看似平平无奇的癌症分型怎样才能发8分+？

导语

GUIDE ╲

使用免疫相关通路对癌症分类，有助于早期肝癌的鉴别和有效治疗，提高预后评估的准确性。

背景介绍

分型大家可能再熟悉不过了，今天小编为大家带来一篇新颖的分型方式——使用免疫通路进行肝癌的分型。这篇文章发表在Molecular Therapy-Nucleic Acids，IF=8分（https://doi.org/10.1016/j.omtn.2021.06.024）。

数据介绍

HCC患者的基因表达数据和临床信息来自TCGA和Liver Cancer-RIKEN, JP (LIRI_JP)。从GEO（GSE14520）下载228个HCC样本用于验证。

结果解析

01

免疫相关通路确定三个肝癌cluster

使用单样本基因集富集分析 (ssGSEA) 来筛选和分析29条免疫相关通路。获得的ssGSEA评分代表了肿瘤样本中免疫细胞和通路的活性或浸润水平。基于29个免疫相关通路的ssGSEA评分，对两个HCC数据集进行了分层聚类。两个数据集中分析的聚类结果相似，可将患者分为三个独特的免疫特征（Immunity_H、Immunity_M和Immunity_L）

图1

在29条免疫通路中，有7条与TCGA中的HCC总生存期(OS)相关的重要免疫相关通路（T辅助细胞、I型IFN反应、CD8+T细胞、B细胞、溶细胞活性、II型 IFN反应、巨噬细胞）。这些免疫相关通路高表达的患者具有更好的生存预后（图 2）。

图2

02

三种亚型的肿瘤微环境

作者发现在两个肝癌数据集中，Immunity_H的免疫评分显着高于 Immunity_M或Immunity_L的免疫评分，而Immunity_L的免疫评分最低（图 3A和3D）。这表明Immunity_H中淋巴细胞浸润程度（TCGA中位数1598.95；LIRI_JP中位数2314.70）明显高于Immunity_L中淋巴细胞浸润程度（TCGA中位数-92.66；LIRI_JP中位数5.23）。总体而言，这Immunity_H中发现的免疫细胞和基质细胞数量最多，而Immunity_L含有最多数量的肿瘤细胞。

同时，无论是在TCGA还是LIRI_JP数据集中，大多数HLA基因在Immunity_H中的表达水平较高，而在Immunity_L中的表达水平显着较低（图 3G 和 3H）。Kaplan-Meier生存分析显示不同的HCC亚型具有不同的生存概率和生存预后。Immunity_H和Immunity_M比Immunity_L具有更好的生存概率，具有高免疫活性的HCC亚型具有更好的生存预后（图3I和3J）。

图3

03

与肝癌亚型特异性免疫、通路和网络相关的差异基因

TCGA中有139个差异表达的免疫基因 (DEIG)，LIRI_JP中有300个DEIG（图4A和4B），两个数据集有134个交集（图4C）。基于单变量Cox回归分析，作者发现11个DEIG主要与细胞粘附、细胞识别和信号转导相关，其中IL7R 和IL18RAP的风险比（HR）小于1（IL18RAP = 0.298，P = 0.004；IL7R = 0.893，P = 0.038），而其余9个差异基因的HR大于1。使用GSE14520数据集交叉验证两个基因，IL7R和IL18RAP表达较高的患者存活率较高。

在44个随机选择的HCC组织中，作者通过定量 PCR (qPCR) 进一步阐明了IL7R 和IL18RAP的表达水平与预后之间的关联。结果表明，IL7R和IL18RAP在 HCC患者中的mRNA下调，表明IL7R和IL18RAP可能具有保护作用。

图4

另外，转录因子参与细胞内信号转导，通过释放大量细胞生长促进因子促进肿瘤转移和发展。 作者通过绘制HCC免疫亚型中的火山图来确定差异表达的转录因子基因 (TFG)。同时，通过单变量Cox回归分析筛选了TCGA中差异表达的免疫相关基因（IRGs）。

为了评估HCC中IRGs和TFGs之间的关系，作者构建了一个IRGs-TFGs网络，包括9个IRGs和36个TFGs。结果表明，IL7R受11个TFG的调控，上调的基因IL18RAP受两个TFG的调控（图4F）。这一现象表明IL7R和IL18RAP可能具有不同的调节免疫保护机制。

04

HCC亚型的免疫浸润

使用CIBERSORT计算TCGA和LIRI_JP数据集中HCC亚型的免疫细胞表达。一些免疫细胞在Immunity_H和Immunity_M中明显较高，例如CD8 T细胞、激活的记忆CD4 T细胞。相比之下，初始CD4 T细胞、单核细胞等在Immunity_L中较高（图5）。

图5

05

风险评分对HCC患者预后的影响

为了构建多因素风险评分模型，作者使用多变量Cox回归分析并根据将HCC患者分为两组的风险评分模型选择1.4作为风险评分截止点（图6A –6C)。通过LASSO回归分析，筛选出5个差异表达基因（DERGs）（S100A9、CSF3R、IL18RAP、FCER1G和ICAM1）。此外，通过ssGSEA量化了两组中五个DERG 的富集水平，结果显示热图中这些DERG的水平完全不同（图6D和6E）。Kaplan-Meier表明，在 TCGA和LIRI_JP中，高风险患者的存活时间更短，存活率更低（图6F和6G）。

最后，作者对TCGA中的一些变量（年龄、性别、等级、阶段和风险评分）进行了单变量和多变量Cox分析。在单变量Cox 分析中，肿瘤分期（HR = 2.540，P < 0.001）和风险评分（HR = 1.167，P < 0.001）与存活率相关（图6H）。多变量Cox分析表明肿瘤分期（HR = 2.540，P < 0.001）和风险评分（HR = 1.099，P < 0.001）总体生存相关（图6）。根据ROC曲线的 AUC面积，还确定了风险评分 (AUC = 0.704) 比其他HCC预后因素更准确地预测死亡率（图6J ）。

图6

小编总结

本文的亮点在于使用ssGSEA对免疫通路进行评分，并进行癌症分型。不仅如此，作者还同时使用了来自Liver Cancer-RIKEN和TCGA的数据，使研究置信度更高。小编的介绍就结束啦，希望对大家有所启发！