文章标题：Integrating transcriptomics and machine learning for immunotherapy assessment in colorectal cancer
中文标题：整合转录组学和机器学习用于结直肠癌的免疫治疗评估
发表期刊：Cell Death Discov
发表时间：202404
影响因子：6.1/Q1
研究背景
结直肠癌 （CRC） 是世界范围内一种非常普遍且致命的恶性肿瘤。尽管免疫疗法显著改善了 CRC 的结局，但不耐受仍然是大多数患者的主要担忧。
研究方法
采用非负矩阵分解算法对来自基因表达综合数据库的 27 个微阵列的 2595 个 CRC 样本进行分类。采用三种机器学习技术来识别免疫疗法特有的特征。随后，研究了该特征与 TME 亚型和免疫疗法相互作用的机制。
研究结果
1. 通过无监督聚类确定了结直肠癌的 5 种肿瘤微环境亚型
使用分层聚类分析识别训练队列中的异常值样本，在排除 24 个异常值后得到 2595 个样本。通过平均 91 个特征的基因表达水平来计算特征分数。使用基于签名分数的分层聚类来过滤 91 个签名，保留了 77 个表现出稳健相关性的签名。单变量 Cox 比例风险模型揭示了这些特征与 CRC 预后之间的关联，其中 51 个特征表明具有保护作用，而 9 个特征是不利的。利用 NMF 算法来识别训练队列中的分数差异，并相应地对患者进行分层。当 k = 5 时，CRC 在 TME 中表现出显著差异。因此，患者分为 5 种 TME 亚型 （TMES1-TMES5）。t 分布随机邻域嵌入 （t-SNE） 分析揭示了 TMES1 和 TMES3-TMES5 之间的显著区别，而 TMES2 表现出广泛的分布。
2. TMES 在各种癌症中是保守的
在 TCGA 队列中，TMES 评分存在明显差异，特别是 BLCA、KIRC、LIHC（肝细胞癌）和 SKCM。此外，我们观察到 TMES 在不同癌症之间分布的异质性。值得注意的是，TMES2 和 TMES4 在 Fges 亚型中表现出“F”和“D”的明显富集，而 TMES3 显示出更高的“IE/F”和“IE”比率（图 D）。此外，超过 60% 的 TMES1 样本在免疫亚型中被归类为 “C2”;TMES3 的 “C2” 和 “C3” 比例较高，TMES4 主要富集 “C1”。TMES 的 “C4”、“C5” 和 “C6” 比率较低 。
3. 描述 TMES 的临床特征
TMES3 在右侧病变、组织病理学分级较高和微卫星不稳定性 （MSI） 比值较高的女性患者中更常见。相比之下，TMES2 主要与左侧病变和晚期 （III 和 IV） 相关。TMES1 显示 WNT、细胞凋亡、P53 和错配修复途径的强烈激活。TMES2 表现出代谢相关和癌症相关途径的上调，尤其是葡萄糖代谢和 JAK-STAT 途径。TMES3 强烈上调脂肪酸代谢、癌症相关途径、细胞因子途径和 mTOR 途径。相比之下，除 MAPK 通路外，大多数生物过程在 TMES4 中受到抑制。TMES5 在代谢途径中表现出显著的活性，PI3K 和 PPAR 途径上调。此外，我们使用 ESTIMATE 算法来评估 TME 状态。TMES3 具有最高的免疫评分和最低的肿瘤纯度，而 TMES2 表现出相对丰富的基质组成。TMES2 与不良预后显著相关，而 TMES3 与良好预后显著相关。同样，TMES1、TMES4 和 TMES5 与良好的预后相关，表明它们预测 CRC 结果的强大能力。
4. TMES 的基因组景观
各种亚型 APC 、 TP53 和 KRAS 的突变频率较高。PTEN 和 PIK3CA 突变在 TMES1 中普遍存在，而 BRAF 突变发生在 TMES3 中，这与它们与 MSI 肿瘤的已知关联一致。驱动基因在 TMES3 中显示出相对较高的突变率，而在 TMES2 中只有少数基因频繁突变（即 NRAS 和 SMAD2）。
5. 免疫治疗中 TMES 的动态演变
根据患者的 TIDE 评分将患者分为反应者和无反应者，并比较 TMES 在 ICI 反应中的作用。值得注意的是，TMES2 应答者仅占 11.8-14.6%，而 TMES5 的响应者比例更高，在 61.3-78.0% 的范围内。在三个独立的 ICI 队列中观察到类似的趋势，其中 TMES2 的应答者百分比最低，而 TMES3 和 TMES5 的百分比更高，分别为 13.0-42.9% 和 15.0-60.0%。这些结果表明 TMES1-TMES5 可以有效预测患者的免疫治疗结果。一般来说，反应者在治疗期间表现出丰富的免疫组成和恶性细胞和基质的比例降低，而在无反应者中，恶性细胞和基质的比例保持不变或增加。
6. 基于机器学习的免疫疗法相关特征识别
应用了三种机器学习算法，即 LASSO-Cox 、 RF 和 SVM-RFE ，来分析训练队列。他们分别识别了 25、15 和 44 个签名，在所有三种方法中通常识别了 10 个签名。我们评估了这 10 个特征对 CRC 预后的影响，结果显示 STAT1_19272155、aDC、CSR_Activated、ICS5 和 CD103pos 在 CRC 的预后中起着重要作用。通过进一步比较 TMES 中这 5 个特征的评分和生存差异，发现 aDC 显著影响了所有 5 个 TMES 的预后。验证队列的分析支持这一发现。我们使用 ROC 曲线评估了 5 个特征的预测能力，结果表明 aDC 表现出最突出的预测价值。我们发现高 aDC 组患者更可能与反应者和 TMES3 相关，而低 aDC 组患者与 TMES2 和无反应者更强相关。此外，aDC 在应答者中更丰富。在黑色素瘤 ICI 队列中观察到类似的结果。总之，我们认为 TMESs 可能通过 aDC 影响免疫治疗的有效性来干预患者的预后。
文章小结
该研究开发了一个利用 TME 相关特征将 CRC 分为 5 种亚型的分类框架，此方法有更广泛应用，揭示了不同生物过程，为个性化治疗提供策略，能区分免疫治疗反应者和无反应者，利用 aDC 阐明了不同免疫治疗反应的潜在机制。研究结果具有临床意义，有助于预后评估和临床决策，同时强调 aDC 是 CRC 的潜在治疗靶点。
