肿瘤微环境分层模型如何再创9分+SCI
大家好！今天给大家介绍一篇2022年6月发表在JCI insight（IF:9.484）上的一篇文章。本研究从转录组数据着手鉴定到NSCLC患者的三个TME亚型并构建TME相关模型可以对患者进行分层。
Deciphering the tumor microenvironment cell–infiltrating landscape reveals microenvironment subtypes and therapeutic potentials for nonsquamous NSCLC
通过分析NSCLC的肿瘤微环境细胞浸润情况揭示微环境亚型和治疗潜力
摘要
最近的研究表明肿瘤微环境的临床病理在描述分子属性和治疗潜力方面十分重要。然而，NSCLC中肿瘤微环境的细胞浸润情况还没有进行全面描述。在本研究中，作者使用非负矩阵分解鉴定TME亚型（TME-C1，TME-C2和TME-C3），这三个亚型的临床病理特征，细胞浸润情况和生物学过程不同。根据TME相关特征（TMEsig-score）得到的打分将NSCLC患者分为高打分组和低打分组，其中高打分组的预后较好。基因组图谱分析表明低打分组患者的体细胞拷贝变异和驱动基因突变频率较高。药物敏感性分析表明，高打分组患者对免疫检查点抑制剂治疗有较好的临床反应。总的来说，本研究强调了全面了解TME细胞浸润情况有助于增加研究人员对TME免疫调控的认识并促进精准生物治疗策略的有效性。
流程图
结果
1. 数据集的获取和下载
从GEO，TCGA和CPTAC数据库下载NSCLC样本的多组学测序数据和临床数据，共获得2324例样本，包括GSE30219，GSE31210，GSE37745，GSE50081，GSE41271，GSE68465，GSE72094，TCGA-LUAD和CPTAC-LUAD。
2. 非小细胞肺癌中TME细胞浸润模式的细胞和免疫图谱
首先，作者使用NMF算法鉴定到3个TME亚型，分别为TME-C1，TME-C2和TME-C3（图1A和1B）。TME-C1主要为内皮细胞，干细胞，成纤维细胞，单核细胞和上皮细胞等上调，TME-C3主要为Th2细胞，多功能祖细胞，平滑肌细胞，嗜碱性粒细胞和其他细胞富集程度较高。随后，作者使用ESTIMATE算法计算3个亚组的免疫浸润情况和肿瘤细胞纯度，其中TME-C2的免疫打分最高（图1C）而TME-C3的肿瘤纯度较高（图1D），说明TME-C3肿瘤周围的非肿瘤成分较少。T细胞炎症GEP打分和PD-L1表达水平分析表明，TME-C3的GEP打分较高（图1E）且PD-L1的表达水平较高（图1F）。此外，KM分析表明这三个亚组的生存情况具有显著差异，其中TME-C2的生存情况较好而TME-C3的生存情况最差（图1G和1I）。多因素Cox回归分析表明TME亚型与患者的生存结局相关（图1H和1J）。
图1 TME亚型鉴定及其免疫特征
3. TME亚型的临床特征和分子过程
NSCLC中TME亚型与临床特征的相关性如图2A。TME亚型与基因突变情况的相关性分析表明，KEAP1和STK11突变在TME-C2中突变频率低于野生型（图2B）。体细胞拷贝数变异（SCNA）和非整倍性打分分析表明，TME-C2中SCNA和非整倍性打分较低（图2C和2D）。GSA分析表明，TME-C2中免疫浸润相关通路富集程度较高，TME-C3中与致癌激活和高增值特征相关的通路富集程度较高（图2E）。GSEA分析表明TME-C2中sting介导的对细胞质DNA的先天免疫反应程度增强（图2F）。此外作者对CPTAC-LUAD的蛋白质组学数据进行分析发现TME-C2亚组主要为热肿瘤富集型（THE），TME-C1和TME-C3亚组主要为冷肿瘤富集型（CTE）（图2G）。CPTAC-LUAD数据集中sting相关蛋白的表达水平分析表明，TME-C2亚型中sting相关的mRNA和蛋白水平显著升高（图2H）。IRF3和NFKBIE蛋白磷酸化水平分析表明，TME-C2亚型中水平显著上调（图2I和2J）。以上结果表明，这3种亚型具有不同的免疫表型特征。其中，TME-C1是免疫排斥表型。TME-C2是一种免疫炎症表型，其特征是免疫通路激活和免疫细胞浸润水平较高。TME-C3是一种免疫缺失表型，其特征是肿瘤细胞增殖，糖酵解和免疫抑制。
图2 TME亚型的临床特征和生物学过程
4. NSCLC中TME亚型相关的DEGs
作者使用经验贝叶斯算法鉴定到三种TME亚型中的657个DEGs，作为TME特征基因（图3A）。基于这些DEGs作者进行无监督一致性聚类，可以将GEO数据集NSCLC患者分为三个亚组，分别为TMEsig-S1，TMEsig-S2和TMEsig-S3（图3B）。其中TMEsig-S2中男性患者和晚期患者比例较高，TME-C3患者主要集中在TMEsig-S2组中。对这些DEGs进行GO富集分析表明，这些基因主要参与免疫相关的生物学过程（图3C和3D）。KM分析表明，TMEsig-S1的预后较好而TMEsig-S2的预后较差（图3E和3F）。
图3 NSCLC中TME亚型相关的DEGs
5. 构建TMEsig打分模型并研究其临床和分子相关性
作者构建了TMEsig打分模型，该模型基于与预后相关的TME特征基因，量化NSCLC的TME免疫浸润水平。多因素Cox回归分析表明TMEsig打分可以作为患者的独立预后生物标志物。根据TMEsig打分将NSCLC患者分为高打分组和低打分组（图4A）。KM分析表明，高打分组患者的预后较好（图4B和4C）。TME亚组的打分情况分析表明，TME-C3和TMEsig-s2的TMEsig打分较低，TME-C2和TMEsig-s1的TMEsig打分较高（图4D）。TCGA分子亚型的分析表明，TRU亚型与TMEsig打分较高有关，PP亚型与TMEsig打分较低有关（图4E）。此外，TMEsig打分与免疫打分显著正相关（图4F）。CPTAC数据集的分析表明THE亚型与TMEsig打分较高有关（图4G）。蛋白表达聚类热图表明sting相关分子，炎症细胞因子和免疫检查点分子与TMEsig打分正相关（图4F）。随后，作者进一步从CCLE项目中收集了NSCLC细胞系的表达数据并将其分为两个TMEsig亚组。图4I分别为10个TMEsig打分最高和最低的细胞系。作者选择这些细胞系进行Western blot分析，TMEsig打分较高的细胞系中sting信号分子表达水平显著上调（图4J和4K）。
图4 构建TME打分并研究其生物学相关性
6. 低打分组和高打分组的基因组突变分析
越来越多的证据表明基因组突变与免疫治疗反应具有相关性，因此作者研究了NSCLC患者的特征与突变特征的相关性，包括APOBEC突变特征（特征2），吸烟相关突变（特征4）和dMMR突变（特征6）（图5A）。TMEsig打分较高的患者发生特征6的频率较高而发生特征2的频率较低（图5B）。体细胞突变分析表明，低打分组中TP53,KEAP1,STK11和SMARCA3的突变频率较高（图5C），然而其SCNAs水平较高（图5D）。此外，低打分组的GISTIC打分和CNV较高（图5E）。FGA分析表明，低打分组的FGA显著增加（图5F和5G）。
图5 高打分组和低打分组的基因组突变分析
7. 鉴定TMEsig打分与治疗反应的相关性
高打分组的TIDE显著降低而T细胞炎症GEP显著升高（图6A-6D）。作者接下来研究TMEsig打分是否可以预测患者对ICI治疗的反应。在抗PD-1队列中，与TMEsig打分较高的患者可以受益于免疫治疗（图6E-6H）。TMEsig打分在不同免疫治疗反应组中的分布如图6I所示，TMEsig打分越高的患者更有可能受益于免疫治疗反应。由于TMEsig打分与TMB显著正相关（图6J），因此作者将患者分为4个亚组，KM分析表明TMEsig打分较高且TMB较高的患者生存期较好（图6K）。
图6 TMEsig打分预测免疫治疗反应
结论
总的来说，了解细胞亚群介导的TME细胞浸润情况有助于研究人员了解TME的免疫调控。作者的研究结果为基于TME浸润水平预测NSCLC的临床结局和指导治疗策略提供有价值的信息。作者构建的TMEsig打分模型量化了单个肿瘤的TME免疫浸润情况，可以促进未来的个体化癌症免疫治疗。本研究的局限性在于还需要一定的分子实验验证本研究的结果。