文献解读:基于肺癌免疫相关基因的预后模型

今天小编解读的这篇文章是2020年发表在Genomics （IF：6.205）上，题目为A signature of immune-related gene pairs predicts oncologic outcomes and response to immunotherapy in lung adenocarcinoma。这篇文章2020年7月投稿，8月接收，历时仅仅一个月。作者的研究发现了23-IRGPs模型，该模型被证明是LUAD患者的独立预后标志。重要的是，该模型可以增强对免疫疗法有反应的LUAD患者的识别。

摘要

本研究作者根据免疫相关基因对（IRGPs）的特征建立了肺腺癌（LUAD）预测模型，该模型没有考虑不同平台的技术偏倚。此外，作者探索了免疫微环境和对免疫疗法反应的预测模型，并确定了针对IRGPs模型的特定药物。确定了23个IRGP，并组成了预测模型。与高危组相比，低危组的预后明显好，其特点是免疫评分升高和肿瘤纯度降低。此外，低风险组表现出较高的免疫检查点分子，较低的肿瘤干指数，并且对免疫疗法更加敏感。最后，确定了针对LUAD亚型的候选药物。衍生的IRGPs模型是评估LUAD患者肿瘤结局的不良独立生物标志物，可能有助于制定个性化的免疫治疗策略。

流程图

结果简述

1. 一致性聚类检查不同的IRGP预后亚组

从TCGA数据库中筛选了来自ImmPort数据库的2498个IRG。进而从这些IRG中构建了22651个IRGP。随后，作者利用单因素Cox回归分析，利用LUAD患者的OS时间和生存状态，探讨了IRGP与预后之间的相关性。然后，进行LASSO回归的Cox分析以减小IRGP。

然后，作者使用一致性聚类分析了不同IRGPs预后亚组。作者发现聚类6和聚类7中的大多数样本保持稳定（下图A）。最后，通过面积曲线评估的最佳簇数为7（下图B）。因此，我们将样本分为七个分子亚型。如下图C所示，共识矩阵也用于识别最佳簇数。Kaplan-Meier生存分析显示IRGPs水平影响LUAD患者的预后（下图D）。

2. 训练数据集IRGPs模型的构建

簇7的预后最差，IRGP数量最多。然后，作者在训练集上进行了多元Cox回归分析，并选择了23个IRGP来构建预后模型（下图A）。计算每位LUAD患者的风险评分，然后将患者分为低风险或高风险（下图B-D）。Kaplan-Meier分析显示，高风险组LUAD患者的OS明显低于低风险组LUAD患者（下图E）。作者基于DSS，DFI和PFI进一步探讨了其预后价值。高风险LUAD患者也倾向于DSS（下图F），DFS（下图G）和PFS（下图H）较差。

为了确定IRGPs模型是可靠的预后生物标志物，根据临床特征将LUAD患者分为不同的亚组，包括年龄，性别，分期和T分期。Kaplan-Meier OS曲线还显示，高风险患者的OS比低风险患者差得多，这进一步表明了IRGPs模型的出色预测（下图）。

3. 验证集中进行IRGPs模型验证

然后，使用GSE31210数据集和验证数据集中的生存数据，测试了基于IRGP的预测模型的预测能力，以验证可靠性和稳定性。使用上述计算出的分数计算患者的风险评分，然后将LUAD患者分为低风险和高风险组（下图A-C）。与上述发现一致，验证集中的高风险患者的OS明显短于低风险患者（下图D）。对于DFS，高风险患者生存风险降低（下图E）。

4. 高风险和低风险LUAD患者之间的肿瘤免疫微环境

免疫评分和肿瘤纯度对于免疫功能至关重要，在免疫治疗中具有多种临床意义。然后探讨了免疫浸润的差异，以区分高危和低危LUAD患者。基于ESTIMATE算法，低风险组的免疫评分高于高风险组（下图A）。此外，作者比较了LUAD亚型的肿瘤纯度，并获得了相反的趋势：高危人群排名较高（下图B）。通过CIBERSORT方法结合LM22模型矩阵，作者评估了LUAD患者两组中22种免疫细胞类型的免疫浸润差异。两组之间11种免疫细胞的浸润不同（下图C）。为了进一步了解高风险和低风险LUAD患者之间差异表达的基因，潜在的生物学特征，作者通过R包clusterProfiler进行了GO富集分析。结果表明，差异表达的基因在诸如体液免疫反应和抗微生物体液反应等功能方面最丰富（下图D）。

这些生物学功能证明，差异表达的基因在LUAD患者的免疫相关生物学程序中起着至关重要的作用。

5. 评估LUAD亚型的免疫治疗反应

免疫检查点已成为治疗许多癌症的一种有希望的策略。作者研究了关键免疫调节剂（例如PD-L1，PD-1，PD-L2，LAG3，TIGIT和IDO1）的表达。如下图A-F所示，低风险患者与高风险患者相比，LUAD患者的免疫检查点分子表达更高。众所周知，癌症干细胞对癌症的生长，转移和复发至关重要，因此肿瘤通常对常规放射疗法和化学疗法具有抵抗力。作者进而执行了一类逻辑回归（OCLR）机器学习算法来计算肿瘤干度指数；然后，作者获得了两个干度指数，即基于mRNA表达的干度指数（mRNAsi）和基于表观遗传调控的干度指数（EREG-mRNAsi）。除此之外，作者观察到高风险组的干度指数值高于低风险组（下图G-H）。然后，作者利用TIDE算法来预测对免疫疗法反应的可能性。有趣的是，作者发现低风险组比高风险组更可能对免疫疗法产生反应（下图I）。这些数据进一步支持低风险亚型的预后较好，可能对免疫疗法有更好的治疗前景。

6. IRGPs模型与临床特征之间的相关性

为了阐明TCGA中其他常规临床特征时OS的预后模型是否是独立指标。单因素Cox回归分析显示T期，M期，N期，TNM期和风险评分与较差的生存率相关，多因素Cox回归分析显示风险评分可被视为LUAD的特定预后指标（下图A-B）。然后，作者通过ROC分析评估了模型的风险评分是否比其他临床参数更准确。实际上，风险评分比其他临床参数更准确（下图C）。还构建了一个综合了风险评分和临床风险因素的列线图，用于预测1年，3年和5年OS发生率。与临床特征相比，预后模型的风险评分在列线图中显示出优异的预测性能（下图D）。GEO的Cox回归分析也显示了相似的结果，即风险评分是预测LUAD患者OS的独立因素（p <0.001；下图E-F）。然后，作者进行了ROC分析，以比较模型的预测能力与其他临床特征。如下图G显示，该风险评分模型比其他临床风险因素具有更强的预测能力。然后构建了将危险评分和临床危险因素综合起来的列线图。在此列线图中，预后模型的风险评分还证明了预测LUAD患者的1年，3年和5年无病生存率的准确性（下图H）。

7. CMap数据库分析确定了针对IRGPs模型的新型候选药物

作者试图研究能够靶向CMap数据库中的潜在药物。对29种化合物的CMap作用模式（MoA）分析表明上述药物共有23种作用机理（如下图）。根据CMap数据库分析，三种药物（二氢麦角新碱，特拉唑嗪和长春胺）共享肾上腺素能受体拮抗剂的MoA，三种药物（塔兰西林，氨苄青霉素和头孢噻肟）共享细菌细胞壁合成抑制剂的MoA，两种药物（沙丁胺醇和沙丁胺醇）具有肾上腺素能受体激动剂的MoA，两种药物（Prestwick和Metergoline）具有多巴胺受体激动剂的MoA。作者的研究确定了靶向IRGPs特征的药物，并可能为进一步分析提供治疗靶标。