Nat Comm | 如何用体细胞突变更好预测免疫治疗反应
原创 图灵基因 图灵基因 2022-07-31 10:10 发表于江苏
收录于合集#前沿分子生物学机制
免疫疗法，例如免疫检查点抑制剂，已经改变了晚期癌症的治疗。与杀死癌细胞的化学疗法不同，这些药物可帮助人体的免疫系统自行发现并摧毁癌细胞。然而，只有一小部分患者对免疫检查点抑制剂有长期反应，而这些治疗方法的成本很高，而且有副作用。
纽约大学、Weill Cornell医学院和纽约基因组中心的研究人员现在已经开发出一种两步法，使用全外显子组测序，将预测癌症患者是否会对免疫疗法产生反应的基因和通路归零。这项工作说明了使用全外显子组测序如何比目前的实验室测试更好地预测治疗反应。
“这些结果表明，使用更广泛的诊断方法，如全外显子组甚至全基因组测序，可能会显著提高我们预测谁将对免疫治疗产生实质性反应的能力，这表明更多的数据确实有助于更好地预测治疗反应。”Weill Cornell医学院计算基因组学副教授、病理学和实验医学副教授、纽约基因组中心核心教员Marcin Imielinski博士说。Imieliński是该团队在《Nature Communications》上发表的论文的共同资深作者，该论文标题为“Recurrent somatic mutations as predictors of immunotherapy response”。
作者写道，免疫检查点阻断（ICB）已经改变了转移性癌症的治疗，但受到不同反应率的阻碍。“一个关键的未满足需求是识别预测治疗反应的生物标志物。”已知一些生物标志物——包括年龄、肿瘤类型和癌细胞中发现的突变数量（称为肿瘤突变负荷）与免疫疗法的反应相关。通过分析数百个基因计算得出的肿瘤突变负荷 (TMB) 是最成熟的预测因子，通常用于确定患者是否有资格使用免疫检查点抑制剂。“TMB高的肿瘤被认为具有更高的免疫原性，因此由于其新抗原的负担增加，对ICB有反应。”作者解释道。
然而，正如共同资深作者Neville Sanjana博士所问的那样，“我们能否更好地预测谁将从免疫疗法中受益？科学家们已经开发出各种有助于预测免疫疗法治疗反应的生物标志物，但仍然需要一个强大的、临床实用的预测模型。”Sanjana是纽约大学生物学助理教授，纽约大学Grossman医学院神经科学和生理学助理教授，纽约基因组中心的核心教员。
如果科学家们研究我们基因中更大的一部分，这是否有助于更好地预测哪些患者会对免疫疗法产生反应？全外显子组测序是一种对编码蛋白质的基因组部分进行测序的方法——大约20000个基因，或基因组的2%——以寻找可能与疾病有关的突变。
尽管最近一些关于免疫疗法的研究已经开始包括测序，但全外显子组测序并未广泛用于癌症治疗。这些研究规模虽小，但结合起来有助于阐明基因组因素与患者对免疫疗法的反应之间的关系。然而，作者指出，“尽管最近的全外显子组测序（WES）研究试图超越TMB，将特定的DNA改变与ICB反应联系起来，但它们受到样本量小和（全基因组）分析方法能力不足的限制。”
在他们的研究中，研究人员结合了之前对黑色素瘤、肺癌、膀胱癌和头颈癌患者进行的六项免疫治疗研究的数据。使用抗PD-1或抗CTLA-4免疫检查点抑制剂治疗的所有参与者均可使用全外显子组测序。但即使将这六项研究结合起来，患者的数量——总共319人——仍然相对较少。“……虽然我们通过汇集多项研究建立了一个更大的队列，但样本量仍然限制了全基因组的意义。”该团队承认。
“只有几百人参与的小型研究的问题是患者数量与全外显子组测序中测序的大量基因之间的不匹配。”该研究的第一作者、Sanjana实验室的研究生Zoran Gajic说，“理想情况下，我们应该拥有一个患者多于基因的数据集。”
为了解决这个问题，研究人员转向了一种名为fishHook的模型，该模型将导致癌症的突变与背景突变或偶然发生但与癌症无关的突变区分开来。该模型校正了一系列影响背景突变率的因素——例如，调整基因的大小，因为较大的基因更有可能发生突变。“为了在聚合免疫治疗队列中识别阳性选择的基因和通路，我们采用了fishHook，这是一种最初开发用于研究全基因组测序中非编码突变复发的统计方法。”该团队指出，“我们将fishHook分析限制在WES始终捕获的19688个基因的编码区。”
利用该模型，研究人员采用了一个两步的方法：首先，他们观察所有患者的测序，以发现任何突变负担比预期更高的基因，调整基因大小等基因组因素，或者某一特定DNA片段是否是一个已知的热点，往往会积累更多的突变。这产生了六个具有可疑高突变负担的基因。
接下来，研究人员确定这六个基因中是否有任何一个在对免疫疗法有反应或没有反应的人身上富集。其中两个基因——肺癌中经常发生突变的基因KRAS和黑色素瘤中最常见的突变基因BRAF——在对免疫治疗有反应的患者中富集。相比之下，另外两个基因——TP53和BCLAF1——在那些对免疫疗法没有反应的人中富集。BCLAF1尚未得到很好的研究，但这些发现表明，具有BCLAF1突变的患者对免疫检查点抑制剂的反应较小。“总的来说，我们从逻辑回归中确定了4个ICB反应预测基因（BCLAF1、BRAF、KRAS和TP53）。”作者指出。
使用相同的两步方法，研究人员接下来确定某些途径（MAPK信号、p53相关和免疫调节）也可以预测免疫检查点抑制剂的反应。
随后，他们将这四个基因和三条通路与其他预测变量（如年龄、肿瘤类型和肿瘤突变负荷）相结合，创建了一个他们命名为癌症免疫治疗反应分类器（CIRCLE）的工具。他们发现，与单独的肿瘤突变负荷相比，CIRCLE更好地预测了ICB反应，敏感性提高了10.5%，特异性提高了11%。CIRCLE还能够准确预测免疫治疗后的癌症存活率。“这些结果表明，使用更广泛的诊断方法，如全外显子组甚至全基因组测序，可以显著提高我们预测谁将对免疫治疗产生实质性反应的能力，这表明更多的数据确实有助于更好地预测治疗反应。”Weill Cornell医学院计算基因组学副教授、病理学和实验医学副教授、纽约基因组中心核心教员、该研究的共同资深作者Marcin Imieliński说。
为了验证他们的方法，研究人员对另外165名接受免疫疗法治疗的具有全外显子组测序的癌症患者的数据进行了CIRCLE测试，发现CIRCLE捕获的预测信息超出了仅从肿瘤突变负荷获得的信息。
“我们的研究重点是从现有免疫治疗患者队列中获得的生物标记物，这些患者具有成对的WES和反应数据以及临床相关元数据。”作者总结道，“它利用候选基因和全基因组方法的优势，以适度的队列规模实现优化的预测能力……”“我们发现，与TMB相比，CIRCLE分类器可以提高ICB反应预测。”他们写道，“总而言之，这些结果支持对CIRCLE的更广泛调查，将更普遍的复发性体细胞改变作为免疫治疗生物标志物。”
未来的研究将涉及在更大的患者数据队列上测试CIRCLE，因为研究人员预计该模型将随着来自数千名而不是数百名患者的数据而改进。他们还希望，随着队列的扩大，他们可以开始梳理出哪些患者可能对不同的免疫治疗有反应，因为可用的治疗方法越来越多。
“需要更大的免疫治疗队列来验证这一发现，更广泛地说，积极选择的驱动因素改变可以帮助预测免疫治疗反应的原则……由于驱动因素改变的癌症类型特异性，我们可以预期将CIRCLE扩展到更广泛的泛癌队列，将需要通过额外的发现分析来修改分类器。”
“我们设想这种两步法和全外显子组测序的使用将为更好的癌症免疫治疗预后工具铺平道路。”Sanjana说。正如作者总结的那样，“虽然小组测试已经在免疫肿瘤学中常规使用，但我们的结果表明，使用更广泛的诊断方法（包括WES和全基因组测序）可能会显著改善反应者和无反应者的分层……我们设想，CIRCLE，更广泛地说，对复发性突变癌症基因的分析将为更好的癌症免疫治疗预后工具铺平道路。”
