文献解读:基于免疫基因组图预测肺鳞癌患者预后

今天小编为大家解读一篇2020年发表在Cancer Cell International(影响因子4.175)上的文章,题目是Establishment of the prognostic index of lung squamous cell carcinoma based on immunogenomic landscape analysis。作者利用LASSO回归分析和单变量Cox回归分析来筛选与LUSC患者预后相关的IRG,构建了预测模型。模型还可以很好地预测LUSC中的免疫细胞浸润。本研究为LUSC的个体化药物治疗提供了潜在的模型和生物标记。

摘要

背景:近年来,肺鳞状细胞癌(LUSC)的发病率大幅上升。免疫基因组模式的系统分析对于改善LUSC的预后至关重要。
方法:基于TCGAGEO数据集,作者整合了502名LUSC患者的免疫相关基因(IRGs)表达谱和总生存期(OS)数据。通过单变量Cox回归和LASSO回归分析评估LUSC患者的生存相关且差异表达的IRG。通过应用多元cox分析,建立了基于IRG的新的预后指标。作者还使用CIBERSORT算法和TIMER数据库来分析LUSC的免疫浸润。基因集富集分析(GSEA)和主成分分析(PCA)均用于功能注释。在计算生物学的帮助下,作者还研究了这些LUSC特异性IRG的潜在特性和分子机理。进而分析了免疫检查点与风险评分之间的相关性。
结果:基于11种IRGS建立了新的预后模型,包括CXCL5,MMP12,PLAU,ELN,JUN,RNASE7,JAG1,SPP1,AGTR2,FGFR4和TNFRSF18。该模型在预后预测中表现良好,并且还与免疫细胞的浸润有关。此外,高风险组和低风险组在PCA分析中表现出截然不同的布局模式,GSEA结果显示这些组之间的免疫状态不同。

结论研究筛选出了具有临床意义的IRG,并证明了基于IRG的个性化免疫相关生物标志物在LUSC的监测,预后和识别中的意义。

流程图

结果简述

1.    识别差异表达IGR

根据ImmPort数据库中的IRG列表,识别出355个差异表达的IRG,其中包括135个上调基因和220个下调基因。如下图所示。

 

GO分析和KEGG分析的结果证实,差异基因与免疫相关。如下图所示:

 

通过单变量COX回归分析,有42种差异表达的IRG(P <0.05)与临床结果显著相关。十然后作者使用LASSO回归分析来选择这些与生存有关的IRG。如下图所示,分类器涉及21个IRG。

 

2.    转录因子调控网络

为了研究这些IRG表达的潜在调控机制,作者从Cistrome数据库下载LUSC和正常组织之间差异表达的TF。识别出111种差异表达的TF。在111个TF和42个IRG的基础上建立了一个互作网络。如下图所示:

 

3.    临床结果评估

在IRG的基础上,通过多元cox回归分析建立了一个预后模型。如下图A所示,大多数基因的危险比大于1,表明这些基因的高表达水平意味着预后不良。随着风险评分的增加,死亡人数也增加了(如下图B所示)。风险评分的计算公式如下:

 

根据这种免疫相关的生物标记物,可以在训练和验证集中很好地区分高风险和低风险人群的临床结果。在训练和验证组中,ROC曲线的AUC值分别为0.692、0.702、0.656和0.655、0.551、0.713,这表明基于IRGs的预测特征在生存监测中具有中等潜力。如下图所示:

 

4.    生存相关IRG的特征

识别出的与生存相关的IRG具有出色的生物标记能力,可用于监测预后。在LUSC样本中,大多数这些核心IRGs均上调,并且大多数这些基因是危险因素。TNFRSF18被定义为阳性效应。在这些IRG的遗传改变中,深度缺失和扩增是最常见的形式,如下图A所示。CXCL5,PLAU和FGFR4是遗传变异最多的基因。SPP1,PLAU,JUN,JAG1,CXCL5和AGTR2在蛋白质功能域中存在突变(如下图B所示),这些IRGs突变可能影响LUSC患者的预后(下图C所示)。

 

5.    免疫相关基因的临床相关性和列线图

作者利用IRGs和临床因素绘制了列线图(如下图A所示),并绘制了校准曲线以验证预测模型的准确性(下图B,C,D)。预测值与实际值吻合良好,表明我们的模型可用于预测LUSC患者的预后。进行ROC以测量列线图的临床疗效。对于1年,3年和5年OS可能性,ROC曲线显示IRG和其他临床因素的组合比仅由IRG建立的模型更好,如下图E所示。

 

6.    免疫相关基因的验证

根据HPA数据库,通过免疫组织化学在蛋白水平上验证了IRGs的功能(如下图A所示)。结果与我们先前的研究一致。CXCL5,ELN,JUN和FGFR4在正常组织中高表达,而PLAU,RNASE7,JAG1,SPP1和TNFRSF18在肿瘤组织中高表达。对肿瘤和正常组织的癌变分析(下图B)显示,LUSC中某些IRG的表达方式与其他肿瘤中的不同。

 

7.    肿瘤微环境中的免疫细胞浸润

为了了解免疫基因组是否准确地反映了LUSC免疫微环境的状况,作者通过CIBERSORT算法和TIMER分析了IRG与免疫细胞浸润之间的联系。通过CIBERSORT算法计算了LUSC中22种免疫细胞的比例。作者发现高风险组的静息记忆CD4 + T细胞,M0巨噬细胞,M2巨噬细胞和中性粒细胞浸润水平较高。低风险组的CD8 + T细胞升高,如下图A所示。TIMER数据库也被用于研究IRG与免疫细胞浸润的联系。CD4 + T细胞,CD8 + T细胞,树突状细胞,嗜中性粒细胞和巨噬细胞与IRGs正相关,如下图B-G所示。

 

8.    高风险组和低风险组人群的免疫状况分析

根据预后模型研究LUSC患者是否可以正确地区分,作者使用PCA分析来探讨高风险组和低风险组之间的不同分布模式。根据风险基因,高风险和低风险人群倾向于分为两个方面,如下图A所示。基于全基因组和整体IRG,高风险和低风险人群在免疫状态方面没有显示明显的分离(如下图B、C所示),而基于作者的风险基因的模型可以很好地区分高风险和低风险人群之间的免疫状态差异。GSEA进一步验证了功能注释,发现高风险组比低风险组具有更多的免疫反应,如下图D、E所示。这些结果与免疫细胞浸润的结果一致,表明高风险评分与增强的免疫表型相关。

 

9.    免疫检查点与风险评分的相关性分析

为了分析风险评分与免疫检查点之间的关系,作者提取了30个免疫检查点的表达(下图A),包括B7-CD28家族(CD274,CD276,CTLA4,HHLA2,ICOS,ICOLSG,PDCD1,PDCD1LG2,TMIGD2 ,VTCN1),TNF超家族(BTLA,CD27,CD40LG,CD40,CD70,TNFRSF18,TNFRSF4,TNFRSF9,TNFSF14,TNFSF4,TNFSF9)和其他免疫检查点(HAVCR2,IDO1,LAG3,FGL1,ENTPD1,NT5E,SIGLE ,VSIR,NCR3)。然后,作者计算了风险评分与免疫检查点表达之间的相关性。结果表明,ICOS,NT5E,PDCD1LG2,ENTPD1,VSIR,CD276,TNFSF14,HAVCR2与风险评分呈正相关,而TNFRSF18和VTCN1与风险评分呈负相关(下图B-K)。

 

作者根据从TCGA和GEO数据库下载的基因集,利用LASSO回归分析和单变量Cox回归分析来筛选与LUSC患者预后相关的IRG。基于11个IRG(CXCL5,MMP12,PLAU,ELN,JUN,RNASE7,JAG1,SPP1,AGTR2,FGFR4和TNFRSF18)构建了预测模型。模型还可以很好地预测LUSC中的免疫细胞浸润。研究为进一步的免疫相关工作和个性化药物治疗LUSC提供了潜在的模型和生物标记。

文献解读

文献解读:病毒表达检测揭示TCGA中的RNA测序污染

2020-8-11 22:12:50

文献解读

文献解读:lncRNA结合明星信号通路思路

2020-8-12 18:12:23

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
今日签到
有新私信 私信列表
搜索