乳腺癌免疫浸润干湿结合文献解读

今天跟大家分享一篇构建免疫评分模型预测乳腺癌的预后和化疗的文章(ps:最近好几个分享的文章都用评分预测了化疗效果,可以注意下哦!),主要讲的是整合了公共数据库和中国医院的临床样本的乳腺癌患者的基因表达数据,使用CIBERSORT对样本的肿瘤浸润免疫细胞进行定量,使用LASSO和多变量Cox回归分析构建基于6个潜在生物标志物的免疫预后模型,划分高低风险组,发现不考虑分子亚型和化疗方案,高风险组的总生存期明显低于低风险组。
An immune cell infiltration-based immune score model predicts prognosis and chemotherapy effects in breast cancer
免疫评分模型预测乳腺癌的预后和化疗效果
一、摘要
免疫细胞具有重要的辅助功能,能影响癌症的临床结果。高免疫浸润与乳腺癌(BC)临床结果的改善和治疗效果的改善有关。然而,到目前为止的研究并没有充分考虑肿瘤浸润免疫细胞(TIIC)景观。本研究基于TIICs研究潜在的生物标志物,以改善BC的预后和治疗效果。对5112例患者进行分析,并通过使用CIBERSORT来对原发BC中的22个TIICs进行了定量。单因素Cox回归分析结果显示,12个免疫细胞与BC患者的总生存(OS)显著相关。此外,应用LASSO和多变量Cox回归分析构建基于6个潜在生物标志物的免疫预后模型。高低风险组的患者在训练集中OS有显著差异。在验证集和测试集中,发现无论BC的分子亚型如何,高风险组的OS明显低于低风险组。利用免疫评分模型预测BC患者对化疗的影响,无论化疗方案是什么,低风险组在接受化疗的患者中生存优势明显。在评估诺模图的预测价值时,决策曲线比标准的肿瘤淋巴结转移分期系统具有更好的预测准确性。基于免疫细胞浸润的免疫评分模型可以有效地预测BC患者的预后及化疗效果。
二、数据及方法
1. 样本及数据
(1)中国医院样本
183例同时接受新辅助放疗和化疗(anthracycline + cyclophosphamide followed by taxane, AC-T)的BC患者。使用了 国际癌症联盟TNM分类系统(第五和第六版)对切除组织的分类。组织学分级分为高分化、中分化和低分化。根据ER、PR、HER2、Ki67的表达水平,使用临床资料进行分析。共有130个核心活检标本和53手术样本。并收集化疗信息。
(2)公共数据集
使用TCGA、GEO、ArrayExpress、ICGC和METABRIC的BC组织基因表达谱数据。预后模型的登记标准如下:包含50个以上人类原发性BC样本,提供OS时间和生存状态,以转录组分析为实验类型的数据集。如图1所示,最终纳入了29个系列(共6844个BC样本)来构建预后模型。表S1中总结了从每个数据库中获得的研究结果以及登录号。并收集化疗信息。
2.评估免疫细胞类型分数
从公共数据库下载处理后的基因表达数据,使用limma包进行标准化。为了量化BC标本中22个TIICs的丰度,使用CIBERSORT(一种分析工具)利用标准化数据估算混合细胞群体中细胞类型的比例。CIBERSORT推测的22种浸润性免疫细胞包括B细胞、T细胞、自然杀伤细胞、巨噬细胞、树突细胞、嗜酸性粒细胞和中性粒细胞。
3.抽样方法
为提高预测模型的精度和准确性,采用分层随机抽样方法,将5038个样本按7:3的比例分成训练集和验证集。考虑了重要的临床协变量,包括年龄、分子亚型、级别、TNM分期和生存状况,以确保训练和验证集的平均分布。
4.基因集富集分析
选取TCGA中836个BCs的转录组数据进行GSEA分析。对于TCGA的样本,使用GSEA 4.0.3软件(https://www.gsea-msigdb.org/gsea/downlodas.jsp)识别c5 GO数据库中在高低风险人群中富集的GO条目。显著性阈值为p < 0.05。
5.统计学分析
两组比较采用Mann-Whitney U检验,多组比较Kruskal-Wallis检验。采用单因素、LASSO和多因素Cox回归分析来确定最显著的免疫细胞,建立预后模型。单因素Cox回归分析p值<0.05时,认为免疫细胞显著。随后,使用LASSO-penalized Cox regression来过滤不太相关的因素。最后采用多变量Cox回归分析对模型进行优化。使用R的survminer包,根据训练样本中OS和细胞分数之间的关联计算最佳cutoff值,并采用log-rank检验来评估免疫细胞比例和OS之间的相关性。5年、10年和20年诺模图的预后价值通过c指数进行评估。认为双侧p<0.05差异有统计学意义。
图1.研究流程图
三、结果解析
1. 建立预后免疫评分模型
首先分析了肿瘤浸润免疫细胞的预后价值,采用分层抽样的方法将5038个样本分成一个训练样本(N = 3526)和验证样本(N = 1512),比率为7:3。图2A显示了训练样本中每个免疫细胞亚群与OS之间关联的森林图。单变量Cox风险模型结果显示,几种免疫细胞与BC患者的OS有显著相关性。随后进行LASSO Cox回归,从12个变量中筛选出高度相关的变量(图2B)。当log (Lambda.1se) = -3.231时,纳入静息CD4+ T细胞、调节性T细胞、gamma-delta T细胞、活化NK细胞、单核细胞和M0巨噬细胞(图2C)。采用多Cox回归进一步确定独立预测因子,计算预后指数。根据多元Cox回归建立预后免疫评分模型公式,并根据该模型计算出训练样本中每个样本的免疫评分。随后,将所有训练样本使用cutoff分为高风险组和低风险组。Kaplan-Meier曲线显示,无论BC的分子亚型,高风险组和低风险组的OS有显著差异(图3A)。
图2.在训练集中构建预后免疫模型。
2. 验证预后免疫评分模型
为评价该预测模型的效果,接下来对验证样本、试验样本(中国医院病例)以及验证样本和试验样本联合应用相同的公式和预后免疫评分模型。根据训练集计算的cutoff值(0.374)对验证组和测试组的患者进行分组,并生成Kaplan-Meier曲线。根据结果,不管BC分子亚型的情况下,在验证样本(图3B)、试验样本(图3C)和混合样本(图3D)中高风险组的OS明显短于低风险组(图3C)。
3. 预后免疫评分模型预测化疗效果
由于新辅助化疗(neo-ACT)和辅助化疗(ACT)被报道与免疫浸润有关,所以下面进一步评估化疗(CT)的应用是否会影响BC的预后。根据NCCN肿瘤学指南,蒽环霉素+环磷酰胺(AC)、AC +紫杉烷(AC- t)和紫杉烷+环磷酰胺(TC)是主要的化疗方案。对TCGA组、中国医院组和METABRIC组采用相同的公式,将三组患者分为低风险组和高风险组,无论是否接受化疗,低风险组的DFS优势在三组中都很明显(图3E-F)。与低风险组未接受化疗的患者相比,接受AC和AC-T化疗方案的患者生存优势明显,相比之下,高风险组的化疗获益仅在AC-T化疗方案中观察到(图3G)。
图3.高低风险患者生存的Kaplan-Meier曲线
4. 诺模图系统改进预后免疫评分模型
进行单变量Cox回归分析,选择影响OS的独立临床病理预后因素,结果显示年龄、肿瘤分级和肿瘤淋巴结转移(TNM)分期显著相关。随后的多元Cox回归分析显示,风险评分、年龄、肿瘤分级和TNM分期是影响OS的独立临床病理预后因素。下面建立一个定量的方法来预测OS,整合免疫评分和独立的临床病理预后因素,包括年龄、肿瘤分级和TNM分期,构建一个诺模图(图4A)。
为了评价诺模图的预测价值,在训练样本、验证样本和检验样本上对C-index与标准TNM分期进行了比较,诺模图系统总体上改进了BC的预后模型。基于校准图,诺模图预测的5、10和20年生存率在训练和验证样本中都表现良好(图4B)。决策曲线比标准TNM分期系统具有更好的预测准确性(图4C)。
图4.构建诺模图系统
5. 预后免疫评分模型预测乳腺癌患者的临床特征
接下来在训练和验证集中进一步研究了预后免疫评分和临床特征之间的关系。BC分级水平、TNM分期、M类和分子亚型与免疫评分显著相关,而年龄、T类和N类不显著(图5A)。在验证样本中,高免疫评分与肿瘤分级、TNM分期、M类(p < 0.0001)、N类和BC分子亚型呈正相关(图5B)。
图5.分层分析预后免疫评分和临床特征之间的关系
6. 预后免疫评分模型预测T细胞信号转导、免疫检查点、炎症和EMT相关基因的差异表达
采用预后免疫公式测定836个TCGA样本的免疫评分。所有样本以0.374为cutoff 分为低高风险组。基因集富集分析(GSEA)显示低风险组在T细胞受体信号通路激活、抗原受体介导信号通路、免疫球蛋白生成和免疫应答激活方面富集(图6A)。
免疫检查点阻断免疫疗法,如CTLA-4、PD-1和PD-L1被认为是一种很有前途的治疗多种恶性肿瘤的方法。接下来确定了几个关键的免疫检查点调节因子和炎症介质的表达水平。如图6B所示,低风险组CTLA-4、PD-1和PD-L1的表达明显增高。此外,其他重要的免疫调节因子或炎症介质在低风险组也增加了。
在训练(图5A)和验证(图5B)样本中,观察到M期和免疫评分之间存在显著相关性,因此进一步分析了TCGA样本中低高风险组之间的差异表达基因(DEGs)。与低风险组相比,高风险组共发现218个DEGs(上调38个,下调180个)。其中,上皮间间质转化( EMT)标志物MMP9、SPP1、
MMP12、MMP13、MMP1在高风险组显著过表达(图6C)。此外,GO富集分析显示,高风险组基因主要参与细胞外基质组织、细胞外结构组织、胶原蛋白分解过程、胶原代谢过程和细胞外基质分解。
图6.不同风险组患者特征及信号通路的生物信息学分析
总结:
本工作整合了公共数据库和中国医院的临床5112个样本的乳腺癌患者的基因表达数据,使用CIBERSORT对样本的22个肿瘤浸润免疫细胞进行定量,然后使用LASSO和多变量Cox回归分析构建基于6个潜在生物标志物的免疫预后模型,划分高低风险组,发现不考虑分子亚型和化疗方案,高风险组的总生存期明显低于低风险组。然后使用诺模图系统对模型进行改进,发现决策曲线比标准的肿瘤淋巴结转移分期系统具有更好的预测准确性。证明基于免疫细胞浸润的免疫评分模型可以有效地预测BC患者的预后及化疗效果。
文献解读

X染色体上的microRNA研究思路

2020-10-23 16:30:00

文献解读

【热点追踪】高分期刊文章的microRNA研究思路

2020-10-31 20:58:59

加入Q群
0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索