BIB！基于机器学习的肿瘤浸润免疫细胞相关lncRNA用于预测胶质母细胞瘤的预后和免疫治疗反应~

导语：

长非编码核糖核酸（lncRNA）与癌症免疫调节有关。然而，免疫细胞特异性 lncRNA 在胶质母细胞瘤 (GBM) 中的作用仍然很大程度上未知。

背景介绍

今天小编为大家带来的这篇文章，作者在这项研究中，通过使用六种机器学习综合分析纯化的免疫细胞、GBM细胞系和大块GBM组织的转录组数据，构建了一个新的计算框架来筛选肿瘤浸润免疫细胞相关lncRNA（TIIClnc），以开发TIIClnc特征算法。文章发表在《Briefings in Bioinformatics》上，影响因子为9.5，文章题目为：Machine learning-based tumor-infiltrating immune cell-associated lncRNAs for predicting prognosis and immunotherapy response in patients with glioblastoma。

数据介绍

本研究所用数据来自TCGA、CGGA、GEO数据库。 纯化的免疫细胞数据来自GEO数据集。

结果解析

01TIIClncRNA的鉴定

为了对免疫细胞相关的lncRNA进行综合评估，从过去15年的16个数据集中筛选出由19种免疫细胞类型组成的纯化细胞系（图1）。546个lncRNA在每种免疫细胞类型中的表达水平排名前15%，被认为是候选的免疫相关lncRNA。随后，计算候选免疫相关lncRNA的TSI评分，以识别通常在不同免疫细胞类型中表达的hklncRNA。TSI 评分较低的 LncRNA 在所有 19 种免疫细胞类型中均高表达，表明它们在免疫中的主要生物学作用。设置 TSI < 0.2 的阈值后，鉴定出 308 个对于调节元素免疫至关重要的 hklncRNA。然后，从308个hklncRNA中鉴定出免疫细胞系（上调）和GBM细胞系（下调）之间差异表达的152个hklncRNA，并将其视为GBM TIIClncRNA。

图 1

02TIIClnc特征的开发

进一步应用LassoLR、Boruta、Xgboost、SVM、Random Forest、pamr等六种机器学习算法从152个GBM TIIClncRNA中识别出16个最有价值的TIIClncRNA（图2A）。还进行了单因素 Cox 比例风险回归分析，以探讨 TIIClncRNA 对 GBM 患者 OS 的预后价值。事实证明，TCGA GBM 数据集中鉴定出了 12 个 TIIClncRNA。最后，基于预后 TIIClncRNA 的所有可能组合 [C(12, 1) + C(12, 2) + C(12, 3) + ... + C(12, 12)] 构建 TIIClnc 签名，加权为TCGA GBM 数据集中多元 Cox 回归分析中的估计回归系数。分类是基于 GMM 进行的，其中有 8 个簇，每簇 4095 个组合（图 2B）。由三个 TIIClncRNA（LINC00894、LOC100506585 和 LOC100507156）开发的预后 TIIClnc 特征在 TCGA GBM 数据集中具有最高的 1 年 AUC（图 2B）。TIIClnc 签名 = (0.5751*LINC00894 的表达式值) + (1.0609*LOC100506585 的表达式值) + (1.0639*LOC100507156 的表达式值)。具有高 TIIClnc 特征评分的 GBM 患者在 TCGA GBM 数据集中表现出生存时间缩短（图 2C）。 OS 1 年、3 年和 5 年的时间依赖性 ROC 曲线（AUC 值为 0.727、0.695 和 0.765）证实了 TCGA GBM 数据集中 TIIClnc 特征的预后价值（图 2D ）。在湘雅队列中，与低分患者相比，高分 TIIClnc 特征的 GBM 患者的生存结果也较差（图 2E）。 OS 1 年、3 年和 4.5 年的时间依赖性 ROC 曲线（AUC 值为 0.705、0.707 和 0.712）证实了湘雅队列中 TIIClnc 特征的预后价值（图 2F ）。 TIIClnc 签名在 CGGA GBM 数据集和 GSE108474 数据集中进一步独立验证，以评估其稳健性。在 CGGA GBM 数据集（图 2G）和 GSE108474 数据集（图 2H）中，高分 GBM 患者始终表现出生存时间缩短。单因素和多因素 Cox 回归分析证实，TIIClnc 特征是 TCGA GBM 数据集中的独立风险因素（图 2I）。

图 2

03TIIClnc特征与已发布特征之间的预后价值比较

在过去的几年中，越来越多的基于基因表达的特征出现，具有多样化的预测能力。为了测试 TIIClnc 特征的预后性能，本研究合并了 95 个特征，包括基于 lncRNA 和 mRNA 的特征，并比较了 TCGA 和湘雅数据集中的 1 年 AUC。这 95 个特征表现出与各种生物学特征的关联，包括免疫浸润、自噬、铁死亡、细胞焦亡、上皮-间质转化、缺氧、表观遗传学、N6-甲基腺苷等。而本研究的 TIIClnc 特征在 TCGA 和湘雅中都表现出比任何其他特征更好的性能GBM 和全神经胶质瘤群体的数据集（图 3）。

图 3

04TIIClnc特征显示出显著的免疫相关特征

为了探索 TIIClnc 特征所反映的免疫状态，本研究分析了 TIIClnc 特征与免疫浸润细胞以及免疫调节剂之间的关联。高TIIClnc组呈现出较高水平的免疫浸润细胞和免疫调节剂，与胶质瘤亚型、IDH突变和O6-甲基鸟嘌呤-DNA甲基转移酶的甲基化无关，在湘雅数据集中也发现了相同的结果（图 4A 和 B）。此外，本研究还比较了 MSI、TMB、CYT、GEP、TCR、IFN-γ 和 IPS 的状态，这些状态与高分组和低分组之间更具免疫反应性的微环境有关。事实证明，他们在 TCGA 和湘雅数据集中的高分组中都处于较高水平（图 4C-F ）。

图 4

05与TIIClnc特征相关的生物学机制的预测

鉴于高分组显示出上调的免疫相关特征，本研究倾向于深入研究潜在的生物学机制。 本研究分析了肿瘤免疫周期的代表性步骤，包括抗原的释放、肿瘤抗原的提呈、启动和激活、免疫细胞的募集和浸润、癌细胞的识别和癌细胞的杀伤，发现在TCGA和湘雅数据集中，得分高的组更活跃(图5A)。TIIClnc 特征还与许多代谢通路呈正相关，例如半乳糖代谢和鞘脂代谢（图 5B）。此外，TIIClnc 特征表现出与多种免疫通路的密切相关，包括巨噬细胞细胞因子的产生、T 细胞分化、T 细胞激活等（图 5B ）。此外，TCGA 和湘雅数据集中的免疫雷达图显示，高分组中与 TME 相关的特征显著上调（图 5C 和 D ）。在GO和KEGG的GSEA中，高TIIClnc特征组显示巨噬细胞活化、DC趋化性、IFN-γ产生和T细胞增殖调节的富集(图5E)， MAPK、NF-kappa B、mTOR和PI3K-Akt信号通路与上述OS分析结果一致(图5F)。总而言之，本研究结果表明，在免疫治疗下，高TIIClnc特征代表了优越的免疫反应效力。

图 5

06在多个数据集中验证TIIClnc特征的预测值

鉴于 TIIClnc 特征对免疫治疗获益的预测能力，本研究在多个免疫治疗数据集中验证了其有效性，包括 IMvigor（尿路上皮癌）、GSE91061（黑色素瘤）、GSE165252（食管腺癌）、GSE35640（黑色素瘤）、GSE103668（三阴性乳腺癌）、GSE78220（黑色素瘤）和 PRJNA482620（GBM）。 如图 6A-H 所示，高分组明显具有更好的免疫治疗反应和 OS。从 TIDE 和 submap 生成的列联表也产生了与上面相同的结果（图 6I 和 J）。有趣的是，当涉及到 GBM 数据集 PRJNA482620 时，综合生存分析显示了相反的结果（图 6K）。随后，本研究在湘雅内部数据集中验证了TIIClnc签名的预测价值。如散点图所示，TIIClnc评分与已知的免疫治疗指标CD8、PD-1和PD-L1表现出显著的正相关（图6L）。IHC（图 6N）和 H 评分（图 6M）得出相同的结果，即高 TIIClnc 评分组中 CD8、PD-1 和 PD-L1 显著上调。总而言之，研究表明，具有高 TIIClnc 特征的患者可能会从免疫治疗中获益更多。

图 6

小编总结

在这项研究中，通过使用六种机器学习综合分析纯化的免疫细胞、GBM细胞系和大块GBM组织的转录组数据，构建了一个新的计算框架来筛选肿瘤浸润免疫细胞相关lncRNA（TIIClnc），以开发TIIClnc特征算法。因此，TIIClnc 特征可以区分包括湘雅内部数据集在内的四个独立数据集的 GBM 患者的生存结果，更重要的是，它比之前在神经胶质瘤中建立的 95 个特征表现出优越的性能。TIIClnc 特征被揭示是免疫细胞浸润水平的指标，并预测免疫治疗的反应结果。TIIClnc 特征与 CD8、PD-1 和 PD-L1 之间的正相关性在湘雅内部数据集中得到验证。作为一种新证明的预测生物标志物，TIIClnc 特征能够更精确地选择将从免疫治疗中受益的 GBM 人群，并应在不久的将来得到验证和应用

本研究也具有一些缺陷。本研究中包含的所有数据集都是单中心和回顾性的；未来的验证应在前瞻性多中心数据集中进行。此外，lncRNA的功能是多种多样的，包括在表观遗传、转录和转录后水平上调节基因表达，以及细胞过程和分子信号通路。lncRNA参与调节TME和免疫反应的机制很复杂。本研究筛选出的这些TIIClncRNA如何调节免疫微环境成分并相互作用尚不清楚，需要深入研究，这可能有助于开发潜在的治疗靶点并有利于未来的应用。值得注意的是，公共数据库中某些临床和分子特征的信息不充分可能会导致探索 TIIClnc 特征与某些变量之间关联的偏差。此外，PRJNA482620数据集中的有趣结果也给我们提示，目前关于GBM免疫治疗的数据很少，这可能是因为目前GBM的免疫治疗效果不佳，这使得更迫切需要研究免疫治疗生物标志物GBM 患者的治疗策略。

打赏