掃碼聯系客服
各位小伙伴大家好呀！今天小編給大家帶來的是今年5月9號剛剛發表在Frontiers in Oncology(IF=5.738)上的一篇細胞外基質相關模型預測卵巢癌患者治療的文章，可謂是模板范文了，快來一起學習一下！
一.研究背景
卵巢癌(OC)是女性癌癥相關死亡的第五大原因。OC包括多種病理類型，上皮性OC是最常見的病理類型，由于未能早期診斷、轉移、復發和耐藥等原因導致OC患者預后不良。細胞外基質(ECM)由不同的大分子組成，包括糖蛋白、膠原蛋白和蛋白聚糖，它們組裝成一個三維的超分子網絡，以調節細胞的生長、存活、運動和分化。研究表明，ECM與腫瘤微環境(TME)的形成有關，其失調可促進腫瘤進展。由于ECM與許多腫瘤患者的療效和預后相關，但在OC中并未得到深入研究。于是作者通過多種生物信息學方法開發了一種新的ECM評分(ECMS)模型，并評估了其準確預測OC患者預后和對免疫治療反應的能力，以期有助于OC患者的預后評估和個體化治療策略的制定，使更多的OC患者獲益。
二.主要結果
1. 候選ECM基因的鑒定
作者共下載了公共數據庫的三個OC隊列(TCGA-OV、ICGC-OV和Imvigor210)，以及從MsigDB網站上的hallmark數據集中得到的1028個ECM基因。通過WGCNA算法確定ECM相關基因構建無標度網絡，將無標度拓撲擬合指標設置為0.9，對應的最優軟閾值為8(圖1A)，共識別到46個模塊(圖1B)。Darkorange2模塊與ImmuneScore的相關系數為0.79，與ESTIMATEScore的相關系數為0.8，提示Darkorange2模塊在免疫細胞高浸潤的樣本中選擇性表達(圖1C)。
將1028個ECM基因和最相關基因模塊的669個基因取交集，得到61個候選ECM基因(圖1D)。進一步通過單因素Cox回歸分析篩選得到10個獨立預后因素的候選ECM基因(圖1E)。為了全面分析這些基因，作者對候選ECM基因進行功能富集分析，結果表明其主要富集于NABA基質體相關信號通路(圖1F)。
2. ECMS模型的構建與驗證
圖2A顯示，由CLEC5A、TGFB1、ADAM9、SPP1、CXCL9、CXCL11、CCL19、LTA這8個基因構建的風險模型效果是最好的，C-指數分別為0.603(訓練集)和0.597(測試集)。基于最優λ值0.01339134構建了包含8個基因的風險模型(圖2B)。生存分析顯示，在訓練集中，高危組的OS較低危組短(圖2C)，測試集也顯示出相似的結果(圖2D)。
為了進一步檢驗ECMS的有效性，作者對訓練集和測試集進行了ROC分析，訓練集(圖2E)在第1、3、5年的AUC值分別為0.528、0.594和0.67，測試集(圖2F)的AUC值分別為0.571、0.635和0.684。tROC分析表明ECMS是OC患者的可靠預測指標(圖2G, H)。
接下來作者分析了年齡、分期、ECMS和預后之間的關系。單因素Cox回歸分析顯示，ECMS為獨立危險因素(圖3A)；在多因素Cox回歸分析中，ECMS也表現出良好的預后(圖3B)。作者還構建了nomogram圖來評估OC患者的生存概率(圖3C)，校準曲線分析表明該nomogram圖是準確的(圖3D)，且tROC分析顯示，nomogram圖的表現優于其他變量(圖3E)。
3. 富集分析
作者計算了高ECMS得分組和低ECMS得分組間的差異表達基因(DEG)并進行了富集分析，結果表明高ECMS組中升高的基因與跨突觸信號傳導、心臟發育、突觸可塑性調節、突觸前組裝和中間絲組織顯著相關(圖4A)；低ECMS組中升高的基因與同種異體移植排斥反應、淋巴細胞活化的調節、免疫應答的正向調節、SARS-CoV-2對濾泡B細胞的激活和適應性免疫應答顯著相關(圖4B)。
此外，高ECMS組的功能富集分析顯示，黏附連接、ECM受體相互作用、絲裂原活化蛋白激酶(MAPK)信號通路、癌癥通路、血管內皮生長因子(VEGF)信號通路富集(圖4C)；在低ECMS組，抗原加工和呈遞、哮喘、自然殺傷細胞介導的細胞毒性、氧化磷酸化和原發性免疫缺陷富集(圖4D)。
4. 免疫景觀
ESTIMATE算法結果顯示，在兩個ECMS組之間的免疫評分有顯著差異，低ECMS組表現出更高的免疫活性(圖5A)。作者選擇CTLA-4、TIM-3、PD-1、PD-L1、PD-L2和LAG3作為免疫檢查點活性的生物標志物，作者發現，低ECMS組的表達明顯更活躍(圖5B)。然后，作者分析了ECMS與ESTIMATE算法得到的評分的相關性以ECMS與免疫檢查點表達差異的關系，如圖5C所示。
隨后，作者評估了兩組免疫細胞浸潤率和途徑活性。作者發現，高ECMS組大部分免疫通路活性明顯降低(圖5D)；且在兩個ECMS組中，大多數免疫細胞(如T細胞、巨噬細胞、肥大細胞)的浸潤程度存在顯著差異(圖5E)。
5. 免疫治療反應預測
在這一部分，作者分析了indel新抗原, SNV 新抗原, 新抗原和ECMS之間的相關性(圖6A、B)，結果表明SNV新抗原與ECMS呈顯著負相關，而indel新抗原與ECMS之間無相關性。
作者通過TIDE算法對免疫治療反應進行預測，結果顯示低ECMS組訓練集抗PD-L1免疫治療的應答率更高(圖6C、D)。作者接下來對TCGA集進行ROC分析，AUC值為0.566(圖6E)。作者還發現，在Imvigor210隊列中，高ECMS組的OS比低ECMS組短(圖6F)；此外，新抗原與ECMS之間存在顯著的負相關(圖6G)。
6. 驗證ECMS基因在卵巢癌細胞系中的表達
在這一部分，作者評估了ECMS模型中基因的風險系數。其中，CLEC5A是最強的危險因素，LTA是最強的保護因素(圖7A)。接下來作者通過RT-qPCR來驗證其結果，結果表明，CLEC5A、ADAM9、TGFB1在OC細胞株中高表達，而LTA、CCL19、CXCL11、CXCL9在OC細胞株中低表達。而SPP1在正常卵巢上皮細胞株和惡性卵巢上皮細胞株中的表達水平無差異(圖7B)。
到這里這篇文章就介紹完畢啦，總結一下：首先作者通過WGCNA等方法篩選得到了在卵巢癌中關鍵的ECM基因；然后構建模型對樣本進行分類，探討高低得分組患者微環境差異；最后，通過RT-qPCR驗證模型中關鍵基因在癌癥細胞系和正常細胞系間的表達差異。通篇邏輯清晰而且結果簡明扼要，還是我常說的那句話：生信分析加簡單實驗永遠是短平快的發文利器！小伙伴們快快行動起來！
