掃碼聯系客服
大家好呀！今天跟大家分享一篇2021年6月發表在Journal for ImmunoTherapy of Cancer（IF:13.751）上的文章。
研究流程：
一、 摘要
背景：近年來靶向免疫檢查點治療轉移性黑色素瘤取得了很大成功。然而，預測長期治療反應的生物標志物還是十分缺乏。
方法：作者使用DNA甲基化數據的無參考反卷積方法開發了基于CpG位點的機器學習分類器，可以將患者分為不同的預后分類簇。DNA甲基化數據使用無參考分析（MeDeCom）和基于參考的反卷積方法（MethyICIBERSORT）進行處理。
結果：作者的研究表明，轉移腫瘤組織的DNA甲基化特征可以預測Ⅳ期轉移性黑色素瘤患者對免疫檢查點抑制的治療反應。
結論：這些結果表明基于LMC的DNA甲基化數據是靶向免疫治療患者分類和治療反映評估的有價值工具。
二、 研究方法
1.ICI隊列包括德國三個不同皮膚腫瘤中心（Ⅰ-Ⅲ）治療的AJCC Ⅳ期黑色素瘤患者，共65例樣本（流程圖）。從TCGA數據庫下載470例黑色素瘤患者的臨床數據和DNA甲基化數據，經過濾后得到396例患者的數據。對ICI隊列樣本進行DNA甲基化測序。
2.DNA甲基化數據預處理和分析
3.TCGA隊列和ICI隊列的DNA甲基化數據進行無參考MeDeCom算法分析。選擇隊列中甲基化程度最高的5000個CpG位點輸入MeDeCom，得到潛在甲基化成分（LMC）。對LMC比例進行標準化。
4.使用MethyICIBERSORT分析免疫細胞浸潤比例。
5.根據MeDeCom得到的5000個甲基化CpGs位點開發患者分類器。
三、 研究結果
1.分析流程和隊列統計
為鑒定黑色素瘤患者的DNA甲基化特征，作者首先對DNA甲基化數據進行降維分析，隨后進行無參考和基于參考的反卷積分析（流程圖）。TCGA隊列和ICI隊列的KM分析表明AJCCⅠ-Ⅳ期的生存情況不同（圖1A）。突變分析表明，45.3%的原發腫瘤為BRAF突變，25.6%為NRAS突變。40%的患者發生腦轉移。
2.整體DNA甲基化分析不能闡明黑色素瘤亞群的特征
作者首先評估整體DNA甲基化模式，CpG位點可能在接受ICI治療的患者中存在差異。PCA分析表明BRAF/NRAS突變，腦轉移狀態，放射反應狀態與主成分沒有顯著相關性。
3.無參考MeDeCom分析和有參考的DNA甲基化反卷積算法
由于Ⅳ期的黑色素瘤患者的整體DNA甲基化分析不能揭示與ICI治療的相關性，作者使用一種無參考算法來評估潛在的預后和預測甲基化特征。因此，作者首先使用MeDeCom算法分析TCGA和ICI隊列的DNA甲基化數據。圖1B為8個LMC（LMC1-8）的比例，LMC沒有顯示出AJCC腫瘤分期的關系。接下來，作者分析LMC比例對TCGA隊列的OS的影響，聚類分析有兩個主要簇（1 vs 2）（圖2A）。盡管簇1的OS較好，但是并沒有明顯顯著性（圖2B）。接下來，作者使用MehtylCIBERSORT分析細胞比例，簇1中癌細胞比例顯著降低，對免疫細胞和基質細胞來說其中CD8+ T細胞，B細胞，NK細胞和CD14+細胞富集于簇1中而CD4+ T細胞在簇1中的比例明顯減少（圖2D）。
4.無參考MeDeCom分析表明簇對免疫檢查點抑制劑治療的轉移性黑色素瘤具有預測效果
作者對ICI隊列的LMC比例進行無監督層次聚類分析（圖3A），其中簇2中DC患者富集程度較高（圖3B）。簇2的患者在接受ICI治療后的總生存期較長（圖3C），單因素分析表明簇2可以預測ICI治療后的生存期（圖3D）。MethylCIBERSORT分析表明，簇1和簇2中的癌細胞和大多數免疫細胞亞型沒有顯著差異，但是調節性T細胞NK細胞和成纖維細胞在簇2中的比例顯著降低（圖3E）。
5.基于LMC分類器可以對患者進行分層
最后，基于ICI隊列的無參考甲基化分析結構構件患者分類器。作者使用5000個CpGs位點作為logistic回歸分析的輸入，最終得到20個CpGs位點，根據這20個CpGs位點可以將患者分為生存較好和生存較差兩組（圖3F）。該分類器的ROC曲線的AUC為0.9664（圖3G）。
四、結論：
總的來說，作者的研究表明DNA甲基化數據的無參考反卷積分析可以用于癌癥患者分層。作者構建的基于LMC比例聚類的預后分析可以用于預測轉移性黑色素瘤ICI治療反應效果。但是還需要額外的接受免疫治療的癌癥患者隊列對該分類器進行驗證。
