最新1区10+纯生信，综合分析胃癌的多个分子分型系统。学习一下如

影响因子：10

研究概述：胃癌作为全球第五常见的癌症和第三常见的癌症死亡原因, 是一个侵袭性和致命的疾病。为了提高胃癌的治疗效果，我们必须超越传统的一刀切治疗方法，因为这种疾病在区域、治疗和分子层面上存在显著的异质性。为了剖析肿瘤的异质性并确定个性化的治疗策略，已经为胃癌开发了多种复杂的多组学分子分类系统，如TCGA、亚洲癌症研究组（ACRG）和肿瘤微环境（TME）评分所提出的系统。这些分类系统已被证明具有预后效用，并可能为个性化治疗提供指导。但是，目前尚不清楚哪些分子分类方案在未来的研究中最有前景。此外，这些分类器的临床应用目前受到限制。将这些分类器转化为更可行的测试或现有队列的工作受到基因组测量的跨平台异质性和临床甲检测等因素的阻碍。因此，本研究中，作者整合了TCGA、ACRG和TME分子分类系统，对胃癌进行了全面和比较分析。作者发现，活跃的肿瘤微环境是唯一与改善预后和增强接受化疗患者生存相关的分子特征。作者还首次对外验证了TME评分在胃癌检查点抑制剂免疫治疗环境中的效用。这种综合分类为未来在胃癌中对分子亚型的研究及其在个性化医学中的应用提供了路线图。具体研究如下：

研究结果：

机器学习识别TCGA、ACRG和TME的分子分类模型

作者使用二十四种机器学习监督模型在TCGA、ACRG和TME分类系统进行准确性检验。作者使用LASSO算法确定了由57个基因组成的最优TCGA分类模块（准确度：89.5% ± 0.04）（图B）。同样地，作者使用SVM 算法+ GBM算法计算39个基因最优的ACRG亚型分类（准确度达到了84.7% ± 0.04）（图C）。最后作者使用随机森林模型中的前50个GBM特征，达到了TME 89.3% ± 0.02的准确度（图D）。对于上述的三个模型，作者还计算了每个模型的标定误差（SKCE）。多类模型的校准方法与传统的直方图基础指标相比，可降低校准效果（图E）。例如，与未校准模型相比，作者的TME模型采用Regularized Platt方法显著改善了ECE（p=0.011）和Brier评分（p=0.043）（图D）。校准后的TME模型也导致显著的SKCE减少（Wilcoxon检验，p = 0.007）（图E）。而L2二项式校准则是将模型准确度提高到89.4% ± 0.01，因此被选为最终模型。

胃癌具有显著的分子亚型异质性

接下来，作者使用前面筛选出来的L2二项式校准模型对本研究中包含的2,202名患者进行了分子亚型的学习（全部患者来自11个公共数据库）。值得注意的是，在对分子亚型进行学习之前，作者对每个模型的目标分布进行了特征特定分位数标准化（表一）。患者的中位年龄为61岁，其中67%为男性。在TCGA、ACRG和TME分类系统中，年龄和阶段在亚型之间有显著差异（Kruskal-Wallis和Chi-squared检验，p<0.05）。作者发现性别、分级、Lauren分类和肿瘤位置在TCGA和ACRG亚型之间有显著差异，但在高免疫微环境评分（TME High）和低免疫微环境评分（TME Low）肿瘤之间相似。从分类层面来看，CIN是TCGA亚型中最常见的类型（1,631名患者，67%）。相比之下，EBV型为124例（5.6%），基因稳定型（GS）为189例（8.6%），TCGA MSI肿瘤为258例（12%）。按递减的流行度排序，分配了850例（39%）MSS TP53-，702例（32%）MSS TP53+，372例（17%）MSI，和278例（13%）上皮间质转化（EMT）ACRG亚型。TME High和TME Low肿瘤分别包括731例（33%）和1,471例（67%）患者。

图A显示了不同肿瘤分子分型的分布距离。作者接着使用聚类热图揭示了不同分类系统之间的关系（图B）。具体来说，与富含MSS TP53+、CIN和TME Low评分的Cluster 1相比，最有利的生存结果在具有显著TME High、TCGA MSI和ACRG MSI评分的Cluster 2肿瘤中被识别出来（HR 0.29 [95% CI 0.2,0.44]；p<0.001）。最差的相关总体生存在富含TME Low、EMT肿瘤和CIN和GS评分异质值的Cluster 5中被识别出来（HR 1.38 [95% CI 1.11,1.71]；p<0.01）。此外，在聚类之间，肿瘤位置、阶段、Lauren分类和印戒细胞状态的分布存在显著差异（p<0.0001）。其中，显著的肿瘤亚型包括CIN、MSS TP53-和TME Low（n=572）或CIN、MSS TP53+和TME Low（n=363）（图C）。图D的桑基图展示了不同亚型的异质性。突出的趋势包括CIN肿瘤相对于所有其他分子亚型的普遍性，以及TME Low亚型与GS和EMT肿瘤的主导地位。作者还观察到间充质型肿瘤（如GS和EMT）之间的异质性模式的差异：大多数GS肿瘤分布在所有ACRG亚型中，而EMT亚型主要仅与TCGA CIN和GS亚型相关。接着，作者为这些亚群创建了ROC曲线，结果显示EBV型癌症的亚型评分几乎完美地表示出了EBV阳性感染（AUC 0.997 [95% CI 0.994, 1]，p<0.001）。TCGA MSI和ACRG MSI评分在识别MSI状态方面同样表现良好（TCGA MSI AUC 0.955 [95% CI 0.923,0.987]，p<0.001；ACRG MSI AUC 0.916 [95% CI 0.884, 0.948]，p<0.001）。TCGA CIN评分比MSS TP53-评分更好地反应了CNV GI状态（CIN AUC 0.860 [95% CI 0.805,0.915]，p<0.001；MSS TP53- AUC 0.732 [95% CI 0.656, 0.808]，p<0.001）。

肿瘤微环境评分是一个独立的预后因素

作者利用包含2,197名有总生存数据的患者队列，对分子亚型进行生存分析。结果显示，EBV型和TCGA MSI肿瘤与CIN和GS相比，具有显著更长的总生存期（图A）。与原始的ACRG队列相比，作者发现MSS TP53+和MSS TP53-肿瘤在预后方面更相似（图B）。此外，作者发现TME High肿瘤相对于TME Low（HR 0.47 [95% CI 0.41, 0.55], p<0.001）具有显著的有利预后效应（图C）。接下来，作者比较了使用连续性的分子亚型评分与分类性的分子亚型预测价值（图D）。作者利用非嵌套模型和多变量Cox模型来评估每个分子亚型的预后价值。结果发现使用分子亚型的连续解释的模型实现了显著的模型性能改进（图D）。作者利用1,043名化疗患者构建了一个综合的多变量Cox模型，以评估与突出的临床病理因素相对的分子亚型的预后作用（图E）。结果发现，TME亚型是唯一统计学上显著的独立预后分子分类系统（HR 0.54 [95% CI 0.39, 0.74], p<0.001）。接受化疗的有益效果几乎与高TME肿瘤相同（HR 0.59 [95% CI 0.45, 0.77], p<0.001）。并且，研究人群来源是一个重要变量。年轻年龄和肠型Lauren类肿瘤也有助于生存，而III期和IV期肿瘤对总生存有最大的影响。在确定了与更高TME High肿瘤评分相关的生存优势后，作者对每个分子亚型内的TME异质性进行了亚群分析。在通过TME肿瘤状态分层的TCGA MSI肿瘤中，KM曲线显示了显著的预后差异（TCGA MSI HR 0.38 [95% CI 0.24,0.60]）（图F）。最后，作者同时为每个分子亚型提供了与TME High肿瘤相关的Cox模型系数，结果发现不论什么分子亚型（例如CIN或MSS TP53+），总可以识别出改善总生存期的负Cox模型系数，表明具有更高TME High评分/状态的肿瘤。最后，当作者考虑每个分子亚型内TME High肿瘤时，发现具有更大程度的TME High肿瘤通常具有更长的总生存期（图H）。

倾向评分匹配提示高TME肿瘤与辅助化疗相关联的改善生存

作者使用倾向得分匹配分析来描绘不同分子亚型中潜在的治疗效应；使用逻辑回归来计算接受化疗的可能性，包括分子亚型、年龄、分期、肿瘤位置、Lauren分类和研究识别等混杂变量；以4:1的比例进行匹配。在作者的队列中，辅助/姑息化疗对II-IV期胃腺癌的整体效应是有利的（HR 0.66 [95% CI 0.50,0.87]）（图A）。接下来，作者检查了MSI状态与化疗之间的关系；观察到MSI评分的增加与接受化疗的患者生存相对于化疗没有显著的交互效应（图B）。接着作者为按化疗、MSI和TME状态分层的患者提供了Kaplan-Meier曲线。最佳预后被确定为MSI High、TME High并接受化疗的MSI High、TME High组，其次是MSS、TME High并接受化疗的组（图C）。作者观察到，TME High评分最低的患者无论是否接受化疗，其效果几乎相同。随着TME High评分的增加，未接受化疗的患者有一些生存益处，但接受化疗的患者看到了比例更大的生存益处（图D）。为了评估TME High评分能否预测转移性胃癌对免疫治疗的反应，作者从Kim等人公共数据集中识别出43名接受PD-1抑制剂pembrolizumab治疗的转移性胃癌患者的RNAseq数据。作者使用他们的机器学习模型为TCGA（32个CIN，3个EBV，2个GS和6个MSI）、ACRG（4个EMT，11个MSI，18个MSS TP53-和10个MSS TP53+）和TME（7个TME High和36个TME Low）注释了分子亚型。将完全或部分反应者视为应答者（n=13），将稳定疾病或进行性疾病患者视为无应答者（n=31）。通过Wilcoxon检验和Benjamini-Hochberg多重比较校正，发现TME High、TCGA CIN和ACRG MSI评分在应答者和无应答者组之间存在显著差异（p < 0.01）（图E）。最后，作者使用ROC评估了分子亚型评分对免疫治疗反应的预测效用。结果提示：TME High评分有着显著的AUC为0.83 [95% CI 0.66, 1]（p < 0.05）。而将TME High评分与TCGA MSI和TCGA EBV结合使用可显著提高了AUC。当两者结合使用时，TME High和TCGA MSI评分显著优于TCGA MSI作为单一变量预测因子（TME High + TCGA MSI AUC 0.92 [95% CI 0.80, 1]与TCGA MSI AUC 0.71 [95% CI 0.50, 0.92]，p < 0.05）（图F-H）。

TME High肿瘤表现出独特的免疫学特征

鉴于TME High肿瘤在预后和治疗分析中的卓越作用，作者使用TCGA患者进行了针对性的免疫学分析。首先进行分子亚型评分与癌症免疫景观变量的Spearman相关性分析。结果发现，尽管基质组织相对丰度、低增殖和伤口愈合等signature表达相似，但EBV亚型表现出独特的CD4+激活记忆T细胞、区域肿瘤浸润淋巴细胞、干扰素-γ反应和CD8+ T细胞的丰度。而TME High肿瘤拥有着如低基质丰度、增加的干扰素-γ、提高的CD8+ T细胞和肿瘤浸润淋巴细胞等多种有利的免疫特征（图A）。最后作者进行了Dunn检验来检查分子亚型与免疫特征之间的成对比较（图B-F）。与EBV型、TCGA MSI和ACRG MSI等其他肿瘤相比，低TGF-beta反应是TME High肿瘤的明确特征（图B）。相反，与GS、EMT、TME Low和CIN肿瘤相比，GS和EMT型肿瘤中富含高的TGF-beta表达，而TME High和MSI型肿瘤在伤口愈合signature和Th2细胞富集中表现突出（图C-F）。在TME High、TCGA MSI、ACRG MSI和EBV型肿瘤中观察到促炎M1型巨噬细胞的富集（图D）。

研究总结：

对于肿瘤的分子分型应该说是个老生常谈的话题了，迄今为止有了上千上万篇文章。但是本研究综合分析了胃癌的多个分子分类系统，利用多种较为复杂的算法，综合分析发现肿瘤微环境（TME）评分是预测胃癌患者生存结果和治疗反应的关键因素。作者利用监督机器学习模型，以较高准确率预测了TCGA、ACRG和TME亚型，并在2202名胃癌患者中验证了这些亚型。TME评分高与更好的预后和对辅助化疗的良好反应相关，也可能提高对免疫治疗反应的预测准确性。研究表明，TME评分高的患者群体在MSI和EBV肿瘤中更为常见，这些患者通常对免疫治疗有更积极的反应。本研究还强调了将冷肿瘤微环境转变为热肿瘤微环境的重要性，并提出了潜在的免疫调节疗法，如趋化因子治疗、NK细胞增强或癌症疫苗等。总的来说，这篇文章的切入点和结论其实没有很创新，但是作者展示了如何通过整合不同来源的数据和利用先进的统计方法来揭示肿瘤微环境中的关键生物学特征，并为开发新的治疗策略提供了科学依据。这是值得我们学习的地方。