分享

TMB 免疫基因预后模型

 生物_医药_科研 2020-10-19
hello,大家好。公众号之前推出过TMB系列预后模型,也推出过免疫基因构建的肿瘤预后模型。然而,今天的推文有些不一样,作者将这两点结合起来探索肿瘤的预后。

LGG肿瘤突变负荷相关的免疫预后模型的开发和验证
 
研究概述|胶质瘤是中枢神经系统最常见的恶性肿瘤,所谓低级别胶质瘤(lower-grade gliomasLGGs)即指I级和II级胶质瘤。部分LGG可几个月变成胶质母细胞瘤(glioblastomaGBM),另一部分可能数年内保持稳定。LGG患者间生存差异较大,目前对其预后能力十分有限,所以需要挖掘新的精准的生物标志物作为LGG预后判别。肿瘤浸润性免疫细胞主要在肿瘤微环境中调节肿瘤生长和侵袭。而与此发展而来的免疫疗法,可以有效的治疗侵袭性肿瘤,封锁免疫检查点(immune checkpoint blockadeICB)可以使用肿瘤突变负荷tumor mutation burdenTMB作为有效的生物标志物,但是LGGs中的TMB研究甚少。
 
数据概览|TCGA数据库 + CGGA数据库 + ImmPort数据库+ GEO数据库 + TIMER数据库
 
分析方向|确定TMB对免疫微环境的影响,然后根据TMB风险值分组,进行差异表达分析,确定hub基因,随后进行基因富集,利用现有数据库确定hub基因的突变体与免疫浸润水平的关系,确定免疫相关的风险评分系统与LGGs中免疫微环境的关系。最后,构建新的列线图来评估LGG患者的总生存期
 
下面将以观点分析数据结果阐述:
 
首先,从TCGA数据库(https://cancergenome./)中获取LGGs的Somatic MutationRNA-seq表达数据以及相应的临床数据表作为训练数据集CGGA数据库(http://www.)下载RNA-seq数据和相应的临床信息。作为验证数据集。从ImmPort数据库http:// ImmPort .niaid.)下载免疫相关的基因集
 
获得509个LGG患者的Somatic Mutation,如下图一中,waterfall plot展示可见IDH1、TP53和ATRX突变是LGG样本中最常见的三个突变基因。错义突变是最常见的突变分类,单核苷酸多态性(SNPs)在变异类型中的比例高于插入或缺失突变,而C>T是LGGs中最常见的单核苷酸变异(SNV)。(评析:变异类型分析用于确定LGG疾病分子机制,同时可以进一步分析变异样本个数,和基因之间的关联性。

 图一,LGG突变信息的概览,(A)LGG样本的突变谱。显示每个基因突变信息的瀑布图。(B)根据不同类别和特定样本的TMB对突变类型进行分类。(C)前25个突变基因的一致性和排他性关联

 
数据准备好后,每个样本的TMB评分以突变数/外显子长度(30Mb)来计算,然后,根据中位数将LGG样本分为高TMB组和低TMB组,并在高TMB组和低TMB组之间进行Kaplan-Meier分析。同时根据WHO分级、组织病理类型和LGGs分子亚型评估TMB水平。
 
TMB组的OS明显短于低TMB组,p < 0.0001,如下图二所示。并且TMB水平与WHO等级正相关,不同类型的胶质瘤间TMB水平可做统计学差异分析。接着做基因富集分析,根据Ensembl数据库(http://asia./index.html)提供的注释信息,共鉴定出14848个编码基因。在ImmPort数据库鉴定了7个与免疫相关的DEGs进行进一步分析,高TMB组(235例)和低TMB组(234例)LGG标本进行GSEA分析,发现LGGs在高TMB组显著富集273个生物学过程,4个免疫相关生物学过程,而低TMB组的LGGs没有富集任何免疫相关的生物学过程。(评析:差异基因表达分析,基因富集分析和GO terms注释都是经典的分析工作

 图二,TMB的预后价值和高、低TMB组基因表达谱的比较

 
Kaplan-Meier分析结果显示,LGGs中6个hub免疫基因(BIRC5、CRLF1、GDF15、LTF、PRLHR和TNFRSF11B)与OS高度相关。BIRC5、GDF15、LTF、TNFRSF11B表达水平高与不良预后呈正相关,CRLF1、PRLHR表达水平高与不良预后负相关,如下图三所示。(评析:生存分析是为了解释不同hub基因是否影响患者生存,接近临床意义的分析)

 图三,TCGA数据库中6个hub TMB相关基因(BIRC5、CRLF1、GDF15、LTF、PRLHR和TNFRSF11B)的Kaplan-Meier分析
 
接着利用TIMER数据库数据,分析并发现hub基因突变与LGGs免疫浸润微环境之间的有关。其中,BIRC5,CRLF1、GDF15突变体抑制多种免疫细胞的浸润,相反,PRLHR的突变体促进了多个免疫细胞的浸润,如下图四所示。并且免疫细胞(B细胞、CD4+ T细胞、CD8 + T细胞,中性粒细胞、巨噬细胞和树突细胞)的浸润水平与TCGA数据库中的患者OS负相关,如下图五所示。BIRC5,GDF15, LTF,和TNFRSF11B的表达与免疫细胞的浸润水平呈正相关,而CRLF1和PRLHR的表达呈负相关。评析:TIMER数据库是哈佛大学免疫信息学教授刘小乐组开发的肿瘤免疫在线研究工具,利用RNA-Seq表达谱数据检测肿瘤组织中免疫细胞的浸润情况。

四,免疫细胞浸润水平的六个TMB相关hub基因突变
 

 图五,Kaplan-Meier分析显示,LGGs较低的免疫细胞(B细胞、CD4+ T细胞、CD8+ T细胞、中性粒细胞、巨噬细胞和树突状细胞)浸润水平与较低的生存预后相关(p < 0.05)
 
接着,构建TCGA队列免疫相关风险评分系统,这里使用LASSO Cox分析选择基因,并且6个hub基因被用来归纳评分,采用以下公式:0.222×expBIRC5 - 0.088×expCRLF1 +0.264 * expGDF15 + 0.060 * expLTF - 0.063 * expPRLHR+ 0.357* expTNFRSF11B,随后得到每个样本的评分,ROC曲线分析显示了一个很好的预后预测模型(1年AUC = 0.89, 3年AUC = 0.87, 5年AUC = 0.76),如下图六所示。并且使用了CGGA数据进行验证,同样证明预测模型良好。(评析:LASSO Cox分析经常用来做基因风险评分然后用ROC看模型效果。如果另外提高模型准确性,降维算法部分还是可以改进的

图七,免疫相关风险评分系统的构建与验证。
 
为了探讨风险评分系统与免疫浸润微环境之间的潜在关系,最后用“TIMER” tools分析了风险评分与免疫浸润细胞之间的相关性。结果显示,风险评分与浸润的免疫细胞B细胞、CD4+ T细胞、CD8+ T细胞、中性粒细胞、巨噬细胞、树突状细胞呈正相关(图A)。高危组患者免疫细胞浸润比例较高,p < 0.001(图B)。研究还分析了高低风险分组中免疫检查点表达差异(图七D),以及风险评分和免疫检查点表达的相关性(图七C)。

 图七,风险评分与浸润免疫细胞比例和免疫检查点的相关性
 
最后进行单因素和多因素Cox分析,综合分析TMB和免疫相关风险评分系统是否为LGG患者的独立预后因素。单因素Cox分析结果显示TMB和风险评分与OS显著相关。然而,多变量Cox分析以及临床病理变量表明,在TCGA数据集中,只有风险评分可以作为一个独立的预后因素
 
为了系统预测LGGs的预后,基于TCGA数据的风险评分和两个独立预后因素(年龄和IDH1和1p/19q status )构建nomogram模型nomogram的c指数为0.862,具有较高的识别能力,校准图对1-、3-的一致性较好以及5年预测和实际操作系统的概率(图B)。ROC曲线分析显示,1年曲线下面积为0.921,3年曲线下面积为0.89,5年曲线下面积为0.80,具有较好的预测灵敏度和特异度。(评析:提出模型可以让临床实用度提高,更有说服力。

 图八,基于TCGA数据集的nomogram构造

 
写在最后| 利用公共数据作为测试数据,建立了免疫相关风险评分系统TCGA数据集和验证与CGGA数据集全面研究了TMBLGGs免疫表型调控中的作用根据风险评分系统和nomogram,临床医生可以计算出患者的个体评分,然后可以预测1年、3年和5年的OSTMB与OS呈负相关,高TMB可能抑制LGGs的免疫浸润。与TMB相关的免疫相关风险评分系统可以根据不同的预后和免疫表型将患者分为低高危组。分组后利于后期ICI治疗的有效性预判,进而提供个性化免疫治疗方案。

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章