17分生信-免疫来源的lncRNA signature

栏目:最新研究动态 发布时间:2022-07-22
目前,有研究构建一个免疫来源的lncRNA signature(IRLS)来改善个体结直肠癌患者的临床结果,该研究于2022年12月发表在......



长链非编码RNA lncRNAs)最近被认为与结直肠癌(CRC)的免疫修饰有关。然而,与免疫相关的lncRNAs的临床意义在很大程度上仍未被探索。目前,有研究构建一个免疫来源的lncRNA signatureIRLS)来改善个体结直肠癌患者的临床结果,该研究于202212月发表在《Nature communications》,IF17.694


技术路线:



主要研究结果:

1. 免疫浸润共识簇的开发和验证

该研究的总体设计如图1所示。根据单样本基因集富集分析(ssGSEA)评估的28个免疫细胞浸润,进行了共识聚类分析,其中所有CRC样本最初被分为k k = 2.9)个聚类。一致性得分矩阵和模糊聚类(PAC)统计量的累积分布函数(CDF)曲线表明,当k = 2时,得到最优数量(图1AB)。两个共识簇(C1C2)显示了免疫浸润的显著差异,C2的总体浸润度明显高于C1(图1CD)。因此,将C1定义为免疫冷肿瘤,C2定义为免疫热肿瘤。为了确保分析算法不影响两个共识聚类,使用TIMERquanTIseqMCP-counterxCellEPICESTIMATE6种算法来验证ssGSEA结果的稳定性和稳定性(图1E)。


1两种算法识别免疫相关lncRNA


2. 鉴定来自免疫浸润模式的lncRNA模块

加权相关网络分析(WGCNA)过程中,将软阈值β设为9no scale R2 R2 = 0.910),然后,12个模块被识别,以不同的颜色表示。在模块-性状关系中,黄色模块与免疫簇之间的相关性最高(图1F)。在黄色模块中,基因显著性(GS)与模块隶属度(MM)的相关系数达到0.96,说明lncRNA模块构建质量较优(图1G)。为了鉴定来自黄色模块内免疫浸润模式的hub lncRNA 526lncRNAs GS > 0.5MM > 0.6被认为是hub免疫相关lncRNA (图1 G)。


3. 免疫相关lncRNA产生于ImmLnc途径

ImmLnc系统地从lncRNA和基因表达谱中推断出免疫相关通路活性的候选lncRNA调控因子。一种假设是,如果一个特定的lncRNA在免疫调节中发挥关键作用,那么其相关基因应该富集在免疫相关通路的顶部或底部。通过ImmLnc管道,鉴定出了791个与免疫相关的lncRNA (补充数据1)。大量的lncRNA与细胞因子受体、TCR信号通路、趋化因子受体、自然杀伤细胞的细胞毒性以及抗原加工递呈通路相关(图1H)。将WGCNA结果进行交集,共提取出235个重叠lncRNA进行后续分析(图1I)。


4.综合构建一种共识特征

基于235个免疫相关lncRNA的表达谱,单因素Cox分析鉴定出43个预后相关lncRNA。对这43lncRNA进行了基于机器学习的整合程序,以形成一致的免疫相关lncRNA特征(IRLS)。在TCGA-CRC数据集中,通过LOOCV框架拟合了101种预测模型,并进一步计算了所有验证数据集中每个模型的C-index(图2A)。最优模型是Lassostepwise Cox direction = both)的组合,平均c指数最高(0.696),该组合模型在所有验证数据集中c指数领先(图2A)。在Lasso回归中,当基于LOOCV框架的偏似然偏差达到最小值时获得最佳λ(图2B)。对Lasso系数不为零的30lncRNA进行了stepwise Cox比例风险回归,最终确定了16lncRNA (图2C)。

接下来,通过Cox模型中16lncRNA的回归系数加权,计算每个患者的风险评分(图2C)。所有患者根据调查包确定的最佳临界值被分为高危组和低危组。如图2D-J所示,在TCGA-CRC训练数据集和6个验证数据集中,相对于低风险组,高危组患者的总生存期(OS)明显较低(均P < 0.05)。合并所有样本的元队列也显示出同样的趋势(P < 0.05)(图2K)。


2通过基于机器学习的集成程序开发并验证了一个共识IRLS


5. IRLS模型的评估

ROC分析测定了IRLS的鉴别度 (图3AB)。比较IRLS与其他临床和分子变量在预测预后方面的表现。如图3C所示,IRLS的准确性明显优于年龄等其他变量:性别、TNMTMBNALmicrosatellite stateACTTP53KRASBRAF突变(P < 0.05,除GSE29621IRLSAJCC期比较外)。这些结果推测出IRLSAJCC分期的结合可能会进一步提高该模型的预测能力。


3 IRLS模型的评估


6. 基于基因表达的CRC预后标志的比较

为了比较IRLS与其他预后特征的性能,作者全面检索了已发布的预后特征。由于GPL570注释的验证数据集中严重缺乏miRNA信息,miRNA签名被排除。最终,纳入了109signatures (包括mRNAlncRNA signatures)。这些signatures与各种生物学过程相关,如免疫应答、自噬、ferroptosis、干性、上皮间充质转化、toll样受体信号转导、缺氧、糖酵解、脂肪生成、维生素D、表观遗传学、n6 -甲基腺苷、衰老、WNT和药物敏感性。在所有数据集上对每个signatures进行单变量Cox回归,观察到在所有队列中只有作者的模型与预后显著相关(图4A),这证明了IRLS的稳定性。此外,将IRLSc指数与其他signature进行比较:IRLS在每个数据集上的表现都优于几乎所有模型(图4B)。大多数模型在自己的训练数据集和少数外部数据集(如Chen-Gene Dai-FIG)中表现良好,但在其他数据集中表现较弱(图4B)。这可能是由于过拟合所得模型的泛化性较差所致。我们的signature通过两种机器学习算法进行了降维,因此具有更好的外推潜力。


4 CRC中基于基因表达的预后标志比较


7. 在临床内部队列中验证

为了进一步验证IRLS模型在临床中的性能,下一步通过qRT-PCR分析评估了232CRC患者的临床队列中这些lncRNAs的表达。Kaplan-Meier分析一致表明,高IRLS患者的OSRFS显著较差(P < 0.0001)(图5A B)。在对混杂变量(包括年龄、性别、T分期、N分期、M分期、AJCC分期、microsatellite state、化疗、ICI治疗)进行控制后,IRLS模型对OS而非RFS仍具有统计学意义(图5CD),这与上述结果一致。ROC分析显示IRLS具有更高的准确性:预测135OSAUC分别为0.8400.7760.818(图5E)。同样,c指数达到0.765 95% CI = 0.691 0.839)。此外,比较了IRLS与其他临床特征的预测优势,观察到IRLS保持最佳性能(图5F)。总之,一项临床内部队列研究的结果支持我们的发现,验证并证实了IRLS模型是相当稳健的,可以作为CRC预后的独立预测因素。


5临床内部队列验证


8. 基于氟尿嘧啶的ACT和贝伐珠单抗受益的预测价值

越来越多的证据表明,lncRNAs与基于氟尿嘧啶的ACT和贝伐珠单抗的敏感性和耐药性有关。在此,进一步评估了IRLS对量化基于氟尿嘧啶的ACT和贝伐珠单抗疗效的预测价值。作者发现,在GSE19860GSE28702GSE45404GSE69657GSE72970中,有应答者的IRLS评分明显高于无应答者(P< 0.05)(图6A-E)。应答者在GSE62080中有更高的IRLS趋势,但这并不显著(图6F),这可能与样本量小有关(n = 21)。ROC分析显示,IRLS可以准确预测基于氟尿嘧啶的ACT的疗效,其AUC值较高的有GSE198600.843)、GSE287020.778)、GSE454040.693)、GSE696570.765)、GSE729700.709)和GSE620800.722)(图6G-L)。同样,应答组的IRLS也更高(图6M),RLS也可以明显区分氟尿嘧啶ACT的应答者和无应答者(AUC = 0.854)(图6N)。

与单独使用基于氟尿嘧啶的ACT相比,对贝伐珠单抗敏感的患者在GSE19860 P = 0.075)、GSE19862 P = 0.112)和GSE72970 P = 0.011)中表现出较低的IRLS水平(图6O-Q)。在三个独立数据集中,预测贝伐珠单抗疗效的IRLSAUC分别为0.7710.6940.781(图6R-T)。这表明IRLS在贝伐珠单抗中也有良好的表现。综合来看,IRLS高的患者往往对氟尿嘧啶ACT敏感,对贝伐珠单抗耐药,而IRLS低的患者往往对贝伐珠单抗敏感,对氟尿嘧啶ACT耐药。


6基于氟尿嘧啶的ACT和贝伐珠单抗疗效的预测价值


9. IRLSICI治疗的意义

细胞浸润分析显示,在TCGA-CRCMeta-GEO队列中,IRLS与免疫浸润丰度呈显著负相关(图7AB)。同样,IRLSCD8A散点图在队列(r = 0.674,图7D)中显示出负相关。为了进一步验证CD8A蛋白在IRLS不同水平的表达,对石蜡切片进行了免疫组化。免疫组化图像和评分显示,低危组CD8A表达显著增高(图7E F)。这表明低IRLS的患者可能拥有更多的ICI治疗后备资源。此外,IRLS也与TCGA-CRCPD-L1的表达呈负相关(r = 0.612,图7G)和队列(r = 0.548,图7H)。在蛋白质水平上也发现了这一一致的发现(图7I J)。IRLS能够准确预测TCGC-CRCdMMR/M SI-H表型(AUC = 0.883)、Meta-GEO AUC = 0.778)和内部队列(AUC = 0.794)(图7K M),这表明IRLSmicrosatellite state评估的良好替代。ROC分析显示,IRLS也能明显区分派姆单抗的应答者和无应答者(AUC = 0.897),且明显优于PDL1 AUC = 0.686 P<0.001)和CD8A AUC = 0.725 P <0.01)表达(图7N)。


7 IRLSICI治疗的意义


结论:

基于大量生物信息学和机器学习算法,作者开发了一个稳定而强大的signature,用于评估基于氟尿嘧啶的ACT、贝伐珠单抗和派姆单抗的预后、复发和益处。该IRLS模型是一个有前景的工具,可以优化单个CRC患者的决策和监测方案。


参考文献:

Liu Z, Liu L, Weng S, Guo C, Dang Q, Xu H, Wang L, Lu T, Zhang Y, Sun Z, Han X. Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer. Nat Commun. 2022;13(1):816. doi: 10.1038/s41467-022-28421-6