读文献14-肝癌模型结合药物筛选 by 北野茶缸子

Date : [[2022-09-30]]
北野茶缸子
参考：Exploring subclass-specific therapeutic agents for hepatocellular carcinoma by informatics-guided drug screen

整体框架

考虑到大部分早期的肝癌患者并不会接受整体治疗（化疗），因此作者排除了I, II 期的肝癌病人。

NMF 分类器

利用NMF 使用1.5k 高变基因对训练集、验证集区分亚型，同时使用subMap 看区分的亚型特征是否一致。

生存分析发现两组数据整体生存存在显著差异，但是无复发生存期没有显著差异。

将我们的模型与其他人的模型及临床指标计算相关性：

对不同模型类型进行gsea 分析：

挺好看，barplot 数值标记NES，颜色表示signature程度。

突变数据还可以看整体通路、各个基因的突变以及显著性：

进一步构建六十基因分类器

在训练集中提取两个亚型top30 差异基因，共六十个基因，利用NTP 算法使用这些marker 再区分亚型。

发现这些top 基因作为marker 使用ntp 分组，同样可以得到与先前NMF 分组较好的一致性结果。LIHC: 93.3%; LIRI: 95.6%; validation set 1: 97.3%; validation set 2: 90.7%)

药物预测的准备工作

The data of basal gene expression profiles and drug sensitivity profiles of hundreds of cell lines from three large-scale datasets (CTRPv2, GDSC1&2, and PRISM) were utilized to estimate the drug response of clinical patients. The three datasets shared 95 drugs, and after removing duplication, a total of 1986 drugs were included

三个数据库去重后1986 药物。

对数据库中的细胞系数据使用tsne 分群，将那些明显存在差别的细胞进行排除（hematopoietic and skin-derived cell lines, which had distinct molecular profiles from the majority of solid cancer cell lines.），造血细胞、皮肤分化细胞。且如果某个药物的NAs 大于20%，同样会被移除。

筛选后得到 603 CCLs and 354 drugs were left in CTRP dataset, 600 CCLs and 339 drugs were left in GDSC dataset, and 403 CCLs and 1291 drugs were left in PRISM dataset.

因为作者这里没有引入单细胞数据，仅仅是对bulk 样本的IC50 进行预测，因此使用ISOpure 对肿瘤样本进行纯化（purified），接着看纯化后的sample 与normal 的差异基因，并和一般bulk 对比，发现有更多的DEGs：LIHC (2264 versus 405) and LIRI (1851 versus 310) cohorts

药物预测

证明预测方法靠谱

首先验证细胞系药物反应是否可以表现出临床特征，使用索拉菲尼进行验证。

预测的药物响应差异，是否能关联到临床特征。用marker 来看。

PI3K 是索拉菲尼治疗的关键marker，发现PI3K 突变和较差预后相关。

区分PI3K 有无突变组别，看预测的药物敏感性差别。

看ACSL4 expression、TBS, consisting of four genes including MTOR, KDR, KIT、RAF1 表达和AUC 的相关性：

预测药物活性

对两个分组的AUC 进行差异分析，筛选在AS1 中显著下调的药物（log2FC > 0.1 (adjusted P < 0.05），AUC 越低，药物对AS1 组越有效。

直接看数据集中结果

对药物预测数据集中肝细胞相关的细胞系直接按照记录的AUC 中位数进行区分，高于或低于中位数区分是否敏感。接着将分类方法通过NTP 映射到这些细胞系上。

发现AS1、AS2 分型和肝细胞、肝癌细胞分型高度相关。

接着对肝癌细胞系区分亚型，看AS1 或AS2 亚型，筛选的八种药物区分敏感或不敏感是否显著。

再通过Cell Line Database^[1] 数据库，发现两个药物在不同subclass 中AUC 差异显著：

进一步验证药物活性

调查关于八种药物临床或实验证据
看八种药物的靶标在正常、肿瘤样本中的表达差异
区分正常、肿瘤样本，进行差异分析选择top300 DEGs，CMap 计算和这些差异基因相关的药物。(F1000 数据库同样可以)
湿实验验证，Hep3B, Huh7, HepG2, and SK-Hep1, 同样这几个细胞系利用数据库中的测序结果利用模型标记，SK-Hep1 was AS1-like CCL, while Hep3B, Huh7 and HepG2 were AS2-like CCLs

结果证实ur informatics-based results. Specifically, treatment with doxorubicin and YM − 155 induced strong proliferation inhibition in AS1-like SK-Hep1 cells, while the proliferation of other three AS2-like CCLs was less affected by the perturbations，For oligomycin A, although not significantly, a trend for preferential effect of AS2-like CCLs could still be observed

免疫浸润分析

细胞、免疫检查点相关基因：

总结

这个图很有意思，统领全文的总结：

其中的模型构建并没有落入俗套。

筛药的过程也挺精巧。而isopure的使用，也相当于抹除了非肿瘤部分的混淆因素。

参考资料

[1]

Cell Line Database: https://www.biosino.org/limore/

ixxmu / mp_duty

读文献14-肝癌模型结合药物筛选 #3076