文章题目：SystematicIdentification of Non-coding pharmacogenomic landscape in cancer
研究人员：匹兹堡大学药物基因组中心、匹兹堡大学癌症研究所等
发表时间：2018. 08
期刊名称：Nature Communications
影响因子：12.35研究亮点
研究表明，长链非编码RNA（lncRNA）在癌症药物反应中发挥重要作用。研究人员通过整合1005个癌细胞系的多维基因组数据和265种抗癌化合物的药物反应数据阐述了lncRNA的药物基因组学景观。其建立的lncRNA-药物预测模型可以预测癌症患者的治疗结果，通过共表达分析表明lncRNA可通过药物代谢或药物靶标通路调节药物反应，此外还成功阐述了lncRNA EPIC1的药物应答机制。
研究背景
个体对癌症治疗的异质性反应主要归因于肿瘤细胞的遗传差异。现在的精准癌症药物学，主要使用癌症细胞系和相应的遗传和药理反应数据，来理解抗癌药物的反应机制。如今大规模高通量的癌症药物基因组学主要集中在蛋白质编码基因组的组成部分，而lncRNA与药敏性关系却未有系统性研究。在这里，研究人员整合了5605个原发肿瘤样本中的2614个癌症相关lncRNA的多维药物基因组学数据和来自27个癌症类型的505个癌细胞系，以构建针对265种抗癌剂的基于lncRNA的药物反应模型。进一步的弹性网络（EN）回归分析确定了癌细胞系中27,341个lncRNA-药物预测对。值得注意的是，基于lncRNA的EN模型不仅可以预测独立细胞系药物基因组数据库中的化疗反应，还可以预测癌症患者的化疗反应。研究人员的计算分析和实验验证表明，lncRNAs可能通过药物代谢和药物靶点途径调节癌症药物反应。
研究成果
癌症细胞系模型可行性确认
药物敏感性数据主要基于癌症细胞系筛选，而模型最终是用于实际的肿瘤数据中。因此，研究人员比较了TCGA数据库中2614种lncRNA与CCLE等细胞系数据库中lncRNA变异情况，从拷贝数，表观和表达量差异三个方面对比，来确认癌症细胞系是否能代表原发性肿瘤的lncRNA变异情况。从图1可看出，以最邻近匹配算法计算，三方面综合一致性高达94.4%。这说明癌症细胞系模型能很好代表实际原发性肿瘤中的lncRNA变异情况，从而为模型训练提供很好的数据基础。
图1
癌细胞系中lncRNA-药物相互作用概述
研究人员整合了505个癌细胞系的LncRNA表达谱和265种抗癌药物反应数据（包括IC50、AUC值）以鉴定预测性lncRNA-药物对。结合弹性网络（EN）回归和自举聚合（boot-strap aggregating），研究人员为所有细胞系（泛癌模型）或特定癌症类型的细胞系（癌症特异性模型）的每种药物建立了lncRNA-药物反应预测模型。通过预测应答与每种药剂的观察应答之间的相关性来评估模型性能。
从图2b可看出，265种药物的泛癌模型在自举时皮尔森相关系数达到了r = 0.31。而样本数量较少的癌症特异性模型稍低，为r = 0.13。
为了确定每种lncRNA对药物反应的贡献，模型根据整个自举过程中被EN回归选择的频率为每个lncRNA分配一个预测分数（PS）。较高的PS表示该lncRNA与相应的药物应答具有更好的关联，并被定义为lncRNA-药物预测对。如图2c,d所示,使用IC50作为应答指标时，通过泛癌模型鉴定了27,341个lncRNA-药物预测对。从图2e可看出，使用AUC作为药物反应的指标时，与IC50预测结果高度一致。这些预测对在CCLE和CTRP数据集分别得到了独立验证。而且成功识别了某些已被记录调节药物应答的lncRNA。比如验证的MEG3过表达和顺铂敏感性相关，即肺癌和卵巢癌患者MEG3的过表达能使顺铂有更好的疗效。
从图2c可看出，相同通路靶向的药物倾向于预测出相似的lncRNA。例如，靶向基因组完整性的药物显著共享更多预测的lncRNA（图 2f）。此外，在基因组完整性靶向药物类中，PARP抑制剂olaparib和talazoparib的预测性lncRNA比例显著高于CHEK抑制剂AZD7762，这表明lncRNA-药物预测对可能暗示了这些细胞系中药物应答机制。
图2
进一步，研究人员使用自举法鉴定的最具预测性lncRNA为每种药物分别构建基于lncRNA的EN预测模型（LENP）。基于IC50值训练的LENP模型，比起自举模型在预测细胞系IC50方面表现显著改善（图 3a）。总体而言，泛癌LENP模型皮尔森相关系数为r = 0.55，而癌症特异性LENP模型为r = 0.71（图 3b）。从图3c中可以看到，具有更好泛癌表现的药物往往是具有更广泛抗癌谱的药剂。例如，在泛癌模型中，靶向细胞周期，基因组完整性和有丝分裂的药物总体上比靶向ABL信号传导和IGFR信号传导的药物具有更好的表现（图 3c）。与自举模型相似，研究人员分别使用CCLE和CTRP数据库验证LENP模型，在其中的14种重叠药物中，9种得到验证，包括紫杉醇和17-AAG，如图3d、e所示。
图3
LENP模型预测癌症患者的治疗结果
LENP模型是基于细胞系数据建立的，为了进一步确定LENP模型是否能预测实际肿瘤患者的治疗效果，研究人员用TCGA肿瘤的lncRNA表达谱使用了LENP模型。结论是LENP模型能够预测出不同肿瘤中已知的或是新的敏感性药物。如图4a所示，bleomycin是FDA通过用于UCEC、CESC、HNSC的治疗药物，比起其他肿瘤预测的平均23.8%的敏感度，这三种肿瘤高得多，分别为95.3%、55.5%、38.5%。而对于lmatinib这种被FDA通过用于CML的治疗药物，在AML、LGG、GBM等肿瘤上也发现了较高的药物敏感度。实际上，AML和GBM的lmatinib批准也进入了临床二期实验。这说明LENP模型能很好的指示拓宽药物的使用谱。
研究人员还通过模型对49种FDA批准药物预测各个肿瘤中的预后，若模型对药物预测结果为抗性则表示预测预后较差。从图4b可看出，对于49种FDA通过的治疗药物，在图中几种实体瘤中有66个药物-肿瘤对是预测预后是较差的（p<>
另外，临床实际用药时，肿瘤患者常常联合用药而不是单单一种。因此，为了更好地预测化疗应答，研究人员综合每种癌种的FDA批准一线和二线化疗药物计算了一个共识应答分数。用这种启发式算法，研究人员发现THCA、STAD、CRC癌症更倾向于预测出化疗抗性，如图4c所示。
那模型预测预后是否准确呢？研究人员提取了TCGA中记录了化疗结果的患者数据，如图4d所示，根据LENP-tamoxifen模型，在OV中预测为药物抗性的患者往往实际生存率较差（图中红色的高IC50表示预测为药物抗性）。在STAD、UCEC中也得到了验证。这些结果证明了LENP对化疗预后的预测能力。
图4
LncRNA可通过药物代谢调节耐药性
多重耐药性（MDR）是原发和复发肿瘤化疗失败的重要原因。因此研究人员基于熵方法来确定了381个潜在的独立于药物靶向机制的MDR相关lncRNA。通过将这些lncRNA和编码基因的共表达数据做GSEA分析发现，如图5b所示，MDR相关lncRNA与药物代谢、糖酵解、凋亡相关通路有显著关联。总共有164种MDR相关lncRNA与药物代谢显著相关。（图5c）。这与先前的研究一致，药物代谢通路基因能调节药物代谢和细胞内药物浓度，从而导致耐药性和个体肿瘤间的药物差异应答。
这里作者以LINC00992 lncRNA做了深入分析，它是一种在多种癌症中表达的基因间lncRNA，根据模型预测，与118种药物应答有关（图5e）。它与CYP2J2、CYP1A1等药物代谢基因有着显著的正相关（图5d）。高水平表达LINC00992和CYP系列基因的细胞系表现出了116（98%）种药物的耐药性（图5e-g）。更进一步发现，其高表达与BRCA、 LIHC、THCA、READ的低生存率显著相关（图5h-i）。而事实上，LINC00992已被证明是CYP这个重要化疗抗性相关基因的调节剂。这些现象说明LINC00992很可能作为检测多重耐药性的新生物标记。
图5
EPIC1作为BET抑制剂抗性的主要调节剂
lncRNA除了和药物代谢有关，研究人员还发现lncRNA能直接调节药物靶向通路。研究人员深入研究了iBET的药物机制。iBET（BET抑制剂）是一类能破坏BET蛋白家族的小分子，被证明能有效治疗许多癌症。而研究人员用模型预测出对于iBET药物来说，耐药性最强的lncRNA是EPIC1——一种基因间lncRNA，在15中癌症中过表达。高EPIC1和BRCA 、LIHC、THCA、READ的低生存率显著相关。研究人员基于这个现象，分别在三种癌细胞系中敲除过表达的EPIC1，发现iBET的耐药结果与预测一致。
当EPIC1被敲除时，宫颈癌和乳腺癌细胞系中4381个基因的表达发生显著改变，505个细胞系中的16/18的EPIC1相关通路被显著调控，且在基因集富集时，MYC通路都是最显著富集的。模型和实验结果证明了EPIC1通过直接作用于MYC蛋白而调节MYC转录活性。其作为一个重要的致癌lncRNA，通过增强MYC转录活性而提高iBET类药物耐药性。
文章总结
由于缺乏覆盖人类基因组非编码区的基因组学/表观遗传平台以及肿瘤中药物反应信息。在癌症药物反应中的lncRNA作用的研究尚未获得太多进展。这些瓶颈导致大多数lncRNA研究使用“自下而上”策略，首先确定每个个体lncRNA的下游调节功能，然后研究lncRNA对癌症中药物反应的调节。在这个项目中，研究人员采用了“自上而下”的方法，该方法整合了来自原发肿瘤和癌细胞的药物基因组学数据，构建了基于lncRNA的药物反应预测模型，并鉴定了可能机制调节药物应答的候选lncRNA。并且证明癌细胞系可以高度概括原发肿瘤中lncRNAs的改变。此外，基于癌细胞系的EN模型，即LENP模型，可以容易地预测癌症患者的化疗反应。lncRNA和蛋白质编码基因表达之间的综合分析进一步表明lncRNAs可能通过调节药物代谢或药物靶标途径来调节癌症药物反应。这是目前第一项系统地将非编码基因型与癌细胞系和患者肿瘤中的药物反应表型联系起来的研究。在未来，使用深度学习算法，通过整合lncRNA，miRNA和PCG等各类稳定分子基因组学以及表观遗传变化能够更全面模拟癌症药物反应。
在药物预测模型之上，研究人员的特征选择策略还确定了27,341个lncRNA-药物预测对，这可能有助于揭示新的lncRNA调节因子在癌症中的药物反应。然而，研究人员在独立数据库（即CCLE和CTRP）中验证这些非编码药物基因组关联的能力在很大程度上受到以下因素的限制：（1）使用不同的药理学检测，（2）重叠细胞系和药剂的数量有限，（3）缺乏金标准定义这些药物基因组学数据库之间“真阳性“。因此，研究中的lncRNA-药物预测对仍然需要实验验证和机制研究。在这方面，研究人员已经实验证明，EPIC1是iBET药物的最高预测性lncRNA，通过调节MYC转录活性来引发耐药性。
总之，目前的研究建立了27种癌症类型和265种药物中lncRNA-药物预测对的详细知识库。这有助于开发用于癌症精确医学的新型基因组模型。此外，通过提供有希望的治疗靶点来克服癌症化学疗法抗性，进一步鉴定癌症药物反应的潜在lncRNA主要调节因子将为基于lncRNA的癌症治疗在短期内铺平道路。
小编评论
之前我们介绍了胚系突变和药敏性之间关系的研究（详见 文章解读 | 药效好不好，可能是天生的----论胚系突变与药物敏感性关系），而这篇则将目光集中于lncRNA与癌症药物应答关系。从基因组学的角度来看，加上已广泛应用的体细胞突变与药敏关联研究，基因组各个层面都已有建立预测药物反应模型的方法。相信对这些遗传信息的综合分析，未来能大大提高癌症化疗的预后预测，成为精准医疗的又一重要手段。并且在基础研究中为药物耐药机制研究提供新方法。
参考文献：
[1] Da Yang, Min Zhang, et al. Nature Communicationsvolume 9, Article number: 3192 (2018)
联系客服
