基于免疫原性细胞死亡相关lncRNA模型，预测抗肿瘤药物靶点预后

Prognostic value of antitumor drug targets prediction using integrated bioinformatic analysis for immunogenic cell death-related lncRNA model based on stomach adenocarcinoma characteristics and tumor immune microenvironment

基于胃腺癌特征和肿瘤免疫微环境的免疫原性细胞死亡相关lncRNA模型，利用综合生物信息学分析预测抗肿瘤药物靶点的预后价值

发表期刊：Front Pharmacol

发表日期：2022 Oct 14

影响因子：5.988

DOI:  10.3389/fphar.2022.1022294

一、研究背景

        胃癌的发病率排在第五位，死亡率排在第四位，在2020年有超过一百万的新病例。胃腺癌（STAD）是最常见和最恶性的亚型。

        免疫原性细胞死亡（ICD）是一种癌细胞死亡，可以促进免疫功能正常的宿主激活免疫系统对抗肿瘤。ICD包括损伤相关分子模式（DAMP）的释放，从垂死的肿瘤细胞中释放，导致肿瘤特异性免疫反应的激活。ICD可以由某些化疗药物、溶瘤病毒、光动力疗法和放疗触发。

        长非编码RNAs（lncRNAs）有200多个核苷酸，调节癌症的各种生物过程。NcRNAs影响胃癌化疗和免疫疗法的抗性。EIF3J-DT通过刺激自噬诱导STAD化疗抗性；MEG3通过阻断p53信号传导抑制STAD增殖和转移。致癌性lncRNAs如浆细胞瘤变异易位1（PVR1）与化疗抗性有关。

二、材料与方法

1、数据来源

1） TCGA数据库：375个癌症样本和32个非癌症样本的TPM RNA-seq数据

2） 从已发表的研究中检索出34个ICD相关基因

2、 分析流程

流程图

三、实验结果

01 - 为STAD患者建立5个ICD相关的lncRNA风险模型

        从STAD样本中确定了572个ICD相关的lncRNAs。其中，358个lncRNAs是差异表达的ICD相关lncRNAs（图2A,B）。34个ICD相关基因和不同表达的lncRNAs的共表达网络显示在图2C。

图2 识别STAD患者中不同表达的ICD相关lncRNAs

        作者利用单变量Cox回归发现了24个预后良好的ICD相关lncRNAs（图3A），在此基础上构建了热图（图3B）。此外，这些lncRNAs受其相关基因的正向调节（图3C）。进行Lasso回归，整理出五个lncRNAs（图3D，E）。此外，这五个lncRNAs和ICD基因之间的相关性显示在图3F。每个样本的风险分数是用下面的方法计算出来的：风险分数=AC131391.1 ×（0.6469）+ PVT1 ×（-0.8239）+ LINC00592 ×（1.0268）+ AL139147.1 ×（0.8928）+ VCAN-AS1 ×（0.9535）。

图3 构建STAD患者ICD相关lncRNAs的预后模型

        使用上述算法，根据风险评分中位数，并将TCGA-STAD队列、训练集和验证集划分为低风险和高风险队列。如图4所示，建立了五个ICD相关的lncRNA预后模型来预测患者的OS。风险分数分布见图4A-C。在高风险类别中，有更多的死亡观察（图4D-F）。每组中五个风险lncRNAs的表达情况见图4G-I。根据KM图，低风险组的观察结果比高风险组的观察结果要长（图4J-L）。

图4 五个ICD相关lncRNAs模型的预后价值

        单变量Cox回归分析显示，风险评分和分期都与患者的预后有很大关系（图5A）。利用多变量分析，风险评分和分期可独立预测STAD患者的OS（图5B）。根据ROC曲线（图5C），风险特征比其他临床指征更具预测性。在1、3和5年时，曲线下面积（AUC）分别达到0.696、0.640和0.649（图5D）。从C-指数曲线来看，风险特征的得分也最高（图5E）。根据研究结果，ICD相关的lncRNAs风险模型对STAD表现出比经典的临床和病理特征更强的预后预测作用。

        作者还开发了nomogram（图5G）以加强对STAD患者的生存预测。1年、3年和5年的OS校准曲线显示了预测和观察之间的高度一致性（图5F）。

图5 ICD相关lncRNAs的预后分析

02 - 免疫学特征与风险模型之间的关系

        作者对比了高风险或低风险组之间肿瘤微环境的变化。检查了浸润肿瘤的22种免疫细胞（图6A），并观察到免疫细胞之间的显著相关性（图6B）。气泡图显示了免疫细胞和风险分数之间的相关性（图6C）。大多数免疫细胞与风险分数呈正相关，特别是XCELL的造血干细胞、静止记忆CD4+T细胞、活化肥大细胞、CIBERSORT-ABS的M2巨噬细胞、QUANTISEQ的B细胞和MCPCOUNTER的癌症相关纤维细胞。此外，与高危组相比，低危组的记忆B细胞、静止树突状细胞、浆细胞、单核细胞和静止肥大细胞更为丰富，而高危组的活化CD4+记忆T细胞、静止NK细胞和M0巨噬细胞的表达水平更高（图6D）。此外，肿瘤微环境评分由 "ESTIMATE "确定，以量化基质-免疫细胞的比例。高风险的STAD个体具有较高的基质、免疫和整体ESTIMATE得分（图6E），表明高风险组的免疫学部分更大。然后，高风险类别的人表现出更高的TIDE得分（图6F），表明高风险评级的患者可能更容易受到免疫逃避的影响。

图6 风险模型中的肿瘤浸润性淋巴细胞

        作者通过ssGSEA评估了免疫细胞和免疫功能的得分。结果发现，高危组中多种免疫细胞（B细胞、DCs、iDCs、巨噬细胞、肥大细胞、中性粒细胞、pDCs、T辅助细胞、TIL和Treg细胞）的富集分数升高（图7A）。此外，高危组的免疫功能评分，如APC共刺激、CCR、检查点、MHC 1类、副炎症、T细胞共刺激、I型IFN反应和II型IFN反应也明显升高（图7B）。这些结果表明，ICD相关的lncRNAs参与了免疫细胞功能的调节。此外，免疫细胞的比例和功能与风险组不同，检查点和HLA基因随风险分值升高（图7C,D）。最重要的是，高危人群表现出免疫热的表型，而低危人群则表现出免疫冷的特征。从这个意义上说，免疫检查点抑制剂（ICI）治疗对高危人群可能比低危人群更有利。

图7 风险模型的免疫特征

03 - 富集路径的综合分析

        主成分分析（PCA）分析表明，STAD病例可根据其风险分数分为两个不同的集群（图8A），然后整理出978个差异表达基因（DEGs）。图8B显示了GO富集情况。DEGs在PI3K-Akt信号通路、MAPK信号通路和Wnt信号通路中富集（图8C）。异常的Wnt/β-catenin信号通路促进了癌症干细胞的更新和分化，从而在肿瘤发生和治疗反应中发挥了关键作用。Wnt通路还可以影响Treg细胞、T-helper细胞、树突状细胞和其他表达细胞因子的免疫细胞，Wnt信号的激活导致对免疫疗法的抗性增加。此外，包括钙信号传导、扩张型心肌病和ECM受体相互作用等途径在高风险组中选择性地富集（图8D）。低风险组有细胞周期、DNA复制和嘧啶代谢的富集（图8E）。

图8 对富集的路径进行全面分析

04 - 体细胞突变

        作者用Fisher's exact检验确定了差异性突变，在两个风险组中发现了不同的体细胞突变情况。TTN、TP53、MUC16、LRP1B和ARID1A的基因突变最多，其中TTN排名第一（图9A，B）。低风险组比高风险组的肿瘤突变负担（TMB）更大（图9C）。此外，在STAD队列中，TMB分数较高的患者显示出较好的OS（图9D），而在高危组中，TMB分数较低的观察对象具有最差的OS（图9E）。这些发现表明，体细胞突变与风险分数和生存概率有关；低风险组中TMB分数较高的个体可能有更大的生存机会。

图9 不同风险群体中的体细胞突变

05 - 风险组和化疗药物之间的相关性分析

        对于临床应用概率，考察了两个风险组的药物敏感性。根据结果，吉西他滨、顺铂、依托泊苷和栓塞林对低风险患者有效（图10A-D）。高危患者对帕唑帕尼（图10E）、BEZ235（图10F）、TGX221（图10G）和萨拉卡替尼（图10H）更易受影响。此外，发现所有的敏感药物都与风险分值相关（图10I-P）。吉西他滨、顺铂、依托泊苷和帕唑帕尼是一线治疗抗肿瘤药物。目前，胚胎素被用于纯科学目的，不能用于一般用途。高风险类别中的另外三种敏感药物还没有经过医学试验，它们在未来可能是有希望的。

图10 预测风险群体的药物敏感性

四、结论

        基于ICD相关的lncRNAs和独特的风险模型，开发一种可利用的治疗方法可能有助于STAD患者。这将改善个体治疗和患者的预后。通过瞄准与ICD相关的lncRNAs，有可能克服系统性治疗的失败并扩大免疫疗法。这些发现可能对STAD患者的免疫疗法和化疗产生影响。