掃碼聯系客服
小伙伴們大家好，今天想跟大家分享的是一篇于今年2月份發表在Cell（IF：41.582）上的一篇文章。感到驚喜的是，該文章是一篇利用公開數據進行的meta分析。讓我們來看看這篇文章的主要內容，看看別人為什么可以發到那么高，而我們又能從中借鑒什么呢？
Meta-analysis of tumor and T cell-intrinsic mechanisms of sensitization to checkpoint inhibition
腫瘤和T細胞對免疫檢查點抑制敏感的內在機制的meta分析
免疫檢查點抑制劑（CPI）應答標志物效能的系統評估
作者從12篇研究中收集了1000多個接受免疫治療的樣本，獲取響應的臨床響應信息以及基因組或轉錄組數據，并進行了一套標準的數據處理流程（圖1）。同時作者查閱了723篇相關文獻，收集了55個CPI的應答標志物。有了這些準備后，作者分別在每一套數據集中評估這些應答標志物的預測效能，然后通過meta分析將效應量整合起來（圖2A）。由結果可以看出，在所有12項研究中，預測效應最強的生物標志物是克隆性的TMB，接著是總TMB，而亞克隆TMB于CPI反應沒有顯著的相關性。此外許多與抗原相關的標志物（sources of antigen）均與CPI應答相關。免疫浸潤類的標志物（immune infiltration）預測效能較優，其中 CXCL9表達是效應最強的預測因子。值得注意的是，盡管一些標志物效應較高，但缺乏統計學意義上的關聯，這并不排除這些過程在決定CPI反應中具有潛在生物學作用（數據量較小）。此外，對于較罕見的突變事件，該分析力度不足，如B2M突變或缺失僅在1.4%的病例中發現，這意味著可能需要更大的樣本量來確認這些事件在影響CPI反應中的作用。
接下來，作者按癌癥或藥物類型來分析這些數據集，評估了四組數據：黑色素瘤抗PD-1/L1、黑色素瘤抗CTLA-4、尿路上皮癌抗PD-1/L1和非小細胞肺癌抗PD-1/L1。除HLA B44和種系HLA-I進化差異外，個體亞組中顯著的生物標志物多數與泛癌meta分析中顯著的生物標志物相同（圖2B）。同時藥物組織學差異反映了預期模式，如CD274（PD-L1）表達在黑色素瘤抗PD-1/L1隊列中顯著，但在抗CTLA-4隊列中不顯著。
最后作者評估了生物標志物之間的相關性水平，觀察到每個類別中指標之間的高水平相關性（圖2C）。突變指標如TMB和克隆TMB彼此之間具有很強的相關性，同樣CD8A和CXCL9等免疫浸潤標志物之間也存在相關性。然而，不同的生物標志物類別之間的相關性通常很低，如抗原生物標志物的來源在很大程度上與免疫浸潤標志物不相關，這表明將多個標志物結合在一起具有潛在的非冗余效應。作者量化了各種CPI響應標志物對應答的解釋程度，結果表明所有標志物的解釋程度在0.6左右，即還有40%的決定ICB應答的因素沒有被發現（圖2D）。
圖1. Meta分析的數據處理流程
圖2. CPI響應相關的標志物評估
CPI應答的多變量預測模型
作者評估完一些標志物后，觀察到了CPI應答標志物的復雜性，進而他們探討了是否可以將這些標志物組合，形成一個整合標志物來提高預測CPI應答的效能。作者使用上述meta分析中11個顯著與CPI應答相關的預測因子，基于XGBoost方法構建多變量的預測模型來預測CPI治療的應答。由于不同的癌癥類型可能有些差別，所以作者針對每一個癌癥類型都構建了預測模型（圖3A）。然而，這些模型也顯示出了很強的相似性，如克隆性TMB和CXCL9在多個模型中的貢獻均排在前兩位（圖3A）。因此，作者根據以上列出的11個生物標志物集合（圖3B），使用所有的1008個樣本訓練出最終的泛癌模型，特征重要度評分如圖3C。接著作者對模型在3個獨立的驗證集進行評估，發現多變量的預測模型的預測效能在3個獨立的數據集中均優于TMB（圖3D）。
圖3. CPI應答的多變量預測模型
由于目前的生物標記物僅提供了CPI反應相關的部分解釋，作者接下來進行了發現分析，在隊列中尋找額外的反應預測因子。鑒于TMB的重要性，作者進而評估突變過程與治療應答的關系。其中對于每個突變過程，作者測試了該過程的貢獻度與CPI響應之間的關聯，其中5個與CPI的應答相關（圖4A）。
接下來，作者試圖識別這些突變過程的特性，這些特性可能導致形成更多的免疫抗原表位。有趣的是，作者發現signature 4（煙草暴露相關）和signature 7（紫外線照射相關）和二核苷酸變異（DNV）數目之間具有很強的相關性（圖4B）。二核苷酸變異可能會使氨基酸產生更大的變化，同樣作者發現對于SNV突變來說，只觀察到150種氨基酸變化模式，而DNV則產生250種不同的氨基酸變化模式（圖4C）。同時DNV產生的氨基酸改變更大，具有較高的Grantham距離（衡量氨基酸相似性的測度）和疏水性差異（圖4D），而高的疏水性評分傾向于為T細胞反應性表位（圖4E）。在這里作者做的細節非常到位，詳細剖析了突變過程貢獻較好CPI應答的原因。
圖4.與CPI響應相關的突變過程
拷貝數與CPI相應之間的關聯
作者還在樣本集中進行了體細胞拷貝數分析，以尋找與CPI響應相關的拷貝異常位點。雖然沒有發現SCNV的總負荷與應答相關（圖2A），但特定位點的改變可能會導致對治療的耐藥性或敏感性（圖5AB）。差異最顯著的區段是9q34，應答者的丟失頻率為44.4%，而無應答者的丟失頻率為30.5%（圖5B）。因此，9q34缺失與CPI治療的敏感性相關，對該位點進行精細定位發現頻率差在9q34.3處出現一個尖峰，與TRAF2基因直接重疊（圖5C）。同時在整個泛癌、尿路上皮癌、黑色素瘤和其他腫瘤類型隊列中，TRAF2缺失在應答者中均顯著增加（圖5D）。此外作者注意到大多數9q34缺失是單等位基因丟失事件，進一步研究表明 TRAF2很可能具有單倍體劑量不足的效應（圖5E）。
圖5. CPI應答者和非應答者的拷貝數擴增和缺失譜
接下來作者考慮了癌基因和抑癌基因的區域擴增和純合子缺失事件是否與CPI反應相關。結果發現CCND1擴增腫瘤的CPI應答率顯著降低（圖6A），尿路上皮癌中CCND1擴增腫瘤的數量最高（圖6B），同時觀察到在尿路上皮癌種無應答者的CCND1表達水平顯著高于應答者（圖6C）。為了驗證CCND1擴增在與CPI應答的關聯，作者在接受CPI治療的尿路上皮癌隊列中觀察到CCND1擴增與總體生存較差顯著相關（圖6D）。作為陰性對照，在沒有使用CPI治療的尿路上皮癌患者兩組的總體生存期沒有差異（圖6E）。這種現象在泛癌隊列中仍然存在（圖6FG）。這些數據表明CCND1擴增與CPI應答存在相關性，而與常規預后無關。
圖6. CCND1擴增與CPI應答相關
結合單細胞數據的分析
克隆突變負荷在先前評估中作為較優的生物標志物，這表明以克隆性新抗原為靶點的T細胞應答在免疫治療期間具有關鍵作用。為了檢驗是否克隆性新抗原激活的T細胞所表達的基因能進一步解釋克隆性新抗原與CPI響應的關聯，作者對一名未經治療的非小細胞癌患者的CD8 TILs進行了單細胞測序，并根據克隆性新抗原（MTFR2）是否為陽性進行了分類。來自同一區域的陽性細胞相對于陰性細胞有846個基因顯著上調（圖7A），涉及的功能包括抗原呈遞、T細胞激活轉運和T細胞功能障礙等。這些基因在CPI隊列中，應答者的表達顯著高于無應答者（圖7B），尤其是CXCL13和CCR5（圖7C）。
圖7.克隆性新抗原為靶點的T細胞應答在免疫治療過程中的作用
本篇文章的內容就是這些，讓我們來簡要總結下該文章的思路。首先作者整合了大量的CPI數據集，系統的評估了現有的CPI應答相關的標志物，然后作者基于此構建一個多變量的預測模型，最后作者還對CPI響應相關的突變過程、拷貝數和克隆性新抗原進行了深入分析。本篇研究不愧是發在頂級期刊上的文章，系統且標準化的數據收集處理流程為后續的分析奠定了扎實的基礎，此外作者對各個細節的把控相當到位，這對主要結果的證明起到了畫龍點睛的作用。這也為我們的研究擴展思路提供了幫助，在我們研究突變過程時會不會想到二核苷酸突變呢？在研究拷貝數時會不會聯想到單倍體劑量不足呢？同時本文的思路是否能擴展為評估不同signature的預后呢？相信本文會給大家帶來大量的收獲，最后祝大家科研順利！
