今天解读一篇发表在EBioMedicine上的文章，影响因子6.68。文章通过建立了一个肿瘤微环境风险评分panel,并证明其可作为I-III期结肠癌患者生存预测和治疗指导的有效工具。
文章标题
A robust panel based on tumour microenvironment genes for prognostic prediction and tailoring therapies in stage I-III colon cancer
摘要：
背景：肿瘤微环境（TME）对于癌症发展和治疗的调节至关重要。本研究的目的是开发基于TME相关基因的可靠的预后模型。
方法：通过使用五个有临床信息的芯片数据集。使用least absolute shrinkage方法和selection operator regression方法来减少维数，识别可靠的预后基因。
结果：作者建立了一个预后panel(由100个基因组成)，称为肿瘤微环境风险评分（TMRS）。通过特定的风险评分公式，TMRS panel具有通过单变量和多变量分析预测无复发生存期和总生存期的强大能力。与TNM分期相比，TMRS panel显示出更高的预测准确性。进一步的分析表明，TMRS评分较高的患者在辅助化疗中未显示出治疗效果，这可能是由于基质相关途径的激活和基质细胞的浸润所致。除了结肠癌，TMRS panel还被证明是胃癌预后预测和化学治疗决策的可靠工具。在转移性尿路上皮癌患者和黑色素瘤患者组成的数据集中也证实了其在预测免疫治疗结果中的价值。
结论：TMRS panel基因可能是I-III期结肠癌患者生存预测和治疗指导的有效工具。
结果简述
1
结肠癌患者特征和鲁棒的预后基因识别
本研究中，使用了五个GEO数据集（GSE17538，GSE33113，GSE37892，GSE38832和GSE39582）的990名诊断为I-III期结肠癌的患者样本。中位年龄为69岁（22–97岁），其中481名患者（48.6％）为男性。其中，RFS信息可用于990例患者，平均生存期为146个月。678名患者的OS信息，平均生存期为130个月。过滤得到797个基因（其表达水平与预后稳定且显著相关）最终被鉴定为可靠的预后基因。
2
使用TME相关的可靠预后基因构建分子亚组
首先，使用无监督的聚类方法，基于797个可靠的预后基因将990个肿瘤样品分为不同的分子亚组。最终确定了两个簇，分别称为肿瘤微环境簇1（TMEC1）和肿瘤微环境簇2（TMEC2），并且两个簇之间来自不同GEO系列的患者比例的比较显示无显著差异。通过对数秩检验，Kaplan–Meier曲线表明，两个簇之间RFS和OS存在明显的生存差异。如下图所示：
进一步关注GSE39582数据集，TMEC2中的样本表现出更晚期的肿瘤分期和错配修复（pMMR）状态。在CpG岛甲基化表型和遗传突变（KRAS，BRAF和P53）方面，没有发现明显的分布差异。如下图所示：
在细胞浸润分析证实，TMEC2患者显示出基质细胞（包括嗜中性粒细胞，内皮细胞和成纤维细胞）的浸润明显增加。最后，比较了TMEC相对于其他已建立的结肠癌分子亚型的分布。结果表明TMEC2患者主要集中在C4，C6和CMS4亚型，主要代表间质表型，而TMEC1患者主要集中在C1，C3和CMS2亚型，主要表现出上皮表型特征。如下图所示：
3
与预后相关的TMRS基因panel的构建
为了开发可用于临床的panel基因，作者将LASSO Cox回归模型应用于797个预后基因，以减少维度。将患者随机分为训练集和验证集以进行预后分析。两组患者特征的比较显示无显著差异。通过LASSO模型生成了由100个基因组成的TMRS基因panel，并使用基于RFS（TMRS-RFS）和OS（TMRS-OS）信息的Cox分析建立了两个预后模型。在训练集和验证集中，Kaplan-Meier曲线表明，高TMRS-RFS组的患者复发风险明显更高。如下图所示：
在训练集和验证集中，TMRS-RFS模型显示出比TNM分期显示出更高的预测能力。有OS信息的678例患者的TMRS-OS模型也发现了类似的结果。如下图所示：
森林图表明，对于这两个模型，较高的值可以显著识别所有亚组中预后较差的患者，如下图所示：
4
TMRS panel预测化疗对结肠癌的治疗益处
辅助化疗（ADJC）是非转移性结肠癌患者的主要治疗策略。研究发现，低TMRS-RFS和低TMRS-OS组的生存优势得以维持，无论是否辅助化疗。如下图所示：
有趣的是，观察到ADJC仅在低TMRS RFS和低TMRS-OS组中显著降低了患者的死亡风险，但并未在高TMRS RFS或高TMRS-OS组患者有生存优势。如下图所示：
为了开发一种临床相关的定量方法来预测患者死亡的可能性，作者在GSE39582数据集中构造了两个列线图，将两个TMRS panel中得出的得分和独立的临床预后因素整合在一起，如下图所示：
校准图表明，与理想模型的性能相比，列线图表现良好。决策曲线分析表明，诺模图的临床实用性大大超过了TNM分期。如下图所示：
5
识别TMRS-RFS和TMRS-OS相关的生物学通路和过程
在GSE39582数据集中进一步研究了TMRS panel得出的评分与临床特征和分子亚型之间的相关性。就临床特征而言，晚期患者和因疾病而复发死亡的患者，TMRS-RFS值和TMRS-OS值均升高。如下图所示：
接下来，作者使用GSVA研究潜在的生物表型和两个TMRS模型之间的关联。结果表明，TMRS-OS和TMRS-RFS的生物学行为在一定程度上相似。两种模型均与基质激活相关通路正相关，但与DNA复制和修复等负相关。细胞浸润分析表明，随着TMRS-OS和TMRS-RFS得分的升高，多种基质细胞类型的浸润显著增加，而一些免疫细胞（如细胞毒性淋巴细胞和NK细胞）与TMRS-RFS得分呈负相关。
6
TMRS panel可用于胃癌的预后预测和个性化治疗
据报道，TME在多种肿瘤类型的发生和发展中起着重要作用。因此，对TMRS panel能否预测I–III期胃癌患者的预后进行研究。从GEO数据集下载的GSE62254，TMRS panel得出的评分可作为胃癌患者的独立预后因素（OS和RFS）。随后的ROC分析进一步证实，与TNM分期相比，TMRS panel得出的评分模型在胃癌中表现出更好的预测准确性。此外，作者发现TMRS-RFS模型可用于筛查可受益于ADJC的胃癌患者。随后的细胞浸润分析和GSVA分析显示，与TMRS-OS模型相比，胃癌中的TMRS-RFS模型与基质细胞浸润和基质相关生物学过程的激活水平显著相关，例如EMT和血管生成。如下图所示:
7
TMRS panel基因预测免疫治疗的益处
作者检索了两个免疫治疗数据集（Imvigor210，GSE78220），并发布了转录组数据，以探讨TMRS panel基因是否可以预测免疫治疗的益处。Imvigor210记录了来自对抗PD-L1免疫疗法有反应或没有反应的患者的表达数据，而GSE78220是接受抗PD-1疗法的患者的恶性黑色素瘤数据集。Kaplan–Meier曲线显示，接受免疫疗法的患者中，较高的TMRS-OS值与较差的生存率相关（下图a）。小提琴图进一步表明，稳定疾病和进行性疾病与完全或部分反应的患者相比，TMRS-OS值显著增加（下图b）。低风险组总共有57（46.3％）个免疫疗法应答者，高风险组中有11（6.3％）个免疫应答者，卡方检验显著（下图c）。值得注意的是，TMRS-OS模型（AUC = 0.84）有比新抗原（AUC = 0.77）和肿瘤突变负荷(AUC = 0.73）高得多的预测能力，使用Logistic回归将TMRS-OS，新抗原和TMB模型结合在一起的复杂模型，可识别出准确度高达88％的治疗反应（下图d）。巧合的是，还观察到免疫细胞中TMRS-OS值与PD-L1表达之间显著负相关（下图e）。相关性分析显示TMRS-OS与免疫浸润细胞，TMB和新抗原之间分别呈负相关（下图f）。
结论
本文通过识别TMRS panel基因，使用其作为I-III期结肠癌患者生存预测和治疗指导的有效工具。TMRS panel基因还被证明是其它多种癌症预后预测和化学治疗决策的可靠工具。
一个R脚本解决某类功能基因(比如m6A甲基化)临床预后模型分析流程
肿瘤免疫细胞浸润与临床相关性分析
