影响因子：6.4
研究概述：大B细胞淋巴瘤（DLBCL）是最常见的淋巴瘤类型，占所有非霍奇金淋巴瘤的约30%。最初DLBCL分为两种亚型：生发中心B细胞样（GCB）和非GCB。随后进一步的研究将其分为三种基因型亚型：GCB、活化B细胞样（ABC）和未分类类别。在经历R-CHOP化疗后，约60%的患者实现了长期缓解；然而，大约30%的患者出现复发，导致预后不良，并有相当一部分患者死于难治性疾病。因此，详细探讨DLBCL的特征对于开发更有效的治疗方法是迫切需要的。实体肿瘤组织由肿瘤细胞及其周围的基质构成，其中包含各种类型的基质细胞、免疫细胞、内皮细胞等。肿瘤微环境（TME）是一个复杂且动态的系统，由细胞外基质及各种细胞成分组成。最近的研究揭示了DLBCL微环境中的多种免疫细胞亚群，包括T细胞、B细胞、NK细胞、单核细胞/巨噬细胞、树突状细胞，以及成纤维细胞和内皮细胞等基质细胞的分布。然而，目前关于TME对DLBCL患者预后影响的研究有限，且尚无共识。此外，关于TME中非免疫细胞成分的全面研究仍然缺乏。此前关于DLBCL基质的研究主要表明，更多的细胞外基质与更好的预后相关，而更高的血管密度则与较差的预后相关。纤维化的肿瘤微环境在DLBCL化疗和免疫治疗后也与更好的预后相关。这些研究结果大多源于基因数据库中的基质和免疫评分的计算分析，尚未通过实验验证。肿瘤纯度量化了实体肿瘤中肿瘤细胞与周围基质成分的相对比例，阐明了肿瘤细胞与其微环境之间的动态关系。肿瘤纯度还与患者预后相关，且这种关联的强度因不同肿瘤类型而异。因此，在研究TME对DLBCL患者预后影响时，除了免疫细胞成分外，还必须分析非免疫细胞成分的重要性。结合以上背景，本文章作者利用生物信息学分析，建立了免疫和基质成分与DLBCL患者预后结果之间的关系。作者还开发了一种新型免疫组化panel，通过检测190例DLBCL患者TME和肿瘤细胞中VCAN、CD3G、C1QB、CD68、CD4和CD8的表达来评估预后结果和治疗敏感性。
研究结果：
肿瘤纯度相关基因与细胞外基质组织和免疫反应相关
基于GSE53786数据集，作者首先评估了DLBCL的肿瘤纯度，其范围为17.2%到67.4%（图2A）。为了筛选出肿瘤纯度相关基因（TPGs），作者分析了基因表达与肿瘤纯度之间的相关性。其中，642个基因被鉴定为TPGs，其中31个基因与肿瘤纯度呈正相关，611个基因与其呈负相关（图2B）。此外，肿瘤纯度确实对DLBCL患者的预后有影响，作者研究表明，肿瘤纯度较高的患者总体生存率（OS）低于肿瘤纯度较低的患者（图2C，p=0.025）。最后作者进行了GO和KEGG富集分析，结果显示，TPGs主要与细胞外基质组织和免疫反应相关（图2D-E）。
基于三个TPGs构建预后模型
利用上文提及的642个TPGs，作者进行了蛋白质-蛋白质相互作用（PPI）分析（图3A）。PPI分析提示与其他五个或更多基因有相互作用的核心基因（图3B）。然后，作者进行了单变量Cox回归分析，以找出与DLBCL患者预后相关的TPGs，并确定了103个基因（图3C）。大多数TPGs与良好的预后相关（风险比<1），只有六个基因与不良预后相关（风险比>1）。通过交集分析，作者发现了九个交集基因（LUM, VCAN, YAP1, COL5A2, SDC2, TWIST1, CD3G, C1QB和C3）（图3D），这表明这些基因在调节肿瘤纯度以及影响DLBCL患者预后方面起着积极的作用。
image.png
在确定关键基因后，作者使用这些基因构建一个预后模型。该模型通过Cox回归构建，选择了三个基因（VCAN, CD3G, C1QB）（图4A）。结果显示，VCAN和CD3G与良好预后相关，而C1QB与不良预后相关。所有患者根据风险评分的中值被分为高风险组（n = 59）和低风险组（n = 60）（图4B）。高风险组的预后比低风险组差（图4C）。此外，这三个基因在高风险组和低风险组之间的表达水平存在差异，其中VCAN和CD3G在低风险组中表现出较高的表达水平，而C1QB在高风险组中表达水平较高（图4D）。为了评估该预后模型的有效性，作者进行了生存分析和受试者工作特征（ROC）分析。高风险组的总体生存率较低（图4E，p<0.001），且1年、3年和5年的ROC曲线下面积（AUC）分别为0.73、0.77和0.77（图4F）。与肿瘤纯度相似，高风险评分预示着不良结果，这与肿瘤纯度和风险评分之间的正相关性一致（图4G）。
作者进一步利用GSE32918数据集进行验证，其结果与GSE53786数据集中的结果一致（图5A）。接下来，作者分析了GSE53786数据集中提供的风险评分与一些临床病理特征之间的关系。结果显示，高风险组中有更多的ABC型DLBCL，而低风险组中则有更多的GCB型DLBCL（图5C）。此外，高风险组表现出更高的乳酸脱氢酶（LDH）比率（图5F）。然而，ECOG体力状态评分 (用于评估癌症患者日常活动能力和自理能力的评分系统) 和分期与风险评分无关（图5D和E）。尽管如此，高风险组中有更多的III期和IV期患者，而I期患者较少。最后，作者进行了单变量和多变量分析，以探讨风险评分是否是DLBCL患者的独立预后因素。险评分与不良预后相关（图5G，p<0.001，HR=1.545，95% CI 1.284–1.861），并且是一个独立的预后因素（图5H，p=0.002，HR=1.474，95% CI 1.156–1.879）。
通过免疫组化检测验证了VCAN、CD3G和C1QB的预后价值
为了进一步验证VCAN、CD3G和C1QB的预后价值，作者通过免疫组化IHC检测了CHCAMS队列（中科院肿瘤医院自家的队列）中的这些基因的表达。对于VCAN，根据X-tile提供的H-评分将患者分为高表达组和低表达组。生存分析显示，高表达VCAN的患者具有更高的总体生存率（图6A，p=0.003）。对于CD3G生存分析显示，高浸润CD3G+ T细胞的患者预后较好（图6B，p<0.001）。对于C1QB，高表达组的患者预后较差（图6C，p=0.015）。鉴于这些基因可能影响DLBCL的肿瘤纯度，作者随后分析了它们与CD68+巨噬细胞、CD4+ T细胞和CD8+ T细胞之间的关系。这三种免疫细胞的生存分析发现CD68+巨噬细胞、CD8+ T细胞和CD4+ T细胞与更好的预后相关（图6D–F，p=0.029，p=0.002，p=0.053）。而XCELL和QUANTISEQ算法显示，在GSE53786和GSE32918数据集中，M1型巨噬细胞的比例高于M2型巨噬细胞，这一结果在CHCAMS队列中得到了验证。此外，CD3G+ T细胞的比例与CD68+巨噬细胞、CD8+ T细胞和CD4+ T细胞的比例呈正相关，C1QB的表达水平与CD8+ T细胞呈正相关，而VCAN的表达水平与CD8+ T细胞的比例呈正相关（图6G）。基于GEO数据集中高风险组和低风险组之间差异表达基因的GSEA分析显示，细胞粘附、细胞外结构和免疫相关过程可能导致不同的预后结果（图6H–I）。
TPGs特征模型可预测DLBCL患者药物敏感性
为了了解前述模型在预测药物敏感性方面的能力，作者使用R语言中的‘oncoPredict’包进行了预测分析。作者纳入了15种药物。如图7A所示（GSE53786数据集的预测结果），高风险组患者对卡莫司汀、阿糖胞苷、奥沙利铂、长春新碱、伏立诺他和硼替佐米可能更敏感，而没有药物在低风险组表现出更好的效果。而在GSE32918数据集中（图7B），高风险组患者对卡莫司汀、阿糖胞苷、奥沙利铂、伏立诺他、Afuresertib、硼替佐米、伊布替尼和他莫昔芬可能更敏感，而长春新碱（敏感性评分：低风险组 vs 高风险组=0.219±0.026 vs 0.223±0.031）可能在低风险组表现更好。
研究总结：
这篇文章深入探讨了弥漫性大B细胞淋巴瘤（DLBCL）的肿瘤微环境（TME）对患者预后和药物敏感性的影响。研究者利用生物信息学方法，识别出了三个与肿瘤纯度相关的重要基因：VCAN、CD3G和C1QB。这些基因不仅影响DLBCL患者的肿瘤纯度，还与患者的预后和药物敏感性密切相关。通过分析GEO数据库中的数据集（GSE53786和GSE32918），研究团队构建了一个基于这三个基因的预后模型。该模型能够有效预测患者的生存情况，并根据基因表达模式区分高风险和低风险患者。生存分析显示，高表达VCAN和CD3G+ T细胞浸润与良好的预后相关，而C1QB的高表达则预示着不良预后。此外，研究还揭示了VCAN、CD3G和C1QB在DLBCL微环境中的作用机制，表明这些基因可能通过调节免疫浸润和细胞外基质组织来影响肿瘤的进展。研究者进一步利用这一模型预测了DLBCL患者对多种化疗药物的敏感性，发现高风险患者对卡莫司汀、阿糖胞苷和奥沙利铂等药物可能更敏感。这些发现不仅为DLBCL的预后评估提供了新的生物标志物，也为个性化治疗策略的制定提供了重要依据。
网友评论