RNA修饰由甲基转移酶(writers)、去甲基化酶(erasers)和识别蛋白(readers)介导,并且在肿瘤发生和免疫中发挥重要作用。因此,小编今天和大家分享一篇今年九月刚刚发表在eBioMedicine(IF:11.205)杂志上的关于非小细胞肺癌RNA修饰writer与临床结局的文章 。文章从预后、免疫及突变等多个角度分析了RNA修饰writer对非小细胞肺癌的作用,内容丰富、简洁易懂是一个十分值得参考的多组学预后思路。
RNA modification writers expression profiles predict clinical outcomes and guide neoadjuvant
immunotherapy in non-small cell lung cancer
RNA修饰writer表达谱预测临床结局并指导非小细胞肺癌的新辅助免疫治疗
一.研究背景
肺癌是世界上最致命和最广泛的癌症之一,非小细胞肺癌(NSCLC)约占所有肺癌病例的80%。目前一些研究已经发现EGFR、KRAS和ALK等基因的突变累积会导致非小细胞肺癌的发展。除此之外,也有研究发现某些基因的表观遗传改变可能影响非小细胞肺癌的发展,其中RNA修饰是表观遗传调控的重要组成部分之一,也是影响包括癌症发展在内的多种病理过程的关键因素。然而,RNA修饰酶(writers)在免疫治疗和肿瘤微环境(TME)中的作用尚不清楚,因此小编今天分享的文章就系统分析了四种RNA修饰类型,构建了指导NSCLC新辅助免疫治疗的评分系统,并对writer在转录后调控、TME和新辅助免疫治疗中的作用进行了分析。
二.文章摘要
研究应用非负矩阵分解聚类对肺腺癌(LUAD)的RNA修饰进行聚类,并采用CIBERSORT和ESTIMATE算法对其TME特征进行了刻画。此外,研究还建立了一个名为Writer-Score的评分系统来量化RNA修饰模式,并对临床结局进行了预测。研究也使用RNA测序、靶向DNA测序和多重免疫荧光进一步评估了Writer-Score对接受新辅助免疫治疗的NSCLC患者的预测效能。
三.主要内容及结果
1. LUAD中25个RNA修饰writers的遗传图谱
文章第一部分作者对从最近研究中收集的25个RNA修饰writers的遗传图谱进行了分析。作者在355个LUADs样本中发现有131个样本存在writers体细胞突变(图1a)。接下来,作者又对这25个RNA修饰writers的拷贝数改变(CNAs)进行了评估(图1b)。此外,研究通过主成分分析(PCA)也发现这25个RNA修饰writers能够对LUAD样本进行分层(图1c)。进一步研究通过计算这25个writers表达之间的相关性,也发现大多数相关性为正相关(图1d),且在肿瘤样本中,大多数writers的表达水平升高(图1e-h)。 此外,研究发现在肿瘤样本中,CNA增加的writers表达水平也相对较高,表明CNA可能是调节writers表达的重要因素。
2. RNA修饰基因的不同模式和相关免疫特征识别
在这一部分作者将患者分为不同的RNA修饰表型。首先根据meta-GEO队列中样本的25个RNA修饰writers的表达情况进行了NMF聚类,结果识别了三个不同的亚群:Cluster1 、Cluster2 和Cluster3 。进一步研究发现这些亚群中writers基因的表达水平不同(图2a),且Kaplan-Meier分析也显示Cluster1具有显著的生存优势,而Cluster3预后不良(图2b)。此外,研究利用多因素Cox回归分析也发现这些亚群与患者预后相关。
3. RNA修饰亚群与不同的免疫特征相关
这一部分作者研究了上述三个亚群之间的免疫状况(图2c)。结果发现Cluster1中滤泡辅助性T细胞、静息态肥大细胞、静息态CD4记忆T细胞比例较高;在Cluster2中 naive CD4 T细胞、M0巨噬细胞、活化的肥大细胞和激活的CD4记忆T细胞比例较高;而在Cluster3中,静息状态的树突状细胞和中性粒细胞的比例较高(图2d)。最后研究通过ESTIMATE算法获得了免疫相关评分,结果发现与Cluster2相比,Cluster1和Cluster3的所有得分都相对较高(图2e)。
4. writers-Score评分系统的构建与验证
在这一部分作者对Writer-Score评分系统进行了构建与验证。作者在上述三个亚群中,识别了466个重叠的差异表达基因(DEGs)(图3a),并基于DEGs进行GO富集分析(图3b)。接下来作者根据重叠的DEGs对meta-GEO队列进行了NMF聚类,并将患者分为两种表型:DEGcluster1和DEGcluster2,分析发现病理学分期为IA期的患者主要分布在DEGcluster1,而病理学分期为II期的患者主要分布在DEGcluster2。生存分析发现,DEGcluster1患者的预后优于DEGcluster2(图3c)。此外多因素Cox回归分析也表明病理分期、年龄和DEGcluster与预后相关。作者也进一步比较了DEGcluster1和DEGcluster2之间PD-L1和CTLA-4的表达水平,发现这些免疫检查点的表达在DEGcluster2中显著较高(图3d)。接下来作者基于重叠DEGs应用单因素Cox分析及LASSO建立了评分系统(writers-Score),用来量化独立队列的RNA修饰表型,分析发现Cluster2中的243例患者中有123例与高评分组重叠,Cluster1中的302例患者中有148例与低评分组重叠(图3e)。而DEGcluster2的243例患者中有180例与高分值组重叠,DEGcluster1的302例患者中有270例与低分值组重叠(图3f)。作者也分析了Cluster、DEGcluster和Writer-Score之间的关系(图4a),比较了Writer-Score在不同亚型中的分布,发现Cluster2的Writer-Score最高,Cluster1的Writer-Score最低(图4b)。而DEGcluster2的Writer-Score高于DEGcluster1(图4c)。接下来,研究将患者分成高得分组和低得分组,并使用meta-GEO队列作为训练队列,结果发现高得分组预后不良。作者又对TCGA、GSE72094和GSE13213队列的Writer-Score进行分析,结果在三个队列中均发现低得分组患者与显著的生存获益相关(图4f-h)。由于最近研究发现TMB可能是预测免疫治疗应答的一个重要因素,因此研究又分析了TMB和Writer-Score,结果观察到高得分组的TMB显著高于低得分组(图4i)。此外,研究也发现高得分组的突变频率相对较高(图4j-k)。
5. writers-Score在转录后调控中的作用
在这一部分文章分析了Writer-Score与RNA修饰相关过程之间的关联。研究首先评估了miRNA靶基因富集的通路,结果发现miRNA靶基因在低评分组和高评分组之间存在差异表达,且MAPK信号通路、PD-L1表达和PD-1检查点通路、癌症中的microRNA、PI3K-Akt信号通路等与差异表达的miRNA靶基因显著相关。且GO富集分析也发现这些基因与树突的发育和调控相关。此外,研究在TCGA队列中也发现63个在高得分组和低得分组间差异表达的miRNA。
6. writers-Score在预测免疫治疗效果中的作用
在这一部分作者进一步研究了Writer-Score与免疫治疗应答的关联。研究发现Writer-Score与PD-L1和CTLA-4的表达水平显著相关(图5a),且在meta-GEO队列中,高得分亚组的CTLA-4和PD-L1的表达水平也相对较高(图5b)。作者也对IPS的差异进行了比较,结果发现低得分组的IPS高于其他亚组(图5c)。此外,GSEA分析也发现高评分亚组富集到染色体分离、有丝分裂和细胞周期等生物学过程(图5d)。
7. 使用新辅助免疫治疗NCC队列验证Writer-Score
在这一部分作者在接受新辅助免疫治疗的队列中对Writer-Score进行了验证。研究基于接受新辅助PD-1抑制剂治疗的NSCLC患者的RNA-seq数据,使用Writer-Score来预测这些患者的预后(图6a)。结果发现低得分组患者无病生存期(DFS)较好,表明Writer-Score在接受新辅助免疫治疗的NSCLC患者中表现良好(图6b)。进一步分析也发现评分在具有明显病理缓解(MPR)的患者中较低(图6c-d)。此外,研究也评估了Writer-Score和各种免疫检查点抑制剂(ICIs)之间的关系,发现Writer-Score与大多数ICIs呈负相关(图6e)。此外,作者还比较了高得分和低得分组的突变谱(图6f),发现NCC队列中肿瘤突变负荷(TMB)与Writer-Score呈负相关(图6g)。接下来为了进一步揭示高得分组和低得分组的TME,作者对NSCLC组织进行了多重免疫荧光(mIF)及免疫组化染色(图7a),结果发现低评分组肿瘤中CD8+ T细胞的比例要高得多。特别是在预后较好的低评分组中,未耗竭的CD8+ T细胞比例明显较高,而耗竭的CD8+ T细胞比例不显著。其他免疫细胞,包括CD4+ T细胞和Treg细胞的比例在低分组和高分组之间无差异(图7b)。
到这里这篇文章的主要内容就介绍完了,文章聚焦RNA修饰writer,对非小细胞肺癌进行了分型及预后模型的构建,并从通路、免疫、拷贝数及突变多个角度对RNA修饰writer影响非小细胞肺癌的临床结局进行了分析。研究的方法都是经典的生物信息方法,数据也基本是公共数据,但关注的角度及分析思路非常加分,小伙伴们可以参考学习。