导语
今天和大家分享的是2020年10月份发表在Theranosics杂志上的一篇文章“An immune cell infiltration-based immune score model predicts prognosis and chemotherapy effects in breast cancer”(IF=8.579)。文章中作者根据多个数据集中的乳腺癌BC患者的数据,构建免疫评分模型,并在训练和验证队列中的预后价值得到证实。这种模型可以用于BC预后且可补充现有的TNM分期方法。
An immune cell infiltration-based immune score model predicts prognosis and chemotherapy effects in breast cancer
基于免疫细胞浸润的免疫评分模型预测乳腺癌的预后和化疗效果
一、研究背景
肿瘤进展是一个复杂的过程,需要癌细胞,微环境和免疫系统之间的相互作用,从而影响肿瘤的发生和发展。最近的研究表明,免疫系统细胞具有消除病原体,发挥有一定的影响对肿瘤的临床结果。肿瘤浸润淋巴细胞(TIL)占肿瘤浸润免疫细胞(TIIC)的相当一部分。它显示出抑制的TIL在黑素瘤肿瘤的生长和关联具有改善的临床结果。在人类表皮生长因子受体2阳性(HER2 +)和三阴性原发性乳腺癌(TNBC)中,较高的TIL与更好的无病生存期(DFS)和总体生存期(OS)相关。乳腺癌(BC)患者的高度免疫浸润与改善临床结果和治疗应答效果更好有关。然而,尚未有研究考虑肿瘤组织中肿瘤浸润免疫细胞(TIIC)全局。因此必须基于完整的TIIC寻找潜在的生物标志物,以改善BC的预后预测和治疗效果。
一、研究背景
三、结果解读
1、数据准备
作者从数据库TCGA 、GEO、ArrayExpress、ICGC、METABRIC获得乳腺癌(BC)患者的基因表达谱。预后模型的标准如下:数据集包含50多个人类原发性BC样本,显示OS时间和生存状态的系列以及转录组分析作为实验类型。最终包括29个系列(总共6844个BC样本)用于构建预后模型。
表1:纳入研究的患者结果以及ID号
2、建立预后免疫评分模型
为了探讨肿瘤浸润免疫细胞的预后价值,采用分层抽样将5,038个样本分成7:3的训练队列(N = 3,526)和验证队列(N = 1,512)。
表2:基线患者特征
根据单变量Cox风险模型结果,有嗜酸性粒细胞,静息树突状细胞,γ-δT细胞,静息和活化CD4 + T细胞,静息肥大细胞,M0和M1巨噬细胞,记忆B细胞,活化的NK细胞,单核细胞和调节性T细胞。随后执行LASSO Cox回归以从12个变量中选择高度相关的变量,获得Lambda.min = 0.00115 ,lambda.1se = 0.0395。当log(λ1se)= -3.231时,包括静止的CD4 + T细胞,调节性T细胞,γ-δT细胞,活化的NK细胞,单核细胞和M0巨噬细胞。进行多次Cox回归以进一步确定独立的预测因素并计算预后指标。
图1.在训练队列中建立预后免疫模型
根据多重Cox回归建立了预后免疫评分模型的公式(风险评分=调节性T细胞* 2.526-静息CD4 T细胞* 1.761-γ-δT细胞* 2.334 +活化的NK细胞* 3.408 +单核细胞* 2.645 + M0巨噬细胞* 1.591),并根据此模型计算出训练队列中每个样本的免疫评分。
表3:免疫标志物预测乳腺癌的预后系数
随后,根据R中的OptimalCutpoints软件包确定使用0.374的临界值将来自训练队列的所有样本分为高危组或低危组。要评估这些低危和高危患者的OS,产生了Kaplan-Meier曲线,并且在训练队列中观察到显着差异,而与BC的分子亚型无关。低风险和高风险组的20年生存率分别为37.8%和20.0%。
表4:单变量Cox回归分析的结果
3、验证预后免疫评分模型
为评估此预后模型的效果,将相同的公式和预后免疫评分模型应用于验证队列,测试队列(来自中国医院的病例)以及验证和测试队列的组合。验证组和测试组的患者根据训练集计算的临界值(0.374)进行分组,并为该组生成Kaplan-Meier曲线。根据结果,在验证队列,测试队列和混合队列中,高风险组的OS显着低于低风险组BC分子类型的区别。此外,在组合验证和测试中,低风险和高风险组的20年生存率分别为47.8%和30.1%队列。
图2. 低风险和高风险患者的Kaplan-Meier生存曲线
4、预后免疫评分模型可预测化疗的效果
由于新辅助化疗(neo-ACT)以及辅助化疗(ACT)均与免疫浸润有关,进一步评估了化学疗法(CT)的使用是否会影响BC的预后。为了评估免疫评分与化疗效果之间的关系,将相同的公式应用于TCGA,中国队列和METABRIC的研究对象。将这三个队列的患者按临界值(0.374)分为低风险和高风险组,并且无论是否接受化疗,这三个队列中的低风险组均具有DFS优势。有关ACT的详细信息仅记录在TCGA中。与低风险组中未接受化疗的患者相比,接受AC和AC-T化疗方案的患者具有明显的生存优势。相反,只有通过AC-T化疗方案才能观察到高危组的化疗获益。更重要的是,对亚组相互作用的进一步评估表明,无论采用哪种化疗方案,低危患者均获得了更好的化疗效果。此外,使用了来自neo-ACT测试队列的数据来评估免疫预后模型与化疗效果之间的关联。如下图所示,尽管未观察到显着差异,但neo-ACT敏感组(pCR状态)的免疫得分倾向于高于neo-ACT耐药组(非pCR状态)。
图3.预后免疫评分模型
5、诺模图模型改进预后免疫评分模型
进行单因素Cox回归分析以选择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)阶段具有显着相关性。随后的多变量Cox回归分析显示,风险评分,年龄,肿瘤分级和TNM分期是OS的独立预后因素。
表5:多变量Cox回归分析的结果
为了创建一种预测OS的定量方法,整合了免疫评分和独立的临床病理预后因素(包括年龄,肿瘤等级和TNM分期)以构建列线图。为了评估列线图的预测值,在训练,验证和测试队列中比较了列线图的Harrell一致性指数(C-index)与标准TNM分期,如下表所示,列线图系统改善了预后模型总的来说。
表6:TNM阶段和列线图系统的Harrell一致性指标
根据校准图,列阵图的5年,10年和20年生存概率在训练和验证队列中均表现良好。同样,决策曲线显示出比标准TNM分期系统更好的预测准确性。
图4.列线图系统的构建
6、预后免疫评分模型
可预测乳腺癌患者的临床特征
在训练和验证队列中进一步研究了预后免疫评分与临床特征之间的关系。在训练队列中,TNM分期,M类和BC的分子亚型与免疫评分显着相关。在验证队列中,高免疫评分与肿瘤等级,TNM分期,M类,N类和BC的分子亚型显着相关。
图5 对免疫预后模型的免疫评分进行临床特征的分层分析
7、预后免疫评分模型预测
与T细胞信号转导,免疫检查点,
炎症和EMT相关的基因的差异表达
作者使用预后免疫公式确定了836 TCGA样品的免疫评分。使用0.374的临界值将所有样本分为低风险和高风险组。基因集富集分析(GSEA)表明,低风险组在T细胞受体信号传导途径,抗原受体介导的信号传导途径,免疫球蛋白产生和免疫应答活化方面高度富集。
免疫疗法如CTLA-4,PD-1和PD-L1进行免疫检查点阻断是治疗各种恶性肿瘤的一种有前途的方法。因此确定了几种关键的免疫检查点调节剂以及炎症介质的表达水平。低风险组的CTLA-4,PD-1和PD-L1表达明显较高。低危组中其他重要的免疫调节剂或炎性介质也有所增加,包括LAG3,IL12A,IL12B,IL6,IFNG,IDO1,GZMB和CD47。
图6.评估不同组的免疫检查点基因
由于在训练和验证队列中观察到了M期与免疫评分之间的显着相关性,因此进一步分析了低危和高危人群之间的差异表达基因(DEG)。TCGA的同类群组。与低风险组相比,高风险组总共鉴定出218个DEG(38个上调基因和180个下调基因,FDR p值<0.05,表S4)。其中,高危组中上皮-间质转化(EMT)标记(如MMP9,SPP1,MMP12,MMP13和MMP1)显着过表达。根据基因本体论(GO)富集分析,高风险组中的基因主要涉及细胞外基质组织,细胞外结构组织,胶原分解代谢过程,胶原代谢过程和细胞外基质分解。
图7.不同风险组患者之间特征和信号通路的生物信息学分析
四、小结
在这项研究中,作者使用CIBERSORT来量化原发性BC中的22种TIIC,并通过新计算算法RNA转录本的CIBERSORT进行细胞类型鉴定,应用LASSO和多元Cox回归分析,建立了基于六个潜在的生物标志物构建免疫预后模型。基于RNA测序数据,使用175 BC肿瘤样本进一步验证了预后模型,在验证和测试队列发现BC高风险组的OS明显短于低风险组。列线图的测值中决策曲线显示出比标准肿瘤-淋巴结转移(TNM)分期系统更好的预测准确性。因此基于免疫细胞浸润的免疫评分模型可有效地预测BC患者的预后以及化疗效果。
联系客服