Del Ⅰ Identifiering och validering av en immunrelaterad genparsignatur för tre urologiska cancerformer

Abstrakt

Pålitliga biomarkörer behövs för att känna igen urologiska cancerpatienter med hög risk för återfall. I denna studie byggde vi en ny immunrelaterad genparsignatur för att samtidigt förutsäga återfall för tre urologiska cancerformer. Vi samlade 14 allmänt tillgängliga genuttrycksprofiler inklusive cancer i urinblåsan, prostata och njure. Totalt 2 700 prover klassificerades i träningsuppsättningen (n=1 622) och valideringsuppsättningen (n=1 078). Den 25 immunrelaterade genparsignaturen bestående av 41 unika gener utvecklades genom den minsta absoluta krympnings- och selektionsoperatorns regressionsanalys och Cox-regressionsmodell. Signaturen stratifierade patienter i hög- och lågriskgrupper med signifikant olika återfallsfri överlevnad i metaträningsuppsättningen och dess subpopulationer, och var en oberoende prognostisk faktor för urologisk cancer. Denna signatur visade en robust förmåga i metavalidering och flera oberoende valideringskohorter. Immun- och inflammatoriskt svar, kemotaxi och cytokinaktivitet berikades med gener som är relevanta för signaturen. En signifikant högre infiltrationsnivå av M1-makrofager hittades i högriskgruppen jämfört med lågriskgruppen. Sammanfattningsvis är vår signatur en lovande prognostisk biomarkör för att förutsäga återfallsfri överlevnad hos patienter med urologisk cancer.

Nyckelord

Urologiska cancerformer; Biomarkörer; Immunrelaterade genpar; Återfallsfri överlevnad; Prognostisk biomarkör;Cistanches fördelar.

Klicka här för att få mer information omvad är effekterna av Cistanche

Introduktion

Blåscancer, prostatacancer och njurcancer är de viktigaste tumörerna i urinvägarna, och nästan 2,4 miljoner nya fall diagnostiseras varje år [1]. Framstegen med riktad terapi och neoadjuvant terapi har förlängt överlevnaden för patienter [2-4]. Men många patienter drabbas av återfall även efter fullständig kirurgisk resektion [5–7], och deras prognoser är fortfarande inte optimistiska. En tillförlitlig prognostisk biomarkör som kan identifiera patienter med högre risk för återfall och välja patienter som har svar på terapier skulle vara värdefull för hanteringen av urologisk cancer.

Genuttryckssignaturer har identifierats för överlevnadsstratifiering av blåscancer [8, 9], prostatacancer [10, 11] och njurcancer [12, 13]. De flesta biomarkörer har dock inte översatts till klinisk praxis på grund av överanpassad träningsdatauppsättning eller brist på tillräcklig validering [14]. En chans att utveckla mer tillförlitliga prognostiska biomarkörer har förts med tillräckligt storskaliga offentliga genuttrycksdatauppsättningar [15, 16]. Det är dock en utmaning att integrera data som härrör från olika plattformar. Den traditionella metoden har gjort det svårt att normalisera olika datamängder, med tanke på de tekniska fördomar och biologisk heterogenitet hos flera plattformar [17, 18]. Nya metoder baserade på den relativa rangordningen av genuttrycksnivåer har använts för att eliminera kravet på dataförbehandling och har uppnått robusta resultat i många applikationer [19-21].

Ökande bevis har indikerat att tumörens immunmikromiljö är korrelerad med bildandet och progressionen av de tre huvudsakliga urologiska tumörerna [22-24]. Immunkontrollpunktsmolekylerna, såsom programmerad celldöd 1 (PD-1), PD-1-ligand 1 (PD-L1) och cytotoxisk T-lymfocytassocierad antigen 4 (CTLA-4) , har visat ett anmärkningsvärt, varaktigt svar vid cancer i urinblåsan [25, 26], prostatacancer [27, 28] och njurcancer [29, 30]. Biomarkörerna relaterade till tumörens immunmikromiljö kan således ha potentialen som prognostiska markörer för urologisk cancer.

Som bekant är blåscancer, prostatacancer och njurcancer anatomiskt nära besläktade och är resultatet av liknande förolämpningar som främjar tumörbildning [31–33]. Därför har vi i denna studie utvecklat en signatur baserad på immunrelaterade genpar (IRGP) för att samtidigt förutsäga återkommande cancer i urinblåsan, prostatacancer och njurcancer.

Cistanche tubulosa

Material och metoder

1. Studiedesign och datauppsättningar

Vi analyserade omfattande 14 genuttrycksprofiler i tre urologiska tumörer i cancer i urinblåsan, prostata och njure, inklusive sju mikroarray-datauppsättningar och sju RNA-Seq-datauppsättningar (kompletterande figur 1). Tillträdesnumren, plattformarna och provstorlekarna för dessa genuttrycksprofiler visas i tilläggstabell 1. RNA-Seq-data laddades ner från UCSC Xena och International Cancer Genome Consortium (ICGC). Microarray-data laddades ner från Gene Expression Omnibus (GEO). Kohorter från The Cancer Genome Atlas (TCGA) användes som träningsuppsättning och andra datauppsättningar användes som valideringsuppsättning. Endast patienter med fullständig överlevnadsinformation inkluderades. Vi uteslöt också patienter som hade fått strålbehandling, neoadjuvant terapi och riktad molekylär terapi i alla oberoende träningskohorter. Totalt ingick 2 700 fall i vår studie. Vårt projekt godkändes av Chongqings medicinska universitets etiska granskningskommitté.

2. Databehandling av genuttryck

De allmänt tillgängliga datamängderna från GEO normaliserades först med normalizeBetweenArrays-funktionen som implementerades i "limma"-paketet och loggtransformerades sedan ytterligare. Normaliseringsmetoder användes inte i TCGA- och ICGC-kohorter.

3. Identifiering av specifika IRGP för prognosförutsägelse

Vi laddade ner immunrelaterade gener (IRG) från ImmPort-databasen som öppnades den 3/3/2021. 2 483 unika IRG, som utgör 17 kategorier, inklusive cytokiner, cytokinreceptorer, antigenbearbetning, presentationsvägar, interleukiner, naturliga mördarcellers cytotoxicitet, TGFb och TNF-familjemedlemmar. Endast IRG mätt av alla plattformar med en absolut medianavvikelse > 0.5 i alla oberoende träningsuppsättningar valdes. Poängen för varje IRGP genererades genom parvisa jämförelser av genuttrycksnivån i ett visst urval av profiler. IRGPs poäng definierades som 1 om uttrycksnivån för IRG 1 var större än IRG 2; annars sattes IRGPs poäng till 0 [34]. Efter att ha tagit bort IRGP med konstanta värden i varje enskild datamängd analyserades de återstående IRGP:erna ytterligare.

4. Konstruktion av det immunrelaterade genparindexet (IRGPI) för prognosförutsägelse

Prognostiska IRGPs valdes baserat på följande steg. För det första utvärderades den prediktiva förmågan hos varje IRGP att förutsäga patienters återfallsfria överlevnad (RFS) genom att använda Cox-regressionsmodellen i metaträningsdatauppsättningen och IRGP med ett p-värde < 0.05 valdes ut som första kandidatmarkörer. För det andra användes analysen av minst absoluta krympnings- och urvalsoperatörer (LASSO) för att ytterligare filtrera bort några mindre informativa IRGP. Inställningsparametern bestämdes av det förväntade generaliseringsfelet uppskattat från 10-faldig korsvalidering. För att förbättra robustheten delade vi slumpmässigt upp den fullständiga metaträningsdatauppsättningen i nya tränings- och testdatauppsättningar med ett 2:1-förhållande och upprepade det slumpmässiga uppdelningsschemat 30 gånger för att stabilisera IRGPs urvalsförfarande. LASSO-modellen tillämpades sedan på de 30 träningsuppsättningarna, och de IRGP med en frekvens > 15 valdes ut. Slutligen användes den multivariata Cox-regressionsmodellen för att bygga den IRGPs-baserade prediktionsmodellen och generera IRGPI för alla prover. Patienterna klassificerades i låg- och högimmunriskgrupper med hjälp av medianvärdet för IRGPI.

Cistanche-extrakt

5. Utvärdering och validering av 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) omvandlades till 1, och ålder (<60) was transformed into 0. Stages III and IV were transformed into 1, and stage I and II were transformed into 0.

6. Profilering av infiltrerande immunceller

CIBERSORT karakteriserar immuncellssammansättning genom att använda bulktumörgenexpressionsprofiler [35]. Den härledde de relativa proportionerna av 22 typer av infiltrerande immunceller baserat på referensgenexpressionsvärdena (LM22) [35]. I denna studie bestämdes proportionerna av 22 infiltrerande immunceller genom att använda R-paketet 'CIBERSORT'. Perm sattes till 1,000 och fall med ett CIBERSORT-utgångs-p-värde < 0.05 valdes ut för vidare analys. Wilcoxons rangsummetest användes för att jämföra skillnader i immuncellssubtyper mellan hög- och låg IRGPI-grupperna.

7. Genontologi (GO) analys

R-paketet "clusterProfiler" användes för att utföra GO-anrikningsanalys av generna relaterade till IRGPI i metaträningskohorten. Det BenjaminiHochberg-justerade p-värdet < 0.05 (falsk discovery rate, FDR) användes som tröskel för att bestämma signifikans.

8. Konstruktion och utvärdering av nomogrammet

Ett nomogram konstruerades för att etablera ett kvantitativt tillvägagångssätt för RFS-förutsägelse i meta-träningskohorten baserat på IRGPI och kliniska faktorer, vilket verifierades ytterligare i metavalideringskohorterna. En poäng beräknades för varje faktor, och den totala poängen för alla faktorer erhölls sedan för uppskattning av RFS-hastigheter vid 1, 3, 5 och 10 år. Kalibreringsdiagrammen ritades sedan för att utvärdera tillförlitligheten av nomogrammet.

Standardiserad Cistanche

9. Statistisk analys

R-paketet 'survival', 'glmnet', 'sure miner', 'timeROC', 'rms', 'CIBERSORT' och 'clusterProfiler' användes för att konstruera Cox-regressionsmodellen, LASSO-modellen, Kaplan-Meier-kurvan, tid -beroende ROC-kurva, nomogram, immuncellsammansättningsberäkning och GO-analys. Sambandet mellan IRGPI-poäng och RFS analyserades med log-rank test. Cox-regressionsmodellen användes för att utföra en multivariat analys av sambandet mellan IRGPI och RFS. Ett dubbelsidigt p-värde < 0.05 ansågs vara statistiskt signifikant för alla tester. Alla statistiska analyser utfördes med användning av R (version 4.0.2).

Referenser

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 onkofetal glykosaminoglykanmodifikation ger terapeutisk tillgång till cisplatinresistent blåscancer. 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. Expertutlåtande om förstahandsterapi vid behandling av 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. Tumörassocierat makrofaghärlett interleukin-23 kopplar samman glutaminberoende för njurcancer med immunflykt. Eur Urol. 2019; 75:752–63.

5. Zhao Z, Wang Y, Zhang JJ, Huang XY. Fascinhämmare minskar cellmigrering och vidhäftning samtidigt som de ökar den totala överlevnaden för möss som bär blåscancer. Cancer (Basel). 2021; 13:2698.

6. Peltomaa AI, Raittinen P, Talala K, Taari K, Tammela TL, Auvinen A, Murtola TJ. Prostatacancerprognos efter initiering av androgendeprivationsterapi bland statinanvändare. En befolkningsbaserad kohortstudie. Prostatacancer Prostata Dis. 2021; 24:917–24.

7. Tian M, Wang T, Wang P. Utveckling och klinisk validering av en prognossignatur med sju gener baserad på multipla maskininlärningsalgoritmer vid njurcancer. Celltransplantation. 2021; 30:963689720969176.

8. Zhang C, Gou X, He W, Yang H, Yin H. En glykolysbaserad 4-mRNA-signatur korrelerar med prognosen och cellcykelprocessen hos patienter med cancer i urinblåsan. Cancer Cell Int. 2020; 20:177.

9. Chen S, Zhang N, Shao J, Wang T, Wang X. En ny gensignaturkombination förbättrar förutsägelsen av total överlevnad vid cancer i urinblåsan. J Cancer. 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 glykolysrelaterad fem-gensignatur förutsäger biokemisk återfallsfri överlevnad hos patienter med prostata Adenocarcinom. Front Oncol. 2021; 11:625452.

11. Nguyen HT, Xue H, Firlej V, Ponty Y, Gallopin M, Gauthier D. Referensfria transkriptomsignaturer för prostatacancerprognos. BMC Cancer. 2021; 21:394.

12. Lu J, Qian C, Ji Y, Bao Q, Lu B. Gensignatur associerad med bromodomängener förutsäger prognosen för renal renal njurcellscancer. Främre 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. Integrerad analys för att identifiera en redoxrelaterad prognostisk signatur för njurceller med klara celler Carcinom. 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. Identifiering och validering av hypoxihärledda gensignaturer för att förutsäga kliniska resultat och terapeutiska svar hos patienter med stadium I lungadenokarcinom. . 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. Bedömning av 18F-PI-2620 som en biomarkör vid progressiv supranukleär pares. 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. Identifiera potentiella långtidsöverlevande bland bröstcancerpatienter med fjärrmetastaser. Ann Oncol. 2016; 27:828–33.

17. Franks JM, Cai G, Whitfield ML. Funktionsspecifik kvantilnormalisering möjliggör plattformsoberoende klassificering av molekylära subtyper med hjälp av genuttrycksdata. Bioinformatik. 2018; 34:1868–74.

18. Shen Y, Rahman M, Piccolo SR, Gusenleitner D, ElChaar NN, Cheng L, Monti S, Bild AH, Johnson WE. TILLDELA kontextspecifik genomisk profilering av flera heterogena biologiska vägar. Bioinformatik. 2015; 31:1745–53.

19. Wu J, Zhao Y, Zhang J, Wu Q, Wang W. Utveckling och validering av en immunrelaterad genparsignatur vid 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 av immunrelaterade genpar förutsäger onkologiska resultat och svar på immunterapi vid lungadenokarcinom. Genomik. 2020; 112:4675–83.

21. Wang S, Xu X. En immunrelaterad genparsignatur för att förutsäga överlevnad vid 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, och BRIDGE Consortium, Tyskland. Tumörimmunmikromiljön driver en prognostisk relevans som korrelerar med undertyper av blåscancer. 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 driven av ADT-inducerad immunmikromiljöombyggnad i prostatacancer är korrelerad med recidiv- fri överlevnad och immuninfiltration. Celldöd Dis. 2020; 11:779.

24. Vuong L, Kotecha RR, Voss MH, Hakimi AA. Tumörmikromiljödynamik i klarcellig njurcellscancer. Cancer Discov. 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. Neoadjuvant immunterapi omformar cancerhantering över flera tumörtyper: Framtiden är nu! Eur J Cancer. 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. Kombinerad nästa generations sekvensering och flödescytometrianalys för en partiell antiPD-L1-svarare över tid: En undersökning av mekanismer för PD-L1-aktivitet och resistens vid blåscancer. 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 för metastatisk kastrationsresistent prostatacancer: Preliminär analys av patienter i CheckMate 650-prövningen. Cancercell. 2020; 38:489–99.e3.

28. Ruiz de Porras V, Pardo JC, Notario L, Etxaniz O, Font A. Immune Checkpoint-hämmare: ett lovande behandlingsalternativ för metastaserad kastrationsresistent prostatacancer? Int J Mol Sci. 2021; 22:4712.

29. Kamai T, Kijima T, Tsuzuki T, Nukui A, Abe H, Arai K, Yoshida KI. Ökat uttryck av adenosin 2A-receptorer i metastaserande njurcellscancer är associerat med sämre svar på antivaskulära endotelial tillväxtfaktormedel och anti-PD-1/AntiCTLA4-antikroppar och kortare överlevnad. Cancer Immunol Immunother. 2021; 70:2009–21.

30. Chu G, Xu T, Zhu G, Liu S, Niu H, Zhang M. Identifiering av en ny proteinbaserad signatur för att förbättra prognosförutsägelse vid renal clear cell carcinom. Front Mol Biosci. 2021; 8:623120.

31. Gorin MA, Verdone JE, van der Toom E, Bivalacqua TJ, Allaf ME, Pienta KJ. Cirkulerande tumörceller som biomarkörer för prostatacancer, urinblåsa och njurcancer. Nat Rev Urol. 2017; 14:90–7.

32. Tölle A, Suhail S, Jung M, Jung K, Stephan C. Fettsyrabindande proteiner (FABPs) i prostata-, urinblåsa- och njurcancercellinjer och användningen av IL-FABP som överlevnadsprediktor hos patienter med njurcellscancer . BMC Cancer. 2011; 11:302.

33. Jungwirth N, Haeberle L, Schrott KM, Wullich B, Krause FS. Serotonin används som en prognostisk markör för urologiska tumörer. Världen J Urol. 2008; 26:499–504.

34. Li B, Cui Y, Diehn M, Li R. Utveckling och validering av en individualiserad immunprognostisk signatur vid icke-småcellig lungcancer i tidigt stadium. 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 uppräkning av cellundergrupper från vävnadsuttrycksprofiler. Nat Methods. 2015; 12:453–7.

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

1. Institutionen för 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