大家好，今天要和大家分享的是2021年3月发表的一篇文章：“Identification and validation of hypoxia-derived gene signatures to predict clinical outcomes and therapeutic responses in stage I lung adenocarcinoma patients”。
在本项研究中，作者结合生物信息学和机器学习方法分析来自14个公共数据集的1400名I期肺腺癌(LUAD)患者的转录组数据和临床数据，构建乏氧特征用于预测I期肺腺癌患者的总生存期(OS)和对免疫检查点抑制剂(ICB)治疗的反应。此外，作者还对不同风险亚组之间的富集途径、基因组和拷贝数改变情况进行了比较。结果显示，乏氧被确定为I期肺腺癌患者总生存的主要危险因素。与传统临床病理特征相比，乏氧相关预后风险评分(HPRS)表现出更强大的生存预测能力，并且乏氧相关免疫治疗反应评分(HIRS)优于ICB治疗的常规生物标志物。
发表杂志：Theranostics.
影响因子：11.556
关于乏氧的生信文章，我们已经介绍了几篇。说明一个东西如果重要，就是值得被反复研究的
本文属于单肿瘤分型思路，该思路的文章也是近期生信高分文章的热点
其实这些文章的本质是：基因集的单肿瘤分析。不管是免疫细胞，免疫基因，还是乏氧基因，以及还可以扩展的各种各样的基因集，都可以用这个思路。那么该模式就有很大的可扩展性。如果某种肿瘤有足够多的样本，还可以针对某个分期或者某个亚型进行深入的分型分析。
需要进行该模式分析的朋友，欢迎交流
研究背景
肺腺癌(LUAD)已成为非小细胞肺癌(NSCLC)最常见的亚型，是全球癌症死亡的主要原因，其中I期肺癌的5年总体死亡率约为70%。虽然辅助化疗被证明对II-III期NSCLC患者有益，但其在I期治疗中的有效性仍存在争议。因此，识别一种主要受益于辅助治疗I期肺腺癌患者高危亚群的新方法对于个性化癌症治疗具有重要意义。
流程图
数据收集
①收集来自TCGA和GEO数据库的LUSD转录组数据和临床数据，分别作为训练集和验证集。②收集来自TCGA数据库的体细胞突变和拷贝数变异(CNV)数据。③从GSE63557数据集获得接受抗CTLA-4治疗的AB1-HA细胞皮下接种的20只BALB/c小鼠的转录组数据和免疫治疗反应数据。④从癌细胞系百科全书(CCLE)中获得69个LUAD细胞系转录组数据。确定乏氧为****I****期****LUAD****总生存的主要危险因素下图A：聚类树状图显示不同癌症标志物之间的距离，“乏氧”和“糖酵解”最为接近，但与其他标志物品的距离相对较远。下图B：多变量Cox回归分析表明，乏氧是与泛癌总体生存率相关的唯一重要危险因素（P=0.003）。下图C：热图描述训练集中乏氧ssGSEA Z分数与临床病理特征和驱动基因突变之间的相关性，并观察到乏氧与性别、年龄和总体生存状态之间存在显著的相关性。下图D：多变量Cox回归分析显示乏氧是临床病理特征中总生存率的唯一显著变量(P=0.006)。下图E：绿色基因模块与乏氧相关性最高（r=0.62，P=3e-28），被认为是“乏氧相关模块”。下图F：绿色模块中涉及的773个基因的模块隶属度与基因显著性呈高度正相关（r=0.969，P<0.001），且HIF1A位于与乏氧正相关的核心部分。下图G：在“乏氧相关模块”和“HIF1A靶点”的交叉点中确定了199个重叠候选者。
鉴定与乏氧有关的****I****期****LUAD****特异性候选基因
下图A：利用NMF一致聚类将254个训练集样本分成两个亚型。下图B：GSEA分析表明，亚型1表现出显著的乏氧富集。下图C：乏氧对肿瘤干细胞特性、血管生成、炎症、糖酵解和上皮-间充质转化(EMT)的影响。下图D-E：来自同一LUAD患者的77个单细胞被分成具有不同乏氧水平的两组(P=0.004)。下图F-G：两组在PCA分析中的表现存在显著不同。下图H-I：来自CCLE的69个LUAD细胞系分为三个组，(I)三组中的乏氧水平呈逐渐降低状态(P<0.001)。下图J：PCA分析表明，在乏氧或常氧条件下离体培养的样品可明显分为两个不同的组。
建立和验证****I****期****LUSD****患者的乏氧预后特征下图A-B：利用LASSO Cox回归算法识别最稳健的预后基因。下图C：训练集中涉及10个基因和乏氧相关网络。下图D：Kaplan-Meier分析表明乏氧相关预后风险评分(HPRS)较高的患者在训练集中表现出较差的总体生存率。下图E-I：在5个独立队列中验证了乏氧预后特征的预后价值。
比较****HPRS****与传统特征之间的预后和预测能力
下图A：肿瘤分期显示HR为1.69（95%CI=1.30-2.18）。下图B：HPRS显示HR为2.87（95%CI=2.02-4.07）。下图C-D：使用Kaplan-Meier分析绘制生存曲线并评估合并队列中的生存差异，以分别显示分期和HPRS的预后价值。下图E-F：在IA期和IB期亚组中，HPRS保留了其区分高风险子集的预后能力。下图G：对合并队列中的4个变量进行多变量Cox回归分析，包括HPRS、阶段、性别和年龄。下图H：柱状图显示HPRS的预测能力最强。下图I：DCA以图形方式说明HPRS比其他参数更具有预后价值。
改进风险分层并评估生存概率
下图A：对肿瘤患者的HPRS、分期、性别和年龄4个变量进行递归分区分析，构建生存决策树以优化风险分层。下图B：定义了3个不同的风险亚组，其中HPRS作为最强大的参数。HPRS低的患者被定义为“低危”组，而“中危”和“高危”组分别被标记为“高HPRS&年龄<64”和“高HPRS&年龄≥64”。在3个风险亚组中观察到总生存期存在显著差异。下图C：为了量化单个I期患者的风险评估，使用HPRS和其他临床病理特征生成列线图。下图D：在校准分析中，列线图对3年和5年生存概率的预测线非常接近理想性能，表明列线图的准确度很高。下图E：与其他临床病理特征相比，列线图表现出最强大的生存预测能力。
对不同风险组之间的富集通路和基因组改变的综合分析下图A：火山图显示TCGA队列中HPRS低组和高组之间的差异表达基因。下图B-C：分别用显著上调和下调的基因进行基因本体（GO）富集分析。下图D-E：在每个队列中展示了前20个最常突变的基因。下图F：TP53在HPRS高和低组之间的不同突变基因中占据第1位。下图G：棒棒糖图显示两组之间TP53的不同突变点。下图H-I：Kaplan-Meier分析显示每个队列中总生存期和TP53突变之间的独立相关性。下图J：热图说明每个队列中前25个经常突变的基因的共现和互斥突变。下图K：HPRS高组的TMB显著升高。下图L-M：在两组之间检测和比较了拷贝数的扩增和缺失情况。下图N：与HPRS低组相比，一些有代表性的致癌基因，如FGFR1、E2F1、KRAS、MET、CDK4和MYC，在HPRS高队列中被广泛扩增。下图O：KRAS证明HPRS高组中拷贝数和mRNA表达之间存在正相关关系。
乏氧特征预测****I****期****LUSD****患者的治疗反应下图A：基于从MSigDB中检索到的不同药物治疗的基因集，GSEA预测高HPRS与训练集中的耐药性显著相关。下图B：顺铂、吉西他滨、吉非替尼和多柔比星的IC50值在训练集中的HPRS高组中显著升高。下图C：41名接受辅助化疗的IB期患者的不同HPRS组的总生存期存在显著差异。下图D：RF算法用于筛选与ICB治疗反应相关的最重要基因。下图E：16个基因在两种排序方法中重叠。下图F：进一步使用LASSO回归分构建强大的特征预测免疫治疗反应。下图G：HIRS的AUC为0.809，可预测训练集中的免疫治疗反应。下图H：在测试的TCGA队列中，与其他常见的免疫治疗生物标志物相比，HIRS显示出最高的AUC为0.727。下图I：在接受抗CTLA-4治疗的20只皮下接种AB1-HA细胞的BALB/c小鼠中，HIRS可以完全区分反应者和非反应者（AUC=1），甚至表现优于CTLA-4表达（AUC=0.960）。
小结：乏氧环境是氧需求增加与供氧不足之间存在不平衡的结果。在这项研究中，作者将乏氧确定为所有癌症相关标志物中I期LUAD的主要预后危险因素，并建立了2个与乏氧相关的特征用于分别预测I期LUAD患者的总生存期和免疫治疗反应。随后，作者建立生存决策树以优化风险分层，并生成列线图以量化风险评估。最后，作者分析和比较了不同风险组之间的富集途径、基因组改变和CNV情况。总之，本研究所提出的乏氧特征是预测I期LUAD患者临床结果和治疗反应的有希望的生物标志物。
网友评论