2024代谢分型,细胞死亡分型等结合机器学习依旧火爆
研究概述:子宫内膜癌(EC)是女性生殖系统中第二常见的恶性肿瘤,其基因组异质性引起了越来越多的关注,但对其代谢特征的了解仍然很少。代谢失调是EC发生和发展的重要危险因素。过去的其他研究主要集中在细胞水平的代谢抑制剂治疗上,然而关于其对肿瘤生物学、治疗结果和临床治疗的影响的研究仍然缺乏。作者通过全面的多组学分析以寻找潜在的分子靶点进行精准治疗。基于84种不同的代谢途径,作者确定了代谢途径相关的分子亚群,这些MPS亚群具有不同的临床预后、转录组和基因组改变、免疫微环境景观和独特的化疗敏感性模式。此外,MPS2亚组对免疫治疗有更好的反应。最后,使用三种机器学习算法(LASSO、随机森林和逐步多元Cox回归)来开发基于代谢分子的预后meta特征。因此,作者构建了一个基于13枢纽基因的分类器来预测患者MPS亚型,提供了一个更容易获得和实用的方法。这种基于代谢的分类系统可以增强预后预测,并指导免疫治疗和代谢靶向治疗的临床策略。
基于代谢通路与基于多种细胞死亡通路分型的本质是一样的。先对通路进行评分,再根据通路评分做分型。类似的思路欢迎咨询小编定制分析。
研究结果:
转录组学和蛋白质组学分析显示EC
在图A, B中,首先进行了主成分分析(PCA),比较了正常和肿瘤组织,发现了不同的代谢转录谱,而不同组织学类型和级别的EC在TCGA和GSE17025队列中具有相对相似的表达模式。图C显示,在所有3个数据集中的前10个上调途径中,在糖酵解/糖异生和叶酸生物合成途径中都观察到一致的激活。随后,在蛋白质水平上,临床蛋白质组学肿瘤分析联盟(CPTAC) EC蛋白质组研究分析了131个样本的10,180个蛋白质水平及其相应的生物标本信息。图D PCA分析证实,与正常组织相比, EC表现出不同的代谢景观。与上述转录组学数据(GSE17025和TCGA EC队列)相似,图E中显示,与CPTAC队列中的正常组织相比,EC中的氧化磷酸化和聚糖生物合成途径被显著激活。这些发现证明了EC样本中存在代谢重编程。
EC的代谢途径相关分层
为了揭示EC的代谢异质性,作者基于4条代谢途径的GSVA评分对患者及进行了无监督聚类并将患者分为3个不同的代谢途径亚组(MPS)簇:MPS1(35.9%)、MPS2(33.4%)和MPS3(30.7%)(图A-B)。图C中可观察到MPS1表现出“热”代谢特征,几乎涵盖了所有代谢类别。MPS2在特定的脂质代谢和氨基酸代谢途径中表现出上调,包括原发性胆汁酸生物合成、类固醇激素生物合成和亚油酸代谢等。相比之下,与其他两个簇相比,MPS3表现出相对“冷”的代谢表型。图D进一步研究了三种代谢相关亚型的临床病理特征,KM曲线显示MPS3亚型的总生存期最差。然而,MPS1和MPS2在OS和DFS方面没有显著差异。图E展现出与其他两组相比,MPS3组中浆液组织学类型、2-3级和III-IV期的EC患者比例更高。图F的TCGA分子亚群34与MPS簇的比较表明,MPS3簇以CN-H型为主,而MPS2簇以CN-L型为主。图G的亚群分析显示,EC的最大子集(称为非特异性分子谱[NSMP],也称为CN-L)在MPS簇中表现出异质性代谢谱。
基于代谢途径的亚型分析显示了不同的转录组学特征
图A首先通过对比分析发现了各MPS簇代谢途径相关基因的显著改变。图A到图C展示了MPS1亚组在戊糖和葡萄糖酸相互转化、精氨酸和脯氨酸代谢和谷胱甘肽方面表现出上调, UGT1A6、NME2和AKR1B10等特异性基因过表达。MPS2肿瘤中a-亚油酸代谢、花生四烯酸代谢、脂肪酸降解和药物代谢富集, ADH1B、PLA2G2C、GSTA3、CYP2B6等基因表达升高。与之形成鲜明对比的是,MPS3集群表现出视黄醇代谢、类固醇激素生物合成、糖酵解/糖异生、不饱和脂肪酸和丙酮酸代谢途径的下调,其中ADH4、PLA2G2C和CYP家族基因的mRNA表达下调。图D中作者错综复杂地剖析了三种不同MPS亚型的标志信号通路的激活模式,参与细胞周期的通路,包括MYC、E2F、G2M和有丝分裂,在MPS1和MPS3亚组中被明显激活,而在MPS2集群中被灭活。图E和图F展现了肿瘤代谢重编程与EMT密切相关,EMT评分和EMT相关基因表达,如SOX9、TWIST1、FOXF1、ZEB1、ZEB2和GATA6,在MPS1中相对低于其他两个集群。此外,图G可以观察到糖胺聚糖合成途径被发现与肿瘤EMT有关。
EC中MPS集群的特征基因组改变
图A展示了TCGA队列中EC MPS亚组中10种致癌途径突变频率的比较。MPS1亚组在PI3K、NRF2、TGF-b、MYC、Hippo和Notch通路中显示出更高的突变频率,而MPS3亚组在TP53通路中表现出最高的突变频率。值得注意的是,PI3K通路的成员在MPS1/2集群中高度突变。图B Sankey图显示了每个集群中前10个差异突变代谢基因的突变频率和相互关系。图C可以观察到在体细胞拷贝数变异(CNV)差异方面, MPS3具有相对较高的CNV负担和染色体不稳定性水平。图D到图F展示了TCGA队列中EC MPS集群的染色体改变谱。图G到图I KEGG分析显示,扩增基因在MPS1簇的氮代谢和糖胺聚糖合成途径中富集,MPS2簇中调控干细胞多能性和癌症通路的信号通路,以及MPS3簇中核糖体、TGF -β信号、EGFR酪氨酸激酶抑制剂抵抗和胆固醇代谢的信号通路。
不同的免疫微环境和MPS对免疫治疗的异质反应
图A表现了TCGA队列中3个MPS亚组中22个免疫细胞浸润水平的比较,与其他细胞簇相比,MPS2表现出CD4记忆性静息T细胞和Treg的丰度显著升高。相比之下,滤泡辅助性T细胞、M1和M2巨噬细胞、活化肥大细胞和中性粒细胞水平相对较低。图B比较了比较TCGA队列中3个MPS亚组中发挥抗肿瘤作用的免疫细胞(左)和发挥抗肿瘤作用的免疫细胞(右)的总富集分数的箱形图。在图C中,作者探讨了不同的MPS亚组是否对免疫治疗表现出不同的敏感性,因为每个亚组中免疫细胞浸润存在实质性差异。图D和图E可观察到MPS1组的肿瘤免疫功能障碍和排斥(TIDE)评分和排斥评分低于其他组。图F箱线图显示TCGA队列中3个MPS亚组的总TMB,肿瘤突变负荷(TMB)水平在MPS1集群中也是最高的,这表明对免疫治疗的反应更好。图G展现了在MPS3亚组中观察到IFNGR1和LAG3的表达水平升高,而MPS2簇表现出更高水平的CTLA4和PDCD1。而在图H中根据TIDE算法,MPS2亚组的预测反应率最高。
基于代谢途径的亚型反映了细胞水平上独特的化疗敏感性和代谢谱
图A概述了在TCGA队列中开发具有更高药物敏感性的MPS独特治疗剂的策略。图B展示了差异敏感药物的AUC值比较,基于TCGA队列的PRISM(上)和CTRP(下)数据库。然后,通过比较分析发现了独特的4种PRISM中的(雷公藤内酯、YM-155、美坦醇和Exatecan)和4种CTRP中的药物(BRD9876、多西他赛、VX-680和BRD-K30748066)。图C展示了TCGA队列中各MPS的多西他赛AUC值及其预测基因标记物表达水平(BUB1和RPN2)。与既往研究一致,MPS3亚组患者上述两个基因的表达水平和AUC值较高,表明其对多西紫杉醇的敏感性较低。图D是基于84条代谢途径的富集评分,展示了TCGA肿瘤样本和CCLE细胞系基于代谢亚群的PCA图。图E火山图展示了CCLE - EC队列中MPS群之间的差异代谢物,代谢物差异分析显示细胞MPS3中谷胱甘肽还原、单磷酸胞苷和三酰基甘油水平较高,鸟氨酸、鹅嘌呤和3-甲基己二酸水平较低。图F GSEA图显示EC细胞MPS3亚组中激活的标志通路,EC细胞MPS3亚组比MPS1亚组表现出更大的侵袭性,其标志是EMT和刺猬通路的上调。图G展示了差异敏感药物的AUC值比较。
使用机器学习算法开发代谢相关预后风险模型
图A展示了通过使用先进的机器学习技术开发预测模型,定量评估代谢基因表达的预后相关性。图B展示了了 LASSO变量筛选过程,共识别出22个关键基因。图C说明了随机森林模型中树数的调整过程,通过网格搜索得到最优随机森林模型,设置ntree = 200, nsplit = 5,错误率低于0.20。图D展示了在所有可能的交叉基因组合中评估多变量Cox回归模型的平均c指数。图E风险图由风险评分(A),生存状态(B)和基因表达水平(C)组成。图F TCGA训练队列中预测OS的meta特征随时间变化的ROC曲线。图G是基于TCGA训练队列的meta特征,KM曲线很好地区分了高危组和低危组的OS。图F和图G的随时间变化的ROC曲线和KM生存曲线也证实了metagene评分的预后预测价值。图H展示了TCGA队列中3个MPS亚组的meta风险评分比较。图I堆叠柱状图显示了TCGA队列中高、低风险组MPS亚组的组成。图H和图表现的MPS亚组中风险评分的显著差异强调了metagene标记在捕获肿瘤代谢复杂变化方面的有效性。
基于代谢的预后特征的临床应用验证
图A和图B比较两组患者估计免疫评分(A)和免疫治疗标志物表达水平(B),按metagene风险评分划分。图C堆叠条形图显示了TCGA、GSE78220、GSE115821和GSE168204队列的免疫治疗反应率。在高风险组中,患者在多个队列中显示出较高的TIDE评分和较低的免疫治疗应答率,这种一致的模式加强了metagene标记在评估免疫治疗反应中的预测效用。图D森林图显示OS显著变量的多变量Cox回归分析,包括患者年龄、组织学类型、FIGO分期、R0切除情况、肿瘤侵袭率和metagene评分。图E预测EC OS的多变量Cox回归模型的诺曼图。图F训练组、测试组和TCGA EC组的诺曼图预测模型5年ROC曲线。图G展示训练、测试和TCGA EC队列中诺曼图预测模型的5年校正曲线与观察结果具有较高的一致性。模态图模型在训练、测试和总TCGA EC队列中不仅具有良好的判别能力,而且具有良好的校正能力。
研究总结:
子宫内膜癌是女性生殖系统中第二常见的恶性肿瘤,其基因组异质性引起了越来越多的关注,但对其代谢特征的了解仍然很少。作者通过全面的多组学分析,构建了一个基于13枢纽基因的分类器来预测患者MPS亚型,利用机器学习算法开发了一种基于代谢的定量基因标记,以预测EC的预后并指导精确的治疗决策。
Tag标签: 代谢分型 细胞死亡分型 机器学习 生信分析