Del Ⅰ Identifikation og validering af en immunrelateret genparsignatur for tre urologiske kræftformer

Abstrakt

Pålidelige biomarkører er nødvendige for at genkende urologiske cancerpatienter med høj risiko for tilbagefald. I denne undersøgelse byggede vi en ny immunrelateret genparsignatur for samtidig at forudsige tilbagefald for tre urologiske kræftformer. Vi samlede 14 offentligt tilgængelige genekspressionsprofiler, herunder blære-, prostata- og nyrekræft. I alt 2.700 prøver blev klassificeret i træningssættet (n=1.622) og valideringssættet (n=1.078). Den 25 immun-relaterede genpar signatur bestående af 41 unikke gener blev udviklet af den mindst absolutte svind- og selektionsoperator regressionsanalyse og Cox regressionsmodel. Signaturen stratificerede patienter i høj- og lavrisikogrupper med signifikant forskellig tilbagefaldsfri overlevelse i meta-træningssættet og dets subpopulationer og var en uafhængig prognostisk faktor for urologiske kræftformer. Denne signatur viste en robust evne i meta-validering og flere uafhængige valideringskohorter. Immun- og inflammatorisk respons, kemotaksi og cytokinaktivitet blev beriget med gener, der var relevante for signaturen. Et signifikant højere infiltrationsniveau af M1-makrofager blev fundet i højrisikogruppen versus lavrisikogruppen. Som konklusion er vores signatur en lovende prognostisk biomarkør til at forudsige tilbagefaldsfri overlevelse hos patienter med urologisk cancer.

Nøgleord

Urologiske kræftformer; Biomarkører; Immun-relaterede genpar; Overlevelse uden gentagelse; Prognostisk biomarkør;Cistanches fordele.

Klik her for at få mere information omhvad er virkningerne af Cistanche

Introduktion

Blærekræft, prostatakræft og nyrekræft er de vigtigste tumorer i urinsystemet, og næsten 2,4 millioner nye tilfælde diagnosticeres hvert år [1]. Fremskridtet af målrettet terapi og neoadjuverende terapi har forlænget patienternes overlevelse [2-4]. Men mange patienter lider af tilbagefald selv efter fuldstændig kirurgisk resektion [5-7], og deres prognoser er stadig ikke optimistiske. En pålidelig prognostisk biomarkør, der kunne identificere patienter med en højere risiko for tilbagefald og udvælge patienter, der har respons på terapier, ville være værdifuld til håndteringen af ​​urologiske kræftformer.

Gen-ekspressionssignaturer er blevet identificeret for overlevelsesstratificering af blærekræft [8, 9], prostatacancer [10, 11] og nyrekræft [12, 13]. De fleste biomarkører er dog ikke blevet oversat til klinisk praksis på grund af overtilpasning af træningsdatasæt eller mangel på tilstrækkelig validering [14]. En chance for at udvikle mere pålidelige prognostiske biomarkører er blevet bragt af tilstrækkelig store offentlige genekspressionsdatasæt [15, 16]. Det er dog en udfordring at integrere data, der stammer fra forskellige platforme. Den traditionelle metode har gjort det vanskeligt at normalisere forskellige datasæt på grund af de tekniske skævheder og biologiske heterogenitet af flere platforme [17, 18]. Nye metoder baseret på den relative rangordning af genekspressionsniveauer er blevet brugt til at eliminere kravet om dataforbehandling og har opnået robuste resultater i mange applikationer [19-21].

Stigende evidens har indikeret, at tumorimmunmikromiljøet er korreleret med dannelsen og progressionen af ​​de tre vigtigste urologiske tumorer [22-24]. Immuncheckpoint-molekylerne, såsom programmeret celledød 1 (PD-1), PD-1-ligand 1 (PD-L1) og cytotoksisk T-lymfocytassocieret antigen 4 (CTLA-4) , har vist en bemærkelsesværdig, holdbar respons i blærekræft [25, 26], prostatacancer [27, 28] og nyrekræft [29, 30]. Biomarkørerne relateret til tumorimmunmikromiljøet kan således have potentialet som prognostiske markører for urologiske kræftformer.

Som det er velkendt, er blærekræft, prostatacancer og nyrekræft nært beslægtede anatomisk og skyldes lignende fornærmelser, der fremmer tumordannelse [31-33]. Derfor har vi i denne undersøgelse udviklet en signatur baseret på immunrelaterede genpar (IRGP'er) for samtidig at forudsige tilbagefald af blærekræft, prostatacancer og nyrekræft.

Cistanche tubulosa

Materialer og metoder

1. Undersøgelsesdesign og datasæt

Vi analyserede omfattende 14 genekspressionsprofiler i tre urologiske tumorer i blære-, prostata- og nyrekræft, herunder syv mikroarray-datasæt og syv RNA-Seq-datasæt (Supplerende figur 1). Accessionsnumrene, platformene og prøvestørrelserne for disse genekspressionsprofiler er vist i supplerende tabel 1. RNA-Seq-data blev downloadet fra UCSC Xena og International Cancer Genome Consortium (ICGC). Microarray-data blev downloadet fra Gene Expression Omnibus (GEO). Kohorter fra The Cancer Genome Atlas (TCGA) blev brugt som træningssæt, og andre datasæt blev brugt som valideringssæt. Kun patienter med fuldstændig overlevelsesinformation blev inkluderet. Vi udelukkede også patienter, der havde modtaget strålebehandling, neoadjuverende terapi og målrettet molekylær terapi i alle uafhængige træningskohorter. I alt blev 2.700 tilfælde inkluderet i vores undersøgelse. Vores projekt blev godkendt af Chongqing Medical University's Ethical Review Committee.

2. Genekspressionsdatabehandling

De offentligt tilgængelige datasæt fra GEO blev først normaliseret ved hjælp af normalizeBetweenArrays-funktionen som implementeret i 'limma'-pakken og blev derefter yderligere log-transformeret. Normaliseringsmetoder blev ikke brugt i TCGA- og ICGC-kohorter.

3. Identifikation af specifikke IRGP'er til prognose forudsigelse

Vi downloadede immunrelaterede gener (IRG'er) fra ImmPort-databasen, der blev tilgået den 3/3/2021. 2.483 unikke IRG'er, der udgør 17 kategorier, herunder cytokiner, cytokinreceptorer, antigenbehandling, præsentationsveje, interleukiner, cytotoksicitet i naturlige dræberceller, TGFb og TNF-familiemedlemmer. Kun IRG'er målt af alle platforme med en median absolut afvigelse > 0.5 i alle uafhængige træningssæt blev valgt. Scoren for hver IRGP blev genereret ved parvise sammenligninger af genekspressionsniveauet i en bestemt prøve af profiler. IRGPs-scoren blev defineret som 1, hvis ekspressionsniveauet af IRG 1 var større end IRG 2; ellers blev IRGPs score sat til 0 [34]. Efter at have fjernet IRGP'er med konstante værdier i ethvert individuelt datasæt, blev de resterende IRGP'er analyseret yderligere.

4. Konstruktion af det immunrelaterede genparindeks (IRGPI) til forudsigelse af prognose

Prognostiske IRGP'er blev udvalgt baseret på følgende trin. For det første blev den prædiktive evne for hver IRGP til at forudsige patienters tilbagefaldsfri overlevelse (RFS) evalueret ved at bruge Cox-regressionsmodellen i meta-træningsdatasættet, og IRGP'erne med en p-værdi < 0.05 blev udvalgt som indledende kandidatmarkører. For det andet blev den mindst absolutte svind- og udvælgelsesoperator (LASSO) analyse brugt til yderligere at bortfiltrere nogle mindre informative IRGP'er. Justeringsparameteren blev bestemt af den forventede generaliseringsfejl estimeret ud fra 10-fold krydsvalidering. For at forbedre robustheden opdelte vi tilfældigt det fulde meta-træningsdatasæt i nye trænings- og testdatasæt med et 2:1-forhold og gentog det tilfældige opdelingsskema 30 gange for at stabilisere IRGPs udvælgelsesprocedure. LASSO-modellen blev derefter anvendt på de 30 træningssæt, og de IRGP'er med en frekvens > 15 blev udvalgt. Endelig blev den multivariate Cox-regressionsmodel brugt til at bygge den IRGPs-baserede forudsigelsesmodel og generere IRGPI for alle prøver. Patienterne blev klassificeret i lav- og højimmunrisikogrupper ved hjælp af median IRGPI-værdi.

Cistanche ekstrakt

5. Evaluering og validering af IRGPI

The prognostic value of the IRGPI was evaluated in the meta-training and independent training sets and was further verified in the meta-validation and multiple independent validation sets. The log-rank test and time-dependent receiver operating characteristic (ROC) curves were adopted to assess the prognostic accuracy of the IRGPI. We combined IRGPI with clinical factors of age, gender, and tumor stage in multivariate Cox analyses. Age (>60) blev omdannet til 1, og alder (<60) was transformed into 0. Stages III and IV were transformed into 1, and stage I and II were transformed into 0.

6. Profilering af infiltrerende immunceller

CIBERSORT karakteriserer immuncellesammensætning ved at bruge bulk-tumor genekspressionsprofiler [35]. Det udledte de relative andele af 22 typer af infiltrerende immunceller baseret på referencegenekspressionsværdierne (LM22) [35]. I denne undersøgelse blev andelen af ​​22 infiltrerende immunceller bestemt ved at bruge R-pakken 'CIBERSORT'. Perm blev sat til 1,000, og tilfælde med en CIBERSORT output p-værdi < 0.05 blev valgt til yderligere analyse. Wilcoxon rangsum-testen blev brugt til at sammenligne forskelle i immuncelleundertyper mellem høj- og lav IRGPI-grupperne.

7. Genontologi (GO) analyse

R-pakken 'clusterProfiler' blev brugt til at udføre GO-berigelsesanalyse af generne relateret til IRGPI i meta-træningskohorten. Den BenjaminiHochberg-justerede p-værdi < 0.05 (falsk opdagelsesrate, FDR) blev brugt som tærskel for at bestemme signifikans.

8. Konstruktion og evaluering af nomogrammet

Et nomogram blev konstrueret for at etablere en kvantitativ tilgang til RFS-forudsigelse i meta-træningskohorten baseret på IRGPI og kliniske faktorer, som blev yderligere verificeret i meta-valideringskohorterne. Et point blev beregnet for hver faktor, og de samlede point for alle faktorer blev derefter opnået til estimering af RFS-rater ved 1, 3, 5 og 10 år. Kalibreringsplottene blev derefter tegnet for at evaluere pålideligheden af ​​nomogrammet.

Standardiseret Cistanche

9. Statistisk analyse

R-pakken 'survival', 'glmnet', 'sure miner', 'timeROC', 'rms', 'CIBERSORT' og 'clusterProfiler' blev brugt til at konstruere Cox-regressionsmodellen, LASSO-modellen, Kaplan-Meier-kurven, tid -afhængig ROC-kurve, nomogram, immuncellesammensætningsberegning og GO-analyse. Sammenhængen af ​​IRGPI-score med RFS blev analyseret ved log-rank test. Cox-regressionsmodellen blev vedtaget til at udføre en multivariat analyse af sammenhængen mellem IRGPI og RFS. En tosidet p-værdi < 0.05 blev betragtet som statistisk signifikant for alle tests. Alle statistiske analyser blev udført under anvendelse af R (version 4.0.2).

Referencer

1. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incident and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021; 71:209-49.

2. Seiler R, Oo HZ, Tortora D, Clausen TM, Wang CK, Kumar G, Pereira MA, Ørum-Madsen MS, Agerbæk MØ, Gustavsson T, Nordmaj MA, Rich JR, Lallous N, et al. En oncofetal Glycosaminoglycan-modifikation giver terapeutisk adgang til cisplatin-resistent blærekræft. Eur Urol. 2017; 72:142-50.

3. Maroto P, Solsona E, Gallardo E, Mellado B, Morote J, Arranz JÁ, Gómez-Veiga F, Unda M, Clement MÁ, Alcaraz A. Ekspertudtalelse om førstelinjebehandling i behandlingen af ​​kastrationsresistent prostatacancer . Crit Rev Oncol Hematol. 2016; 100:127-36.

4. Fu Q, Xu L, Wang Y, Jiang Q, Liu Z, Zhang J, Zhou Q, Zeng H, Tong S, Wang T, Qi Y, Hu B, Fu H, et al. Tumor-associeret makrofag-afledt interleukin-23 forbinder nyrekræft glutaminafhængighed med immununddragelse. Eur Urol. 2019; 75:752-63.

5. Zhao Z, Wang Y, Zhang JJ, Huang XY. Fascinhæmmere mindsker cellemigration og adhæsion, mens de øger den samlede overlevelse af mus, der bærer blærekræft. Kræft (Basel). 2021; 13:2698.

6. Peltomaa AI, Raittinen P, Talala K, Taari K, Tammela TL, Auvinen A, Murtola TJ. Prostatakræft prognose efter initiering af androgen deprivationsterapi blandt statinbrugere. En befolkningsbaseret kohorteundersøgelse. Prostatakræft Prostata Dis. 2021; 24:917–24.

7. Tian M, Wang T, Wang P. Udvikling og klinisk validering af en syv-geners prognostisk signatur baseret på multiple maskinlæringsalgoritmer i nyrekræft. Celletransplantation. 2021; 30:963689720969176.

8. Zhang C, Gou X, He W, Yang H, Yin H. En glykolysebaseret 4-mRNA-signatur korrelerer med prognosen og cellecyklusprocessen hos patienter med blærekræft. Cancer Cell Int. 2020; 20:177.

9. Chen S, Zhang N, Shao J, Wang T, Wang X. En ny gensignaturkombination forbedrer forudsigelsen af ​​den samlede overlevelse ved urinblærekræft. J Kræft. 2019; 10:5744-53.

10. Xu Z, Xu L, Liu L, Li H, Jin J, Peng M, Huang Y, Xiao H, Li Y, Guan H. En glykolyse-relateret fem-gen signatur forudsiger biokemisk tilbagefaldsfri overlevelse hos patienter med prostata Adenocarcinom. Front Oncol. 2021; 11:625452.

11. Nguyen HT, Xue H, Firlej V, Ponty Y, Gallopin M, Gauthier D. Referencefri transkriptomsignaturer for prostatacancerprognose. BMC Cancer. 2021; 21:394.

12. Lu J, Qian C, Ji Y, Bao Q, Lu B. Gensignatur associeret med bromodæne-gener forudsiger prognosen for nyre-nyre-clear cell carcinoma. Front Genet. 2021; 12:643935.

13. Wu Y, Wei X, Feng H, Hu B, Liu B, Luan Y, Ruan Y, Liu X, Liu Z, Liu J, Wang T. Integreret analyse til identifikation af en redox-relateret prognostisk signatur for klarcellet nyrecelle Karcinom. Oxid Med Cell Longev. 2021; 2021:6648093.

14. Shi R, Bao X, Unger K, Sun J, Lu S, Manapov F, Wang X, Belka C, Li M. Identifikation og validering af hypoxiafledte gensignaturer for at forudsige kliniske resultater og terapeutiske responser hos lungeadenokarcinompatienter i fase I . Teranostik. 2021; 11:5061-76.

15. Brendel M, Barthel H, van Eimeren T, Marek K, Beyer L, Song M, Palleis C, Gehmeyr M, Fietzek U, Respondek G, Sauerbeck J, Nitschmann A, Zach C, et al. Vurdering af 18F-PI-2620 som en biomarkør ved progressiv supranuklear parese. JAMA Neurol. 2020; 77:1408-19.

16. Lee ES, Jung SY, Kim JY, Kim JJ, Yoo TK, Kim YG, Lee KS, Lee ES, Kim EK, Min JW, Han W, Noh DY, Moon HG. Identifikation af potentielle langtidsoverlevere blandt brystkræftpatienter med fjernmetastaser. Ann Oncol. 2016; 27:828-33.

17. Franks JM, Cai G, Whitfield ML. Funktionsspecifik kvantilnormalisering muliggør klassificering på tværs af platforme af molekylære undertyper ved hjælp af genekspressionsdata. Bioinformatik. 2018; 34:1868-74.

18. Shen Y, Rahman M, Piccolo SR, Gusenleitner D, ElChaar NN, Cheng L, Monti S, Bild AH, Johnson WE. ASSIGN kontekstspecifik genomisk profilering af flere heterogene biologiske veje. Bioinformatik. 2015; 31:1745-53.

19. Wu J, Zhao Y, Zhang J, Wu Q, Wang W. Udvikling og validering af en immunrelateret genparsignatur i kolorektal cancer. Onkoimmunologi. 2019; 8:1596715.

20. Xu F, Zhan X, Zheng X, Xu H, Li Y, Huang X, Lin L, Chen Y. En signatur af immunrelaterede genpar forudsiger onkologiske resultater og respons på immunterapi ved lungeadenokarcinom. Genomik. 2020; 112:4675-83.

21. Wang S, Xu X. En immunrelateret genparsignatur til at forudsige overlevelse i glioblastom. Front Oncol. 2021; 11:564960.

22. Pfannstiel C, Strissel PL, Chiappinelli KB, Sikic D, Wach S, Wirtz RM, Wullweber A, Taubert H, Breyer J, Otto W, Worst T, Burger M, Wullich B, et al, og BRIDGE Consortium, Tyskland. Tumorimmunmikromiljøet driver en prognostisk relevans, der korrelerer med blærekræftundertyper. Cancer Immunol Res. 2019; 7:923-38.

23. Long X, Hou H, Wang X, Liu S, Diao T, Lai S, Hu M, Zhang S, Liu M, Zhang H. Immunsignatur drevet af ADT-induceret immunmikromiljø-ombygning i prostatacancer er korreleret med recidiv- fri overlevelse og immuninfiltration. Celledød Dis. 2020; 11:779.

24. Vuong L, Kotecha RR, Voss MH, Hakimi AA. Tumormikromiljødynamik i klarcellet nyrecellekarcinom. Cancer Discover. 2019; 9:1349-57.

25. Maio M, Blank C, Necchi A, Di Giacomo AM, Ibrahim R, Lahn M, Fox BA, Bell RB, Tortora G, Eggermont AM. Neoadjuverende immunterapi omformer kræftbehandling på tværs af flere tumortyper: Fremtiden er nu! Eur J Kræft. 2021; 152:155-64.

26. Kates M, Nirschl TR, Baras AS, Sopko NA, Hahn NM, Su X, Zhang J, Kochel CM, Choi W, McConkey DJ, Drake CG, Bivalacqua TJ. Kombineret næste generations sekvensering og flowcytometrianalyse for en AntiPD-L1 partiel responder over tid: En udforskning af mekanismer for PD-L1 aktivitet og modstand i blærekræft. Eur Urol Oncol. 2021; 4:117-20.

27. Sharma P, Pachynski RK, Narayan V, Fléchon A, Gravis G, Galsky MD, Mohammed H, Patnaik A, Subudhi SK, Ciprotti M, Simsek B, Saci A, Hu Y, et al. Nivolumab Plus Ipilimumab til metastatisk kastrationsresistent prostatacancer: Foreløbig analyse af patienter i CheckMate 650-forsøget. Kræftcelle. 2020; 38:489–99.e3.

28. Ruiz de Porras V, Pardo JC, Notario L, Etxaniz O, Font A. Immune Checkpoint Inhibitors: En lovende behandlingsmulighed for metastatisk kastrationsresistent prostatakræft? Int J Mol Sci. 2021; 22:4712.

29. Kamai T, Kijima T, Tsuzuki T, Nukui A, Abe H, Arai K, Yoshida KI. Øget ekspression af adenosin 2A-receptorer i metastatisk nyrecellecarcinom er forbundet med dårligere respons på antivaskulære endotelvækstfaktormidler og anti-PD-1/AntiCTLA4-antistoffer og kortere overlevelse. Cancer Immunol Immunother. 2021; 70:2009-21.

30. Chu G, Xu T, Zhu G, Liu S, Niu H, Zhang M. Identifikation af en ny proteinbaseret signatur for at forbedre prognoseforudsigelse i renal clear cell carcinoma. Front Mol Biosci. 2021; 8:623120.

31. Gorin MA, Verdone JE, van der Toom E, Bivalacqua TJ, Allaf ME, Pienta KJ. Cirkulerende tumorceller som biomarkører for prostata-, blære- og nyrekræft. Nat Rev Urol. 2017; 14:90–7.

32. Tölle A, Suhail S, Jung M, Jung K, Stephan C. Fedtsyrebindende proteiner (FABP'er) i prostata-, blære- og nyrekræftcellelinjer og brugen af ​​IL-FABP som overlevelsesprædiktor hos patienter med nyrecellekarcinom . BMC Cancer. 2011; 11:302.

33. Jungwirth N, Haeberle L, Schrott KM, Wullich B, Krause FS. Serotonin bruges som en prognostisk markør for urologiske tumorer. Verden J Urol. 2008; 26:499-504.

34. Li B, Cui Y, Diehn M, Li R. Udvikling og validering af en individualiseret immunprognostisk signatur i tidligt stadium af ikke-skælcellet ikke-småcellet lungekræft. JAMA Oncol. 2017; 3:1529-37.

35. Newman AM, Liu CL, Green MR, Gentles AJ, Feng W, Xu Y, Hoang CD, Diehn M, Alizadeh AA. Robust opregning af celleundersæt fra vævsekspressionsprofiler. Nat Metoder. 2015; 12:453-7.

Biao Xie 1, Kangjie Li 1, Hong Zhang 1, Guichuan Lai 1, Dapeng Li 2, Xiaoni Zhong 1.

1. Institut for Biostatistik, School of Public Health and Management, Chongqing Medical University, Chongqing, Kina

2. Institute of Hepatology, National Clinical Research Center for Infectious Disease, Shenzhen Third People's Hospital, Shenzhen, Kina