8+！胶质母细胞瘤中铁死亡相关模型构建~
导语
胶质瘤是中枢神经系统的侵袭性肿瘤，胶质母细胞瘤是最恶性的类型。铁死亡是一种程序性细胞死亡，可以调节肿瘤对治疗的抵抗力和肿瘤微环境的成分。
背景介绍
铁死亡相关研究是个经久不衰的热点，今天小编为大家带来的这篇文章，作者根据铁死亡相关基因表达构建评分系统，并探索了胶质母细胞瘤细胞和免疫细胞之间的串扰。文章发表在《Frontiers in Immunology》上，影响因子为 8.786，文章题目为：Ferroptosis Activation Scoring Model Assists in Chemotherapeutic Agents’ Selection and Mediates Cross-Talk With Immunocytes in Malignant Glioblastoma。
数据介绍
本研究所用数据来自TCGA、CGGA、GEO数据库。
技术路线
本研究技术路线如图所示。
结果解析
01
铁死亡激活与胶质瘤的亚型相关
本研究通过对铁死亡相关基因的表达进行聚类分析，将TCGA数据集中的样本分为cluster1 或 cluster2。其中，聚类模型与铁死亡激活评分（FeAS）模型的构建如图1A所示。通过聚类分析，本研究发现cluster2 中的铁死亡抗性相关基因（如 GPX4、TFRC、FTH1 和 FTL）的表达上调，而 cluster2 中的铁死亡敏感相关基因（如 AOLX12B、ACSL4 和 AKRs）的表达低于 cluster1，这表明 cluster2 中的样本可能对铁死亡有抵抗力（图 1B）。
图 1
02
FeAS模型具有很强的预后预测能力
为了提高聚类模型的预后预测能力的准确性，本研究通过FeAS模型进一步构建了cluster1和cluster2之间的DEG。引入弹性净回归分析以识别 FeAS 模型的主要贡献者，并计算每个样本的 FeAS。TCGA数据集的热图介绍了样品的FeAS分布和相应的临床特征、铁死亡相关基因的表达情况(图1C)。铁死亡抗性相关基因也优先在高 FeAS GBM 样品中表达。
本研究通过总体生存分析表明，在 LGGGBM 和 LGG 队列中，高 FeAS 样本显示出比低 FeAS 样本更短的中位总生存时间。在来自 TCGA（图 1D）、GSE108474（图 1E）、CGGA1（图 1F）和湘雅队列 （图 1G)的 GBM 队列中，高 FeAS 样本显示出比低 FeAS 样本更差的生存结果 。
与以往基于铁死亡相关基因的公共预后模型相比，FeAS 模型在预测患者生存结果方面的准确度更高。此外，FeAS 模型的 AUC 值也高于聚类模型和胶质瘤病理分级（图 1H）。
03
高FeAS的胶质母细胞瘤比低FeAS的胶质母细胞瘤更具侵袭性
接下来，本研究对 FeAS 和 Verhaak GBM 亚型之间的关系进行了研究，结果发现高 FeAS GBM 在训练和验证队列中更有可能被定义为间充质或经典 GBM（图 2A）。另一项基于单细胞 RNA-seq 分析的研究揭示了不同 GBM 亚型的肿瘤细胞基因组特征，因此在接下来的分析中本研究引入了单细胞RNA-seq数据，结果发现肿瘤细胞显示出比其他细胞更高的 FeAS，这意味着肿瘤细胞中铁死亡失调（图 2B）。
图 2
GBM细胞的基因组特征与FeAS之间的关系表明，高FeAS组含有更多的MES样细胞，而其他亚型细胞则富含低FeAS组（图2C）。本研究还计算了 GBM 细胞的 RNA 速度并绘制了清晰的进化途径（图 2D ）。MES 样细胞大多位于分化途径的末端，而 OPC 样和 NPC 样细胞则在顶端富集（图 2E）。另外，本研究还追踪了从低 FeAS GBM 细胞到高 FeAS GBM 细胞的谱系（图 2F），该谱系与 GBM 细胞亚型的分化途径相似。
04
转录因子在高、低FeAS胶质母细胞瘤中的差异激活
接下来， 本研究对高和低 FeAS GBM 细胞中转录因子的激活进行了研究（图 3A）。考虑到转录因子相互调节某些基因的表达，本研究在此基础上对不同的模块（M1、M2、M3、M4、M5）进行聚类。每个模块代表一堆可以相互合作的转录因子，根据连接特异性指数计算每个模块的调节子活动分数（RAS），还执行 RNA 速度以映射这些模块和评分系统之间的关系。结果发现在高 FeAS 组和低 FeAS 组中都存在 M1 的高 RAS（图 3B）。同时，M2 的 RAS（图 3C）与 FeAS 呈正相关，而 M3 和 M5 的 RAS（图 3F）与 FeAS 呈负相关（图 3D）。高 FeAS 组和低 FeAS 组之间 M4 的 RAS 没有显著分布差异（图 3E），本研究还对高低组FeAS组进行了进一步分析（图3G）。
图 3
05
免疫相关通路选择性激活高FeAS胶质母细胞瘤
在聚类模型中，基于 GSEA 分析的 GO 和 KEGG 富集分析表明，免疫细胞相关通路，如 IL6 相关通路、巨噬细胞相关通路、JAKSTAT 信号通路和 TNF 信号通路在 cluster2 样本中优先于 cluster1 样本激活，表明cluster1和cluster2样本之间的免疫原性不同，因此本研究在 FeAS 评分系统中进一步探索了这些结果。
图 4
基于对 TCGA 数据库中 GBM 样本的 GSVA 分析的 GO 富集分析表明，高 FeAS GBM 样本与免疫相关通路的激活有关（图 4A）。同时，根据 KEGG 富集分析，MAPK 信号通路、抗原加工和呈递、自然杀伤细胞介导的细胞毒性、细胞凋亡和 RIG I 样受体信号通路在高 FeAS GBM 样品中被激活（图 4B）。根据 GO 富集分析，抗原加工和肽抗原呈递的激活、自然杀伤细胞活化的调节、对氧化应激的反应、T 细胞相关通路、脂肪酸代谢过程在高 FeAS GBM 细胞中更高（图 4C）；而通过进行KEGG富集分析，癌症中的MAPK信号通路、mTOR信号通路、TGF-β信号通路、B细胞受体信号通路、PD-L1表达和PD-1检查点通路等通路在高FeAS GBM细胞中被激活（图 4D)。还采用了基于批量 RNA-seq 分析和单细胞 RNA-seq 分析的 GSEA 分析（图 4E，F）。总之，以上结果表明高 FeAS GBM 样本和低 FeAS GBM 样本之间的免疫景观可能不同，这也可能导致临床结果的多样性。
06
胶质母细胞瘤的FeAS影响巨噬细胞、树突状细胞、NK细胞富集
接下来，本研究根据先前工作提出的免疫亚型探索肿瘤免疫景观与评分系统之间的联系。首先，本研究通过 ESTIMATE 算法以提供 GBM 样本免疫景观的概述。免疫景观图显示，高 FeAS 与 ESTIMATE 评分、免疫评分和基质评分呈正相关；并且与来自 TCGA（图 5A）、CGGA1 数据库和湘雅的 GBM 队列中的肿瘤纯度呈负相关。然后，本研究对 GBM 样本进行 CIBERSORT 算法和 xCell 算法以鉴定免疫细胞浸润。CIBERSORT 算法结果表明，TCGA 数据库中FeAS较低的 GBM 样本中 M2巨噬细胞较高，记忆CD4+ T细胞激活，NK细胞激活（图 5B）。xCell 算法结果表明，高 FeAS 样品中 M1 巨噬细胞和未成熟树突细胞 (iDC) 的浸润率较高；TCGA 数据库中的低 FeAS 样本中富含自然杀伤细胞和 Th1 细胞（图 5C）。
图 5
07
免疫细胞和高FeAS胶质母细胞瘤之间的新型配体-受体对
接下来本研究通过单细胞 RNA-seq 分析研究了免疫细胞和 GBM 细胞之间的通信。结果发现，高 FeAS 细胞可以通过 PAR 信号通路（图 6A）、TWEAK 信号通路（图 6B）、ncWNT 信号通路（图 6C ) , RESISTIN 信号通路 (图 6D), VISFATIN 信号通路 (图 6E), TRAIL 信号通路 ( 图 6F), SPP1信号通路和 VEGF 信号通路接收信号。与低 FeAS GBM 细胞相比，高 FeAS GBM 细胞与巨噬细胞、小胶质细胞、naïve T 细胞和树突状细胞的交流更活跃，这可以解释免疫景观差异。
图 6
08
高FeAS胶质母细胞瘤细胞潜在靶向药物
接下来本研究根据PRISM和CTRP数据库的表达数据和药敏数据预测潜在的敏感药物，并过滤掉重叠药物(图7A)。将FeAS高、低GBM样品之间的最高差异AUC值，和Spearman与FeAS >0.3的相关性设置为化合物选择的阈值(图7B)。图7C是了Spearman相关性，每种药物的AUC分布如图6D所示。
图 7
然后，本研究基于相似策略的FeAS模型对CellMiner数据库中的药物敏感性进行了预测。NSC663287、NSC737262、NSC659288、兰多霉素 E 和 LS41225 被确定为高 FeAS 样品敏感药物（图 7E、F）。因此，低 FeAS 样品应该对这些化合物敏感，这些化合物可能是未来 GBM 治疗的新选择。
小编总结
本研究建立了基于胶质母细胞瘤样本中铁死亡相关基因的评分模型。与低 FeAS 样本相比，高 FeAS 样本显示出更具侵略性的生长模式和更差的临床结果。具有不同 FeAS 的肿瘤细胞与免疫细胞的通讯也不同，这意味着铁死亡激活可能调节免疫细胞的功能。本研究通过针对高 FeAS 样本可以改善患者的预后，并且还通过执行机器学习算法预测了新的潜在化合物。总之，FeAS 模型可以评估胶质母细胞瘤的侵袭性，调节与免疫细胞的串扰并为化疗提供建议。本研究的缺点在于，得到的药物相关的结论目前尚没有临床证明，仍需后续的分析以支持研究结果。总之，本研究所做的工作丰富，角度广泛，值得大家借鉴学习。