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

基于胃腺癌特征和腫瘤免疫微環境的免疫原性細胞死亡相關lncRNA模型，利用綜合生物信息學分析預測抗腫瘤藥物靶點的預后價值

發表期刊：Front Pharmacol

發表日期：2022 Oct 14

影響因子：5.988

DOI:? 10.3389/fphar.2022.1022294

一、研究背景

????????胃癌的發病率排在第五位，死亡率排在第四位，在2020年有超過一百萬的新病例。胃腺癌（STAD）是最常見和最惡性的亞型。

????????免疫原性細胞死亡（ICD）是一種癌細胞死亡，可以促進免疫功能正常的宿主激活免疫系統對抗腫瘤。ICD包括損傷相關分子模式（DAMP）的釋放，從垂死的腫瘤細胞中釋放，導致腫瘤特異性免疫反應的激活。ICD可以由某些化療藥物、溶瘤病毒、光動力療法和放療觸發。

????????長非編碼RNAs（lncRNAs）有200多個核苷酸，調節癌癥的各種生物過程。NcRNAs影響胃癌化療和免疫療法的抗性。EIF3J-DT通過刺激自噬誘導STAD化療抗性；MEG3通過阻斷p53信號傳導抑制STAD增殖和轉移。致癌性lncRNAs如漿細胞瘤變異易位1（PVR1）與化療抗性有關。

二、材料與方法

1、數據來源

1） TCGA數據庫：375個癌癥樣本和32個非癌癥樣本的TPM RNA-seq數據

2） 從已發表的研究中檢索出34個ICD相關基因

2、 分析流程

流程圖

三、實驗結果

01 - 為STAD患者建立5個ICD相關的lncRNA風險模型

????????從STAD樣本中確定了572個ICD相關的lncRNAs。其中，358個lncRNAs是差異表達的ICD相關lncRNAs（圖2A,B）。34個ICD相關基因和不同表達的lncRNAs的共表達網絡顯示在圖2C。

圖2 識別STAD患者中不同表達的ICD相關lncRNAs

????????作者利用單變量Cox回歸發現了24個預后良好的ICD相關lncRNAs（圖3A），在此基礎上構建了熱圖（圖3B）。此外，這些lncRNAs受其相關基因的正向調節（圖3C）。進行Lasso回歸，整理出五個lncRNAs（圖3D，E）。此外，這五個lncRNAs和ICD基因之間的相關性顯示在圖3F。每個樣本的風險分數是用下面的方法計算出來的：風險分數=AC131391.1 ×（0.6469）+ PVT1 ×（-0.8239）+ LINC00592 ×（1.0268）+ AL139147.1 ×（0.8928）+ VCAN-AS1 ×（0.9535）。

圖3 構建STAD患者ICD相關lncRNAs的預后模型

????????使用上述算法，根據風險評分中位數，并將TCGA-STAD隊列、訓練集和驗證集劃分為低風險和高風險隊列。如圖4所示，建立了五個ICD相關的lncRNA預后模型來預測患者的OS。風險分數分布見圖4A-C。在高風險類別中，有更多的死亡觀察（圖4D-F）。每組中五個風險lncRNAs的表達情況見圖4G-I。根據KM圖，低風險組的觀察結果比高風險組的觀察結果要長（圖4J-L）。

圖4 五個ICD相關lncRNAs模型的預后價值

????????單變量Cox回歸分析顯示，風險評分和分期都與患者的預后有很大關系（圖5A）。利用多變量分析，風險評分和分期可獨立預測STAD患者的OS（圖5B）。根據ROC曲線（圖5C），風險特征比其他臨床指征更具預測性。在1、3和5年時，曲線下面積（AUC）分別達到0.696、0.640和0.649（圖5D）。從C-指數曲線來看，風險特征的得分也最高（圖5E）。根據研究結果，ICD相關的lncRNAs風險模型對STAD表現出比經典的臨床和病理特征更強的預后預測作用。

????????作者還開發了nomogram（圖5G）以加強對STAD患者的生存預測。1年、3年和5年的OS校準曲線顯示了預測和觀察之間的高度一致性（圖5F）。

圖5 ICD相關lncRNAs的預后分析

02 - 免疫學特征與風險模型之間的關系

????????作者對比了高風險或低風險組之間腫瘤微環境的變化。檢查了浸潤腫瘤的22種免疫細胞（圖6A），并觀察到免疫細胞之間的顯著相關性（圖6B）。氣泡圖顯示了免疫細胞和風險分數之間的相關性（圖6C）。大多數免疫細胞與風險分數呈正相關，特別是XCELL的造血干細胞、靜止記憶CD4+T細胞、活化肥大細胞、CIBERSORT-ABS的M2巨噬細胞、QUANTISEQ的B細胞和MCPCOUNTER的癌癥相關纖維細胞。此外，與高危組相比，低危組的記憶B細胞、靜止樹突狀細胞、漿細胞、單核細胞和靜止肥大細胞更為豐富，而高危組的活化CD4+記憶T細胞、靜止NK細胞和M0巨噬細胞的表達水平更高（圖6D）。此外，腫瘤微環境評分由 "ESTIMATE "確定，以量化基質-免疫細胞的比例。高風險的STAD個體具有較高的基質、免疫和整體ESTIMATE得分（圖6E），表明高風險組的免疫學部分更大。然后，高風險類別的人表現出更高的TIDE得分（圖6F），表明高風險評級的患者可能更容易受到免疫逃避的影響。

圖6 風險模型中的腫瘤浸潤性淋巴細胞

????????作者通過ssGSEA評估了免疫細胞和免疫功能的得分。結果發現，高危組中多種免疫細胞（B細胞、DCs、iDCs、巨噬細胞、肥大細胞、中性粒細胞、pDCs、T輔助細胞、TIL和Treg細胞）的富集分數升高（圖7A）。此外，高危組的免疫功能評分，如APC共刺激、CCR、檢查點、MHC 1類、副炎癥、T細胞共刺激、I型IFN反應和II型IFN反應也明顯升高（圖7B）。這些結果表明，ICD相關的lncRNAs參與了免疫細胞功能的調節。此外，免疫細胞的比例和功能與風險組不同，檢查點和HLA基因隨風險分值升高（圖7C,D）。最重要的是，高危人群表現出免疫熱的表型，而低危人群則表現出免疫冷的特征。從這個意義上說，免疫檢查點抑制劑（ICI）治療對高危人群可能比低危人群更有利。

圖7 風險模型的免疫特征

03 - 富集路徑的綜合分析

????????主成分分析（PCA）分析表明，STAD病例可根據其風險分數分為兩個不同的集群（圖8A），然后整理出978個差異表達基因（DEGs）。圖8B顯示了GO富集情況。DEGs在PI3K-Akt信號通路、MAPK信號通路和Wnt信號通路中富集（圖8C）。異常的Wnt/β-catenin信號通路促進了癌癥干細胞的更新和分化，從而在腫瘤發生和治療反應中發揮了關鍵作用。Wnt通路還可以影響Treg細胞、T-helper細胞、樹突狀細胞和其他表達細胞因子的免疫細胞，Wnt信號的激活導致對免疫療法的抗性增加。此外，包括鈣信號傳導、擴張型心肌病和ECM受體相互作用等途徑在高風險組中選擇性地富集（圖8D）。低風險組有細胞周期、DNA復制和嘧啶代謝的富集（圖8E）。

圖8 對富集的路徑進行全面分析

04 - 體細胞突變

????????作者用Fisher's exact檢驗確定了差異性突變，在兩個風險組中發現了不同的體細胞突變情況。TTN、TP53、MUC16、LRP1B和ARID1A的基因突變最多，其中TTN排名第一（圖9A，B）。低風險組比高風險組的腫瘤突變負擔（TMB）更大（圖9C）。此外，在STAD隊列中，TMB分數較高的患者顯示出較好的OS（圖9D），而在高危組中，TMB分數較低的觀察對象具有最差的OS（圖9E）。這些發現表明，體細胞突變與風險分數和生存概率有關；低風險組中TMB分數較高的個體可能有更大的生存機會。

圖9 不同風險群體中的體細胞突變

05 - 風險組和化療藥物之間的相關性分析

????????對于臨床應用概率，考察了兩個風險組的藥物敏感性。根據結果，吉西他濱、順鉑、依托泊苷和栓塞林對低風險患者有效（圖10A-D）。高危患者對帕唑帕尼（圖10E）、BEZ235（圖10F）、TGX221（圖10G）和薩拉卡替尼（圖10H）更易受影響。此外，發現所有的敏感藥物都與風險分值相關（圖10I-P）。吉西他濱、順鉑、依托泊苷和帕唑帕尼是一線治療抗腫瘤藥物。目前，胚胎素被用于純科學目的，不能用于一般用途。高風險類別中的另外三種敏感藥物還沒有經過醫學試驗，它們在未來可能是有希望的。

圖10 預測風險群體的藥物敏感性

四、結論

????????基于ICD相關的lncRNAs和獨特的風險模型，開發一種可利用的治療方法可能有助于STAD患者。這將改善個體治療和患者的預后。通過瞄準與ICD相關的lncRNAs，有可能克服系統性治療的失敗并擴大免疫療法。這些發現可能對STAD患者的免疫療法和化療產生影響。