今天小编要和大家分享一篇今年9月发表在 Briefings in Bioinformatics (IF:11.622)杂志上关于干性的预后分析文章。
Characterization of gastric cancer stem-like molecular features, immune and pharmacogenomic landscapes
胃癌类干性分子特征、免疫及药物基因组学图谱
一．研究背景
癌症干细胞（CSCs）假说定义其为肿瘤细胞的一个亚群，该亚群通过分化和自我更新来维持肿瘤异质性，从而促进肿瘤生长和治疗耐药，这可能会对预后和免疫治疗产生重要影响。然而，目前针对胃癌类干性细胞（GCSC）微环境图谱的认识还有待于进一步的提高。因此今天小编和大家分享的文章就针对胃癌的类干性分子特征、免疫及药物基因组学图谱进行了分析。
二．数据及方法
1. 数据的收集及处理：研究中作者收集了五个原发性胃癌的队列，包括来自GEO的四个芯片数据集及TCGA的RNA-seq数据集。作者也回顾性的分析了来自六个数据集的免疫治疗基因表达谱。以及包括GSE91061、GSE78220、PRJEB25780及PRJEB23790的转录组数据，研究也收集了IMvigor210队列以及 MGSP。研究也收集了来自武汉大学中南医院的96例根治性胃癌切除术患者的原发性胃癌组织样本及手术数据。同时研究也收集了三个具有正常和类干性特征的癌细胞系的队列:GSE112631、GSE36821和GSE130575。作者也获取了相关数据的临床数据及肿瘤突变负荷、新抗原负载、同源重组修复以及杂合缺失等数据。
2. 选择候选基因及构建GCSC相关得分：研究利用一类逻辑回归（OCLR）评估每个胃癌样本表达谱的mRNAsi，其能够用来衡量样本的干性程度。使用KM分析评估预后。使用加权基因共表达网络分析（WGCNA）识别与mRNAsi相关的基因模块。接下来应用Cox回归模型及LASSO构建预后模型，最终识别到五个基因构建了GCScore得分。
3. 功能及通路富集分析：分析中使用clusterProfiler对基因进行GO及KEGG注释。同时也进行了GSEA及GSVA分析确定不同组的上调及下调通路。
三．研究的主要内容及结果
1. 评估mRNAsi及识别最显著基因
在文章的第一部分作者首先介绍了研究的流程（图1A），接着使用一类逻辑回归算法（OCLR）评估了GSE62254队列的mRNAsi，如图1B所示，可以观察高mRNAsi患者倾向于晚期，且与更差的预后及微卫星稳定（MSS）亚型有关。接着作者使用KM分析评估了mRNAsi的预后价值如图1C所示。 作者也使用WGCNA确定了CSC相关基因，这些基因被聚类到27个模块，作者选择了与mRNAsi最相关的模块，并识别mRNAsi组中的关键基因。
图1 研究流程及候选基因识别
2. 在胃癌队列中构建及验证基于五个基因的GCScore
在文章的第二部分，作者对前面识别的关键基因应用LASSO COX及十倍交叉验证来产生预测基因，并评估了每个模块的频率，如图2A所示最终得到的最优模块包含五个基因。接着作者基于这五个hub基因通过无监督聚类将TCGA STAD队列分成两类（图2B）。作者通过K-M分析发现这两类的OS具有差异（图2C），这也证明了这五个基因对于胃癌的预后能力。接下来作者收集了独立的正常及类干性癌细胞系的基因表达数据集，并基于这五个基因评估了每个样本的CSC得分。结果发现具有干性特征的样本展示出了更高的CSC得分（图2D）。这些结果也暗示了这五个基因的鲁棒性。作者将最终构建的signature命名为GCScore，其是由这五个GCS相关基因的mRNA表达水平及风险系数得到的。接下来作者将GSE62254队列基于GCScore分成两组，同时其他队列作为独立测试集。图2E展示了训练集中这五个基因与GCScore的相关性网络。作者发现在训练集中，高GCScore组有更差的预后（图3A）。图3B展示了患者的GCScore分布及其与生存时间的相关性，图3C则展示了ROC曲线。接着作者又进行多因素分析对风险得分的独立性进行了验证（图3D）。图3E展示了GCScore在测试集中的效能，同时在中南队列中GCScore也展示出了预后效能（图3F,G）。
图2 构建GCScore
图3 训练及验证GCScore
3. GCScore相关的肿瘤分子特征
在文章的第三部分，作者为了刻画GSE62254队列中预后不良的高GCScore组相关的表型，作者对高的分组相对于低的分组基因排序执行了GSEA分析（图4A）。接着作者为了验证GCScore的准确性，选择了一些代表性的CSC markers，结果发现GCScore与它们的表达水平相关（图4B）。接下来作者选择top1000的差异基因进行GO及KEGG分析，发现富集结果与CSC相关（图4C）。图4D的热图展示了高GCScore组与CSC激活更相关。接着作者对TCGA-STAD队列高低组进行了富集分析，结果如图4E,F所示。
图4 GCScore相关的肿瘤分子特征
4. 高低GCScore患者之间的免疫细胞浸润
研究已经发现TME中的免疫浸润细胞可以调控肿瘤表型。因此在文章的第四部分作者对高低GCScore患者之间的免疫细胞浸润进行了分析。研究使用ESTIMATE评估所有GSE62254样本的基质及免疫细胞浸润。结果发现高GCScore组展示出更低的基质及免疫细胞丰度，这揭示了GCScore与肿瘤纯度相关（图5A）。接着作者为了进一步刻画免疫细胞，使用CIBERSORT算法推断GSE62254队列中高低GCScore患者的细胞丰度，结果观察到高GCScore组与高水平的激活适应性免疫细胞及如M2巨噬细胞等免疫抑制细胞有关（图5B，C）。
图5 高低GCScore患者之间的免疫细胞浸润
5. 浸润边缘的CD206+ TAMs增强了胃癌细胞干细胞特征
在这一部分作者为了进一步探索能够影响CSC特征和预后的M2巨噬细胞亚型，分析了GSE622545队列中GCScore及M2巨噬细胞的代表性markers之间的关系，结果发现GCS与CD206显著相关。接下来作者为了进一步确定TME中能够影响干细胞比例的不同TAMs分布，首先在中南队列结合免疫组化实验验证蛋白质水平，结果发现在浸润边缘（IM）区域高GCScore指向一个更高CD206+TAM比例，而在肿瘤区域没有观察到这个现象，作者接着使用关联分析进一步验证这一现象。
6. GCScore与内在免疫逃逸机制的关联
在这一部分，作者对免疫逃逸机制与GCScore之间的关联进行了分析。首先作者使用IPS得分评估不同GCScore组中免疫治疗的免疫系统激活，结果与ESTIMATE结果一致，高GCScore组展示出更高的抑制细胞得分及更低的抗原呈递得分（图6A）。接下来作者进一步比较高低GCScore组中癌症免疫相关panel基因的表达水平（图6B）。作者分析也发现CD276、VISTA及PDL2展示出与GCScore得分显著相关（图6C）。接下来作者探索了GCScore和TCGA队列中包括肿瘤突变负荷、新抗原负载、同源重组缺陷、杂合缺失及CT抗原水平在内的肿瘤免疫原性之间的关系，结果如图6D所示。
图6 GCScore与内在免疫逃逸机制的关联
7. GCScore能够预测治疗应答
在这一部分，作者进一步探索GCScore是否能够预测患者的免疫治疗获益，作者将接受免疫治疗的五个队列患者分为高低GCScore组，结果发现高GCScore组的预后更差（图A,B）。接下来作者评估了不同免疫治疗应答组中GCScore得分的分布发现应答差的患者中得分更高（图7C），作者也观察到TMB及TNB结合GCScore会提高免疫应答预测率（图7D）。此外，GCScore的预测值也远超PD-L1（图7E）,作者也验证了GCScore的预后预测价值。在IMvigor210及MGSP队列中也观察到高GCScore组展示出TAAS组表达更低（图7G），而GCScore高的组中PD-L1表达也更低（图7 H）。作者还分析了已知的免疫治疗相关基因发现高CSC表型与EMT状态、CD8+ T细胞减少和增加TAMs浸润密切相关（图7I）。
图7 GCScore预测治疗应答
8. GCScore相关的潜在药物靶点和治疗化合物
在文章的最后一部分，作者为了识别高GCScore患者的治疗靶点，收集了2250个相关的化合物靶点并进一步结合关联分析识别了1215个潜在靶点（图8A）。接着作者通过胃癌细胞系分析了CERES得分及GCScore的相关性进一步识别靶点（图8B）。这两步分析作者识别到了四个潜在的治疗靶点。接下来作者分析CTRP、GDSC及PRISM数据库识别候选药物，图8C展示了CTRP相关的化合物，图8D展示了PRISM相关的化合物，而图8E展示了GDSC相关的化合物。作者也分析了这些化合物的信号通路及治疗靶点结果如图8F所示。此外作者也在细胞系中进行了药物敏感性实验进一步验证（图8G）。
图8 GCScore相关的潜在药物靶点和治疗化合物
到这里这篇文章的主要内容就介绍完了，文章中构建了干性相关风险得分，尽管是经典的预后模型思路，但文章纳入了多套数据集，并结合免疫、药物等多个角度对风险得分进行刻画，使文章内容充实。可见在预后模型中结合多角度刻画使工作丰富会非常加分呀。
更多精彩好文可关注生信人公众号
网友评论