白癜风问诊中心 https://myyk.familydoctor.com.cn/2831/schedule/臻和科技医院-沈琳教授团队合作的研究成果发表于“NPJPrecisionOncology”，IF:7.；
同时感谢沈琳教授团队，本文第一作者鲁智豪教授对本研究的付出和贡献。本研究中的全外显子测序由臻和科技完成。
导读
免疫检查点抑制剂(ICIs)已成为胃肠道肿瘤的重要治疗策略之一，但只有10%-20%的患者对ICIs产生应答。因此，迫切需要确定胃肠道肿瘤免疫治疗生物标志物，以筛选出可能受益于ICIs的患者。然而，现有ICIs生物标志物的预测意义存在争议且缺乏患者生存预测的探索。所以，本研究调查了胃肠道肿瘤中对ICIs获益的基因组决定因素，并开发了一种基于基因突变的风险模型，以期更好地预测胃肠道肿瘤患者免疫治疗的疗效与临床预后。
基于本研究的重要小结
构建胃肠道肿瘤免疫预后特征(GIPS)模型，包含RNF43、CREBBP、CDKN2A、TP53、SPEN和NOTCH3共6个基因，可将患者分为获益与未获益两个亚组；验证队列亚组数据显示，GIPS-High组患者的总生存期(OS)和无进展生存期(PFS)以及持久临床获益(DCB)率显著优于GIPS-Low组；与其他潜在生物标志物(TMB值、MSI状态和PD-L1表达)相比，GIPS可以更好的预测消化道肿瘤免疫治疗患者的预后；GIPS联合TMB可以更好地预测免疫治疗疗效及预后；较高的GIPS与抗肿瘤免疫反应的激活有关，进一步佐证了GIPS-High在胃肠道肿瘤患者免疫治疗疗效与临床预后中的预测价值。
研究概览
研究队列与分析方法：
建立预测模型：将MSK-GI队列(共纳入例患者，包含例食管癌胃癌患者和例结直肠癌患者)作为训练队列，使用LASSOCox回归算法筛选出具有潜在预后价值的基因突变，建立胃肠道免疫预后特征(GIPS)预测模型；验证模型：使用JanjigianPender队列(纳入54例患者)医院队列(PUCH，纳入92例患者)中的胃肠道肿瘤患者数据验证该模型的预测价值。PUCH队列使用臻和全外显子测序(WES)对患者肿瘤标本进行基因突变谱分析。机制探索：使用胃肠道肿瘤TCGA数据集(纳入例患者，包含例食道癌、例胃癌和例结直肠癌患者)分析GIPS模型与免疫相关特征之间的关联，使用ssGSEA方法预测多种免疫细胞在肿瘤组织中的分布情况。
研究流程图：
结局指标：
持久临床获益(DCB)：完全缓解、部分缓解或疾病稳定持续≥24周；没有持续获益(NCB)：出现进展性疾病或者疾病稳定持续＜24周。在免疫治疗队列中，以OS或PFS作为生存终点。
研究结果
1、
GIPS模型的构建
使用单变量Cox比例风险回归模型分析MSK-GI队列基因突变的预后意义。为了进一步建立预测模型，选择p0.1、人群突变频率8%的基因作为种子基因使用十折交叉验证法进行LASSOCox回归分析，最终从12个基因中筛选出6个基因(图1A-B)。图1A-B：基于十折交叉验证的LASSOCox回归分析根据6个基因的突变状态(基因突变型为1；野生型为0)并按其回归系数加权，形成GIPS风险模型计算公式：GIPS=(0.×RNF43)+(0.×CREBBP)?(0.28×CDKN2A)?(0.×TP53)+(0.×SPEN)+(0.×NOTCH3)。使用X-tile将患者分为GIPS高值组(GIPS-High)和GIPS低值组(GIPS-Low)，最佳cut-off值为0.15。在MSK-GI队列中，GIPS-High组患者预后较好(中位OS:31个月vs10个月；p0.；HR=0.40；95%CI:0.27-0.59；图1C-D)，同时在各疾病亚组中也得到了类似结果。此外，GIPS也是MSK-GI队列中的一个独立预后因素。图1C-D：MSK-GI队列临床和分子特征热图与各亚组Kaplan-Meier曲线
2、
验证队列中GIPS与临床益处、
OS和PFS的相关性
按照训练队列最佳cut-off值为0.15，将JanjigianPender和PUCH两个队列中的患者分为GIPS-High和GIPS-Low两组。在JanjigianPender队列中，GIPS-High组(N=22)与GIPS-Low组(N=32)相比，OS和PFS显著更长(中位OS：13.6个月vs5.1个月，p=0.，HR=0.52，95%CI：0.28-0.95；中位PFS：4.7个月vs1.9个月，p=0.，HR=0.42，95%CI：0.23-0.75；图2A-C)。在PUCH队列中也得到了相似的结果，GIPS-High组(N=47)的OS和PFS显著优于GIPS-Low组(N=45)(中位OS：15.1个月vs6.2个月，p=0.，HR=0.44，95%CI：0.24-0.81；中位PFS：5.3个月vs1.9个月，p0.，HR=0.44，95%CI：0.26-0.74；图2A，E-F)。图2-A：JanjigianPender和PUCH两个验证队列临床和分子特征热图图2B-G：验证队列各亚组OS和PFS的Kaplan-Meier曲线与临床获益情况占比JanjigianPender队列和PUCH队列分别有14名(25.9%)和35名患者(38%)评估为持久临床获益(DCB)，其中GIPS-High组DCB发生率均显著更高(JanjigianPender队列：45.5%vs12.5%，p=0.，图2-D；PUCH队列：46.8%vs28.9%，p=0.；图2-G)。
3、
GIPS与其他潜在生物标志物疗效预测对比
采用受试者工作特征(ROC)分析评价GIPS对DCB的预测价值，结果显示：GIPS是免疫治疗临床获益的预测生物标志物(JanjigianPender队列：ROC曲线下面积[AUC]=0.71，95%CI：0.56-0.85；PUCH队列：AUC=0.59，95%CI：0.49-0.70；见下图)，其预测能力与其他生物标志物相当。图：验证队列生物标志物预测价值ROC曲线接下来，我们对这些潜在的生物标志物(GIPS、TMB值、MSI状态和PD-L1表达水平)进行了单因素和多因素Cox分析，结果显示，GIPS在三个队列中，均是OS和PFS独立预后因素；在预测患者生存方面表现出很强的能力(p值均0.05)。此外，TMB值也是队列中一个强有力的预测生物标志物，PD-L1和MSI-H在生存预测方面缺乏普遍性。总体而言，GIPS可作为胃肠道肿瘤免疫治疗疗效的有力预测指标。
4、
GIPS和TMB在患者分层和临床
预后预测中的联合应用
我们观察到在MSK-GI队列和JanjigianPender队列中TMB和GIPS之间存在较弱的相关性(MSK-GI：r=0.41，p0.;JanjigianPender：r=0.33，p=0.)；而在PUCH队列中缺乏这种相关性(r=0.19，p=0.)。因此，我们进一步研究了联合应用GIPS和TMB对患者分层和临床预后预测的作用。在两个验证队列中，与GIPS-Low/TMB-Low亚组(即both-Low组)相比，GIPS-High/TMB-High亚组(即both-High组)拥有显著更高的DCB率(图3A-B)。图3A-B：验证队列各亚组DCB比率在JanjigianPender队列以及PUCH队列中，GIPS-High/TMB-High亚组(即both-High组)与其他两个亚组相比，中位PFS时间显著更长(图3C-D)。图3C-D：验证队列各亚组PFS的Kaplan-Meier曲线在MSK-GI队列和PUCH队列中，GIPS-High/TMB-High亚组(即both-High组)与其他两个亚组相比，OS也显著延长，但JanjigianPender队列分层后的各亚组数据未见明显OS差异(图3E-G)。图3E-G：训练与验证三个队列各亚组OS的Kaplan-Meier曲线这些发现表明，基于GIPS和TMB的联合生物标志物对ICI治疗获益显示出更好的预测价值。
5、
GIPS-High肿瘤促进有益的免疫细胞
浸润和干扰素相关基因特征表达
基于上述结果，我们使用TCGA胃肠道肿瘤队列(N=)根据GIPS最佳cut-off值分为GIPS-High组和GIPS-Low组。采用单样本基因集富集分析(ssGSEA)方法估算免疫细胞浸润程度。与GIPS-Low肿瘤相比，GIPS-High肿瘤更多地被免疫效应细胞(如效应T细胞、树突状细胞和B细胞)浸润，但中性粒细胞数量较少(图4-A)。图4-A：TCGA队列不同GIPS状态下免疫细胞浸润情况比较同时，GIPS-High肿瘤在免疫相关特征中也表现出显著富集，而且与GIPS-Low肿瘤相比，GIPS-High肿瘤TMB值显著更高(图4B-C)。图4B-C：TCGA队列临床和分子特征热图与亚组间TMB值比较对GIPS-High和-Low组进行差异基因富集分析，结果显示：在GIPS-High肿瘤中干扰素应答、抗原处理、呈递机制和炎症反应通路显著上调(图4-D)。图4-D：TCGA队列免疫相关通路的ssGSEA分析上述结果表明，GIPS可以预测胃肠道肿瘤中免疫微环境的炎性表型，并反映抗肿瘤免疫反应的激活程度，较好地解释了GIPS可以预测免疫治疗获益的潜在原因。
总结
胃肠道肿瘤免疫预后特征(GIPS)是基于LASSOCox回归算法构建的包含6个特征基因的预测模型，研究结果表明：GIPS可以作为胃肠道肿瘤患者接受ICIs治疗的一个强有力的预后因素，其预测价值与抗肿瘤免疫反应的激活有关。此外，GIPS具有较高成本效益，可转化为易于使用的临床检测手段，有望在大样本前瞻性研究中进一步验证GIPS的预测价值。
专家简介
研究成果原标题：Agenomicmutationsignaturepredictstheclinicalout
