全新思路：基因家族构建肿瘤预后模型

导语

Siglecs是唾液酸结合IgG样凝集素的一个家族，其中CD33（即siglec3）是白血病的靶标，靶向siglec6的CAR-T细胞已经应用于消除白血病细胞。

背景介绍

大家可能经常看到的是基因家族泛癌分析的文章，但是今天小编为大家带来一个使用基因家族中的基因构建肿瘤预后模型的新思路。文章发表在BMC Bioinformatics上，题目为Identification and validation of a siglec-based and aging-related 9-gene signature for predicting prognosis in acute myeloid leukemia patients。

数据介绍

来自TCGA的151名急性髓系白血病（AML）患者的临床和RNA-seq数据。来自GTEx的70个健康对照的RNA-seq数据。来自GEO的验证数据集（GSE106291）。

分析流程

结果解析

01

Siglec家族的差异表达分析

作者比较了14个Siglec家族基因在AML患者和健康对照组之间的表达水平（图2A）。结果显示，Siglec1、CD22（Siglec2）、CD33（Siglec3）、Siglec5、Siglec7、Siglec9、Siglec10、Siglec11、Siglec14、Siglecs15和Siglec16在AML患者中显著上调，而MAG（Siglec4）、Siglec6和Siglec8在AML患者中显著下调。因此，在AML发病期间，所有Siglec家族成员的表达水平均发生显著变化。

图2

02

Siglec家族基因表达与临床特征

作者比较了Siglec家族基因在按白细胞计数、PB blasts、BM blasts、NPM1突变、IDH1 R132突变和FLT3突变分类的AML亚组中的表达（图2B）。在白细胞计数为20×10的AML患者中，CD33和siglec15的表达水平显着升高，而CD22的表达水平显著降低。在PB原始细胞>70%的AML患者中，Siglec1，MAG，Siglec5和Siglec14的表达水平显著降低。在BM原始细胞>20%的患者中，Siglec1、CD22、Siglec7、Siglec9和Siglec14的表达水平显著升高。

NPM1、IDH1和FLT3中的突变是AML患者中反复出现的遗传改变，与治疗选择、最小残留疾病监测和预后预测有关。在FLT3突变的AML患者中，siglec1、CD22、siglec14的表达水平显著下调，而CD33和siglec15的表达水平显著上调。此外，siglec1、CD22、MAG、siglec6、siglec8在NPM1突变的AML患者中表达水平降低，而siglec7、siglec10和siglec16的表达水平增加。在IDH1 R132突变的AML患者中，siglec6和siglec9的表达水平明显低于没有该突变的患者。

03

Siglec家族基因的免疫浸润

免疫功能失调是致癌的标志，而siglec家族是免疫微环境的关键调节因子。作者分析了AML患者中免疫浸润与siglec家族表达之间的相关性。巨噬细胞/单核细胞中表达多种siglec基因，包括siglec1、CD33、siglec5、siglec7、siglec9、siglec10、siglec11、siglec14、siglec15和siglec16（图3A）。siglec1、siglec7、siglec9、siglec11、siglec14和siglec16的正相关免疫细胞类型相同（嗜中性粒细胞、巨噬细胞、iDC和Tem），这表明这些siglec基因可能存在共同的免疫调节机制（图3B）。

图3

04

Siglec家族与耐药性

在AML治疗期间，评估患者的药物反应性和监测耐药性至关重要。作者确定了药物敏感性与siglec表达之间的相关性（图4A）。在筛选的药物中，全反式视黄酸（ATRA）是一种在治疗急性早幼粒细胞白血病时诱导白血病早幼粒细胞分化的成熟药物。对ATRA的敏感性与CD33、siglec5、siglec9和siglec12的表达呈负相关。

AC220是FLT3的选择性抑制剂，对伴有FLT3-ITD突变的复发性或难治性AML有效。CD33、siglec5、siglec9和siglec12的表达水平与对AC220的敏感性呈负相关。

FLT3-ITD驱动AML的另一种抑制剂是AP24534（帕纳替尼）（抑制FLT3活性并诱导白血病细胞凋亡）。对AP24534的敏感性与CD33，siglec5和siglec12的mRNA表达呈负相关。

图4

作者进一步探究了siglec表达与免疫检查点之间的关系（图4B）。作者发现PDCD1表达与CD22表达呈正相关。CD274表达与siglec1、CD22、MAG、siglec6、siglec8、siglec9、siglec10、siglec11和siglec16的表达呈正相关。CTLA4的表达与siglec1、CD22、siglec7、siglec9、siglec10、siglec11和siglec16的表达呈正相关。只有siglec15的表达与CTLA4的表达呈负相关。

05

Siglec家族的预后价值

为了确定siglecs在AML中的诊断价值，使用来自TCGA的AML患者数据和来自GTEx数据库的健康对照数据绘制了ROC曲线（图5A）。siglec15和MAG的AML诊断准确率最高。因此siglec家族在AML诊断中具有较高的准确性，可以作为新的诊断生物标记物。

图5

使用KM曲线评价siglec表达与AML患者总生存期的关系（图5B和C）。将AML患者根据中位siglec表达水平分为高、低表达两组。作者发现，在siglec7表达较低的患者中，AML患者的总生存概率较高（图5B）。

作者进一步使用单变量和多变量COX回归分析来评估Siglec家族在AML中的预后价值。结果显示，siglec9和siglec15是AML结局的预测变量。

06

不同siglec9/14表达患者的差异表达基因

在AML患者和健康对照组进行比较时，siglec家族中的siglec9和siglec14存在显著失调，与各种临床特征相关，与巨噬细胞浸润相关，在ROC曲线中具有高诊断价值，并且在Kaplan-Meier亚组生存分析中具有预后能力。因此，选择了siglec9和siglec14进行差异基因表达分析。

当比较低表达和高表达siglec9的AML患者时，共有1523个基因显着差异表达，其中1021个基因上调，502个基因下调（图6A）。对于低表达和高表达的Siglec14的AML患者，共有1086个显着差异表达基因，包括757个上调基因和329个下调基因（图6B）。

图6

07

功能富集

低表达和高表达的siglec9和siglec14的AML患者的差异表达基因共有918个（图7A）。对共同基因中表达差异最显著的300个基因进行了GO和KEGG分析。GO分析共有457个BP项，46个CC项和58个MF项显著富集，有17条KEGG通路显著富集。具有代表性的BP、MF和CC项在气泡图中显示（图7B）。高度富集的GO/KEGG项和相关基因如图7D所示。

图7

作者进一步进行了GSEA分析（图7E和F）。siglec9和siglec14在高度富集的基因集之间具有高度的相似性，其中包括反应组中性粒细胞脱颗粒，淋巴细胞和非淋巴细胞之间的反应组免疫调节相互作用，反应组tolle，如受体级联反应，以及反应组干扰素γ信号传导。

08

基于siglec和衰老相关基因构建AML预后模型

将低表达和高表达siglec9的AML患者之间的差异表达基因与衰老相关基因集合并（图8A）。将鉴定出的22个合并基因进行lasso回归和10倍交叉验证。lasso回归分析鉴定出用于构建衰老相关预测模型的9个基因，分别为：DLL3、NRG1、CDKN2B、MMP2、PPARGC1A、HOXB7、SNCG、MMP7和BCL2A1（图8B）。使用上述预测模型计算并绘制每个AML患者的风险评分（图8C）。

图8

根据中位风险评分将AML患者分为两组。风险评分较高的AML患者的生存概率显著降低（图8D）。使用基于9基因模型计算的年龄，细胞遗传学风险，FAB和风险评分进行列线图分析，以预测AML患者的1年，2年和3年生存期（图8E）。校准图显示，预测生存概率的列线图与观察到的分数生存概率高度一致（图8F）。采用时间依赖性ROC曲线分析，结果表明，1年、3年和5年生存期的AUC分别为0.774、0.803和0.798，表明预后模型具有较高的预测能力（图8G）。

08

AML预后模型的验证

作者从GEO数据库中下载了GSE106291数据集对模型进行验证。使用9个基因的表达水平及其相应的回归系数计算该验证队列中每个AML患者的风险评分。中位风险评分将AML患者分为两组，具有低风险评分和高风险评分。风险评分较低的AML患者的生存概率显著较高，而风险评分较高的AML患者的生存概率显著降低（图9A）。这表明，模型可以有效地预测验证队列中患者的生存概率。

时间依赖性ROC曲线分析显示，3年、4年和5年生存率的AUC分别为0.562、0.539和0.605（图9B）。使用预测模型计算验证队列中每个AML患者的风险评分（图9C）。使用列线图（性别、年龄、治疗反应和风险评分）用于预测AML患者的2年、3年和4年生存概率（图9D）。校准图显示，在该验证队列中，生存概率与观察到的分数生存概率之间存在良好的一致性。综上，基于siglec和衰老相关的9基因模型在验证队列中表现出良好的预测性能。

图9

小编总结

本文比较新颖地使用siglec家族的相关基因和衰老相关基因构建肿瘤预后模型，前半部分是常规的基因家族的肿瘤生信分析，包括Siglec家族的差异表达分析、遗传改变、临床特征、免疫浸润、耐药性、预后价值，后半部分话锋一转鉴定了Siglec家族相关的差异表达基因并将最显著的与衰老相关基因结合，构建了肿瘤预后模型。这种新盈的思路值得我们借鉴！