胶质母细胞瘤IDH突变患者预后

Gene Expression Profiling Stratifies IDH-Wildtype Glioblastoma With Distinct Prognoses

基于基因表达谱对胶质母细胞瘤IDH野生型患者进行分型

背景

Isocitrate dehydrogenase(IDH)突变是弥散性神经胶质瘤的特征。根据WHO对中枢神经系统肿瘤的分类，胶质母细胞瘤（GBM）可分为IDH突变型和IDH野生型，野生型与不良预后相关。甲基鸟嘌呤甲基转移酶（MGMT）启动子甲基化被认为对区分IDH突变型和IDH野生型有预测价值。对IDH野生型GBM的系统研究（88％）比IDH突变更为普遍，而且在临床预后异质性方面仍有待全面讨论。

结论

该工作通过对全基因组表达分析评估的IDH野生型GBM。在CGGA-RNAseq数据中识别了7个基因组成的IDH野生型GBM特征，然后在TCGA-RNAseq和TCGA-芯片数据中进行了验证。

结果

一、通过基因表达筛选IDH野生型GBM分型的关键基因

在CGGA(N=105)和TCGA(N=139)的IDH野生型患者表达数据中，用COX回归识别与总生存期（OS）相关的基因。将基因分为高低风险组（7个保护基因HR<1，34个风险基因HR >1）（图1A）。对41个基因进行GO“生物学过程”富集（图1B）。

图1.风险基因识别过程以及GO富集

二、识别IDH野生GBM的7基因风险特征

1. 利用LASSO回归算法，进一步筛选出4 个保护基因 (ZNF419, FOXG1, STARD7,和ZBTB16) 以及3 个风险基因 (CD180, SDK1, CYP21A2)用来评估预后，获得训练集中风险打分（图2A-C）。

图2.LASSO回归分析确定CGGA GBMIDH野生型数据集OS相关7基因风险特征

2. 根据风险打分均值，将患者分为高低风险组，高低打分组突变差异（图2D）。生存差异分析显示，CCGA和TCGA中都是高风险组生存差（图3A，图3F）。由于MGMT 启动子甲基化状态能对胶质瘤分组，其中端粒酶逆转录酶（TERT）状态能区分预后。这里研究了MGMT 启动子是否甲基化，TERT是否突变情况下高低风险组能否区分预后（图3B-E，G，H）。结果表明，高风险组与IDH野生型GBM患者的不良预后显著相关。TCGA芯片数据验证，IDH野生型和MGMT 启动子甲基化样本中，高风险组预后差。

图3.7个特征基因分高低风险组的生存分析

三、7个基因的特征能作为IDH野生型GBM的独立预后因素

在CGGA的IDH野生型GBM中，对临床因素和7个基因的风险打分进行单因素和多因素的回归分析（图4A），7个基因的风险打分能作为独立预测标志，并且在TCGA数据中也是（图4B）。

图4A-B.CGGA和TCGA单因素和多因素的回归分析

四、IDH野生型GBM的7个基因的特征预后预测

基于7基因的风险打分使用TCGA、CGGA数据集预测1年生存，绘制ROC曲线（CGGA图5C,TCGA图5D），结果看出7基因的风险打分预测性能最好。

图5C-D.7基因风险打分和传统风险因素（年龄、GBM亚型等）ROC曲线比较

五、7个特征基因与其他临床病理学特征的关联

将CGGA的样本分类成高低风险组，比较几个临床特征（图2D）。高风险组中75.5%的患者是男性，低风险组中53.8%是男性（(P < 0.001）。Classical型在高低组分别是61.5%，17.0。mesenchymal 型在高低组分别是23.1%，69.8%。

图2D.高低风险组的临床特征

六、7个特征基因的功能注释

在高风险组和低风险组分别用皮尔森相关识别与高风险打分正相关的基因589个，低风险打分负相关的基因152个。免疫对这些基因进行GO和KEGG富集分析。GO显著富集“炎症反应”、“免疫应答”等通路（图6A）。KEGG显著富集“TNF信号传导通路”，“细胞因子与细胞因子受体的相互作用”，“白细胞跨内皮迁移”等通路（图6B）。

GSEA结果表明高风险组与以下通路正相关：炎症反应（P <0.001）、TNFα信号via NFκB（P = 0.019）、IL2-STAT5信号（P <0.001）、K-ras信号通路（P <0.001）和细胞凋亡（P <0.001）（图6C-H）。

图6.GO、KEGG和GSEA富集分析