Closed ixxmu closed 1 month ago
2024年7月15日,来自Michael J. Flister和Zoltan Dezso研究团队的Xu Shi、Christos Gekas和Daniel Verduzco等人在Nature Cancer期刊上发表了一篇题为“Building a translational cancer dependency map for The Cancer Genome Atlas”的研究文章。研究团队利用机器学习技术构建了TCGA癌症依赖性图谱(TCGADEPMAP),解析了肿瘤的脆弱性以预测药物反应和疾病结果。该研究还通过实验验证了一部分合成致死性对,包括PAPSS1/PAPSS2和CNOT7/CNOT8,展示了PAPSS1合成致死性与患者生存率的关联。此外,研究团队还开发了一个基于网络的应用程序,用于探索肿瘤的脆弱性。该文章为肿瘤依赖性研究和癌症治疗提供了新的视角和工具。
关键字:弹性网正则化、无监督聚类、基因相互作用评分
引言
为了克服上述挑战,研究团队开发了一种混合依赖性图谱(TCGADEPMAP),通过机器学习将DEPMAP的基因敲除数据转化为TCGA患者肿瘤的依赖性图谱。通过这种方法,研究团队不仅利用了DEPMAP的实验优势,还确保了TCGA的患者相关性。他们系统地分析了TCGADEPMAP,识别出可预测治疗反应和患者结局的肿瘤脆弱性,包括谱系依赖性、癌基因和合成致死性。研究团队还将TCGADEPMAP应用于其他患者相关特征,如药物反应和健康组织的基因耐受性,并开发了一个用户友好且免费开放的网络应用程序,以便研究人员和临床医生探索这些肿瘤脆弱性。
研究内容
此外,为了方便研究人员和临床医生探索这些肿瘤依赖性图谱,研究团队开发了一个基于网络的交互式应用程序。该应用程序允许用户查询并可视化TCGADEPMAP、PDXEDEPMAP和GTEXDEPMAP中的数据,提供多种数据可视化工具,如热图、散点图和基因网络图,帮助用户理解和分析依赖性模式。用户还可以下载查询结果和图谱数据,用于进一步分析和研究。
研究结果
通过十折交叉验证(Pearson’s r > 0.2;假发现率(FDR) < 1 × 10−3),比较了用于预测7,260个基因必需性的弹性网络模型(如上所述),考虑了仅表达或多组学数据作为输入变量。多组学模型中每个模型的特征分布偏高(3–510个特征,中位数为98)(图1b),相比之下,仅表达模型的特征分布较低(3–369个特征,中位数为80)(图1c),并且两者的性能随着每个模型的特征数量增加而改善(图1d,e)。交叉验证确认了1,966个仅表达模型和2,045个多组学模型,其中大多数交叉验证模型重叠(n=1,797)。在交叉验证模型中,目标基因的自我包含发生率在多组学数据集中(31%的模型)(图1f)和仅表达数据集中(26%的模型)(图1g)相似。大多数交叉验证模型(76%)在使用仅表达或多组学数据时表现相当(相关系数在0.05以内)。同样,103个注释的癌基因中的86个(84%)在交叉验证模型中使用仅表达或多组学数据集表现相似,例如HER2、BRAF和PIK3CA,少数显著例外包括NRAS、FLT3和ARNT(图1h)。这些数据表明,在大多数情况下,仅表达和多组学数据作为输入变量的基因必需性预测模型在检测癌症选择性脆弱性方面表现相当。
图1:DEPMAP 中基因必需性的预测建模
构建TCGADEPMAP为了进一步基准TCGADEPMAP的准确性,研究团队测试了患者肿瘤中的基因必需性是否能预测肿瘤谱系和癌基因依赖性,如细胞依赖性图谱中所报道的那样。预测的负值表示较高的预测必需性。TCGADEPMAP中的基因必需性无监督聚类揭示了显著的谱系依赖性(图2e),包括KRAS(图2f,g)和BRAF(图2h,i)等众所周知的癌基因。例如,KRAS必需性在KRAS突变的胃腺癌(STAD)、直肠腺癌(READ)、胰腺腺癌(PAAD)和结肠腺癌(COAD)谱系中显著更强(图2f,g),而BRAF必需性在BRAF突变的皮肤黑色素瘤(SKCM)中最强(图2h,i)。研究团队更广泛地比较了TCGA患者中具有或不具有功能获得(GOF)事件(突变或扩增)的癌基因必需性,使用来自Cosmic癌基因普查的100个交叉验证模型列表。在这100个癌基因中,共有85个基因必需性在具有GOF事件的患者中预测了更强的依赖性。为确保依赖性与突变之间的关联不是由于相同的潜在预测特征,比较了弹性网络模型在预测同一基因的必需性和体细胞突变方面的准确性。比较限制在具有>2%普遍性的交叉验证必需性和体细胞突变模型(n=891个模型)。弹性网络模型允许选择每个基因的必需性和突变的最具信息量的预测特征,因为最佳的必需性预测特征可能不是预测突变的最佳特征。两个模型集的曲线下面积(AUC)比较显示,转录组特征在预测基因必需性方面显著优于突变状态。考虑到必需性的仅表达模型未包含基因组特征,这些数据进一步表明,TCGADEPMAP中的必需性评分可以独立与患者肿瘤中的基因组特征相关联。结合证据表明,交叉验证的基因必需性模型能准确预测癌症谱系,这些数据表明,交叉验证的基因必需性模型在包括癌基因依赖性在内的广泛生物学背景下是准确且可解释的。
图2:构建转化依赖性图谱:TCGADEPMAP
TCGADEPMAP中的选择性依赖性在基于细胞的图谱中,通过正态性似然比检验(NormLRT)来表征强选择性依赖性(SSDs),用于评估某一基因的重要性是否符合正态或t偏态分布(选择性)(图2j)。这一方法的优势在于能够对SSDs进行排序,而不受依赖机制(如谱系、基因和表达)的影响。为了比较癌症患者和细胞模型中的SSDs,研究团队分别在TCGADEPMAP和DEPMAP中应用了NormLRT对交叉验证的基因效应得分进行分析。大多数SSDs(NormLRT>100)在TCGADEPMAP和DEPMAP中相关性较好(r=0.56,P<0.0001),包括KRAS、BRAF、MYCN及其他已知的SSDs(图2j)。尽管大多数SSDs在两者之间表现出较好的相关性,但仍存在一些差异(图2j,k)。值得注意的是,一些可药物靶向的癌基因(如FLT3和PTPN11)在TCGADEPMAP患者中比在DEPMAP细胞系中更为显著,而在DEPMAP中一些显著的SSDs(如ATP6V0E1)在TCGADEPMAP中则不明显(图2j,k)。FLT3(自身表达)和ATP6V0E1(同源基因表达)在DEPMAP和TCGADEPMAP中顶级预测特征没有差异,但强依赖性得分的分布和流行率在患者和细胞系的不同谱系中有所不同。同样,PTPN11(SHP2)的依赖性在TCGADEPMAP中比在DEPMAP中更为显著(图2j,k),这在某些乳腺癌(BRCA)患者中表现为更高的基因重要性,而在BRCA细胞系中则不存在这种情况。对最依赖PTPN11的TCGADEPMAP BRCA患者中富集的遗传驱动因素的Fisher精确检验显示,TP53突变和HER2/ERBB2扩增富集,而FAT3缺失和GATA3突变则减少。特别是在HER2的情况下,这些数据与RAS通路抑制剂,包括SHP2抑制剂,在三维(3D)环境中比在二维(2D)环境中更有效的观察结果一致。因此,TCGADEPMAP中高度依赖PTPN11的BRCA患者可能是由于肿瘤的3D环境,而DEPMAP BRCA细胞系中具有相似遗传驱动因素的细胞由于2D培养环境而不依赖PTPN11。总之,这些数据表明,不同驱动因素在患者和细胞模型中的流行率和分布差异会影响SSDs的识别,这可以通过类似TCGADEPMAP的患者相关依赖性图谱来解决。
TCGADEPMAP中的临床表型和结果转化肿瘤依赖性图谱的另一个优势是评估基因重要性对临床相关表型(如分子分型、治疗反应和患者结果)的影响。为了评估TCGADEPMAP在治疗相关患者分层中的实用性,研究团队对TCGADEPMAP BRCA队列的100个最具变异性的基因依赖性进行了无监督聚类分析(图3a)。100个依赖性特征(DEP100)在BRCA亚型分类中与已建立的PAM50特征表现相当(大多数亚型AUC>0.8),尽管PAM50和DEP100之间只有三个重叠基因(图3b)。DEP100依赖性分型预测ER阳性肿瘤中显著更高的ESR1重要性(图3c),以及HER2扩增肿瘤中更高的HER2重要性(图3d)。由于TCGA中治疗反应数据的有限可访问性,研究团队识别了9个具有准确模型和足够统计功效的肿瘤依赖性分子治疗的临床数据集(图3e-h)。在这9个数据集中,有7个依赖性模型显著预测临床反应,并且在预测治疗反应方面表现优于或相当于目标基因表达(图3e-h)。两个不显著的数据集也都表现出正确的趋势,且在更大队列中可能达到统计显著性。总之,这些数据证明了TCGADEPMAP在将依赖性与常见临床病理特征(如分子分型和治疗反应)相关联的生理相关性。将基因重要性与患者生存关联的能力是TCGADEPMAP的独特优势,这是基于细胞的依赖性图谱无法实现的。此外,由人类癌症的致癌通路和遗传驱动因素引起的结果可能无法仅通过基因表达捕捉到,而需要基因重要性的读数。为了测试这一可能性,研究团队对TCGADEPMAP中的1966个交叉验证基因重要性模型进行了与TCGA患者无进展生存期(PFI)的关联分析。在29个具有足够PFI分析功效的癌症谱系中,105个已知人类癌症的遗传驱动因素与TCGA患者的PFI显著相关,其中29个在至少4个癌症谱系中具有预后意义(图3i,j)。例如,药物靶向的癌基因STAT3的更强依赖性与六种不同癌症的疾病进展时间显著缩短相关(图3i,j)。同样,多种其他常见人类恶性肿瘤的遗传驱动因素也与显著更短的PFI相关,包括PAX5和PDGFRA(图3i,j)。先前研究通过患者活检中的表达分析,已将这两种蛋白质作为不良预后指标,这项研究显示,依赖这些癌基因与患者的较差预后相关。
图3:将 TCGADEPMAP 转化为临床相关表型和结果
TCGADEPMAP中的合成致死性在TCGADEPMAP预测的604个合成致死性中,78个(13%)在至少一个代表性细胞模型中得到了实验验证(图4d,e)。例如,CNOT7/8的双敲除(DKO)在筛选的14个细胞系中有11个表现出合成致死性(图4e),并在五个细胞模型中通过2D单层和3D球体测定的RNP DKO进行了独立验证(图4f,g)。同样,CNOT8在HT29细胞中诱导失活对缺失CNOT7的细胞在体外2D单层(图4h)和体内小鼠异种移植研究(图4i)中表现出合成致死性。值得注意的是,CNOT7在单敲除(KO)细胞中的丢失与CNOT8蛋白水平升高相一致,与先前观察到的CNOT7丢失增加CNOT8整合到CCR4–NOT复合物中的现象一致。同样,在NCI临床蛋白质组肿瘤分析联盟队列的肺腺癌(LUAD)和乳腺癌(BRCA)患者中,CNOT8蛋白水平与CNOT7拷贝数呈负相关。综合这些观察结果,证明了TCGADEPMAP在检测患者相关的合成致死机制方面的效能,可以通过独立验证并提供药物发现的治疗靶点。
TCGADEPMAP独特之处在于能够揭示与患者预后相关的潜在合成致死性,使得能够优先考虑与最差预后相关的实验验证的合成致死性,这些合成致死性如果可药物化,可能具有最大的临床影响。为了测试这一可能性,使用Cox对数秩检验评估与TCGADEPMAP预测的基因必需性和LOF事件(突变、缺失或两者)的假定合成致死伙伴相关的TCGA患者的总体生存率(OS)。在控制肿瘤谱系后,TCGADEPMAP中的PAPSS1依赖性与PAPSS2缺失患者的OS显著较差相关(风险比(HR)= 0.61,P = 0.0004),表明PAPSS1是具有潜在高转化影响的合成致死靶点。综上所述,这些数据表明,转化依赖性图谱能够实现合成致死性的发现、验证和转化。
图5:TCGADEPMAP 检测到的新型合成致死性基因对 PAPSS1 和 PAPSS2
构建PDXEDEPMAP除了对TCGADEPMAP的正交验证,PDXEDEPMAP的一个独特优势是能够评估基因重要性在五种癌症谱系和15种分子疗法中的治疗反应(图6g,h)。为了测试基因重要性预测对应靶向治疗反应的能力,研究团队将PDX负担从基线到实验终点的变化与目标基因重要性相关联。结果显示,80%的药物(15种中有12种)与目标基因的预测重要性显著相关(P<0.05)。例如,PDXEDEPMAP中的曲妥珠单抗反应由HER2依赖性强烈预测(R=0.4849, P=0.002, AUC=0.75),与HER2扩增的BRCA患者中曲妥珠单抗反应的预测能力一致(图3e)。其他例子如厄洛替尼(R=0.4937, P=0.01, AUC=0.78)和西妥昔单抗(R=0.2293, P=0.06, AUC=0.83),这些药物靶向同一基因(EGFR),为探索治疗抵抗的依赖机制提供了机会。PDX对厄洛替尼或西妥昔单抗的反应比较显示了两个共同通路的依赖性:SWI/SNF复合物(SMARCA2和SMARCD1)和蛋白质运输(EMC4, EMC6, VPS39和MAPK14)(图6g,h)。值得注意的是,这两个通路的成分都与EGFR抑制剂的抵抗性有关,这表明靶向这些依赖性可能会改善患者的预后。总之,这些数据表明基因重要性能够预测治疗反应,并强调了PDX建模在与患者相关的临床结果中的可转化性。
图6:构建患者衍生异种移植模型的转化依赖性图谱:PDXEDEPMAP
在GTEXDEPMAP中转化基因耐受性将TCGADEPMAP中已知的可药物靶向癌基因的重要性得分与GTEXDEPMAP进行比较,发现恶性组织中的依赖性远高于健康组织。例如,KRAS和BRAF的重要性似乎同时依赖于谱系和遗传驱动因素,因为在GTEXDEPMAP中,健康组织的起源受到的影响显著低于TCGADEPMAP(图7d,e)。同样,对于其他在癌症患者中获批的治疗靶点癌基因(如HER2扩增的BRCA),也观察到了类似的情况。相反,对于在临床试验中尚未成功的分子疗法,恶性肿瘤和健康组织的预测重要性分离较小。为了细化在肿瘤疗效和健康组织耐受性之间显著差异的致癌通路列表,研究团队比较了所有基因和组织中的依赖性(TCGADEPMAP)和耐受性(GTEXDEPMAP)得分(图7f)。对肿瘤依赖性最强而健康组织耐受性最弱的通路分析显示,多种致癌通路和病理生理过程的富集,包括氧化磷酸化(P=5.8×10^-11)和线粒体翻译(P=2.9×10^-20)通路在LUAD中相比于健康肺组织有所富集(图7g)。综合来看,这些观察结果表明,在驱动突变的背景下,健康组织的低重要性预测能够识别具有可接受耐受性的有效药物靶点。
图7:构建正常组织中的转化依赖性图谱:GTEXDEPMAP
可视化转化依赖性的工具为便于数据可视化,研究团队提供了一个交互式网络应用(https://xushiabbvie.shinyapps.io/TDtool/),用于探索TCGADEPMAP、PDXEDEPMAP和GTEXDEPMAP中的数据。
结论与前景
TCGADEPMAP检测到多个已知的合成致死性(如STAG1/STAG2、SMARCA2/SMARCA4和EP300/CREBBP),以及一些较少表征的合成致死性(如CNOT7/CNOT78和PAPSS1/PAPSS2)。合成致死相互作用在不同癌症细胞模型中的测试结果差异很大,这表明目前可用的模型不足以解释所有患者相关的背景。然而,广泛共享的合成致死性(CNOT7/CNOT78)和更具选择性的合成致死性(PAPSS1/PAPSS2)在体外和体内得到了验证。CNOT7/CNOT78是CCR4–NOT复合物的同源亚单位,该复合物介导信使RNA稳定性,符合观察到两者缺失广泛合成致死的结果。PAPSS1/PAPSS2是PAPS的同源合酶,PAPS是磺化反应所需的。研究团队假设PAPSS2的缺失可能是由于其靠近PTEN,这是患者肿瘤中附带缺失的例子。这个观察结果通过缺乏PAPSS2和PTEN的UMUC3细胞中PAPSS1的合成致死相互作用得到了证实,这些细胞不能磺化蛋白质。值得注意的是,TCGADEPMAP独特地检测并关联合成致死机制与患者结果的能力显示,具有内源性PAPSS2缺失和预测合成致死性的患者的总生存期(OS)更差。因此,这些数据综合展示了转化依赖图谱的优势,这些图谱紧密匹配完整患者肿瘤的病理生理背景,并利用多样的患者基因组数据集来识别临床相关的机制。
思考与挑战
这项研究提出的转化依赖图谱提供了关于患者肿瘤和健康组织中基因重要性和耐受性的见解。这些图谱准确地将依赖性转化为患者的能力依赖于从基于细胞的图谱构建预测模型的能力,这仍处于早期阶段,预计需要20倍的数据来全面预测基因重要性。此外,基于细胞的依赖性在2D和3D环境之间的差异以及肿瘤微环境的相互作用表明,基因重要性是情境性的,需要更相关的模型,如类器官。同样,准确解释转化依赖性也可能需要更深入地理解患者肿瘤中缺乏的克隆异质性。为了充分发挥转化依赖性图谱的潜力,还需要扩展患者基因组数据集的目录,以捕捉疾病进展的各个阶段,包括肿瘤发生、转移和治疗抵抗。此外,随着精确癌症临床试验的不断扩展(如MSK-IMPACT),通过测试分子治疗与预测靶点重要性结果来细化转化依赖图谱将变得越来越可能。健康组织中的转化“耐受性”图谱(如GTEXDEPMAP)的实用性尚未完全探索,可能需要进一步改进以更好地捕捉影响药物开发的剂量限制性毒性。为此,研究团队推测,通过将CRISPR扰动与单细胞RNA测序配对,在正常细胞类型中建模基因耐受性可能是最佳方法,以广泛捕捉维持健康组织稳态所需的路径变化。最终,研究团队推测,在患者中预测依赖性和耐受性的建模将通过预先优先考虑具有最佳治疗指数(高依赖性和耐受性)的靶点来增加药物发现的成功率。
链接
引文:Shi, X., Gekas, C., Verduzco, D. et al. Building a translational cancer dependency map for The Cancer Genome Atlas. Nat Cancer (2024).
如果有帮助记得关注+收藏~
原文链接:https://doi.org/10.1038/s43018-024-00789-y
代码链接:https://github.com/xushiabbvie/TDtool
启发
这篇文章的研究启发我们,未来的癌症研究可以通过结合更先进的多组学数据整合技术、深度学习算法和个性化医学方法,进一步提升肿瘤依赖性解析和治疗预测的精度和实用性。首先,多组学数据整合技术不仅包括基因组和转录组数据,还应结合表观基因组、代谢组和蛋白质组数据,通过全面描绘肿瘤细胞的生物学特性,识别出更多具有临床意义的依赖性特征。其次,深度学习算法,如卷积神经网络(CNN)和图神经网络(GNN),在处理复杂和大规模数据集方面具有显著优势,可以更准确地预测基因依赖性和药物反应。这些算法可以自动提取数据中的深层次特征,识别出传统机器学习方法难以捕捉的复杂模式。通过训练更大规模和多样化的数据集,深度学习模型能够提高预测的泛化能力和准确性。最后,结合个性化医学方法,将患者的基因组、临床数据和生活习惯等个性化信息纳入模型,能够提供更精准的治疗建议和预后预测。这样的综合方法不仅能够更好地揭示肿瘤依赖性的复杂机制,还能为每个患者量身定制最有效的治疗方案,从而显著改善治疗效果和患者生存率。这些方法之所以能取得效果,是因为它们能够捕捉和利用更多维度和更精细的生物学信息,使得预测模型更具针对性和精准性,最终实现更有效的癌症治疗和管理。
合作和投稿事宜请联系微信或邮箱
合作请加微信:l2195711724 投稿邮箱:advancebc@163.com
AdvanceBC科研群聊微信扫码,备注好地区-单位(选填)-昵称,广告勿扰
2024年7月15日,来自Michael J. Flister和Zoltan Dezso研究团队的Xu Shi、Christos Gekas和Daniel Verduzco等人在Nature Cancer期刊上发表了一篇题为“Building a translational cancer dependency map for The Cancer Genome Atlas”的研究文章。研究团队利用机器学习技术构建了TCGA癌症依赖性图谱(TCGADEPMAP),解析了肿瘤的脆弱性以预测药物反应和疾病结果。该研究还通过实验验证了一部分合成致死性对,包括PAPSS1/PAPSS2和CNOT7/CNOT8,展示了PAPSS1合成致死性与患者生存率的关联。此外,研究团队还开发了一个基于网络的应用程序,用于探索肿瘤的脆弱性。该文章为肿瘤依赖性研究和癌症治疗提供了新的视角和工具。
关键字:弹性网正则化、无监督聚类、基因相互作用评分
引言
为了克服上述挑战,研究团队开发了一种混合依赖性图谱(TCGADEPMAP),通过机器学习将DEPMAP的基因敲除数据转化为TCGA患者肿瘤的依赖性图谱。通过这种方法,研究团队不仅利用了DEPMAP的实验优势,还确保了TCGA的患者相关性。他们系统地分析了TCGADEPMAP,识别出可预测治疗反应和患者结局的肿瘤脆弱性,包括谱系依赖性、癌基因和合成致死性。研究团队还将TCGADEPMAP应用于其他患者相关特征,如药物反应和健康组织的基因耐受性,并开发了一个用户友好且免费开放的网络应用程序,以便研究人员和临床医生探索这些肿瘤脆弱性。
研究内容
此外,为了方便研究人员和临床医生探索这些肿瘤依赖性图谱,研究团队开发了一个基于网络的交互式应用程序。该应用程序允许用户查询并可视化TCGADEPMAP、PDXEDEPMAP和GTEXDEPMAP中的数据,提供多种数据可视化工具,如热图、散点图和基因网络图,帮助用户理解和分析依赖性模式。用户还可以下载查询结果和图谱数据,用于进一步分析和研究。
研究结果
通过十折交叉验证(Pearson’s r > 0.2;假发现率(FDR) < 1 × 10−3),比较了用于预测7,260个基因必需性的弹性网络模型(如上所述),考虑了仅表达或多组学数据作为输入变量。多组学模型中每个模型的特征分布偏高(3–510个特征,中位数为98)(图1b),相比之下,仅表达模型的特征分布较低(3–369个特征,中位数为80)(图1c),并且两者的性能随着每个模型的特征数量增加而改善(图1d,e)。交叉验证确认了1,966个仅表达模型和2,045个多组学模型,其中大多数交叉验证模型重叠(n=1,797)。在交叉验证模型中,目标基因的自我包含发生率在多组学数据集中(31%的模型)(图1f)和仅表达数据集中(26%的模型)(图1g)相似。大多数交叉验证模型(76%)在使用仅表达或多组学数据时表现相当(相关系数在0.05以内)。同样,103个注释的癌基因中的86个(84%)在交叉验证模型中使用仅表达或多组学数据集表现相似,例如HER2、BRAF和PIK3CA,少数显著例外包括NRAS、FLT3和ARNT(图1h)。这些数据表明,在大多数情况下,仅表达和多组学数据作为输入变量的基因必需性预测模型在检测癌症选择性脆弱性方面表现相当。
图1:DEPMAP 中基因必需性的预测建模
构建TCGADEPMAP为了进一步基准TCGADEPMAP的准确性,研究团队测试了患者肿瘤中的基因必需性是否能预测肿瘤谱系和癌基因依赖性,如细胞依赖性图谱中所报道的那样。预测的负值表示较高的预测必需性。TCGADEPMAP中的基因必需性无监督聚类揭示了显著的谱系依赖性(图2e),包括KRAS(图2f,g)和BRAF(图2h,i)等众所周知的癌基因。例如,KRAS必需性在KRAS突变的胃腺癌(STAD)、直肠腺癌(READ)、胰腺腺癌(PAAD)和结肠腺癌(COAD)谱系中显著更强(图2f,g),而BRAF必需性在BRAF突变的皮肤黑色素瘤(SKCM)中最强(图2h,i)。研究团队更广泛地比较了TCGA患者中具有或不具有功能获得(GOF)事件(突变或扩增)的癌基因必需性,使用来自Cosmic癌基因普查的100个交叉验证模型列表。在这100个癌基因中,共有85个基因必需性在具有GOF事件的患者中预测了更强的依赖性。为确保依赖性与突变之间的关联不是由于相同的潜在预测特征,比较了弹性网络模型在预测同一基因的必需性和体细胞突变方面的准确性。比较限制在具有>2%普遍性的交叉验证必需性和体细胞突变模型(n=891个模型)。弹性网络模型允许选择每个基因的必需性和突变的最具信息量的预测特征,因为最佳的必需性预测特征可能不是预测突变的最佳特征。两个模型集的曲线下面积(AUC)比较显示,转录组特征在预测基因必需性方面显著优于突变状态。考虑到必需性的仅表达模型未包含基因组特征,这些数据进一步表明,TCGADEPMAP中的必需性评分可以独立与患者肿瘤中的基因组特征相关联。结合证据表明,交叉验证的基因必需性模型能准确预测癌症谱系,这些数据表明,交叉验证的基因必需性模型在包括癌基因依赖性在内的广泛生物学背景下是准确且可解释的。
图2:构建转化依赖性图谱:TCGADEPMAP
TCGADEPMAP中的选择性依赖性在基于细胞的图谱中,通过正态性似然比检验(NormLRT)来表征强选择性依赖性(SSDs),用于评估某一基因的重要性是否符合正态或t偏态分布(选择性)(图2j)。这一方法的优势在于能够对SSDs进行排序,而不受依赖机制(如谱系、基因和表达)的影响。为了比较癌症患者和细胞模型中的SSDs,研究团队分别在TCGADEPMAP和DEPMAP中应用了NormLRT对交叉验证的基因效应得分进行分析。大多数SSDs(NormLRT>100)在TCGADEPMAP和DEPMAP中相关性较好(r=0.56,P<0.0001),包括KRAS、BRAF、MYCN及其他已知的SSDs(图2j)。尽管大多数SSDs在两者之间表现出较好的相关性,但仍存在一些差异(图2j,k)。值得注意的是,一些可药物靶向的癌基因(如FLT3和PTPN11)在TCGADEPMAP患者中比在DEPMAP细胞系中更为显著,而在DEPMAP中一些显著的SSDs(如ATP6V0E1)在TCGADEPMAP中则不明显(图2j,k)。FLT3(自身表达)和ATP6V0E1(同源基因表达)在DEPMAP和TCGADEPMAP中顶级预测特征没有差异,但强依赖性得分的分布和流行率在患者和细胞系的不同谱系中有所不同。同样,PTPN11(SHP2)的依赖性在TCGADEPMAP中比在DEPMAP中更为显著(图2j,k),这在某些乳腺癌(BRCA)患者中表现为更高的基因重要性,而在BRCA细胞系中则不存在这种情况。对最依赖PTPN11的TCGADEPMAP BRCA患者中富集的遗传驱动因素的Fisher精确检验显示,TP53突变和HER2/ERBB2扩增富集,而FAT3缺失和GATA3突变则减少。特别是在HER2的情况下,这些数据与RAS通路抑制剂,包括SHP2抑制剂,在三维(3D)环境中比在二维(2D)环境中更有效的观察结果一致。因此,TCGADEPMAP中高度依赖PTPN11的BRCA患者可能是由于肿瘤的3D环境,而DEPMAP BRCA细胞系中具有相似遗传驱动因素的细胞由于2D培养环境而不依赖PTPN11。总之,这些数据表明,不同驱动因素在患者和细胞模型中的流行率和分布差异会影响SSDs的识别,这可以通过类似TCGADEPMAP的患者相关依赖性图谱来解决。
TCGADEPMAP中的临床表型和结果转化肿瘤依赖性图谱的另一个优势是评估基因重要性对临床相关表型(如分子分型、治疗反应和患者结果)的影响。为了评估TCGADEPMAP在治疗相关患者分层中的实用性,研究团队对TCGADEPMAP BRCA队列的100个最具变异性的基因依赖性进行了无监督聚类分析(图3a)。100个依赖性特征(DEP100)在BRCA亚型分类中与已建立的PAM50特征表现相当(大多数亚型AUC>0.8),尽管PAM50和DEP100之间只有三个重叠基因(图3b)。DEP100依赖性分型预测ER阳性肿瘤中显著更高的ESR1重要性(图3c),以及HER2扩增肿瘤中更高的HER2重要性(图3d)。由于TCGA中治疗反应数据的有限可访问性,研究团队识别了9个具有准确模型和足够统计功效的肿瘤依赖性分子治疗的临床数据集(图3e-h)。在这9个数据集中,有7个依赖性模型显著预测临床反应,并且在预测治疗反应方面表现优于或相当于目标基因表达(图3e-h)。两个不显著的数据集也都表现出正确的趋势,且在更大队列中可能达到统计显著性。总之,这些数据证明了TCGADEPMAP在将依赖性与常见临床病理特征(如分子分型和治疗反应)相关联的生理相关性。将基因重要性与患者生存关联的能力是TCGADEPMAP的独特优势,这是基于细胞的依赖性图谱无法实现的。此外,由人类癌症的致癌通路和遗传驱动因素引起的结果可能无法仅通过基因表达捕捉到,而需要基因重要性的读数。为了测试这一可能性,研究团队对TCGADEPMAP中的1966个交叉验证基因重要性模型进行了与TCGA患者无进展生存期(PFI)的关联分析。在29个具有足够PFI分析功效的癌症谱系中,105个已知人类癌症的遗传驱动因素与TCGA患者的PFI显著相关,其中29个在至少4个癌症谱系中具有预后意义(图3i,j)。例如,药物靶向的癌基因STAT3的更强依赖性与六种不同癌症的疾病进展时间显著缩短相关(图3i,j)。同样,多种其他常见人类恶性肿瘤的遗传驱动因素也与显著更短的PFI相关,包括PAX5和PDGFRA(图3i,j)。先前研究通过患者活检中的表达分析,已将这两种蛋白质作为不良预后指标,这项研究显示,依赖这些癌基因与患者的较差预后相关。
图3:将 TCGADEPMAP 转化为临床相关表型和结果
TCGADEPMAP中的合成致死性在TCGADEPMAP预测的604个合成致死性中,78个(13%)在至少一个代表性细胞模型中得到了实验验证(图4d,e)。例如,CNOT7/8的双敲除(DKO)在筛选的14个细胞系中有11个表现出合成致死性(图4e),并在五个细胞模型中通过2D单层和3D球体测定的RNP DKO进行了独立验证(图4f,g)。同样,CNOT8在HT29细胞中诱导失活对缺失CNOT7的细胞在体外2D单层(图4h)和体内小鼠异种移植研究(图4i)中表现出合成致死性。值得注意的是,CNOT7在单敲除(KO)细胞中的丢失与CNOT8蛋白水平升高相一致,与先前观察到的CNOT7丢失增加CNOT8整合到CCR4–NOT复合物中的现象一致。同样,在NCI临床蛋白质组肿瘤分析联盟队列的肺腺癌(LUAD)和乳腺癌(BRCA)患者中,CNOT8蛋白水平与CNOT7拷贝数呈负相关。综合这些观察结果,证明了TCGADEPMAP在检测患者相关的合成致死机制方面的效能,可以通过独立验证并提供药物发现的治疗靶点。
TCGADEPMAP独特之处在于能够揭示与患者预后相关的潜在合成致死性,使得能够优先考虑与最差预后相关的实验验证的合成致死性,这些合成致死性如果可药物化,可能具有最大的临床影响。为了测试这一可能性,使用Cox对数秩检验评估与TCGADEPMAP预测的基因必需性和LOF事件(突变、缺失或两者)的假定合成致死伙伴相关的TCGA患者的总体生存率(OS)。在控制肿瘤谱系后,TCGADEPMAP中的PAPSS1依赖性与PAPSS2缺失患者的OS显著较差相关(风险比(HR)= 0.61,P = 0.0004),表明PAPSS1是具有潜在高转化影响的合成致死靶点。综上所述,这些数据表明,转化依赖性图谱能够实现合成致死性的发现、验证和转化。
图5:TCGADEPMAP 检测到的新型合成致死性基因对 PAPSS1 和 PAPSS2
构建PDXEDEPMAP除了对TCGADEPMAP的正交验证,PDXEDEPMAP的一个独特优势是能够评估基因重要性在五种癌症谱系和15种分子疗法中的治疗反应(图6g,h)。为了测试基因重要性预测对应靶向治疗反应的能力,研究团队将PDX负担从基线到实验终点的变化与目标基因重要性相关联。结果显示,80%的药物(15种中有12种)与目标基因的预测重要性显著相关(P<0.05)。例如,PDXEDEPMAP中的曲妥珠单抗反应由HER2依赖性强烈预测(R=0.4849, P=0.002, AUC=0.75),与HER2扩增的BRCA患者中曲妥珠单抗反应的预测能力一致(图3e)。其他例子如厄洛替尼(R=0.4937, P=0.01, AUC=0.78)和西妥昔单抗(R=0.2293, P=0.06, AUC=0.83),这些药物靶向同一基因(EGFR),为探索治疗抵抗的依赖机制提供了机会。PDX对厄洛替尼或西妥昔单抗的反应比较显示了两个共同通路的依赖性:SWI/SNF复合物(SMARCA2和SMARCD1)和蛋白质运输(EMC4, EMC6, VPS39和MAPK14)(图6g,h)。值得注意的是,这两个通路的成分都与EGFR抑制剂的抵抗性有关,这表明靶向这些依赖性可能会改善患者的预后。总之,这些数据表明基因重要性能够预测治疗反应,并强调了PDX建模在与患者相关的临床结果中的可转化性。
图6:构建患者衍生异种移植模型的转化依赖性图谱:PDXEDEPMAP
在GTEXDEPMAP中转化基因耐受性将TCGADEPMAP中已知的可药物靶向癌基因的重要性得分与GTEXDEPMAP进行比较,发现恶性组织中的依赖性远高于健康组织。例如,KRAS和BRAF的重要性似乎同时依赖于谱系和遗传驱动因素,因为在GTEXDEPMAP中,健康组织的起源受到的影响显著低于TCGADEPMAP(图7d,e)。同样,对于其他在癌症患者中获批的治疗靶点癌基因(如HER2扩增的BRCA),也观察到了类似的情况。相反,对于在临床试验中尚未成功的分子疗法,恶性肿瘤和健康组织的预测重要性分离较小。为了细化在肿瘤疗效和健康组织耐受性之间显著差异的致癌通路列表,研究团队比较了所有基因和组织中的依赖性(TCGADEPMAP)和耐受性(GTEXDEPMAP)得分(图7f)。对肿瘤依赖性最强而健康组织耐受性最弱的通路分析显示,多种致癌通路和病理生理过程的富集,包括氧化磷酸化(P=5.8×10^-11)和线粒体翻译(P=2.9×10^-20)通路在LUAD中相比于健康肺组织有所富集(图7g)。综合来看,这些观察结果表明,在驱动突变的背景下,健康组织的低重要性预测能够识别具有可接受耐受性的有效药物靶点。
图7:构建正常组织中的转化依赖性图谱:GTEXDEPMAP
可视化转化依赖性的工具为便于数据可视化,研究团队提供了一个交互式网络应用(https://xushiabbvie.shinyapps.io/TDtool/),用于探索TCGADEPMAP、PDXEDEPMAP和GTEXDEPMAP中的数据。
结论与前景
TCGADEPMAP检测到多个已知的合成致死性(如STAG1/STAG2、SMARCA2/SMARCA4和EP300/CREBBP),以及一些较少表征的合成致死性(如CNOT7/CNOT78和PAPSS1/PAPSS2)。合成致死相互作用在不同癌症细胞模型中的测试结果差异很大,这表明目前可用的模型不足以解释所有患者相关的背景。然而,广泛共享的合成致死性(CNOT7/CNOT78)和更具选择性的合成致死性(PAPSS1/PAPSS2)在体外和体内得到了验证。CNOT7/CNOT78是CCR4–NOT复合物的同源亚单位,该复合物介导信使RNA稳定性,符合观察到两者缺失广泛合成致死的结果。PAPSS1/PAPSS2是PAPS的同源合酶,PAPS是磺化反应所需的。研究团队假设PAPSS2的缺失可能是由于其靠近PTEN,这是患者肿瘤中附带缺失的例子。这个观察结果通过缺乏PAPSS2和PTEN的UMUC3细胞中PAPSS1的合成致死相互作用得到了证实,这些细胞不能磺化蛋白质。值得注意的是,TCGADEPMAP独特地检测并关联合成致死机制与患者结果的能力显示,具有内源性PAPSS2缺失和预测合成致死性的患者的总生存期(OS)更差。因此,这些数据综合展示了转化依赖图谱的优势,这些图谱紧密匹配完整患者肿瘤的病理生理背景,并利用多样的患者基因组数据集来识别临床相关的机制。
思考与挑战
这项研究提出的转化依赖图谱提供了关于患者肿瘤和健康组织中基因重要性和耐受性的见解。这些图谱准确地将依赖性转化为患者的能力依赖于从基于细胞的图谱构建预测模型的能力,这仍处于早期阶段,预计需要20倍的数据来全面预测基因重要性。此外,基于细胞的依赖性在2D和3D环境之间的差异以及肿瘤微环境的相互作用表明,基因重要性是情境性的,需要更相关的模型,如类器官。同样,准确解释转化依赖性也可能需要更深入地理解患者肿瘤中缺乏的克隆异质性。为了充分发挥转化依赖性图谱的潜力,还需要扩展患者基因组数据集的目录,以捕捉疾病进展的各个阶段,包括肿瘤发生、转移和治疗抵抗。此外,随着精确癌症临床试验的不断扩展(如MSK-IMPACT),通过测试分子治疗与预测靶点重要性结果来细化转化依赖图谱将变得越来越可能。健康组织中的转化“耐受性”图谱(如GTEXDEPMAP)的实用性尚未完全探索,可能需要进一步改进以更好地捕捉影响药物开发的剂量限制性毒性。为此,研究团队推测,通过将CRISPR扰动与单细胞RNA测序配对,在正常细胞类型中建模基因耐受性可能是最佳方法,以广泛捕捉维持健康组织稳态所需的路径变化。最终,研究团队推测,在患者中预测依赖性和耐受性的建模将通过预先优先考虑具有最佳治疗指数(高依赖性和耐受性)的靶点来增加药物发现的成功率。
链接
引文:Shi, X., Gekas, C., Verduzco, D. et al. Building a translational cancer dependency map for The Cancer Genome Atlas. Nat Cancer (2024).
如果有帮助记得关注+收藏~
原文链接:https://doi.org/10.1038/s43018-024-00789-y
代码链接:https://github.com/xushiabbvie/TDtool
启发
这篇文章的研究启发我们,未来的癌症研究可以通过结合更先进的多组学数据整合技术、深度学习算法和个性化医学方法,进一步提升肿瘤依赖性解析和治疗预测的精度和实用性。首先,多组学数据整合技术不仅包括基因组和转录组数据,还应结合表观基因组、代谢组和蛋白质组数据,通过全面描绘肿瘤细胞的生物学特性,识别出更多具有临床意义的依赖性特征。其次,深度学习算法,如卷积神经网络(CNN)和图神经网络(GNN),在处理复杂和大规模数据集方面具有显著优势,可以更准确地预测基因依赖性和药物反应。这些算法可以自动提取数据中的深层次特征,识别出传统机器学习方法难以捕捉的复杂模式。通过训练更大规模和多样化的数据集,深度学习模型能够提高预测的泛化能力和准确性。最后,结合个性化医学方法,将患者的基因组、临床数据和生活习惯等个性化信息纳入模型,能够提供更精准的治疗建议和预后预测。这样的综合方法不仅能够更好地揭示肿瘤依赖性的复杂机制,还能为每个患者量身定制最有效的治疗方案,从而显著改善治疗效果和患者生存率。这些方法之所以能取得效果,是因为它们能够捕捉和利用更多维度和更精细的生物学信息,使得预测模型更具针对性和精准性,最终实现更有效的癌症治疗和管理。
合作和投稿事宜请联系微信或邮箱
合作请加微信:l2195711724 投稿邮箱:advancebc@163.com
AdvanceBC科研群聊微信扫码,备注好地区-单位(选填)-昵称,广告勿扰
https://mp.weixin.qq.com/s/Mbya1uhNZgYZHA6BektMLA