最新热点：坏死性凋亡发表8分+

导语

细胞焦亡和坏死性凋亡是肿瘤微环境（TME）中最近发现的两种免疫原性细胞死亡形式，与肿瘤转移有关。然而，决定肾癌患者肿瘤微环境和预后的坏死性凋亡和焦亡的特征仍然未知。 

背景介绍

细胞焦亡和坏死性凋亡是TME中最近表征的两种免疫原性细胞死亡（ICD）形式，它们刺激肿瘤的免疫原性并诱导抗肿瘤免疫应答的有效性。与细胞凋亡不同，焦亡和坏死性   凋亡属于程序性坏死形式，它们可以防止TME感染，并由宿主和病原体分子引发。使用细胞焦亡和坏死性凋亡构建肿瘤预后模型是最新的热点思路。今天小编为大家带来一篇细胞焦亡和坏死性凋亡的最新文章，题目为   Crosstalk of necroptosis and pyroptosis defines tumor microenvironment characterization and predicts prognosis in clear cell renal carcinoma。

数据介绍

来自TCGA 和GEO数据库 中的ccRCC患者的基因表达数据和临床信息 。 外部验证队列为 GEO的 GSE29609数据集 。   

研究设计          

结果解析

01   透明肾细胞癌中识别坏死性凋亡和焦亡相关基因  

共获得60个坏死性凋亡和焦亡相关基因（NPRG）。正常样本和肿瘤样本之间60个NPRG的基因表达水平如图1A所示。AIM2、CASP1、CASP4、CASP5、GSDMA、GSDMB、GSDMC、GZMA、GZMB、IFI16、MEFV、MLKL、NAIP、NLRC4、NLRP1、NLRP6、NLRP7、NLRP12、NOD2、PYCARD、RBCK1、TLR3、TNIP1、TRADD、TRAF2、ZBP1的表达水平在肿瘤样本中上调，只有NLRP2的表达水平下调。

PPI网络根据STRING数据库分析差异NPRG的相互作用，置信度为0.9作为阈值（图1B）。在共表达网络中展示了差异NPRG在肾癌患者中相互作用、连接及其预后价值的综合景观（图1C）。然后，对28个差异NPRG进行单变量Cox回归分析，选择候选NPRG进行模型构建。共检索到14个NPRG作为候选基因（图1D）。

图1

02   非负矩阵分解进行聚类  

为了探索NPRG在ccRCC中的表达特征和潜在的生物学特征，作者进行了无监督聚类分析，使用基于28个差异的NPRG表达水平的NMF算法将患者分为不同的NP簇，最佳cluster数为3（图2A，B）。TCGA队列中的ccRCC患者被分为3个NP簇。作者进行主成成分分析，并在NP簇之间显示出明显的不同分布（图2C）。Kaplan-Meier OS曲线显示，NP-Cluster A的患者OS时间最短，而NP-Cluster C的患者OS时间更长（图2D）。图2E显示了NPRG的不同表达和NP clusterA至C之间的临床病理特征。

图2

为了进一步探索3个NP簇之间的功能注释，作者进行了GSVA富集分析（图2F）。NP-Cluster B呈现了与免疫激活相关的富集途径，包括B细胞受体信号通路、T细胞受体信号通路、NOD样受体信号通路和Toll样受体信号通路。接下来，NP-簇A和NP-簇C与NP-簇B相比显示出与免疫抑制的关联，富含神经传导相关通路的NP-簇A和富含代谢相关生物过程的NP-簇C。

随后，比较了3个NP簇中免疫细胞的相关丰度，以探索NPRG在ssGSEA免疫浸润ccRCC中的潜在功能（图2G）。NP-Cluster B在免疫细胞活化中显着富集，包括活化的B细胞，活化的CD4 + T细胞，活化的CD8 + T细胞和活化的树突状细胞的较高免疫浸润水平。

03   构建焦亡与坏死性凋亡的风险模型  

对14个OS相关的差异NPRG进行了LASSO Cox回归分析，并根据预测ccRCC患者预后的最低标准，获得了10个基因以建立TCGA队列中的NPG预后模型（图3A）。相应的系数是从LASSO Cox回归分析中获得的。NPG分数的计算公式如下：NPG_score = （0.009877* AIM2） + （0.042783* CASP4） + （0.134083* GSDMB） + （0.016047* IFI16） + （0.085619* NOD2） + （0.007173* RBCK1） - （0.024375* TLR3） - （0.006708* TNIP1） + （0.073096* TRAF2） - （0.169280* ZBP1）。

对10个基因进行多变量Cox回归分析，作者发现GSDMB，RBCK1和TLR3是独立的预后因素（图3B）。将患者分为高风险和低风险组。PCA和t-SNE图显示TCGA队列中高风险和低风险组之间存在明显的差异分布（图3C，D）。NPG评分的风险图显示，NPG评分高的组致命事件增加，生存时间缩短（图3E，F）。相关性评估表明，低NPG评分与随访时较高的活体患者百分比有关，而高NPG评分与随访时死亡患者比例较高有关（图3G）。在TCGA队列中，Kaplan-Meier OS曲线显示，高危组患者的OS比低危患者短（P<0.001）（图3H）。NPG 评分的 1 年、3 年和5年生存概率分别由0.763、0.707和0.728的 AUC值表示（图3I）。

图3

04   功能富集  

为了阐明与高NPG评分相关的潜在生物学功能和信号通路，在TCGA队列中鉴定了1536个高风险组和低风险组之间的差异表达基因进行功能富集。GO富集在免疫相关生物过程（图4A)。KEGG通路的结果表明，差异表达基因与补体和凝血级联反应、细胞因子-细胞因子受体相互作用、病毒蛋白与细胞因子和细胞因子受体相互作用、IL-17信号通路等（图4B）。

GSEA表明高NPG评分主要与肿瘤进展和免疫有关，包括反应组趋化因子受体结合趋化因子，胰岛素样生长因子IGF转运的反应组调节等。

图4

05   预后分析和列线图  

为了确定NPG评分是否是OS的独立预后预测指标，作者结合临床特征（病理分期、年龄和性别）和NPG评分进行单变量和多变量Cox回归分析。在单因素Cox回归分析中，较高的NPG评分与OS显著相关和年龄较大与OS显著相关（图5A）。在多变量Cox回归分析中，在调整其他混杂因素后，NPG评分仍被确认为OS的独立预测因子（HR=2.6165，95%CI= 1.8596−3.6814，P<0.001）（图5B）。

高风险组和低风险组临床病理特征的比较显示NPRG表达和临床病理特征存在显着差异（图5C）。高NPG评分与晚期病理阶段和更多的死亡事件有关。此外，TRAF2、GSDMB、ZBPQ、RBCK1、IFI16、AIM2k和CASP4的表达在高危人群中上调。

图5

为了更好地应用NPG评分预后模型，基于TCGA队列构建了一个列线图，以展示一种定量方法来预测1年，3年和5年的总生存期。列线图包含NPG评分和临床信息，包括年龄和病理分期（图5D）。计算列线图的AUC值，并进行校准分析以估计列线图对预后的预测能力。图5E显示了AUC（0.72至0.76）与预测生存时间（从1年到5年）之间的关系。作者绘制了DCA曲线以说明列线图的临床益处（图5F）。校准图显示列线图预测概率与观测结果之间具有良好的一致性（图5G-I）。

06   风险模型与临床特征的相关性  

作者分析了NP簇与NPG评分之间的关联，观察到NP簇C的NPG得分中位数最低，这与NP簇的K-M分析一致（图6A）。NP簇A和B之间无显著性（P=0.25）。

作者进一步进行分层分析以评估NPG评分在不同病理阶段（I-II期和III-IV期）是否保持其预测能力。结果显示，与I-II期和III-IV期低风险评分的患者相比，高危组患者的OS显着降低（图6B，C）。

图6

此外，作者描述了高风险和低风险群体之间的体细胞突变景观。NPG评分高的患者TTN，SETD2，BAP1，MTOR，LRP2，SPEN和FLG的突变频率较高，而NPG评分低的患者的VHL和PBRM1突变频率要高得多（图6G，H）。 然而，高危组和低危组之间的TMB没有显著差异（图6E）。此外，Spearman相关性分析显示NP簇和TMB之间没有显著相关性（图6F）。

07   NPG风险评分与免疫浸润的相关性  

采用ssGSEA和CIBERSORT两种计算方法研究了NPG评分与TME细胞浸润的相关性。高危组B细胞、CD2 T细胞、DC、巨噬细胞、pDC、T辅助细胞、Tfh、Th001细胞、Th1细胞、TIL、Treg的免疫浸润水平显著高于低危组，而高危组肥大细胞浸润水平低于低危组（图2A)。免疫相关功能的评分包括APC共刺激，CCR，检查点，细胞溶解活性，炎症促进，副炎症，T细胞共抑制，T细胞共刺激，I型IFN反应和II型IFN反应在高危组中也显着更高（图7B）。

CIBERSORT评估的免疫细胞浸润水平的差异与ssGSEA一致（图7C，D）。同时，巨噬细胞M7、浆细胞、T细胞CD0记忆激活、T细胞CD4、T细胞滤泡辅助细胞和Treg与NPG评分呈正相关，而B细胞幼稚、树突状细胞静息、巨噬细胞M8、巨噬细胞M1、肥大细胞活化、单核细胞、中性粒细胞和T细胞CD2记忆静息与NPG评分呈负相关（图4E）。TME评分，包括基质、免疫和ESTIMATE评分，在高危组中明显更高（图7F）。

图7

08   风险评分与免疫治疗反应  

作者比较了高危组和低危组之间ICG表达的差异。含有BTLA，CD19，CD274，CD276，CTLA40和PDCD4的1个ICG的表达水平在高风险组中上调，而HAVCR2和HHLA2下调（图8A）。PDCD1和CTLA4的表达水平也随着NPG评分的增加而增加（图8B，C）。

作者探讨了NPG评分与免疫治疗反应之间的相关性。低NPG组和高NPG评分组PD-L1或PD-L2表达差异无统计学意义。然而，接受单一CTLA4阻滞剂治疗或CTLA4和PD-1/PD-L1/PD-L2联合治疗的NPG评分较高的患者可能比NPG评分较低的患者具有更好的治疗效果（图8D-G）。NPG评分高的患者更适合免疫检查点抑制剂联合治疗。高危组患者的舒尼替尼、雷帕霉素和替西罗莫司的IC50值较低。在NPG评分高的患者中，拉帕替尼的IC50值更高。

图8

小编总结

在本研究使用最新的热点细胞死亡方式细胞焦亡和坏死性凋亡相关基因构建了肿瘤预后模型。作者发现，与总生存期相关的60个差异NPRG基因中，26个上调基因，只有一个下调基因。通过基于STRING数据库的PPI网络分析和上述差异NPRGs的共表达网络分析，确定了14个hub基因。除TLR3和TNIP1外，所有基因都与肾癌风险增加有关。

为了深入了解这些NPRG在ccRCC致癌作用中肿瘤微环境中的表达特征和潜在可预测的预后特征，作者进一步鉴定了4个NP簇，这些NP簇具有不同长度的OS期和途径富集。通过多因素Cox回归分析构建NPG预后模型（AIM4，CASP16，GSDMB，IFI2，NOD1，RBCK3，TLR1，TNIP2，TRAF1，ZBP1）并用LASSO回归确认。通过NPG预后模型，TCGA队列患者分为高风险组和低风险组。较高的NPG评分作为ccRCC患者的独立预后预测因子，与较差的OS显着相关。

此外，NPG评分与不同病理阶段显著正相关，与包含基质、免疫和ESTIMATE评分的TME评分呈显著正相关，适合ICIs联合治疗。高NPG评分可能表明对舒尼替尼、雷帕霉素和替西罗莫司的化疗药物更敏感。因此，本研究证明了NPG评分在确定ccRCC的TME特征和预测预后方面的重要性。

鉴于肿瘤抵抗细胞凋亡或对ICI反应差的一般趋势，对凋亡细胞死亡的潜在耐药性的改善有望为免疫治疗提供效率。作者发现NPG评分可能是预测免疫疗法临床益处的潜在候选生物标志物。通过应用高危和低危NPG组之间ccRCC患者药物化疗效果的差异，很明显，舒尼替尼、雷帕霉素和替西罗莫司的NPG评分较高的组抗癌药物的IC50较低，但在拉帕替尼中则不然。因此，作者建立了NPG评分，参与焦亡和坏死性凋亡的广泛串扰，这可以提供更多多种细胞死亡模式的证据来预测ccRCC的预后。

打赏