 导语 今天给同学们分享一篇关于血管生成联合胃癌分子分型的生信文章“ Molecular Characteristics, Clinical Significance, and Cancer Immune Interactions of Angiogenesis-Associated Genes in Gastric Cancer ”，这篇文章于2022年2月发表在 Front Immunol 杂志上，影响因子=7.561。作者确定了GC患者的预后AAG特征。这一特征可能有助于阐明TME的特征，并有助于探索更有效的免疫治疗策略。 1. GC中AAG的基因突变情况 作者首先使用TCGA-STAD数据集确定了肿瘤标本和正常标本中36种AAG的表达水平，共发现26个DEG，大部分DEG在肿瘤样本中含量丰富（图 1A）。通过string网站建立了蛋白质-蛋白质相互作用（PPI）分析以揭示DEG的相互作用, 这表明 VEGFA、SPP1、POSTN、VTN、COL3A1和TIMP1是Hub基因（图 1B）。接下来，作者确定了GC中36个AAG的CNV和体细胞突变的发生率。如图1C所示，433个GC样本中有147个出现了基因突变，研究结果表明VCAN是36个AAG中突变发生率最高的基因，其次是ITGAV和COL5A2。此外，作者探索了CNV突变发生率，这表明36个AAG表现出明显的CNV改变（图 1D）。图1E显示了染色体上36个AAG的CNV改变位点。作者总结CNV可能在AAGs的表达中起调节作用。研究结果表明GC和正常标本之间AAG的表达水平存在显着差异，表明AAG在GC肿瘤发生中的潜在作用。  图1 GC中AAG的遗传突变景观 2. GC中血管生成亚群的生成 来自TCGA-STAD和GSE84437的804名GC患者被纳入本研究，以揭示血管生成与肿瘤发生之间的关系。通过uniCox生信分析和Kaplan-Meier生信分析确定了GC患者中36个AAG的预后价值。接下来，图2A展示了AAG相互作用、调节关系及其在GC患者中的生存意义的相关网络。  图2 AAG亚组聚类划分 为了进一步确定AAG的表达模式和GC亚型之间的关系，作者进行了共识聚类分析，根据这些AAG的表达水平对GC患者进行分类。生信分析结果表明，最佳聚类变量为2（图 2B），整个队列中的GC患者很好地分散在簇A（n=430）和簇B（n=378）中。PCA生信分析的结果也证实了良好的组间分布（图 2C）。此外，讨论了两个簇的OS时间，并观察到显着的生存差异（图 2D）。此外，如图2E所示，比较了两个簇的基因组表达和临床病理学变量，并确定了AAG表达和临床特征的显着差异。 3. 不同亚群的TME特征 根据GSVA生信分析的结果，簇A在癌症相关通路和转移相关通路上显著富集（图 3A）。为了确定AAG与GC的TME之间的关系，作者使用CIBERSORT算法探索了两个簇中 23 个人类免疫细胞亚群的浸润水平。如图3B所示，注意到两个簇之间大多数免疫细胞的显着富集差异。此外，三个关键ICP（PD-1、PD-L1和CTLA-4）的表达在簇A中明显高于簇B（图 3C-E）。并且TME评分可以评估TME中免疫和基质元素的丰度，作者进一步执行ESTIMATE算法以获得不同聚类中的TME评分，包括基质评分、免疫评分和估计评分。研究结果表明，A组患者的TME评分较高（图 3F）。  图3 肿瘤免疫微环境与两个GC亚组的相关性 4. 基于DEG的基因亚群鉴定 为了研究血管生成亚群的潜在生物学活性，作者使用“limma”包获得了234个与血管生成簇相关的DEG，并进行了功能富集分析。这些与血管生成亚组相关的DEGs主要富集在与转移相关的生物学过程中（图 4A）。KEGG分析显示了丰富的癌症和转移相关通路（图 4B），这意味着血管生成是调节肿瘤转移的关键因素。然后，作者进行了uniCox分析以确定这些基因的生存意义，并以p < 0.05的标准提取了204个基因。为了研究特定的调整机制，使用共识聚类方法根据预后基因将患者分成不同的基因簇。Kaplan-Meier分析表明，A组患者的OS时间最短，而C组患者的OS时间更长（图 4C）。此外，血管生成基因簇A模式与晚期T和N阶段有关（图 4D）。正如血管生成亚组所预期的那样，血管生成基因簇表现出AAGs表达的显着差异（图 4E）。  图4 基于DEG的基因亚组识别 5. 预后AAG_Score的开发和验证 AAG_score是基于簇相关的DEG创建的。GC患者以1:1的比例随机分配到训练队列（n=402）或测试队列（n=402）。对204个血管生成簇相关的预后DEG进行LASSO回归生信分析和多因素 Cox生信分析以建立最佳预测模型。最终获得了两个基因（MMP11和APOD），图 5A显示了患者在两个血管生成簇、三个基因簇和两个AAG_score组中的分布。  图5 AAG_score的构建 作者发现血管生成簇和基因簇的AAG_score存在显着差异（图 5B，C）。作者观察到基因簇A中的最高AAG_score和基因簇C中的最低AAG_score，这意味着低AAG_score可能与免疫激活相关特征相关。基于上述生存分析，作者发现两种分类的较高风险评分与较差的生存相关。此外，训练队列中的Kaplan-Meier分析表明，低风险患者的OS优于高风险患者（图 5D），1年、3年和5年OS的AUC分别为0.611、0.627和0.622（图 5E）。PCA生信分析揭示了两个风险组之间的明确分布（图 5F）。AAG_score的风险图表明，随着AAG_score的增加，OS时间减少而死亡率上升（图 5G，H）。此外，选定基因的热图如图 5I 所示。 6. 预后AAG_score的临床相关性分析 为了确定AAG_score与临床病理学特征的关系，作者讨论了AAG_score与不同临床参数（年龄、性别、T 期、N 期和生存状态）之间的相互作用。此外，评估了AAG_score对GC患者的独立预后价值。作者进行了单因素和多因素生信分析，以探索多种临床因素的预后独立性。 7. 构建预测患者预后的列线图 由于风险评分与患者预后之间的高度相关性，作者结合临床参数来建立列线图。该列线图用于估计GC患者的1年、3年和5年OS（图 6A）。这个已建立的列线图的校准曲线在实际观察值和预测值之间表现出很高的准确性（图 6B）。此外，作者估计了这些临床因素的AUC值，分别用于预测1年、3年和5年的OS。如图6C-E所示，AUC值与预期一致，这意味着该列线图对预后具有极好的预测能力。此外，作者还发现，这种具有多种临床因素的预后模型在预测预后方面表现出更多的净效益（图 6F-H）。  图6 列线图的构建和验证 8. 不同组的TME和检查点评估 CIBERSORT算法用于评估AAG_score与免疫细胞丰度之间的相关性。如图7A所示，AAG_score与调节性T细胞、静息肥大细胞、M0巨噬细胞、M2巨噬细胞和静息树突状细胞的浸润呈正相关，而与AAG_score和滤泡辅助T细胞的关系则观察到相反的表现，CD8 + T细胞、活化记忆CD4 + T细胞、浆细胞、静息NK细胞、中性粒细胞和活化树突状细胞。此外，AAG_score与基质评分和免疫评分呈正相关（图 7B）。然后，作者探讨了预后特征中所选基因与免疫细胞富集之间的相关性。作者得出结论，大多数免疫细胞与所选基因密切相关（图 7C）。此外，作者评估了 ICP 与该预后特征之间的关系。图7D表明24个ICP在两个风险亚组中的代表存在差异。  图7 评估两组之间的TME和检查点 9. AAG_Score与TMB、MSI和CSC评分的关系 大量研究表明，TMB和MSI是肿瘤免疫反应的有价值的预测指标，高TMB或高 MSI 的患者可以从ICP抑制剂中受益。作者的研究结果表明，低风险组的TMB高于高风险组（图 8A），这表明低风险患者可能从免疫治疗中获益更多。用 Spearman相关分析也观察到AAG_score和TMB的负相关（图 8B）。为了探索TMB状态对GC患者预后的影响，作者还对不同的TMB亚组进行了生存分析。高TMB患者的预后优于低TMB患者（图 8C）。随后，作者结合TMB和AAG_score对GC患者进行生存分析，AAG_score消除了高TMB组的预后好（图 8D）。同样，相关性评估表明，低AAG_score与 MSI-H 模式相关，而高AAG_score与微卫星稳定（MSS）模式相关（图 8E，F）。这些结果还表明，低风险患者可能对免疫治疗更敏感。此外，作者整合了AAG_score和CSC分数来评估它们在GC中的潜在相关性。AAG_score和CSC分数之间的关系如图8G所示。作者总结AAG_score与CSC评分呈负相关，表明AAG_score较低的GC细胞具有更突出的干细胞特征和较低水平的细胞分化。此外，作者研究了TCGA-STAD数据集中AAG_score模式之间体细胞突变的分布差异。如图8H、I所示，TP53、TTN、MUC16、ARID1A、LRP1B和SYNE1的突变发生率在两个风险组的GC患者中高于或等于20%。有趣的是，这些基因在低风险组中比高风险组发生突变的可能性更大。  图8 GC中AAG_score综合生信分析 10. 药物敏感性分析 对于GC 患者，化疗、靶向治疗和免疫治疗可能会限制肿瘤进展并改善患者的预后。为了评估GC患者的免疫反应，作者计算了TIDE评分和IPS评分来预测患者的反应能力。如图9A-E所示，低风险组的TIDE评分较低，IPS评分较高，这意味着低风险患者可能对免疫治疗更敏感。接下来，为了确定AAG_score作为预测 GC 患者治疗反应的生物标志物的功效，作者估计了TCGA-STAD患者中138种药物的IC50 值。作者发现AAG_scores低的患者可能对 ATR、obatoclax.Mesylate等等药物产生积极反应，而 AAG_scores高的患者可能对KU.55933和多种靶向治疗药物反应更好（图 9F-L）。总体而言，这些发现表明AAG与药物敏感性相关。  图9 AAG_score与治疗敏感性之间的关系 小结 简而言之，作者对AAG的系统分析展示了一种全面的调节策略，从而影响GC患者的TME、预后和临床特征。作者还阐明了AAG作为治疗反应生物标志物的效力。作者的研究揭示了AAGs的关键临床意义，并为进一步研究GC患者的个性化治疗提供了宝贵的基础。 |
|
|
