谈起肿瘤的免疫治疗，我们大概是这样一种心情：“免疫逃逸机制错综复杂，肿瘤异质性高到飞起，免疫治疗碰碰运气~”。有没有一种大力出奇迹的检测手段或者预测和肿瘤患者适不适合接受免疫治疗呢？那肯定是有的，今天就给大家介绍一个神器，TIDE平台工具，2018年由刘小乐教授课题组搭建维护。对，就是他们开发了TIMER数据库，可以说是造福一方啊！话不多说，这次我们看看2020年版本的TIDE有哪些更新之处。

Large-scale public data reuse to model immunotherapy response and resistance

Abstract

目前公布的免疫检查点阻断剂(immune checkpoint blockade, ICB)的肿瘤试验提供了大量的组学数据，但只能片面的评估肿瘤对ICB的反应强度，以及推测肿瘤细胞发生免疫逃逸的机制。作者在TIDE (http://tide.dfci.harvard.edu)上整合了已经发表的ICB试验、非免疫疗法肿瘤图谱和CRISPR筛选的大规模组学数据和生物标志物。总共包含188个公共数据库的肿瘤队列，样本总量超过33K。其中，包括12个ICB临床研究的998个肿瘤，8个鉴定抗癌免疫应答基因的CRISPR筛选数据。作者将这些数据整合到TIDE网络平台上，通过三个交互分析模块，展示了公共数据在提出假设、生物标记物优化和患者分层方面的效用。

Background

多个研究队列评估了许多具有预测ICB反应的生物标志物，并且发表了论文。但每个研究队列的病人数量有限，预测能力缺少大样本的检测。为了解决这个问题，作者将已发表的ICB试验、非免疫疗法肿瘤图谱和CRISPR筛选的大规模组学数据和生物标志物整合到TIDE网络平台上(http://tide.dfci.harvard.edu)。

此前，作者基于转录组数据开发了TIDE算法，通过模拟肿瘤免疫功能障碍和免疫清除过程预测ICB反应程度。TIDE建模的样本来自TCGA、METABRIC和PRECOG，以及作者的研究队列。

Construction and content

作者收集了来自12项ICB临床研究的998个肿瘤的组学数据，以及8项CRISPR数据，这些筛选鉴定了淋巴细胞介导的癌症杀伤和免疫治疗反应的基因。

接受ICB的临床研究数据包括了188个肿瘤队列，总共33K个样本。这些样本来自TCGA、METABRIC和PRECOG。作者将这些数据整合到TIDE网络平台上，通过三个交互分析模块，展示了公共数据在提出假设、生物标记物优化和患者分层方面的效用（图1）。接下来看看这三个模块分别包括什么吧。

Utility and discussion

Gene set prioritization module

在TIDE网站，第一个模块可以计算输入基因集的T cell dysfunction评分，T cell exclusion评分，与接受ICB患者的生存结局的相关性，以及在CRISPR筛查的logFC值，根据上述四类指标对输入基因集进行综合排序。（图1A）这个模块可以用来评估每个基因的表达与ICB反应结果、T细胞功能障碍水平、T细胞排斥水平和CRISPR筛选的表型之间的关联。并且可以进一步查询基因的表达、拷贝数、体细胞突变和DNA甲基化水平与临床结果的相关性。作者选用OASIS数据库中696个可用药基因为例演示，如AXL, Tyro3/ AXL /Mer家族受体酪氨酸激酶。如图2所示，高表达的AXL基因与T细胞功能障碍表型相关。同时，AXL高表达也与ICB治疗后膀胱癌和黑色素瘤ICB治疗结果相关。在促进T细胞排斥的细胞类型中，MDSC细胞和CAF细胞都有非常高的AXL表达水平。并且在临床试验NCT03184571中，AXL抑制剂和抗PD1的联合在AXL阳性的非小细胞肺癌患者中取得初步的疗效¹。因此，该模块可以对发现联合免疫疗法最有潜力的基因进行优先排序。

Biomarker evaluation module

第二个模块收录了如CD274, CD8, IFNG等与肿瘤细胞发生免疫逃逸相关的生物标记物。在第二个模块中，可以在多个ICB治疗研究中，比较研究的基因集与收录的生物标记物的预测ICB治疗结果的效能，还可以观察研究基因集的预后价值。

作者选取了一个包含7个基因的生物标记进行举例。该生物标记所包含的分子与肿瘤免疫逃避相关。根据这些基因在这些基因与抗癌免疫反应的相关性对该模型进行加权计算。结果显示，在16个ICB治疗队列中，12个的受试者工作特征曲线(AUC)下的面积大于0.5(图3)。在两个亚组中，上述生物标记也可以预测ICB治疗的患者的生存期获益(图4，two-sided Cox-PH p value <0.05)。文中还提到，目前单个ICB队列报道的生物标记在其他ICB研究队列中出现了显著的预测差异 (见原文附加文件)。所以，综合不同的ICB队列对生物标志物的真正的预测效能是十分重要的。

Biomarker consensus module

在第三个模块中，通过分析患者接受ICB治疗后的数据，评价输入的生物标记是否具有预测ICB治疗反应 (图1C)。对患者接受ICB治疗前的转录组测序数据进行分析，研究者可以利用TIDE这个模块以及已经报道过的生物标记物 (见原文附加文件) 来预测患者对ICB治疗的反应。值得注意的是，作者开发的第二个和第三个模块中，只收录转录组测序数据，不包括基因的突变数据。因为肿瘤突变信息会随着不同的实验平台、不同的样本类型和不同的算法出现差异。尽管，肿瘤突变负荷(TMB) 目前被认为是ICB反应的生物标志之一，但是否能推广到不同的研究队列仍然未知。作者上传了抗PD1治疗前黑色素瘤队列²的表达矩阵，通过第三个模块计算，多个生物标记预测可以获益ICB的患者，对ICB的反应程度越高。例如，其中一个患者Pt2的肿瘤TIDE评分为负，这表明不具备肿瘤免疫逃避的表型。Pt2的预测ICB反应的生物标志物，如IFNG、MSI和PDL1 (CD274) 表达水平均为阳性。

这些计算结果提示Pt2可以对ICB有反应，事实上Pt2确实从ICB治疗中获益。相比之下，作者通过第三个模块的分析，预测出不能从ICB获益的患者(表1)。

例如，患者Pt10肿瘤的TIDE评分高，IFNG、MSI和PDL1水平低。基于这个计算结果， Pt10被预测为ICB无应答者。现实中Pt10未能从ICB治疗中受益。TIDE分析结果还显示，由于MDSC和CAF浸润水平的高，Pt10拥有较高的T细胞排斥生物标志物表达水平。因此，Pt10可能需要消除MDSC和CAF的免疫抑制影响才能，产生对ICB的反应。

Conclusions

作者搭建了TIDE网络平台，通过分析研究者上传的患者组学信息来推断、评估生物标志物预测患者接受ICB治疗后的临床反应。肿瘤的免疫治疗给一部分患者带来了新的希望，但是，尚有众多肿瘤患者无法从ICB治疗中获益。很大程度上，是因为肿瘤组织的高度异质性，使精准治疗无法发挥真正的实力。本网站的出现，为这一困境提供了一个解决方案，但是美中不足的是，TIDE收录的数据仍然有限，目前仍有大量的免疫治疗测序数据未公开。在未来，随着TIDE网络平台逐步发展，将为癌症免疫学的机制研究和免疫肿瘤学的生物标志物发现带来更大的价值和益处。

小编有话说：

这个网站上线已经2年，小编查询了下，已经有多篇文章使用了这个工具，如2022年11月发表在《Molecular Cancer》的一篇单基因泛肿瘤的生信分析，题目为“Hiding in the dark: pan-cancer characterization of expression and clinical relevance of CD40 to immune checkpoint blockade therapy” ，作者通过TIDE数据库评估了CD40预测不同肿瘤免疫治疗效果的价值；还有2022年7月发表在《Computational and Structural Biotechnology Journal》的“MXD3 as an onco-immunological biomarker encompassing the tumor microenvironment, disease staging, prognoses, and therapeutic responses in multiple cancer types” 分析了MXD3与其他生物标志物进行免疫检测点抑制剂疗效预测的对比。所有，如果使用恰当，这个宝藏工具一定可以对你的研究结果大有帮助！

1. Felip E, Brunsvig P, Vinolas N, et al. A phase II study of bemcentinib (BGB324), a first-in-class highly selective AXL inhibitor, with pembrolizumab in pts with advanced NSCLC: OS for stage I and preliminary stage II efficacy. Journal of Clinical Oncology. 2019;37(15_suppl):9098-9098.

2. Hugo W, Zaretsky JM, Sun L, et al. Genomic and Transcriptomic Features of Response to Anti-PD-1 Therapy in Metastatic Melanoma. Cell. 2016;165(1):35-44.