鳞状亚型基因特征预测肺腺癌患者预后和免疫治疗敏感性

Figure 1

文章影响因子10.675，纯数据分析文章，如今纯数据库数据分析文章越来越难发表了，能发到10分工作量非常大，结果也比较有说服力，文章有些部分还是有缺点，但是瑕不掩瑜吧~

1.研究背景

2020 年，美国肺癌死亡人数占总癌症死亡人数 20%以上。在所有肺癌病例中，约 85%为非小细胞肺癌，15% 为小细胞肺癌。肺腺癌，肺鳞癌和大细胞肺癌是非小细胞肺癌（NSCLC）三种主要组织学类型，分别占 NSCLC 病例的 47%，35%和 12%。免疫检查点阻断疗法（ICBT）的应用改善了 NSCLC 整体预后。然而只有 15%的患者 能从中持续获益。免疫治疗应答率有限已经成为阻碍晚期 NSCLC 进一步预后改善的主要障碍。组织学是肿瘤与 临床结果相关的重要特征。早期肺腺癌可以进一步分为五种组织学亚型：鳞状，实体，腺泡状，乳头状和微乳 头状。一般来说鳞状亚型与低度恶性肿瘤相关，腺泡亚型和乳头亚型与中级肿瘤相关，实体和微乳头亚型与高 级别肿瘤相关。鳞状亚型与预后良好相关，而实体型和微乳头型与预后不良相关。PD-L1 的表达水平在不同的 组织学亚型中有所不同：实体瘤和微乳头状瘤的水平高于其他亚型。然而，目前尚不清楚这些不同的组织学亚 型在其免疫微环境中如何变化，以及它们是否对靶向治疗和免疫治疗表现出不同的敏感性。

2.分析方法

2.1 数据集
文章用的数据集比较多，看起来比较复杂，简单做了个图给自己细化一下，GEO数据库中的数据集包括10个GSE58772,GSE14814,GSE8894,
GSE13213,GSE31210,GSE32989,GSE93157,GSE11969,GSE26939,GSE72094。分析主要是通过GSE58772数据集进行的，这个数据集有48个样本，有详细的分型信息。其余数据集根据数据情况，做不同的用途。分析还是用了TCGA数据库体细胞突变信息和拷贝数变异信息以及表达数据，NCI的基因数据共享组织中的LUAD样本数据。（此图只给自己看，所有信息以文章为主，有些分类不太严谨，自己看懂了也懒得改了）

Figure2

2.2 分析方法

免疫细胞浸润计算方法使用的是作者之前自己设计的算法，可以参考文章中的文献。计算不同分型与其他分型之间的差异表达基因使用的是t检验，Benjamini-Hochberg法对多重比较。用于定义鳞状亚型和实体亚型的基因集计算方法见Figure3，t检验之后得到的t统计量和p统计量，计算−I(tk > 0)log pk和−I(tk < 0) log pk，将结果控制在10以下，并最终转换到0-1区间内，得到不同亚型的高低表达基因。 Figure3 计算肿瘤样本中的鳞状亚型评分和实体亚型评分方法类似于GSEA分析方法，首先是按照表达量递减的顺序对基因进行排序，然后通过f(i)和b(i)的公式计算基因分布和背景分布，计算f和b之间最大偏差，并将其与排列数据估计的0分布进行归一化，得到w+，w-，分别计算S=(S+)-(S-).L-score和S-score，表示肿瘤中鳞状和实体型相对丰度越高，见Figure4，Figure5。
Figure4 Figure5 L-score和S-score两个评分和基因特征之间的分析采用wilcoxon分析，基因选择至少在20个肿瘤样本中都存在的基因。

3.分析结果

3.1 肺腺癌的不同组织学亚型在肿瘤免疫方面有很大差异

鳞状亚型在髓样细胞中浸润较低，在其他类型中较高。实体型与之相反。其他三种组织学亚型表现出中等浸润水平。鳞状亚型在免疫检查点 B7-H3(CD276)表达水平最低，与肿瘤免疫细胞高度浸润水平高度一致。实体 型在髓样细胞标记物表达水平较高，这与该组织学亚型中髓样细胞浸润水平一致。免疫激活相关标记物如 CD28， CD70 在鳞状亚型中表达水平显著升高，与免疫细胞浸润结果一致。 Figure6 Figure7

3.2 确定肺腺癌样本中鳞状细胞和实体瘤细胞特征的基因特征

计算不同亚型的差异表达基因发现，鳞状、实性、腺泡、微乳头和乳头亚型的7325、3579、438、532和244个差异基因，因此发现鳞状亚型和实体亚型更具有特异性。选择每个亚型top200的差异基因组成一个1000基因的基因集，对1000基因的表达数据做主成分分析，发现鳞状亚型和实体亚型之间差异较大。比较不同亚型之间评分曲线两两相关性分析也显示出，鳞状亚型与其他亚型之间负相关，实体亚型与其他亚型之间是正相关。 Figure8

3.3 确定肺腺癌样本中鳞状细胞和实体瘤细胞特征的基因特征

基于这些观察结果，根据GSE58772建立了鳞状亚型和实体亚型的评分计算方法，并在GSE14814和TCGA，CPTAC数据集验证。Figure9只展示了GSE58772和GSE14814数据集的验证情况，TCGA和其他数据集验证情况在补充文件中 Figure9

3.4 预后分析

使用TCGA-LUAD，GSE8894，GSE13213和GSE31210四个数据集分析预后和L/S-score，根据中位数将样本分为两组，比较生存情况。鳞状评分高的患者生存时间长，当然了TCGA，这么大数据量还是0.061，有点说不过去。在多因素分析中加入年龄，性别，分期以后，鳞状亚型评分还是有显著性差异的。在GSE31210数据集中对高评分和低评分的鳞状亚型组进行分组，然后看两组的实体亚型评分，在高评分组中的实体亚型是有显著性差异的。 Figure10
3.5 鳞状亚型、实体亚型评分与基因组特征之间的关联
鳞状亚型评分与以非沉默突变率计算得到的肿瘤突变负荷（TMB）呈负相关。鳞状亚型评分也与肿瘤非整倍体评分呈负相关，非整倍体评分反映了染色体不稳定的程度，这与同源重组途径的缺陷有关。鳞状亚型评分也与同源重组缺陷通路的缺陷显著负相关。实体亚型与之相反。 Figure11 32 个基因突变与鳞状亚型评分相关，16 个基因扩增样本的鳞状亚型评分高于野生型，CDKN2A 缺失的样本鳞状亚型评分高于野生型样本。本研究鉴定的 279 个基因突变状态以及 12 个基因扩增状态与实体亚型没有相关性。结果表明，肿瘤组织学可能不仅仅是受到解除调控的致癌途径(如 EGFR 通路的过度激活)的影响，驱动基 因产物的分子状态(如，异常结构与 EGFR 蛋白丰度的升高)也可能也是重要因素。 Figure12 Figure13

3.6 lepidic和solid评分与肺癌细胞系对靶向药物敏感性的关系

在肺腺癌中鳞状亚型评分与EGFR扩增状态成负相关，我们检测了L鳞状亚型评分与EGFR抑制剂敏感性之间的关系。GSE32989数据提供了31种肺腺癌细胞系的基线基因表达谱，以及它们对两种EGFR抑制剂（厄洛替尼和吉非替尼）的敏感性。在这些数据中，我们观察到鳞状亚型评分与厄洛替尼敏感性之间显著负相关，鳞状亚型评分与吉非替尼敏感性之间显著负相关。癌症药物敏感性基因组学(GDSC)数据，该数据为714种癌细胞系提供了138种不同药物（包括厄洛替尼）的细胞系敏感性信息，其中包括124种肺癌细胞系（42种是肺腺癌细胞系）。在此数据中，证实了SCC=−0.40的肺腺癌细胞系中鳞状亚型评分和厄洛替尼敏感性之间的相关性，但由于缺乏统计学效力，没有达到统计学意义（半抑制浓度值仅适用于8个细胞系）。当使用所有肺癌细胞系时，我们观察到SCC=−0.40和p=0.0073显著相关。CHK1抑制剂AZD7762与l评分显著相关(SCC=0.44，p=0.0055)，提示L-score较高的肺癌可能对该药物更敏感。 Figure14
3.7 预测肺癌患者对免疫治疗的敏感性
使用GSE93157数据集研究L-score和免疫治疗之间的关系。GSE93157数据集共22个腺癌和13例鳞癌，使用派姆单抗和尼鲁单抗治疗。Banchereau 数据集包括81例用阿替唑利珠单抗治疗的非小细胞肺癌。我们根据这些患者的基因表达数据计算了他们的鳞状亚型评分。根据治疗结果，我们将肺癌患者分为有反应和无反应者。我们观察到，在两个数据集中，有应答组的鳞状亚型评分显著高于无应答组。与鳞状亚型评分相比，我们在两个数据集中均未观察到实体亚型评分与免疫治疗反应之间存在显著相关性。 Figure15
所有结果以原文为准！！！本文仅供参考帮助梳理文章，细节内容看原文吧！如果文章有问题，麻烦各位看官即使给我回复。简书新版编辑器还挺好用的哈哈~