扫码联系客服
大家好呀~相信大家都知道近年来铁死亡、铜死亡的研究方向非常火爆。是不是感觉自己都已经卷不动啦？没关系，今天小编要给大家分享的是一个近期比较新颖的生信方向：失巢凋亡。这篇文章于今年8月发表在《Frontiers in immunology》（IF：8.786）上，一起来学习一下吧~
背景介绍
失巢凋亡是一种由于细胞与细胞外基质和其他细胞失去接触而诱导的特殊的程序化细胞死亡形式，在机体发育、组织自身平衡、疾病发生和肿瘤转移等方面起重要作用。失巢凋亡的触发主要通过两种凋亡途径的相互作用发生，即内在途径（由细胞应激诱导的线粒体事件）和外在途径（由肿瘤坏死因子（TNF）和第一细胞凋亡信号 (Fas) - 配体介导）。失巢凋亡在肿瘤侵袭和转移中起着关键作用。抗失巢凋亡因子的存在与肿瘤的侵袭性和耐药性有关。
数据组成
1. TCGA数据库中的TCGA-GBM队列：RNA-seq数据、突变数据、临床信息
2. GEO数据库：IMvigor210队列
3. GSEA：27个失巢凋亡相关基因列表
研究思路
该研究根据失巢凋亡相关基因表达将胶质母细胞瘤（GBM）患者分为两个不同亚型，对两个亚型之间的肿瘤微环境、干性指数和临床特征的差异进行分析。利用差异分析、加权基因共表达网络分析、单变量Cox回归、Lasso回归筛选预后相关基因并构建风险评分模型。利用免疫组织化学方法评估临床样本中特征基因的表达。最后在GBM以及泛癌中对风险评分与TME、干性、临床特征和免疫治疗反应之间的关系进行评估和验证。
结果
1. GBM中失巢凋亡相关基因的遗传变异与表达
作者首先对27个失巢凋亡相关基因之间的相互作用进行分析（图1A）。体细胞突变数据的分析结果显示，PIK3CA的突变率最高，其他基因的突变率相对较低（图1B）。染色体定位分析可见失巢凋亡相关基因的拷贝数变异CNV改变（图1C）。此外，图1D结果显示，失巢凋亡相关基因的CNV相关突变普遍存在。与正常组织相比，大多数失巢凋亡相关基因在 GBM 组织中显著上调，并在GBM的CL、MES和PN亚型中存在显著差异（图1E）。生存分析显示，PTK2、PIK3CA、PDK4、NTRK2和ITGA5的表达与GBM患者的总生存期具有显著相关性（图1F）。
2. PTK2和 ITGA5在临床肿瘤组织中的表达验证
单变量Cox回归分析的结果显示，PTK2和ITGA5分别是GBM患者预后的有利和危险因素。因此作者进一步通过免疫组织化学(IHC)染色验证这两个重要基因的表达情况。与前文结果一致，与肿瘤周围组织相比，胶质瘤中ITGA5蛋白水平显著增加，而肿瘤中 PTK2水平降低（图2）。
3. 失巢凋亡模式与肿瘤微环境、干性和临床特征的相关性
作者首先利用NMF 算法将650例 GBM 患者分为两组，即C1和C2（图3A）。图3B热图显示了在C1和C2簇中失巢凋亡相关基因的表达情况。Kaplan–Meier (KM)分析显示，C1和C2簇患者间的生存率存在显著差异（图3C）。同时，肿瘤微环境差异分析显示，C1在几种免疫细胞（如T细胞、CD8 T细胞，活化NK细胞，树突状细胞）浸润中较为丰富（图3D）。干性指数分析中，C2的mRNAsi和EREG-mRNAsi更接近于1，表明C2的胶质母细胞瘤细胞与干细胞具有高度的相似性（图3E）。接下来，作者确定了C1和C2亚型与临床分型之间的相互关系，发现具有胞嘧啶磷酸鸟嘌呤(CpG)岛甲基化表型(GCIMP)的GBM患者主要集中在C2（图3F）。此外，KEGG通路分析显示，Wnt信号通路在C1中更为活跃（图3G-H）。
4. 风险评分的构建和验证
作者通过WGCNA分析获得了897个与失巢凋亡相关的差异基因，并最终确定了共表达模块（图4A-B）。单变量Cox回归分析显示，其中524个基因与GBM预后相关（图4C）。通过LASSO算法，最终确定了9个基因，并用这9个基因构建风险评分模型（图4D-F）。KM分析显示，训练集和测试集的风险得分越高，生存率越低（图4G）。最后还验证了应用ROC预测GBM患者的预后准确性（图4H）。
5. 基于GBM风险评分的列线图
基于上述分析，作者根据高风险和低风险评分模型建立了一个列线图用于预测GBM在1年、2年、3年和5年的生存概率(图5A)，且不管在训练集还是测试集都效果良好（图5B-D）。在免疫浸润方面，低危险组中存在几种免疫相关因子表现显著（图5E）。同时，免疫检查位点CD40LG，CD8A、JKA1、LDHB等在风险评分较低的患者中表达更为明显，而IL12A、LDHA、LDHC、TNFRSF4、YTHDF1在风险评分较高的患者中表达显著（图5F）。低风险评分的GBM患者的mRNAsi和EREG-mRNAsi更接近于1，说明低风险评分的GBM患者与高风险评分的GBM患者的分化程度较低（图5G）。此外，C1和C2之间的风险评分存在显著差异（图5H）。
6. 基于 TCGA 数据集的风险评分模型验证
为验证风险评分模型的有效性，作者接着对风险评分与临床特征之间的相关性进行分析（图6A）。KM分析显示，高风险基因的表达与较低的生存率相关（图6B）。图6C 显示了高危组和低危组 GBM 患者不同临床预后因素的比例。同时也验证了 ROC 基于风险评分预测 GBM 患者预后的准确性（图6D）。最后作者根据风险评分制作了一个列线图，验证了该风险评分模型的有效性（图6E）。
7. 风险评分模型的泛癌分析
为进一步验证风险评分模型在不同癌症中的可行性，作者又进行了相关的泛癌分析，以评估不同癌症之间风险评分模型的相似性和差异性。并计算了不同肿瘤中22个免疫细胞浸润和干细胞指数与风险评分之间的相关性（图7A-C）。
8. 风险评分与免疫治疗反应及药物敏感性的相关性
为评估风险评分对预测免疫治疗敏感性的影响，作者纳入了一个晚期尿路上皮癌免疫治疗队列（IMvigor210队列）。log-rank检验显示，高风险评分较高的患者生存时间较短（图8A）。同时，无应答组和有限应答组（SD和PD）的患者比例相反，说明风险评分可以反映患者对免疫检查点阻断（ICB）治疗的反应（图8B）。在高、低风险组与免疫表型关系的分析中，低风险组中炎症反应更为显著（图8C）。图8D中的风险评分与肿瘤新抗原负担的关系分析显示，风险评分高、新抗原负担低的患者生存时间最短。
评估风险评分对预测多种癌症类型药物敏感性的价值。通过对GDSC 数据库中的31种药物分析显示，其中5种药物敏感性与风险评分负相关，而26种药物的敏感性呈正相关（图8E）。最后，所选药物靶向的信号传导途径分析结果显示，敏感性与风险评分负相关的药物靶向代谢和细胞凋亡调节信号通路（图8F）。综上，说明建立风险评分有助于探索正确有效的治疗策略。
总结
作者利用失巢凋亡相关基因对GBM进行分型，揭示了失巢凋亡相关基因与临床特征、肿瘤微环境、干性、IDH突变和免疫治疗之间的潜在关系，并基于失巢凋亡相关基因的差异表达构建了一个风险评分模型来预测患者的预后以及对免疫治疗的反应。
本文最大的创新点还是在于分析方向。失巢凋亡在肿瘤中的研究目前相对较少，创新性较高，发文空间也大，现阶段甚至还可以采用生信分析的手段套用铁死亡的研究思路对失巢凋亡进行分析。
参考文献
Sun Z, Zhao Y, Wei Y, Ding X, Tan C, Wang C. Identification and validation of an anoikis-associated gene signature to predict clinical character, stemness, IDH mutation, and immune filtration in glioblastoma. Front Immunol. 2022 Aug 25;13:939523.
