不一样的肿瘤免疫浸润新玩法

https://www.jianshu.com/p/15e9af1b8916大家好，今天给大家分享一篇有点不一样的肿瘤浸润文章，有3个值得学习的地方：1、不再以基因而是直接根据免疫浸润细胞构建signature，且也不是传统的lasso-cox回归模型了、2多数据集分析（TCGA+ICGC+GEO）、应用signature对TCGA其它癌症进行了刻画，这工作量瞬间上升了。如果你中意，欢迎咨询细节！

胰腺导管癌（PDAC）肿瘤浸润免疫细胞特征和预后研究概述|研究希望建立肿瘤浸润免疫细胞特征的预后模型，提高PDAC患者的生存预测能力增加治疗效果。数据概览|4个不同队列共661例PDAC患者生存数据，作为训练集。另外2个队列188例患者作为验证数据。（TCGA+ICGC+GEO）分析亮点|肿瘤浸润免疫细胞计算和泛癌验证下面将以观点分析和数据结果阐述：据统计，90%的胰腺癌为胰腺导管癌。并且多年治疗没有实质性的改善，主要原因是PDAC具有高侵略性肿瘤， 7%患者只有5年左右存活率，20%患者却只有1年。因此有必要了解侵袭性PDAC预后特征以及肿瘤微环境特点，分析肿瘤浸润性免疫细胞，建立肿瘤免疫细胞评分(TICS)，帮助建立肿瘤浸润免疫细胞特征的预后模型，提高PDAC患者的生存预测能力增加治疗效果。话不多说，看看这篇文章做了哪些研究准备。首先，所有的PDAC转录组和临床数据均来自TCGA、ICGC和GEO数据库。TCGA-PAAD-US (n = 146)， ICGCPACA-AU (n = 267)， ICGC-PACA-CA (n = 182)，和GSE62452 (n = 66)被纳入训练队列。另外两个独立的组群:GSE71729 (n = 125)和使用GSE57495 (n = 63)作为外部验证队列，如图1所示。

图1，研究设计和模型开发的示意图接着，采用单样本基因集富集分析(single sample gene set enrichment analysis, ssGSEA)算法定量PDAC患者肿瘤浸润免疫细胞的相对丰度。

图2，肿瘤浸润免疫细胞评分(TICS)的建立为了检测TICS在PDAC患者中的预后价值，文章采用Cox比例风险回归分析探讨28种免疫细胞的预后评价。每一个免疫细胞按中位数分层分为两组。使用基于荟萃分析的固定效应模型估计每个免疫细胞CI为95%的混合风险比(HR)。与免疫细胞相比，与预后显著相关的混合HRs和标准估计数(SE)被整合为预后免疫细胞重量并生成TICS。

其中28个浸润的免疫细胞，包括适应性免疫细胞和先天免疫细胞。在训练组中，28个免疫细胞之间存在很强的相关性(图2A, P < 0.05)。CD4 T细胞和中性粒细胞活化是PDAC患者的危险因素(均为HR > 1, P < 0.05)，单核细胞、活化的B细胞、巨噬细胞和Th17是PDAC患者预后的保护因素(均为HR < 1, P < 0.05)(图2B)。然后作者根据六种肿瘤浸润免疫细胞的相对丰度为每个病人建立了TICS。在训练队列中，通过time-dependent-ROC分析，TICS对生存的预测能力优于其他单独的6个单一免疫细胞(图2C,P < 0.05)。还发现活化的B细胞、单核细胞、巨噬细胞和Th17细胞的表达水平与TICS呈正相关，而活化的CD4 T细胞和中性粒细胞的表达水平与TICS呈负相关(图2D, P均< 0.001)。将训练队列中的所有患者根据TICS cutoff值分为两组:高TICS组(n = 419)和低TICS亚组242例患者预后差异有统计学意义(log-rank检验，P < 0.001;图2 e)。多因素分析显示，在训练组中，只有TICS被认为是OS的预后保护因子(图3A, P < 0.05)。同时，这一结论也可以在其他两个验证组中得到验证(图3A, P < 0.05)。根据在KM曲线上，我们发现TICS可以很容易地区分出4个训练组和2个外组中预后均不同的PDAC患者(图3B-G, P < 0.05)。并对TICS在泛癌的预后进行了验证，结果显示，TICS也能显著区分9/32例癌症的预后。泛癌分析的结果见下图3J。

图3，训练组和验证组中TICS模型的预后分析为探讨不同的TICS亚群之间的生物学功能潜在差异。从“msigdb.v7.0”下载了96个免疫相关的功能注释基因集。“pathifier”R包来识别不同的TICS亚组间上调和下调的免疫相关词。“clusterProfiler”R包对TICS特征基因进行GO和KEGG注释。富集P值，并对FDR做Benjamini–Hochberg 矫正。因此，将TCGA组146例患者分为高、低TICS组。探讨TICS亚组患者免疫状态、免疫检查点、趋化因子和主要组织相容性复合物的潜在差异在TCGA队列基础上收集并分析(MHC)基因(图4A)。校正后，特别是一些免疫检查点基因，如PDCD1LG2(PD-L2)，在高TICS亚组中，PDCD1(PD1)、CTLA4、LAG3、HAVCR2的表达相对较高TICS亚组(图4A, P均< 0.05)。相反，在趋化因子中，只有CXCL9在高TICS亚组中表达较高(图4A, P = 0.007)。在临床特征方面，在TCGA队列中，TICS亚组与临床参数之间无显著相关性(图4A)。TICS可以区分的预后TNM I-II期和III-IV期的PDAC(图4B, p均< 0.001)。

（图4，基于TICS的临床因素、免疫分子和免疫功能特征。）另外，对TCGA队列中96个患者免疫相关基因集进行分析后发现，其中76个在TICS亚组间存在显著差异。其中，在高TICS组中，76个免疫相关基因中有51个上调，76个免疫相关基因中有25个下调（图4D）。提示我们TICS对PDAC患者免疫状态的影响是一个有显著相关性的预后评分。此外，在TCGA队列中，B细胞受体信号通路、细胞粘附分子和Th17细胞分化的免疫相关通路在高TICS患者中富集程度更高(图4E)。这一步之后，可以对TICS亚群进行基因组特征分析。结合TCGA患者(n = 115)的体细胞突变进行进一步TMB分析。独特的TMB评分可以表明体细胞突变的低流行率。散点图显示,TICS与TMB负相关(图5 A, r =-0.278,P = 0.001)。低TMB和高TICS组预后最好，而高TMB和低TICS组预后最差(图5C, p < 0.05)。

（图5，TICS亚群的PDAC体细胞基因组特征）根据TCGA和ICGC-PACA-CA队列的临床信息。首先，免疫细胞，免疫相关基因，比较两组完全缓解(CR)和非缓解(non-CR)患者的临床特征。结果表明，CR组和非CR组中，只有TICS (P = 0.004)和ImmuneScore (P = 0.014)在TCGA中有显著性差异。此外，CR患者的血压升高免疫相关基因和免疫细胞的趋势，但只有部分具有统计学意义(图6)。化疗与未进行化疗的患者相比，PDAC患者的预后明显改善(图6B,C, log-rank test，P < 0.001)。另外，50%TCGA和90%ICGCPACA-CA的患者在TICS亚组高CR值。同时，在两个队列中，低TICS组的CR患者所占比例都要低得多。CR组在TCGA组和ICGC-PACA-CA组中均有最高的TICS(图6E, P = 0.011，图6G, P = 0.005)。结合TICS和ImmuneScore进行预测接受化疗的PDAC患者的CR状况。与单独使用两种评分相比，联合评分在两组中对CR的预测效果最好(图6H, TCGA，曲线下面积= 0.710;图6I,ICGC-PACA-CA：AUC = 0.780)。

（图6，应用TICS进行药物敏感性预测）写在最后|每次写到这个地方，都不知道怎么才能引导或者更简洁的表述给读者朋友们文章的思路。今天打算采用诱导式思维，帮助大家理解文章思路。首先数据依然是我们熟悉的数据库公用数据，但是在肿瘤转移方面，文章考虑到免疫浸润，也就是TME效应。这里引入了TICS评分。再从评分cutoff值划分预后差异组，进行基因功能注释，且预测效能在进行了泛癌验证。肿瘤中免疫细胞浸润复杂TME用于预测化疗反应。高剂量组的CR状态患者多于低剂量组。CR状态患者的TICS相对较高，说明化疗后获得CR的患者先前存在较强的免疫能力。结果显示肿瘤浸润免疫细胞特征可以将PDAC患者分为不同的生存率亚群。这些特征也可用于识别可能从辅助化疗中获得更大益处的患者。TICS可作为辅助的个体化监测工具，在肿瘤免疫方面支持TNM预后分期。