基于肿瘤微环境相关基因建立卵巢癌预后预测模型！

作图丫

发布于 2022-03-29 09:27:42

7710

发布于 2022-03-29 09:27:42

文章被收录于专栏：作图丫

导语

GUIDE ╲

肿瘤微环境参与了恶性肿瘤的生长和增殖，以及对系统和靶向治疗的耐药性的过程。肿瘤微环境的基因表达谱与卵巢癌患者预后之间的相关性已经已知。

背景介绍

肿瘤微环境相关基因的表达与卵巢癌患者的预后相关。免疫治疗靶点部分位于这一复杂的细胞簇和可溶性因子中。今天小编给大家介绍的文章，就是基于肿瘤微环境相关基因构建的基因特征，通过风险评分量化卵巢癌患者的预后，并能够预测癌症样本对PD-L1阻断免疫治疗的假定生物学反应。

文章题目：Identifification of a Novel Tumor Microenvironment PrognosticSignature for Advanced-Stage Serous Ovarian Cancer。

数据介绍

TCGA：347个SOC样本（包含临床随访信息）

ICGC：93个样本的OC队列

结果解析

免疫评分显示了OC中不同分子亚型的不同模式

在包含4061个基因的TCGA队列的表达矩阵中，通过单因素Cox分析获得了87个预后TME相关基因(p<0.01)。在这些基因中，使用NMF将TCGA-OC样本分为C1、C2、C3三个cluster(图1a)。三个cluster之间的OS和无进展生存期(PFS)的比较显示出显著差异（图1b-g）。大多数免疫评分，包括CD8+T细胞、细胞毒性淋巴细胞、B细胞、中性粒细胞、单核细胞、髓系树突状细胞、内皮细胞和成纤维细胞，显示各亚型之间也存在显著差异(图1h-o)。

将C1、C2、C3与现有的基于所有基因分型的结果进行比较，发现免疫反应亚型占C1的55.43%，间充质亚型占C2的52.04%，增殖亚型占C3的50.98%(图1p)。

图1

基于TME相关基因的预测RS的建立

采用生存Coxph函数对训练队列进行单变量Cox比例风险回归。在p<0.01的阈值范围内发现了92个预后TME相关基因。使用10倍交叉验证来建立模型，选择了24个基因作为候选基因。采用Akaike算法进一步减少基因数量，最终得到11个基因，构建该公式：

KM生存分析显示，HRG（高风险组）的预后明显差于LRG（低风险组）(图2a)。为了验证模型的准确性，对 TCGA 测试队列、整个 TCGA 队列（TCGA 训练和测试队列一起）和ICGC 队列（图 2b-d）进行了相同的分析。KM曲线都显示HRG和LRG之间存在显著差异。

图2

呈现不同临床特征或突变状态的亚组的RS评估

作者将患者按年龄（≤60岁和>60岁）、FIGO分期(III、IV)、复发和化疗状态进行分类。还根据前面提到的RS将样本分为HRG和LRG。在大多数情况下，HRG和LRG之间的预后有显著差异(图3a-g)。只有无化疗状态的两组患者OS无显著差异(图3h)。

这部分数据表明，预测模型能够根据年龄、FIGOIII期和IV期、复发率和化疗状态来预测OS。

图3

作者从所有TCGA OC外显子测序样本中提取突变状态，为了验证模型是否可以适用于TCGA识别的不同突变。所有亚组均证实了HRG和LRG之间的OS存在显著差异(图3i、k、l、n-p)。没有TP53突变的亚组和有MUC16突变的亚组没有显著性意义(图3j，m)。

TME相关基因与临床预后相关

作者构建了一个列线图模型，包括残留疾病、RS 和化疗状态。结果表明 RS 对生存率的预测影响最大（图4a）。校准图可视化了3年和5年的性能（图 4b）。在3年ROC曲线中，列线图的AUC大于其他临床变量，如图4c所示。然而，在5年ROC曲线中，RS超过列线图并且具有最大的AUC（图4d）。作者还使用 DCA 来评估模型的有效性。当使用单个临床变量进行比较时，标准化净收益证实了列线图的3年OS预测值（图4e）和RS的5年OS预测值（图4f）。

图4

11个基因特征风险模型作为一种新的OC预测RS

为了比较构建的11个基因signature与其他模型的预测性能，作者选择了其他4个报告的风险模型。在验证这些结果时，将相应的基因纳入这四个模型中，然后评估ROC。然后根据RS中值将样本分为HRG和LRG。HRG和LRG的预后在所有四种模型中都很显著。然而，ROC曲线显示出较低的AUC，因此本文构建的模型在预测预后方面更好(图5a-d)。

使用RMS包计算所有预后特征的c指数，本模型具有最高的c指数，为0.641(图5e)。构建的基因signature在超过60个月的时间段内表现最好。这表明，与其他模型相比，本模型不仅适合于预测大于5年的患者生存期，而且是小于60个月的主要预测因子(图5f)。

图5

在另一种妇科癌症中的11个基因signature风险模型验证

作者对HRG和LRG内的样本进行了基因集富集分析，发现了以下免疫和代谢途径，相关的归一化富集评分(NES)和矫正后的p值(q值)在HRG中富集(图6a)。

分析显示，通过TCGA鉴定的OC亚型之间的RS存在差异。间充质亚型的RS明显高于分化型、免疫反应型和增殖型亚型，免疫反应性亚型的RS明显低于分化亚型。综上所述，本模型在一定程度上能够区分不同的分子OC亚型(图6b)。

结合图6a中的通路分析，作者提取了妇科肿瘤中通用通路靶点的代表性基因的单基因表达：免疫检查点、DNA复制、错配修复和上皮-间充质转化(EMT)。分析了RS和这些基因之间的相关性。RS与免疫检查点基因(PDCD1、CD274和CTLA4)呈负相关。相比之下，它们与EMT相关基因(FAP、TAGLN和LOXL2)呈正相关(图6c)。

为了验证模型，作者从TCGA中选择了宫颈鳞状细胞癌(CESC)队列。构建的11个基因的RS能够将CESC样本分为HRG和LRG。KM曲线显示，纳入HRG的患者的预后明显较差(p=0.024)(图6d)。考虑到RS在OC分子亚型中的预测价值，RS能够区分CESC亚型：对于EMT亚型的RS显著高于激素亚型(图6e)。

作者使用MCP counter和ESTIMATE来计算CESC样本的不同免疫（细胞）评分，然后计算它们与RS的相关性。结果表明，RS与基质、免疫和估计评分以及许多免疫和基质细胞系呈负相关(图6f)。

图6

基于11个基因风险模型的免疫治疗反应预测

作者分析了接受免疫治疗的泌尿生殖系统癌症患者的免疫特征。基于IMvigor210队列，其中包括了接受PD-L1阻断治疗的患者的基因表达和临床反应，比较之前根据RS划分的HRG和LRG，完全免疫应答者和部分免疫应答者在HRG中占17.3%，在LRG中占27.3%。综上所述，结果证实了RS在另一种癌症实体中的准确性(图7a)。

作者通过逻辑回归将来自 IMvigor 210 队列的 RS、NEO 和 TMB 结合起来以确定治疗反应，发现这种组合的 AUC 高达 91.7%（图7b）。使用 MCP counter计算了 RS、NEO 和 TMB 之间的相关性，以及不同的免疫评分，发现除了成纤维细胞外，RS与这些评分均呈负相关（图7c）。此外，与CR 患者相比，PD患者的RS值显着更高。然而，它不能区分 PR 和 SD（图7d）。一般来说，RS 和 IC 分数之间存在显着的负相关（图7e）。