文献解析(9)MB干性特征分析

文章结果提供了MB干性的一个综合特征。基于mRNAsi的预后特征可能有助于SHH MB预后的个性化预测,并在临床实践中作为SHH MB预后潜在生物标志物。这篇文章的研究还提供了基于机器学习方法的策略,以系统地识别在MB干细胞和针对MB干细胞的药物方面分层的生物标志物。同时其对肿瘤浸润免疫细胞与MB干细胞之间相互作用的分析可能有助于预测针对MB干细胞的免疫治疗,并有助于确定哪些患者会对此类治疗产生反应。

attachments-2019-11-3Ak1bBZu5ddccd4babd91.pngattachments-2019-11-LHGimRV95ddccd5be4bc9.png大多数人类癌症是通过各种遗传和表观遗传改变的顺序积累,并从干细胞和祖细胞群发展而来。干性被定义为具有自我更新和从起源细胞分化的潜能,最初被认为是起源于正常干细胞,这些干细胞有能力产生所有类型的细胞。而髓母细胞瘤(MB)是儿童中最常见的中枢神经系统(CNS)胚胎肿瘤。基于组织学特征的初步刻画,根据2016年世界卫生组织(WHO)对中枢神经系统肿瘤的分类,MB被主要分为四个分子亚型,分别为WNTSHH、以及组3、组4。这四种亚型有不同的转录谱系、体细胞突变、拷贝数改变以及临床结局。WNTSHH MBs在大多数基于转录和DNA甲基化分析数据的研究中明显是可分离和可识别的,与其他MB亚群的重叠极小。3组和4MBs存在多个拷贝数改变,且转录组更加相似。此外,虽然已从髓母细胞瘤(MB)中鉴定出肿瘤干细胞,但对MB的干性,包括肿瘤免疫微环境与MB干性之间的相互作用,仍然缺乏全面的认识.

而小编今天带来的这篇文献正是研究这一问题。

题目:Integrative analysis of gene expression and DNA methylation through oneclass logistic regression machine learning identifies stemness features in medulloblastoma

杂志Molecular Oncology   IF:5.962    发表时间:2019.10.13

attachments-2019-11-EMzxu4GH5ddccdbb5cef3.png

(1)   数据:研究从GEO收集了763例原发MB的样本的全基因组甲基化以及表达数据、临床数据(GSE85281)。

(2)   评估MB的基因表达以及DNA甲基化的干性指数:作者使用一类逻辑回归的方法(OCLR)用来自PCBC数据库的胚胎表达数据训练一个模型,用来预测MB样本的基因表达干性指数(mRNAsi)以及甲基化干性指数(DNAsi)。

(3)    评估临床结局和干性指数的相关性:作者首先使用单因素分析,评估干性指数等临床特征与OS的关系,接下来根据干性指数的差异表达基因,构建一个预后风险模型,将样本分成高低风险组,对高低风险组的患者进行分亚型的生存分析。

(4)    评估stemness指数与SHH MB预后拷贝数改变的相关性:使用皮尔森相关来评估相关性。

(5)    评估干性指数与MB免疫微环境的相关性:使用CIBERSORT打分各类免疫细胞并评估其与干性指数的关系。

(6)   识别靶向MB干性特征的潜在药靶:使用CMap数据库研究靶向干性特征的候选药物。

attachments-2019-11-JHG0Tzd95ddccde197c49.png

① MB中的基因表达干性指数(mRNAsi)以及甲基化干性指数(mDNAsi

作者首先根据干性指数将样本排秩,然后研究干性指数与人口统计特征,分子特征,临床特征之间的关系(图1A,B)。作者观察到干性指数与亚型转移状态显著相关(图1C-L,同时可以观察到组34mRNAsi更高,而WNT以及SHHmDNAsi更高(图1H)。相似的,观察可以发现转移的MBmRNAsi比非转移的高(图1GmDNAsi相反(图1L)组3例外(图1I.除此之外此外,在非转移性MB患者中,3 MB4 MBmRNAsi值更高(1F),而SHH MB患者的mDNAsi值最高(1K)。在转移性MB患者中,SHH MB患者的mDNAsi最高 (1J).

attachments-2019-11-4oIBItsT5ddcce22c33ed.png                                          图1

② 干性指数和临床结局之间的相关性

在这一部分,作者首先使用单因素分析来评估各个临床特征及干性指数与OS之间的关系(表1,图2)。接着筛选出高低指数SHH MB样本的差异基因。接着使用单因素,Lasso,以及多因素构建一个风险得分预后模型,根据风险得分的高低分成高风险组或者低风险组,进行生存分析(图3A)。接着对模型进行AUCROC评估(图3B)。对风险得分进行多因素分析(表2)。最后,先在验证集中进行生存分析(图3C),对验证集进行AUC评估(3D)。评估这个模型在其他亚型中的预后效能(图3E-G)。接着评估这个预后模型与拷贝数改变的关系(图4)。

attachments-2019-11-Z1xu7Hbi5ddcce3a2978c.png

                                          表1

attachments-2019-11-kOCltcXQ5ddcce5c38ee6.png

                                             图2

 

attachments-2019-11-hHVDqVpH5ddcce6ea1aa6.png

                                         图3

attachments-2019-11-drQWTKBl5ddcce8477029.png

                                          表2

attachments-2019-11-547zwx6u5ddcce94b0b3c.png

                                             图4

③ 评估干性指数与MB的免疫微环境

为了评估MB的干性与肿瘤免疫微环境之间的关系,作者评估了每种免疫细胞和干性指数的相关性(图5A,BC,D34,同时,作者对这些进行了分亚型的分析,分别分析了4中亚型中干性指数与免疫微环境之间的关系,其中不同亚型的两种干性指数与各种免疫细胞的关系如表34所示。

attachments-2019-11-zIbYeWpE5ddcceace060b.png

                                         图5

attachments-2019-11-rNriFkpr5ddccec25d49f.png

                                          表3

attachments-2019-11-TAoHecVY5ddcced4c2f36.png

                                        表4

④ CMap分析来识别新的靶向MB干性特征的候选药物

为了识别有能力靶向MB 干性相关通路的潜在化合物,作者通过对高mRNAsi和低mRNAsiSHH亚群样本进行差异表达分析,利用mRNA表达特征查询了CMap数据库,得到的前96个药物如图6所示,并96个化合物的CMap作用模式(MoA)分析发现,上述化合物共有58种作用机制。

attachments-2019-11-VWX8QB7D5ddccee56bbb6.png

                                        图6

attachments-2019-11-PjcaMRza5ddccefd554f7.png综上所述,文章结果提供了MB干性的一个综合特征。基于mRNAsi的预后特征可能有助于SHH MB预后的个性化预测,并在临床实践中作为SHH MB预后潜在生物标志物。这篇文章的研究还提供了基于机器学习方法的策略,以系统地识别在MB干细胞和针对MB干细胞的药物方面分层的生物标志物。同时其对肿瘤浸润免疫细胞与MB干细胞之间相互作用的分析可能有助于预测针对MB干细胞的免疫治疗,并有助于确定哪些患者会对此类治疗产生反应。

attachments-2019-11-FMFlYler5ddccf12384fc.png

1.Angeletti F, Fossati G, Pattarozzi A, Wurth R, Solari A, € Daga A, Masiello I, Barbieri F, Florio T and Comincini S (2016) Inhibition of the autophagy pathway synergistically potentiates the cytotoxic activity of givinostat (ITF2357) on human gliobla.

2.Aoki T, Hino M, Koh K, Kyushiki M, Kishimoto H, Arakawa Y, Hanada R, Kawashima H, Kurihara J, Shimojo N et al. (2016) Low frequency of programmed death ligand 1 expression in pediatric cancers. Pediatr Blood Cancer 63, 1461–1464.

3.Batsaikhan BE, Yoshikawa K, Kurita N, Iwata T, Takasu C, Kashihara H and Shimada M (2014) Cyclopamine decreased the expression of Sonic Hedgehog and its downstream genes in colon cancer stem cells. Anticancer Res 34, 6339–6344.

4.Battula VL, Nguyen K, Sun J, Pitner MK, Yuan B, Bartholomeusz C, Hail N and Andreeff M (2017) IKK inhibition by BMS-345541 suppresses breast tumorigenesis and metastases by targeting GD2 + cancer stem cells. Oncotarget 8, 36936–36949.

5.Bjerkvig R, Tysnes BB, Aboody KS, Najbauer J and Terzis AJ (2005) Opinion: the origin of the cancer stem cell: current controversies and new insights. Nat Rev Cancer 5, 899–904.

attachments-2019-11-Ko8UI0He5ddccf259938e.png

文献解析(1)如何构建关系网络来更好的揭示一些相关的生物学机制?

文献解析(2)影响EGC病人使用ICI反应的关键因子是什么?

文献解析(3)是什么基因分类器竟能应用到头颈癌病人预后以及靶向治疗的药物反应评估中?

文献解析(4)这篇研究确定了一个高效的DNA损伤修复相关风险信号作为预测低度胶质瘤预后的指标!

文献解析(5)表观遗传时钟与共识分子亚型和结直肠癌总体生存率的关系

文献解析(6)What?放射可以用于头颈鳞癌患者的治疗?

文献解析(7)胶质瘤MR预测IDH

文献解析  (8) 这篇文章为研究癌症干细胞特性相关基因提供了一个很好的思路,一起来看看把!

  • 发表于 2019-11-26 15:09
  • 阅读 ( 47 )
  • 分类:文献解读

0 条评论

请先 登录 后评论
不写代码的码农
蛋壳

48 篇文章

作家榜 »

  1. 合肥国肽生物 115 文章
  2. 祝让飞 107 文章
  3. 刘永鑫 64 文章
  4. 生信分析流 49 文章
  5. 蛋壳 48 文章
  6. SXR 44 文章
  7. 调研图 38 文章
  8. 张海伦 31 文章