文献解读:卵巢癌免疫浸润

今天跟大家分享的是1月份发表在EBioMedicine上的一篇文章，影响因子6.680。

 

Tumour immune cell infiltration and survival after platinum-based chemotherapy in high-grade serous ovarian cancer subtypes: A gene expression-based computational study

铂类化学疗法治疗高度浆液性卵巢癌亚型后的肿瘤免疫细胞浸润和存活：基于基因表达的计算研究

 

背景：越来越多的证据表明肿瘤的免疫浸润与预后有关。在这里，作者寻求评估铂类化疗后高级别浆液性卵巢癌患者中免疫浸润细胞组成与生存的相关性，并通过分子亚型评估这些影响。

 

一.材料和方法

1.1研究人群和合格标准

该研究充分利用了公开可用的数据集。使用关键词“ovarian cancer”和“survival”系统地搜索了GEO，TCGA和ArrayExpress，以鉴定接受铂类化学疗法治疗的HGSOC患者的基因表达数据集。总共确定了28个研究。最后，作者筛选出未经铂类化学疗法治疗或尚无生存信息的I期或I级浆液性卵巢癌患者后，将来自13项研究的2218名患者纳入后续的数据分析中。图1显示了在统计分析的每个阶段使用的样本的详细信息。

图1.研究流程图详细说明了在统计分析的每个阶段使用了哪些样本

 

1.2分子亚型

TCGA研究的报告揭示了通过基因表达水平的一致非负矩阵分解分析鉴定出的四种HGSOC分子亚型，即“Differentiated”，“ Mesenchymal”，“ Immunoreactive”和“Proliferative”。此外，Verhaak et al.等人从1500个基因中开发了100个标记基因的亚型基因表达特征，这些基因用于TCGA的分子亚型分析。使用R中的“ e1071”软件包构建SVM模型，并使用SVM算法对基于TCGA样本的预测模型进行了训练，以进行分子亚型分类。然后，将此模型应用于其余12个数据集中的每个样本。作者计算了配对分子亚型的Cramer V系数，以评估该SVM模型预测的亚型与Verhaak等报道的亚型之间的一致性。Cramer的V统计指标的值介于零和一之间。其中介于0.36到0.5之间的值表示基本相关的关系，大于0.5的值表示密切相关的结果。

 

1.3从基因表达谱估计浸润免疫细胞的分数

作者应用CIBERSORT这种反卷积算法来估计复杂组织的细胞组成，应用LM22（具有547个基因的白细胞基因特征矩阵来区分22种人类造血细胞表型，包括幼稚和记忆B细胞，七种T细胞类型，自然杀伤细胞，巨噬细胞，浆细胞，树突状细胞，嗜酸性粒细胞，髓样亚群和中性粒细胞。作者利用标准注释文件制备的标准化基因表达数据，探索了LM22特征矩阵和1000个排列的CIBERSORT R函数，以量化22个肿瘤浸润免疫细胞亚群的相对比例。对该研究中的每个数据集分别进行免疫细胞比例的推断。最后作者使用热图对同类人群免疫细胞亚型之间以及不同分子亚型中的成对相关性进行了展示。

 

1.4统计分析

收集有关年龄，肿瘤组织学类型，等级，治疗方案和存活率的信息。临床终点为无进展生存期（PFS）和OS。作者首先排除了单核细胞并进行了生存分析，以测试21个免疫细胞组分与整个队列和分子亚型的生存之间的关联。在Cox比例风险模型中，计算了21个免疫细胞亚群中每个亚群的相对比例（从0到1）的四分位数（25%、50%和75%），并将其作为连续变量处理。其中四分位数是根据每个数据集中的分子亚型计算的。在多变量Cox比例风险模型中选择与未经调整的单变量Cox比例风险模型中的生存率显著相关的免疫细胞亚型。计算log-rank p值以评估各组间生存率的差异，并描绘出基于Kaplan-Meier估计的各个生存曲线。作者还对每个数据集内的免疫细胞亚群之间进行生存分析。

 

作者还应用以上方法检测免疫检查点（PD1、PDL-1、PDL 2和CTLA4）与生存率之间的关系。此外，在控制混杂因素的情况下，当选择单因素分析的变量时，可能会出现排除重要变量与预后相关的问题。为了解决这个问题，多变量Cox比例风险模型通过使用带有R包“ glmnet”的受罚最大似然拟合。根据1000个交叉验证测试的结果选择惩罚因子。

 

为了探讨是否存在不同类型的HGSOC肿瘤浸润免疫细胞模式以及这些模式是否与铂类化学疗法后HGSOC患者的生存相关，对CIBERSORT p值<0.05的患者进行了免疫细胞组分的分层聚类。

 

为了提供丰富（高比率）和稀有（低比率）免疫细胞亚群之间的可比性，每种免疫细胞类型的相对细胞比例值在0和1之间缩放 。通过在本研究中包括的所有HGSOC样本中， 使用PAM算法进行分区，从而对重新缩放后的数据进行了分层聚类。总之，作者使用了这些统计方法评估了肿瘤免疫细胞浸润簇与生存之间的关联。

 

二.结果展示

2.1 亚型的SVM预测模型在不同研究中的性能

作者通过使用来自Verhaak等人研究的100个标记基因，在TCGA发现样本（n = 488）中训练了基于SVM的分子亚型分类预测模型 。其余12个数据集中的每个样本都被分为四个子类型之一：“分化的”，“间充质”，“免疫反应性”和“增殖性”。接下来作者对来自三个已发表研究的数据进行了分析，以验证SVM模型的分类能力。TCGA发现数据集，TCGA验证数据集，Tothill，BONOME和Yoshihara_1的成对预测重叠的Cramer V系数具有高度一致性。对整个数据集进行的生存分析表明，这四种分子亚型之间的OS和PFS差异很大。在这四种亚型中，免疫反应性亚型患者的预后最佳，这与Verhaak等人的发现一致。

 

2.2  应用CIBERSORT交叉研究评估肿瘤免疫浸润

图2a总结了2218  HGSOC样本的肿瘤免疫浸润。作者使用八种基于微阵列的平台测量了13项研究的基因表达谱。还计算了可用于CIBERSORT分析的LM22特征矩阵中包含的547个基因的比率。在不同研究中，样本中最少和最多变的细胞类型分别是嗜中性粒细胞和M0巨噬细胞。作者计算了TCGA和Tothill数据集的细胞溶解活性，结果显示细胞溶解活性与CIBERSORT  p值临界值之间存在很强的顺序关系（图2b，2c）。图2d显示，与p>0.05组相比，p<0.01亚组对应于这三个亚型中肿瘤浸润免疫细胞的最大比例，与OS显著改善相关，而 0.01<p<0.05呈现与p>0.05组显著不同的OS。该结果支持CIBERSORT  p值反映了免疫细胞与非免疫细胞的比率。

 

以上结果表明22种不同免疫细胞在肿瘤中的浸润率之间的配对相关关系总体上呈弱到中度相关，在4种不同的分子亚型中也呈弱到中度相关。广义上讲，无论分子亚型如何，不同肿瘤浸润免疫细胞亚群之间的相关模式都是相似的。

 图2. 21种肿瘤浸润性免疫细胞亚群研究综述

 

2.3免疫细胞亚群的预后作用

免疫细胞类型分数与铂化学疗法治疗的HGSOC的存活率有关。图3a和b分别显示了OS和PFS的免疫细胞类型分数的四分位数的未经调整的HR和相应的95％CI。图3c-h显示了生存与免疫细胞之间的关联。

 图3. 整个队列中生存与免疫细胞之间的关联

 

2.4免疫细胞组分与预后之间的关联性按分子亚型的变化

作者根据HGSOC的四个分子亚组评估21种免疫细胞比例的预后价值并发现不同免疫细胞按分子亚型的预后效果存在差异。在差异亚群中，CD8+T细胞和静止肥大细胞与OS相关（图4a），在单变量分析中，21种免疫细胞比例中均不与PFS相关（图5a）。在免疫反应性亚群中（图4b），CD8 + T细胞和M0巨噬细胞（图4f）与良好的OS相关。M2巨噬细胞与不良OS相关。在单变量（图5b）和多变量分析模型中，免疫细胞比例均与PFS无关。在间充质亚型中，静息树突状细胞与OS相关（图4c），M1巨噬细胞与PFS相关，而高水平的中性粒细胞与较差的PFS相关（图5c）。在增殖亚群中，嗜酸性粒细胞在单变量分析中与OS相关（图4d）。活化的CD4+记忆性T细胞、T细胞γδ、嗜酸性粒细胞和静止肥大细胞与PFS不良相关，而活化的肥大细胞与PFS良好相关（图5e）。

 图4. OS与免疫细胞分子亚型的关系

 图5. PFS与免疫细胞分子亚型的关系

 

2.5与生存，分子亚型和分期有关的免疫簇

在这一部分，作者基于CIBERSORT p<0.05的样本的免疫细胞分数，进行了层次聚类，以探讨是否可以识别出肿瘤免疫细胞浸润的不同模式。图6a显示了四个簇的肿瘤免疫细胞比例，并且描绘了它们的分布。在不同的免疫簇之间发现了OS（图6b）和PFS（图6c）的不同模式。

图6. 基于免疫细胞比例和存活图的聚类分析

 

2.6免疫检查点靶标是预后指标

在这一部分，作者研究了作为临床使用药物（抗CTLA-4，抗PD-1和抗PD-L1）目标的免疫检查点分子与HGSOC患者生存率的关系。在组合的整个数据集中，CTLA-4的高表达水平与OS改善有关（图7a），PD1的高表达与良好的PFS相关（图7b）。在免疫反应性亚型中，PD1与良好的OS（图7c）和PFS（图7d）相关。在增殖性亚型中，CTLA-4（图7e）和PDL-1（图7f）与良好的OS相关。

 图7. Kaplan-Meier曲线显示了免疫检查点分子与临床结局的关系

 

好啦，这篇文章的内容就这么多啦~