免疫疗法的出现为癌症患者带来了新的曙光,然而很多患者并没有从免疫检查点抑制剂的免疫疗法中获益。建立可靠的预后标志物,筛选可以获益的亚群变得至关重要起来。今天小编和大家分享一篇2022年5月31日发表在Frontiers in Immunology(IF:7.561)上关于结直肠癌预后的文章,一起来看一下作者是如何结合免疫治疗筛选预后标志物的吧!
Comprehensive Analysis of a Cancer-Immunity Cycle–Based Signature for Predicting Prognosis and Immunotherapy Response in Patients With Colorectal Cancer
基于癌症-免疫循环特征的综合分析预测结直肠癌患者的预后和免疫治疗应答
一、摘要
免疫检查点阻断(ICB)已被公认为是治疗结直肠癌(CRC)的一种有前途的免疫疗法;然而,大多数患者几乎没有或没有临床益处。本研究旨在开发一种新的基于癌症免疫循环的特征,以对CRC患者的预后进行分层并预测免疫治疗的疗效。来自TCGA的CRC样本被用作训练集,而来自GEO的RNA数据和来自配对冷冻组织的实时定量PCR数据被用于验证。作者建立了CRC中癌症免疫循环相关基因特征的LASSO-COX 回归模型。得分低的患者比得分高的患者预后更好。并且该特征是一个独立预后因素,为了提高个体患者的预后分类和预测准确性绘制了列线图。综合结果显示,低风险患者表现出更高程度的免疫浸润、更高的免疫反应表型、更强的免疫检查点相关基因表达以及对ICB治疗的更好反应。此外,风险模型与对多种化疗药物的反应密切相关(图1)。
二、结果
基于癌症免疫循环构建CRC患者的特征
对TCGA 队列中174个癌症免疫循环相关基因进行LASSO和多变量COX分析,以建立评估CRC患者预后的最佳风险特征。有13个癌症-免疫循环相关基因具有最佳λ值(图2A)。根据使用风险公式生成的中位风险评分值将患者分为低风险和高风险类别。在高风险组中观察到更多的死亡事件,这表明低风险患者的临床结果优于高风险患者(图2B)。针对13个癌症-免疫循环相关基因进行单因素COX回归分析,其中有4个是保护因素,1个风险危险因素(图2C),并绘制基因表达热图(图2D)。临床病理学特征与风险特征相关性分析显示,在TCGA队列中,临床IV期、CMS4 和晚期TNM分期的CRC患者风险评分较高,具有晚期临床阶段和CMS4的患者在GSE39582和GSE37892中表现出显着更高的风险评分(图2E)。在训练集和验证组中,患者在存活/死亡状态、临床分期和CMS亚型方面的分布在低风险组和高风险组之间显示出显着差异(图2F)。
基于癌症免疫循环的特征的预后意义
TCGA和两个GEO数据集中的KM生存曲线显示高风险组患者的生存率低于低风险组患者(图3A)。ROC分析,风险特征在训练集和两个外部验证组中具有相对较高的AUC值,表明预测准确性良好(图3B)。COX分析结果证实,临床分期和风险评分是预测OS和PFS的独立风险因素(图3C)。通过单因素COX回归分析,在13个候选基因中,筛选出5个癌症免疫循环相关基因与生存结果显着相关。为了进一步验证基于13个癌症免疫循环相关基因的风险模型,作者使用由5个基因组成的另一个风险模型,通过ROC曲线分析来评估CRC的预后价值。结果分析表明,13个癌症-免疫循环相关基因的风险模型更加准确(图4)。
建立并验证结合临床特征的列线图
为了使基于癌症免疫循环的风险特征在临床上更具适用性和可用性,构建预后列线图(图5A)。TCGA 队列中3年OS、3年PFS和5年PFS预测的校准曲线接近最佳性能,表明列线图的预测准确性;GSE39582组中三年和五年OS的预测概率与实际OS非常一致,三年和五年RFS预测结果一致(图5B)。ROC分析也用于评估列线图的预测准确性。结果显示,在训练集和验证集中OS、PFS和RFS 列线图的预测AUC值均高于风险评分或临床阶段(图5C)。这些结果表明,基于癌症免疫循环的特征风险评分的列线图对于预测CRC患者的生存率更加可靠准确。
基于癌症免疫循环的特征的功能富集分析
为了研究导致按风险特征分层的不同结果的潜在机制,进行富集分析。火山图展示了TCGA队列中低风险和高风险亚组之间的1794个DEG(图6A)。低风险亚组中最显着改变的是那些涉及细胞因子-细胞因子受体相互作用等通路;而,高风险评分的患者主要集中在肿瘤相关通路(图6B)。GSEA显示参与干扰素γ/α反应和炎症反应的基因组在低危患者中聚集在一起;促进肿瘤进展的信号通路则在高危患者中占主导地位(图6C)低风险患者的许多生物学功能主要与免疫相关的生物学过程和炎症反应相关(图6D)。基于癌症免疫循环的特征的免疫学和炎症特征得到了明确证明,并且使用这些结果有力地验证了这种风险特征用于评估CRC患者预后的潜在机制。
基于癌症免疫循环特征的免疫微环境和特征分析
由于风险特征与免疫相关生物学通路之间的紧密相关性,作者进一步研究了风险评分与肿瘤浸润性免疫细胞之间的联系。首先,使用ESTIMATE算法来量化TCGA队列的整体浸润性免疫细胞。结果表明,低风险组表现出较高的免疫评分,表明TME中免疫细胞浸润显着增加,风险评分较低(图7A)。使用EPIC算法分析发现,低风险亚组的CD8+ T细胞等比例较高,而癌症相关成纤维细胞 (CAF) 在高风险患者中显着增加(图7B)。此外,使用MCP-counter算法,低风险组的T细胞等细胞更丰富,而CAF的比例较低(图7C)。为了验证上述发现,进行了ssGSEA分析,结果显示低风险组的抗肿瘤免疫细胞明显高于高风险组(图7D),表明低风险组的免疫反应更活跃。此外,使用免疫相关基因的聚类分析研究了两个亚组中的免疫微环境。免疫检查点在低风险患者中显着上调,在低风险患者中也观察到细胞毒性分子和 MHC家族基因的类似趋势(图7E)。分析表明,风险评分与免疫检查点、刺激性免疫因子、细胞毒性分子和 MHC家族基因的表达呈负相关(图7F)。在本研究中,揭示了低风险和高风险群体之间内在肿瘤免疫原性和预期免疫治疗反应的巨大差异。
基于癌症免疫循环的特征与免疫治疗反应之间的关系
研究表明实体瘤中的体细胞突变与免疫治疗密切相关,接下来探究不同风险亚组的突变情况。在来自TCGA-COAD的高低风险患者中评估了体细胞突变的分布(图8A)。TCGA-COAD 中排名前10的突变基因的突变频率在低风险和高风险类别之间除了ZFHX4均没有显着差异(图8B)。此外,风险评分与CRC患者的体细胞突变或新抗原数量没有显着相关性(图8C)。为了进一步探讨风险特征是否可能在免疫治疗反应中发挥作用,作者分析了关键免疫检查点表达的差异。结果表明,PD-1、PD-L1、PD-L2、CTLA4、TIGIT和 LAG3在低风险组中高表达(图8D)。与高风险患者相比,低风险组的CRC患者TIDE评分较低,但MSI评分较高(图8E)。根据TIDE算法,ICB无应答的CRC患者风险评分显着升高(图8F),而与TCGA 队列中低风险组具有显着的治疗优势和对免疫治疗的临床反应(图8G)。此外,免疫治疗队列 IMvigor210也被用于研究风险特征是否可以预测患者对抗PD-L1治疗的反应。在IMvigor210验证队列中,低风险患者的 PD-1、PD-L1 和 CTLA4 表达更高(图8H),并且比高风险患者对抗PD-L1治疗更敏感(图8I)。同时,与完全缓解 (CR) 或部分缓解 (PR) 患者相比,疾病进展 (PD)患者的风险评分显着增加(图8J)。较低的风险评分与炎症免疫表型显着相关(图8K),而高风险患者的排斥和沙漠免疫表型比例显着高于低风险患者(图8L)。这些结果表明,基于癌症免疫循环的特征能够识别可能从ICB中受益的低风险患者。
在独立队列中验证基于癌症-免疫循环的签名
为了确认风险特征的临床意义,进行了RT-qPCR 以检查45对CRC肿瘤组织和相应的正常组织中相关基因的表达。热图显示了冷冻组织样本中13个癌症免疫循环相关基因的表达水平(图9A)。使用风险公式,CRC患者根据他们的中位风险评分分为两个亚组。属于T3或N1+2的CRC患者的风险评分分别高于T2 或N0的患者(图9B)。风险评分还与肿瘤分级和淋巴结转移显着相关(图9C)。高风险患者的免疫抑制分子水平较高,低风险组的免疫刺激基因高表达(图9D)。此外,还进行了相关性分析,发现风险评分与免疫抑制剂分子显着正相关(图9E)。
基于癌症免疫循环的特征与药物敏感性之间的相关性分析
为了评估风险特征在临床治疗中的有用性,分析低风险和高风险患者的化疗药物敏感性(图10)。低风险人群可能对常见的化疗药物和分子靶向药物更敏感。风险特征可以在一定程度上预测CRC患者的药物敏感性。
总结
文章到这里就要结束了,预后分析以及免疫疗法都是近期研究的热点方向,生信人平台也一直关注着这个领域。这篇文章总体来说是一个不错的预后分析思路,值得新手借鉴,对预后分析感兴趣的小伙伴千万不要错过了,赶紧行动起来吧!