五体投地的佩服！中山大学团队：机器学习构建“ICI双模型”？直接榨干公共数据库啊！好的思路别人可都立马follow上了！

每天睁眼第一个念头，我怎么还没发文章啊？火火今天给大家分享的文章也是最近的热门话题：ICI（免疫检查点抑制剂），这个疗法已经被证明可以治疗复发或癌症转移。研究团队利用机器学习建立了两个新模型（成纤维细胞-癌细胞间接共培养（FCICC）模型与成纤维细胞-癌细胞类器官（FC-organoid）模型），基于成纤维细胞与癌细胞间的交互作用，研究HNSCC患者在接受免疫检查点抑制剂（ICI）治疗后的情况。下面简单说明一下思路吧：

1.癌症相关成纤维细胞（CAFs）是肿瘤微环境（TME）中含量最高的基质细胞，在肿瘤转移和免疫抑制中起着至关重要的作用。然而，CCCT的过程仍然难以可视化，这使得完全理解CCCT变得更加困难。

2.首先构建了两个细胞模型来观察CCCT。然后，结合HNSCC患者的scRNA-seq数据和大量转录组数据，建立HNSCC的预后指标。

3.利用HNSCC的scRNA-seq数据提取CAFs与癌细胞之间的配对配体和受体（pairLRs），并鉴定关键对LRs，构建CAF-癌细胞串扰相关基因预后指数（CCRGPI）。

4.描述了CCRGPI的分子和免疫特征，研究了其在接受ICI治疗的患者中的预后能力，并通过连接图（CMap）分析和分子对接筛选了潜在的治疗药物。

Ps：你还知道机器学习能用在哪个方面吗？能构建什么模型呢？如何使用呢？不妨和火火聊一聊，这里思路多多，不用动脑，直接get最核心idea！

定制生信分析

云服务器租赁

加好友备注“99”领取试用

题目：基于机器学习的新型CAF-癌细胞串扰基因预后指标：头颈部鳞状细胞癌治疗反应的预后意义及预测

杂志：J Transl Med

影响因子：IF=6.1

发表时间：2024年7月

公众号回复“123”领取原文PDF，文献编号：20240721

研究背景

在肿瘤微环境构建及免疫治疗效果中，癌相关成纤维细胞（CAF）与癌细胞间的交互作用（CCCT）占据核心地位。当前，针对头颈鳞状细胞癌（HNSCC）患者的免疫治疗反应评估，所采用的预后指标尚显不足。该研究旨在构建一种基于CCCT相关基因的预后指数（CCRGPI），以期精准预测HNSCC患者接受免疫检查点抑制剂（ICI）治疗的预后及响应情况，从而优化治疗策略。

数据来源    

研究思路

为了直观展现成纤维细胞与癌细胞间的交流机制，该研究构建了两种细胞模型：成纤维细胞-癌细胞间接共培养（FCICC）模型与成纤维细胞-癌细胞类器官（FC-organoid）模型。基于HNSCC的单细胞RNA测序数据集，利用R软件中的CellChat包进行细胞通讯分析，以识别参与CCCT的基因对。随后，采用最小绝对收缩与选择算子（LASSO）回归法对基因对进行精细化筛选。筛选出的基因对进一步通过逐步回归法构建CCRGPI。接着，对不同CCRGPI亚组进行详尽的分子特性、免疫特征分析及免疫治疗预后评估。最终，利用连接性图谱（CMap）分析及分子对接技术，筛选出潜在的治疗药物候选者。

研究结果

1.细胞模型中探究CCCT机制

该研究首先采用FCICC模型模拟了癌细胞从上皮层穿透基底膜进入固有层的过程（图1A）。有趣的是，观察到癌细胞以锯齿状方式向固有层推进，且在癌细胞入侵的Fi-mg区域，大量成纤维细胞被激活并聚集于癌细胞侵袭前沿（图1B）。此发现强调了癌细胞在诱导成纤维细胞向CAFs转化中的关键作用。为进一步探索CAFs对癌细胞的影响，构建了FC-类器官模型（图1C）。值得注意的是，在FC-类器官模型中，CAFs与癌细胞呈现不对称生长模式（图1D）。

图1细胞模型中的CCCT

2. CCCT 中涉及的 PairLR 

将单细胞RNA测序数据的整合后， HNSCC样本癌细胞被划分为两个鳞状细胞癌亚组（SCC1, SCC2），而CAFs则被细分为三个亚群：肌成纤维细胞（MyoCAF）、基质CAF（MatCAF）和静息成纤维细胞（Resfib） （图2A，B）。GO分析结果显示，MyoCAF过表达基因主要富集于肌生成与收缩相关通路，MatCAF过表达基因则主要与细胞外基质相关通路富集；对于癌细胞，SCC1高表达基因主要富集于中性粒细胞相关通路，而SCC2高表达基因则主要与代谢及应激相关通路富集（图2C, D）。值得注意的是，生存分析表明，SCC2细胞比例较高的HNSCC患者预后较差（图2E）。因此，该研究后续仅聚焦于MyoCAF、MatCAF与SCC2细胞间的配体受体对（pairLRs）进行深入研究。

图2单细胞亚群的特征

3.CCRGPI的建设

为确定构建CCRGPI的关键配体受体对（pairLRs），该研究首先采用ssGSEA算法，计算了TCGA数据库中HNSCC样本中各pairLRs的表达评分（ES）（图3A）。随后，对这些pairLRs进行了LASSO回归分析（图3B），从中筛选出26个关键pairLRs。接着，利用这些pairLRs进行单因素Cox回归分析，最终确定了10个pairLRs（图3C）。随后，将这10个pairLRs输入逐步Cox回归分析中，进一步精简至4个关键pairLRs（图3C, D）。HNSCC患者中IGF1_IGF1R ES较高者预后较差，而LGALS9_CD44、SEMA5A_PLXNA1及TNXB_SDC1则呈相反趋势（图3E），表明这些pairLRs在预测HNSCC患者预后中具有重要作用。 

图3 CCRGPI的建设

4.验证CCRGPI的有效性

该研究首先探讨了CCRGPI在不同临床特征HNSCC患者中的分布情况。结果表明，有吸烟史、饮酒史、复发史及T期较晚的患者CCRGPI较高，而HPV阳性患者则呈现出较低的CCRGPI（图4A）。既往研究表明，HPV阳性HNSCC患者及基质成分较少的患者预后更佳。鉴于MatCAF是基质生成的重要细胞类型，其低水平可能是HPV阳性患者预后较好的原因之一。尽管HPV阳性组中SCC2含量较高，但MatCAF的减少可能导致了较低的CCRGPI（图4A），进而对整体预后产生积极影响。

图4 CCRGPI的验证

5.不同CCRGPI亚群的分子特征

在差异表达分析中，相较于低CCRGPI组，高CCRGPI组内观察到48个基因的上调，这一数量显著低于下调的279个基因（图5A）。尽管上调基因数量有限，但基于HALLMARK基因集的GSEA分析揭示，高CCRGPI组中多达13条信号通路被激活（图5B）。此外，基于趋化因子-细胞因子网络的GSEA分析表明，高CCRGPI组中趋化因子与细胞因子的产生、分泌、结合及激活均受抑制（图5C）。基因突变作为TME异质性的重要驱动力，如人类癌症中最常突变的TP53基因，通过调节免疫发挥肿瘤抑制作用，其突变会改变免疫微环境并促进癌症发展。因此，该研究计算了HNSCC样本的肿瘤突变负荷（TMB），发现TMB与CCRGPI呈正相关，高CCRGPI组展现更高的TMB。

图5 不同CCRGPI亚组的分子特征

6. 不同CCRGPI亚组的免疫特征 

利用R包“estimate”分析HNSCC样本后，发现CCRGPI与免疫评分呈负相关，高CCRGPI组的免疫评分显著降低（图6A）。相反，不同CCRGPI亚组的基质评分保持一致，这可能是由于CAFs在肿瘤微环境（TME）中占主导地位且亚群分布相似所致。HCK、干扰素、LCK、MHC_II和STAT1基因集的富集分数均与CCRGPI呈负相关（图6B）。基于GO数据库的GSEA分析显示，与低CCRGPI组相比，高CCRGPI组的免疫相关通路均受到抑制（图6C）。类似地，除CD276外，高CCRGPI组中几乎所有46个免疫检查点基因均下调（图6D）。这些结果表明，高CCRGPI组样本处于免疫抑制状态，可能对免疫治疗不敏感。

图6 不同CCRGPI亚群的免疫特性

7. 不同HPV亚群的免疫特性

HPV阳性和阴性HNSCC患者的免疫反应模式存在差异。因此进一步探究了不同HPV亚组的免疫特征。结果显示，在两个HPV亚组中，CCRGPI均与免疫评分呈负相关。高CCRGPI组中几乎所有差异含量的免疫细胞均减少。总体而言，高CCRGPI的HNSCC患者无论是否感染HPV，均较难从免疫检查点抑制剂（ICI）治疗中获益。这些结果进一步证实了CCRGPI的可靠性。

8. 不同CCRGPI亚组的治疗敏感性

研究者进一步探讨了CCRGPI预测免疫治疗反应的能力。首先，通过TIDE评分和IPS（免疫预后评分）推断患者对免疫治疗的反应。结果显示，高CCRGPI组的TIDE评分和T细胞排斥评分均高于低CCRGPI组，但T细胞功能障碍评分和IPS较低（图7A）。此外，利用HNSCC（GSE212550，抗PD-1）和尿路上皮癌（IMvigor210，抗PD-L1）的免疫治疗数据集评估了CCRGPI预测接受免疫检查点抑制剂治疗患者预后的能力。发现高CCRGPI患者的预后较低CCRGPI患者更差（图7B和C）。这表明，高CCRGPI的HNSCC患者从ICI治疗中获益的可能性低于低CCRGPI患者。最后推断了两个CCRGPI亚组中198种化疗/靶向治疗药物的IC50值，结果显示，在83种具有统计学意义的药物中，高CCRGPI组样本的IC50值更高，即药物敏感性更差。总体而言， CCRGPI对免疫治疗和化疗均具有较强的预测能力。 

图7 不同CCRGPI亚组的治疗敏感性

9.小分子药物筛选与分子对接分析

通过CMap分析筛选出了20种针对CCRGPI的潜在小分子药物，为进一步明确CCRGPI的关键靶点，构建了包含CCRGPI中8种蛋白质的PPI（蛋白质-蛋白质相互作用）网络，并运用三种算法识别出关键靶点。结果显示，IGF1R在三种算法中均排名第一，因此被视为关键靶点。并发现Perospirone和Ganetespib与IGF1R的结合能低于天然配体，表明它们对IGF1R具有更高的亲和力。

文章小结

FCICC与FC-organoid模型揭示了癌细胞诱导成纤维细胞活化为CAFs的过程，CAFs则加剧癌细胞侵袭性，且CCCT展现出一定异质性。该研究基于四组基因对构建了CCRGPI。此外，高CCRGPI与P53通路激活、高TP53突变率及ICI治疗低效正相关，而与CD4+ T细胞、CD8+ T细胞及B细胞等多种免疫细胞丰度负相关。该研究通过分子对接分析，确定了Ganetespib作为针对CCRGPI关键靶点IGF1R的潜在治疗药物，为HNSCC的联合治疗提供了新的思路。寻找靶点＋预后这个套路也是很常见的，火火之前分享过很多类似的主题，大家有兴趣，可以翻阅过往分享的文章，也可以直接扫码找火火私人定制生信分析哦，一站式服务非常到位！

生信火公众号持续为大家带来最新！最优！最赞的生信思路，想复现思路或者定制更多适合自己的创新性思路，欢迎直接扫码联系火火，生信火团队竭诚为您的科研助力！

生信分析服务

免费思路评估

服务器租赁

扫码咨询火火