PAN凋亡基因特征可用于评估胆道癌患者预后和免疫状况

建中康康 2024-08-22 19:26:43

编者按:胆道癌(BTC)是仅次于肝细胞癌(HCC)的第二大常见原发性肝脏恶性肿瘤,在过去的几十年里,其发病率在全球范围内呈上升趋势。肝内胆管癌占所有BTC的20%,其余为肝外胆管癌(包括肝门部胆管癌和远端胆管癌)和胆囊癌。近日,一项发表于Hepatology International的研究基于19个PAN凋亡相关基因特征对BTC患者进行分子分型,为BTC患者个性化治疗策略提供了新的启发。

最近的研究表明,肿瘤微环境在BTC的进展和侵袭性中起关键作用。癌症治疗的首要目标是破坏肿瘤细胞,其治疗的重要策略就是诱导癌细胞死亡。程序性细胞死亡(PCD)是维持生物体发育和存活的一种活跃机制。研究最多的PCD通路是凋亡、焦亡和坏死性凋亡,它们在肿瘤微环境中起着至关重要的作用。最近的研究发现了一种名为PANoptosis的细胞死亡过程,包括凋亡、焦亡和坏死性凋亡。目前关于肿瘤PANoptosis的研究主要集中在实体恶性肿瘤,如肝细胞癌、胰腺癌、肺癌、肾癌等。然而,PANoptosis在BTC发病机制中的作用尚未明晰。该研究探讨了PANoptosis相关基因(PRGs)的预后价值,并建立了预测BTC患者预后和免疫/化疗反应的标志,证实了PRGs与肿瘤免疫微环境存在显著相关性。

研究者通过共识聚类分析,将纳入的患者分为A和B两个亚型。既往PANoptosis相关研究提出并应用了19个PRGs进行研究,因此,研究者对这19个基因特征进行LASSO回归分析,构建并验证了准确预测不同BTC患者总体生存率的9基因风险评分预后模型(9-gene risk score prognostic model)。此外,研究者还开发了一个预测列线图,展示了模型的临床实用性和稳健性。

预后模型构建

研究者计算了不同惩罚水平下的系数值(图1A)。首先,研究者基于十倍交叉验证确定了最优λ值,随后选择了两个最佳拟合值(λmin和λ1se),通过最小化均方误差构建LASSO模型,然后选择两组基因(λmin的9基因组和λ1se的4基因组,图1B)。为了提高模型的预后预测性能,研究者最终选择了9基因风险预测模型开展进一步研究。预测模型的ROC曲线分析显示,AUC分别为0.818(5年)、0.848(3年)和0.778(1年),表明该模型在预测总生存期(OS)方面性能良好(图1C)。

研究者通过多因素Cox回归分析这9个候选基因的系数预测的风险评分,将患者分为低风险组(n=66)和高风险组(n=49),临界值为0.92(图1D)。Kaplan-Meier生存曲线显示BTC患者高风险组OS<低风险组OS(P<0.0001)(图1E)。9个基因在高风险组和低风险组的表达情况如图1F所示,聚类、风险评分和生存状态之间的关系如图1G所示。

结果显示,B组BTC患者多为高风险评分,预后较差。研究者比较了这19种PRGs在高风险组和低风险组的表达水平差异,发现两组间CASP7、TAB3、MLKL、RIPK3、ZBP1的表达水平差异有统计学意义(图1H)。

图1. 基于PRGs的9基因风险评分预后模型的构建 (源自文献)

预后模型验证和预后预测图开发

研究者通过外部验证以阐明9基因风险评分预后模型的普遍性。研究者根据风险评分将TCGA BTC队列分为高风险组和低风险组(临界值为0.2)(图2A)。结果显示,高风险组OS较差(P=0.0091)(图2B)。在TCGA验证队列中,两组间RIPK1表达差异几乎有统计学意义(P=0.061)(图2C)。研究者指出,这种现象可能与验证组的样本量小有关。

19个PRGs的风险评分、生存状态和表达的热图如图2D所示。用于预测BTC患者1年、3年和5年OS的9基因风险评分预后模型的AUC值具有较好的效果(图2E)。独立预后分析、列线(图2F)和临床适用性分析(图2G、H)证实,9基因风险评分预后模型可以独立、准确预测BTC队列患者的OS。随后,研究者从GSE89749数据库中选择TH23患者进行随机化验证,发现使用或不使用风险评分作为列线因子预测后,预测准确率存在较大差异(图2G、H)。

图2. 9基因风险评分预后模型的验证和预后预测图的开发 (源自文献)

肿瘤对免疫治疗和化疗反应预测的免疫景观

研究者评估了风险评分与免疫细胞浸润之间的关系。分析显示,高风险组和低风险组ImmuCellAI浸润评分差异无统计学意义(图3A)。然后,研究者探索了高风险组和低风险组在第1层和第2层细胞类型的不同免疫细胞丰度(图3B、C)。在高风险组中,DC细胞、单核细胞、巨噬细胞和NKT细胞的数量较高。低风险患者中γ -δ细胞、Th1细胞和细胞毒性细胞丰富。

研究者根据9个基因的高表达或低表达水平对样品进行进一步分组,并在亚组水平上分析各种免疫细胞浸润的丰度,发现每个风险基因都与不同的免疫细胞亚型相关(图3D-L)。

研究者进一步将各风险基因的表达水平与免疫细胞浸润评分进行相关性分析,发现MUC16与免疫细胞浸润评分存在显著相关性(图3M),说明MUC16在9基因风险评分模型中发挥关键作用。

图3. 基于9基因风险评分和肿瘤对免疫治疗和化疗反应预测的免疫景观 (源自文献)

此外,研究者还研究了化疗药物与风险评分模型之间的关系。结果显示,多西他赛和长春花碱在两组中的差异有统计学意义。在未来的BTC治疗中,低风险患者或可受益于多西他赛和长春花碱的联合免疫治疗。

研究者还检测了每个细胞中9个基因的表达,其中在单细胞数据中未检测到ALKAL2的表达,因此总共有8个基因表达。其中4种在免疫细胞中有显著表达,SLC20A1与KRT17在恶性肿瘤细胞中表达较多,ITGA1在间质细胞中表达较多。

最后,研究者表示,PRGs可以准确预测BTC患者的预后和免疫治疗反应,从而为BTC的个性化治疗提供指导。该研究使我们对BTC中PANoptosis有了深刻的理解,并为BTC的临床治疗提供了更多策略。

参考文献:Liu, D., Chen, W., Han, Z. et al. Identification of PANoptosis-relevant subgroups and predicting signature to evaluate the prognosis and immune landscape of patients with biliary tract cancer. Hepatol Int (2024). https://doi.org/10.1007/s12072-024-10718-x

0 阅读:3