【文章发表】求臻医学助力山东知名消化道肿瘤团队,提出新型免疫预后模型,推进肝癌患者免疫治疗疗效预测

2021-04-29 求臻医学企宣

近日,求臻医学助力山东知名消化道肿瘤团队提出了新型免疫预后模型(ImmuneRiskScore),将推进肝癌患者的免疫检查点封锁治疗反应预测。相关科研成果已在线发表于BMC Cancer(影响因子:3.150),论文题目为“Comprehensive analysis of immune-related prognostic genes in the tumour microenvironment of hepatocellular carcinoma”。

求臻医学

研究背景


肝癌(HCC)是最常见的恶性肿瘤之一,5年生存率仅为18%。然而,传统的治疗方法,如放疗和化疗,并没有显著延长HCC患者的总生存率(OS)。免疫检查点治疗作为当下迅速发展起来的治疗手段受到广大关注,也同时为肝癌治疗带来了新的机遇,约有40%的HCC患者经受免疫治疗后达到控制或稳定病情的效果。但尚缺乏研究基于免疫基因的预后模型来系统的评价肿瘤微环境(TME)以及免疫相关的特性在HCC进展中的作用,进而预测患者的整体生存。


本研究结合求臻医学强大的基因组信息分析能力,基于对肿瘤基因组图谱(TCGA)数据库中HCC队列的综合分析,创新性地提出了新型免疫预后模型(ImmuneRiskScore) ,为改善HCC患者免疫治疗预后带来新的临床指导价值。


研究方法


本研究采用基因组信息学方法对肿瘤基因组图谱(TCGA)数据库中HCC队列的差异表达基因(DEGs)和肿瘤免疫相关基因 (InnateDB; ImmPort)进行了综合分析。通过加权基因相关性网络分析(WGCNA)确定了144个候选基因,继而通过lasso-cox回归分析方法确定由7个免疫相关预后基因构建了免疫风险预后模型(ImmuneRiskScore)。最后在独立数据集上评估ImmuneRiskScore的预后效能,并进一步探讨免疫细胞浸润与免疫治疗生物标志物的相关。


研究结果


1   免疫风险预后模型ImmuneRiskScore的构建及预后效能评估


利用LASSO COX回归分析确立ImmuneRiskScore模型(图A和图B)。


求臻医学

   

图1.  肝癌免疫相关基因的LASSO Cox回归分析


根据ImmuneRiskScore将患者分为高危组和低危组,高危组样本比低危组样本的总生存期(图A)和无复发生存期(图B)均更差,预后模型对1年至5年生存期的预测曲线下面积(Area Under the Curve, AUC)分别为0.608,0.614,0.620(图C)。


求臻医学


图2.  在HCC队列中对ImmuneRiskScore模型的验证


肿瘤免疫功能失调和排斥(TIDE)是一种现有基于基因表达的免疫治疗生物标志物,旨在预测对免疫检查点封锁(ICB)治疗的临床反应,本研究中,ImmuneRiskScore显示出与TIDE-score 的显著正相关性(图A)。另外在四组独立的验证队列中,ImmuneRiskScore模型对于预测HCC患者免疫疗法的反应依旧显示出优势(图B)。模型的AUC分别为0.83,0.73,0.70和0.60。


求臻医学

图3.  独立验证队列评估ImmuneRiskScore 对ICB治疗的反应的预测效能



2   探索ImmuneRiskScore反映TME的免疫特性


文章阐述具有不同ImmuneRiskScore值的患者免疫细胞浸润的差异,探索了免疫细胞浸润与免疫治疗生物标志物的相关性。ImmuneRiskScore作为HCC患者的预后标志物可反映TME的免疫特性,该模型为预测HCC患者对免疫治疗的反应提供了潜在的生物标志物。


求臻医学

图4.  不同ImmuneRiskScore组之间的免疫微环境概况


结论及意义


本研究由求臻医学提供生物信息学分析方法支持,对HCC队列差异表达基因和肿瘤免疫相关基因进行综合分析,确立ImmuneRiskScore是基于7个免疫相关基因表达值的风险预后评分模型,该模型能有效反应HCC患者的免疫应答水平,为改善HCC患者的免疫治疗预后提供临床指导意义。

相对于其他的免疫标志物信号,例如PD-L1, PD-1, PD-L2, CTLA-4, CYT, IFN-γ and Pan-F-TBRS,ImmuneRiskScore均表现出高度的正相关型。这些生物标志物是肿瘤炎性微环境中与促炎症细胞因子相关的成分,因此ImmuneRiskScore将有助于阐明癌症与TME之间相互作用和分子机制的复杂性。

此外,在接受ICB治疗的肾透明细胞癌及黑色素瘤患者队列中,ImmuneRiskScore同样表现出优越的预测能力,它将可能为预测泛癌种免疫治疗的反应提供了一个潜在的生物标志物。



参考文献:


1. McGuire S. World cancer report 2014. Geneva, Switzerland: World Health Organization, International Agency for Research on Cancer, WHO Press,2015. Adv Nutr Int Rev J. 2016;7(2):418–9.


2. Greten TF, Lai CW, Li G, Staveley-O'Carroll KF. Targeted and immune-based therapies for hepatocellular carcinoma. Gastroenterology. 2019;156(2):510–24. https://doi.org/10.1053/j.gastro.2018.09.051.


3. Bhattacharya S, Dunn P, Thomas CG, Smith B, Schaefer H, Chen J, et al. ImmPort, toward repurposing of open access immunological assay data for translational and clinical research. Sci Data. 2018;5(1):180015. https://doi. org/10.1038/sdata.2018.15.


4. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559. https://doi.org/10.11 86/1471-2105-9-559.


5. Newman AM, Liu CL, Green MR, Gentles AJ, Feng W, Xu Y, et al. Robust enumeration of cell subsets from tissue expression profiles. Nat Methods. 2015;12(5):453–7. https://doi.org/10.1038/nmeth.3337.


6. Van Allen EM, Miao D, Schilling B, Shukla SA, Blank C, Zimmer L, et al. Genomic correlates of response to CTLA-4 blockade in metastatic melanoma. Science. 2015;350(6257):207–11. https://doi.org/10.1126/science.aad0095.


7. Teschendorff AE, Miremadi A, Pinder SE, Ellis IO, Caldas C. An immune response gene expression module identifies a good prognosis subtype in estrogen receptor negative breast cancer. Genome Biol. 2007;8(8): R157. https://doi.org/10.1186/gb-2007-8-8-r157.


8. Taube JM, Anders RA, Young GD, Xu H, Sharma R, McMiller TL, et al. Colocalization of inflammatory response with B7-h1 expression in human melanocytic lesions supports an adaptive resistance mechanism of immune escape. Sci Transl Med. 2012;4(127):127ra137.


9. Rooney MS, Shukla SA, Wu CJ, Getz G, Hacohen N. Molecular and genetic properties of tumors associated with local immune cytolytic activity. Cell. 2015;160(1–2):48–61. https://doi.org/10.1016/j.cell.2014.12.033.


10. Liang R, Zhi Y, Zheng G, Zhang B, Zhu H, Wang M. Analysis of long noncoding RNAs in glioblastoma for prognosis prediction using weighted gene co-expression network analysis, Cox regression, and L1-LASSO penalization. Onco Targets Ther. 2019; 12:157–68. https://doi.org/10.2147/OTT.S171957.