胰腺导管腺癌免疫细胞浸润及其临床意义

导语

GUIDE ╲

导管腺癌及其亚型是最常见的胰腺肿瘤，占胰腺肿瘤的85%～90%。大多数发展中国家的发病率为1～10人/万。由于胰腺癌的生存率极低，发病率和死亡率几乎是相等的。肿瘤免疫细胞浸润是指免疫细胞从血液中移向肿瘤组织，开始发挥它的作用。肿瘤中免疫细胞的浸润与临床结果密切相关，肿瘤中浸润的免疫细胞最有可能作为药物靶标来提高患者的生存率。

背景介绍

今天小编给大家带来的是一篇免疫浸润和临床相关的纯生信分析思路，于2020年3月发表在《Journal of Advanced Research》期刊上，影响因子6.992，题目为：The landscape of immune cell infifiltration and its clinical implications ofpancreatic ductal adenocarcinoma。

数据介绍

首先我们通过这篇文章的流程图可以得到作者使用的数据来源：

Fig.1

经过筛选以后使用了如下数据：

GEO数据库：GSE102238,GSE21501,GSE28735,GSE57495,GSE62452, GSE71729, GSE78229, GSE85916

TCGA：PDAC表达谱数据集

cBioPortal:PDAC表达谱数据集

ICGC：ICGC-AU and ICGC-CA

ArrayExpress:E-MTAB-6134 and MTAB 2780

共计1700个样本，删除CIBERSORT确定的p值大于0.05的样本、重复样本和不提供生存信息的样本，剩余共计879个样本供进一步分析。

结果解析

01

PDAC组织和para-PDAC组织之间的免疫细胞浸润

作者首先利用CIBERSORT分析PDAC组织和para-PDAC组织之间的免疫细胞浸润水平。观察到PDAC中M0 macrophages（M0巨噬细胞）和activated dendritic cells（活化的树突状细胞）的水平显著高于para-PDAC(图2A)。

与para-PDAC相比，PDAC中naive B细胞水平显著降低(图2B)。在其他免疫细胞水平方面，PDAC和para-PDAC之间没有显著差异。

作者通过logistic回归，进行1000倍 bootstrapping进行内部验证。观察到M0 macrophages和activated dendritic cells都是可以用来区分PDAC和para-PDAC的独立因素(图2C)。

为了评估M0 macrophages和activated dendritic cells对PDAC和para-PDAC的鉴别能力，作者通过公式：Predictive score = 18.477 × M0 macrophages + 22.467 × activated dendritic cells – 2.498（公式原理：Probability = exp (predictive score) / [1 + exp (predictive score)），训练模型并生成训练集和测试集的ROC曲线(图2D、E)，AUC分别为0.865和0.837，这说明M0 macrophages和activated dendritic cells可以在一定程度上区分PDAC和para-PDAC。

小结：利用CIBERSORT分析PDAC组织和para-PDAC组织之间的免疫细胞浸润水平差异，发现M0 macrophages和activated dendritic cells可以鉴别PDAC组织。

Fig.2

02

免疫细胞对PDAC的预后意义

为评估肿瘤浸润免疫细胞的预后意义，作者将830个PDAC样本随机分为训练集（N=581）和验证集（N=249），建立了一个单因素cox回归模型(图3)。

作者观察到naive B cells（幼稚B细胞，P=0.008）、regulatory T cells（调节性T细胞，P=0.003）、resting mast cells（静息肥大细胞，P=0.003）和memory resting CD4 T cells（记忆性静息CD4 T细胞，P=0.043）的存在与死亡风险降低显著相关。然而，M0 macrophages（M0巨噬细胞，P=0.002）、gamma delta T cells（P<0.001）和naive CD4 T cells（幼稚CD4 T细胞，P<0.001）的存在与死亡风险的增加显著相关。

Fig.3

作者建立了一个多元cox回归模型，通过Schoenfeld残差检验发现，以上得到的这些因素与时间无关(图4)，这表明结果满足多元cox回归模型的假设。

Fig.4

通过多元cox回归模型确定了只有M0 macrophages、gamma delta T cells和naive CD4 T cells是生存的独立预测因子(图5A)。

每个患者的免疫评分由如下公式确定：Immune score = 1.400 × M0 macrophages + 4.007 × gamma delta T cells + 5.426 × naive CD4 T cells，免疫评分的cutoff为0.4(图5B、C)。

为了评估免疫评分的效果，作者对训练集、验证集、和总样本分别绘制了Kaplan-Meier曲线(图5D、E、F)。发现Kaplan-Meier曲线明显分离，免疫评分不大于0.4的患者的生存率明显高于免疫评分大于0.4的患者的生存率（P<0.05，图5D、E、F)。

作者还从TCGA数据集（N=104）获得了无复发的生存时间，并构建了Kaplan-Meier曲线，发现免疫评分不大于0.4的患者的无复发生存时间仍然比免疫评分大于0.4的患者长（图5G)。为了比较TNM分期的预后意义和免疫评分，作者计算了Harrell的一致性指数，在训练集和验证集中免疫评分都明显高于TNM期（图5H)。

小结：作者通过单因素cox回归模型筛选到了一些与死亡风险相关的细胞类型，并且通过多因素cox回归进一步确定了三类可作为生存独立预测因子的细胞。通过三类细胞对患者进行免疫评分，并通过训练集、测试集以及TCGA数据集的样本进行验证，确定了免疫评分的可靠性。

Fig.5

03

利用GSEA来识别调节免疫细胞的潜在靶点

为了识别可能参与免疫微环境调节的基因，作者将TCGA数据库中的个体分为两组，即免疫评分≤0.4组（N=96）和免疫评分>0.4组（N=26），并进行GSEA分析。观察到与细胞趋化性(Fig. 6A),白细胞趋化性(Fig. 6B)，和趋化因子介导的信号通路(Fig. 6C)相关的生物过程都在免疫评分＞0.4的患者中活性较低。

作者评估了趋化因子在转录水平上的表达，观察到免疫评分>0.4的患者的CXCL9、CXCL10、CXCL11、CXCL11、CXCL13、CCL17、CXCR2和CXCR6的表达显著下降(Fig. 6D)。这些患者免疫反应的激活(Fig. 6E)，免疫反应调节细胞表面受体信号通路(Fig. 6F)，抗原受体介导的信号通路(Fig. 6G)，自然杀伤细胞的激活(Fig. 6H)和树突状细胞的迁移(Fig. 6I)等生物过程中的富集得分也较低，此外，细胞因子受体活性(Fig. 6J)在这些患者也有缺陷。

小结：通过对TCGA数据集样本的GSEA分析，得到了一些趋化因子信号通路在免疫评分＞0.4的患者中的富集程度，并且在转录水平上筛选到了一些潜在的调节免疫细胞的靶点。

Fig.6

小编总结

作者通过CIBERSORT评估了胰腺导管腺癌（PDAC）和para-PDAC组织中免疫细胞的水平，此外还评估了免疫反应的经典信号通路是否参与了免疫细胞的浸润，从而帮助我们更深入的了解免疫微环境，并为胰腺癌的诊断和治疗提供潜在目标

END