【原】最新的7分预后模型有什么特别之处？

大家好，今天要和大家分享的是2021年6月发表的一篇文章：“Immune signature-based risk stratification and prediction of immune checkpoint inhibitor's efficacy for lung adenocarcinoma”。

 

生信分析咨询

请扫描下方二维码

在本项研究中，作者基于TCGA-LUAD（肺腺癌）数据集构建了一个预后免疫模型并验证了其在内部和总数据集中的预后能力。然后，作者探讨了高危评分组和低危评分组之间肿瘤浸润淋巴细胞、肿瘤突变负荷和不同患者对ICI治疗反应的差异。结果表明：该模型由17个免疫相关基因组成，可作为LUAD患者的独立预后因素。其次，在低风险评分组中患者的总生存期更长，肿瘤浸润性滤泡辅助T细胞较多，巨噬细胞（M0）较少，这与临床结果密切相关。此外，低风险评分组的总TMB显著降低，免疫表型评分较高。证明了这17种免疫相关基因与患者预后密切相关。

发表杂志：Cancer Immunol Immunother.

影响因子：6.964

研究背景

肺癌可分为小细胞肺癌（SCLC）（占所有病例的15%）和非小细胞肺癌（NSCLC）（占所有患者的85%）。NSCLC可进一步分为三种亚型：腺癌、鳞癌和大细胞癌。在这三种亚型中，肺腺癌(LUAD)最为常见，约占肺癌的40%。在过去的几十年里，由于癌症基因组学的进步，一组基因改变被确定为LUAD的驱动基因突变，如表皮生长因子受体（EGFR）、c-MET、KRAS、间变性淋巴瘤激酶（ALK)。然而，在接受靶向治疗后，大多数患者最终会对靶向治疗产生耐药性。另外，LUAD往往具有高肿瘤突变负荷(TMB)和强免疫原性。因此，LUAD是免疫治疗的理想指征。在临床上，针对程序性细胞死亡1(PD-1)和程序性细胞死亡配体1(PD-L1)的免疫检查点抑制剂(ICIs)在LUAD患者中表现出有效且持久的抗肿瘤活性。然而，ICI的总体反应率相对较低，只有一部分LUAD患者可以从ICI治疗中受益。

流程图：

分析解读：

差异表达分析

①从UCSCXena癌症基因组图谱TCGA-LUAD队列下载LUAD患者的转录组测序数据和临床信息。

②从ImmPort数据库下载IRGs列表。

③分析LUAD和相应正常组织之间的差异表达基因。差异表达的IRGs是总IRGs和差异表达基因之间的交集。

结果：

下图A：肿瘤和正常肺组织之间差异表达基因的火山图。

下图B：差异表达基因与免疫相关基因交叉的维恩图。

富集分析

使用在线工具DAVID数据库进行了通路和功能富集分析。

结果：

下图C：KEGG通路富集分析。

下图D：基因本体富集分析。BP生物过程；CC细胞组分；MF分子功能

构建并验证IRG相关的免疫模型

①将TCGA-LUAD患者随机分为训练集（所有患者2/3）和测试集（所有患者1/3）。

②训练集来识别预后相关的免疫基因并构建预后风险模型，测试集和总患者数据验证模型的预测能力和稳健性。

③单变量Cox比例风险回归筛选与预后相关的免疫基因。

④使用glmnet包进行最小绝对收缩和选择算子(LASSO)分析。

⑤经LASSO模型过滤后，选取的基因通过多变量Cox比例风险回归构建免疫相关风险模型：评分越低，预后越好。

⑥以风险评分中位数为临界值，将患者分为高危组和低危组。

⑦通过Kaplan-Meier生存曲线计算预测能力。

⑧使用ROC曲线评估免疫模型的预测能力。

结果：LASSO分析和森林图展示了17个免疫相关基因的多变量Cox模型结果

下图A：LASSO模型中调整参数选择的交叉验证。

下图B：32个预后免疫相关基因的LASSO系数谱。

下图C：显示多变量Cox模型结果的森林图。

结果：在训练集中构建17个免疫相关基因模型

下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。

下图B：ROC曲线图。

下图C：风险评分的分布。

下图D：风险评分与生存时间之间的关系。

下图E：高低危评分组中17个免疫相关基因的表达模式。

结果：验证测试集中的17种免疫相关基因模型

下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。

下图B：ROC曲线图。

下图C：风险评分的分布。

下图D：风险评分与生存时间之间的关系。

下图E：高低危评分组17个免疫相关基因的表达模式。

结果：验证总数据集中的17个免疫相关基因模型

下图A：高危和低危评分组LUAD患者总生存率的Kaplan-Meier曲线。

下图B：ROC曲线图。

下图C：风险评分的分布。

下图D：风险评分与生存时间之间的关系。

下图E：高低危评分组17个免疫相关基因的表达模式。

临床相关性分析

①单变量Cox回归分析：评估患者临床病理因素和免疫特征风险评分对全部患者OS的影响。

②多变量Cox回归分析：验证17-IRG模型的风险评分是一个独立的预后因素。

③分析17-IRG模型与患者临床病理参数之间的关系。

结果：

下图：免疫模型与患者临床病理参数之间的关系。A肿瘤负担。B肿瘤大小。C淋巴结状态。D远处转移。E TNM阶段。F诊断年龄

肿瘤免疫微环境

①基于CIBERSORT算法计算了每个LUAD样本中22种免疫细胞的比例。

②比较高风险评分组和低风险评分组之间免疫细胞比例的差异。

结果：肿瘤浸润免疫细胞与风险评分以及患者总体生存率之间的关系。

下图：肿瘤浸润免疫细胞与（A）免疫风险之间的关联以及总存活率与(B)巨噬细胞(M0)、(C)滤泡辅助T细胞、(D)浆细胞、(E)静息肥大细胞之间的关联。

肿瘤突变负荷以及患者对ICI的反应

①LUAD患者的体细胞突变数据通过“maftools”包进行分析和可视化。

②计算每位患者的TMB（每百万个碱基的突变）。

③使用两种IPS值亚型（IPS-PD-1/PD-L1/PD-L2_pos和IPS-CTLA-4_pos）作为LUAD患者的替代品'对抗PD-1/PD-L1和抗CTLA-4治疗的反应。

④比较高风险评分组和低风险评分组中免疫检查点及其配体的mRNA水平。

结果：

下图A：低危和高危组LUAD患者的突变谱。

下图B：低危组和高危组之间肿瘤突变负荷的差异。

下图C：肿瘤突变负荷与患者总生存期的关联。

下图D-E：低风险评分组和高风险评分组对抗PD-1/PD-L1和抗CTLA-4治疗反应的相对概率。

下图：(F)PD-L1、(J)PD-1和(H)CTLA-4在低危和高危组中的表达。

小结：

在这项研究中，作者使用TCGA-LUAD数据集进行差异表达分析、LASSO分析、单变量及多变量COX回归分析构建了一个17-IRG预后模型来预测LUAD患者的生存期和对ICI治疗的反应，其中低风险评分组的患者预后更好，可能会从ICI治疗中受益。结果表明：该模型由17个IRGs组成。在这17个基因中，据报道BIRC5、S100P和ADRB2可以很好地预测NSCLC患者的预后，也有相关文献证实大多数选定的IRGs可以通过同时调节肿瘤免疫微环境的状态和肿瘤细胞的恶性生物学特性来调节癌症的发生和发展。此模型可能对ICI治疗前的预后分层和患者选择有一定价值。