNM分期，作者还构建了预后列线图，它在预测GC患者的生存率方面表现出良好的表现。 因此，与TP53相关的免疫学特征的改变可能决定了GC患者的临床结局。