Language
先進的非免疫疾患におけるチェックポイント遮断反応のゲノムおよびトランスクリプトーム解析
ホームページホームページ > ニュース > 先進的非免疫疾患におけるチェックポイント遮断反応のゲノムおよびトランスクリプトーム解析
最新ニュース

先進的非免疫疾患におけるチェックポイント遮断反応のゲノムおよびトランスクリプトーム解析

Feb 26, 2024

Nature Genetics volume 55、pages 807–819 (2023)この記事を引用

18,000 アクセス

2 引用

121 オルトメトリック

メトリクスの詳細

抗 PD-1/PD-L1 薬は、進行性非小細胞肺がん (NSCLC) の治療状況を変革しました。 NSCLCにおけるチェックポイント阻害剤に対する反応の根底にある分子的特徴について理解を広げるために、ここでは、治療を受けたNSCLC患者393名からの全エクソームおよび/またはRNA配列決定のリソースであるStand Up To Cancer-Mark Foundationコホートの最初の共同解析について説明する。抗 PD-(L)1 療法と一致する臨床反応の注釈付き。 私たちは、(1) 好ましいゲノム サブグループ (例: ATM の変化) と好ましくないゲノム サブグループ (例: TERT 増幅)、(2) 免疫プロテアソームの誘導性成分の発現間の顕著な関連性など、分子的特徴と結果の間の多数の関連性を特定しています。 (3) チェックポイント遮断に対する反応が増強された脱分化腫瘍固有のサブタイプ。 総合すると、このコホートの結果は、免疫療法の結果の根底にある生物学的決定因子の複雑さを実証し、よく厳選された大規模ながん特異的コホート内での統合分析の発見の可能性を強化します。

進行性非小細胞肺がん（NSCLC）の管理における PD-1/PD-L1 阻害剤の導入は、この疾患の治療における大きなパラダイムシフトをもたらしました。 全生存期間の改善を実証した複数の研究を受けて、これらの薬剤は単独 1、2、3、4 または化学療法 5、6 または CTLA4 阻害 7 との併用で承認を獲得しています。 しかし、反応が観察されたのは選択されていない患者の 5 人に 1 人のみである 1、2、3 ため、最も利益が得られる可能性が高い患者を特定するには、改善された反応予測因子が必要です。

長期的な疾患制御の可能性が少数の患者にしか実現されていないことを考慮すると、反応と耐性のバイオマーカーを特定するために多大な努力が注がれてきました。 現在までの主要なバイオマーカーは、腫瘍細胞膜上の PD-L1 タンパク質発現 4 および腫瘍変異負荷 (TMB) 8、9、10 であり、これらは免疫認識およびターゲティングの標的として機能するネオアンチゲンの生成の基礎となっている可能性があります。

変異クローン性 11、炎症を起こした微小環境 12,13、EGFR14,15 や STK11 などの個々の遺伝子の変化 (参考文献 16) の潜在的な役割を含む追加の特徴が明らかになり始めていますが、関連する予測因子のさらなる同定と統合は、これらの予測因子の欠如によって妨げられています。大規模なマルチオミクスの NSCLC 特異的患者コホート。

ここでは、Stand Up To Cancer-Mark Foundation (SU2C-MARK) NSCLC コホート、つまり進行期の設定でチェックポイント阻害剤で治療された 393 人の患者のデータセットの最初の統合分析から得られた結果について説明します。 当社では、詳細な臨床反応評価とともに全エクソームシーケンシング (WES) および RNA シーケンシング (RNA-seq) を実行し、反応と耐性のゲノムおよびトランスクリプトームバイオマーカーの複合評価を可能にしました。 これらの豊富に注釈が付けられたデータは、総合すると、進行性 NSCLC における PD-1/PD-L1 薬剤の役割に関する基礎的および応用的な研究を進める際の現場のリソースとなります。

われわれは、チェックポイント遮断（患者がPD-1/PD-L1剤を投与される第一選択の治療として定義される）を受ける前に、合計393人の進行がん患者から採取されたホルマリン固定パラフィン包埋（FFPE）腫瘍サンプルを分析した。 9 つのがんセンターにわたる NSCLC (表 1 および図 1a)。 これらの患者の大部分は単剤療法（81％）で治療され、追加のサブセットはCTLA4遮断（17％）または化学療法（1％）を含む併用療法を受けていました。 腫瘍と対応する正常標本（血液、またはまれに隣接する正常組織）の両方で WES を受けました。 患者のサブセットについては、全トランスクリプトーム RNA-seq によってさらに腫瘍組織のプロファイリングが行われました。 厳格な品質管理 (方法) の後、合計 309 個の WES 検体と 152 個の RNA-seq 検体が分析に含まれました。 主要評価項目は、臨床画像の専用レビューによって決定され、RECIST v1.1 基準を使用して定量化された最良の全体的反応 (BOR) でした。

 0.5 and P < 0.05 were used to identify significantly differentially expressed genes (red). b, Hallmark GSEA of response and resistance-associated pathways from limma voom. c, Dot plot of significance values for interferon-gamma (IFN-γ) targets (n = 198 genes), proteasome subunits (n = 56 genes) and immunoproteasome subunits (n = 5 genes). Boxplot overlay depicts the 25th percentile (minima), 50th percentile (center) and 75th percentile (maxima) of distribution with whiskers bounding points within 1.5× interquartile range (Q3–Q1) from each minimum and maximum. Immunoproteasome subunits as a set showed a greater association with response than IFN-γ targets and proteasome targets (P = 7 × 10−9 and P = 4 × 10−6, respectively, two-sided Mann–Whitney U test). d, Contour plot of a linear, 2D model predicting expression of representative immunoproteasome subunit PSMB8 as a function of the inflammatory cytokines IFNG and TNF. Contour levels correspond to roughly 1.2-fold TPM increments in PSMB8 expression. Patients with high expression of both IFNG and TNF demonstrated the highest PSMB8 expression (R2 = 0.31). e, Logistic regression summary results for tumor-associated immune cell signatures derived from single-cell sequencing37./p> 10 mut/MB (favorable; n = 27), PD-L1 TPS ≥ 50% (favorable; n = 34) and PD-L1 TPS ≤ 1% (unfavorable; n = 18). Following FDR correction, we identified multiple near-significant and significant associations (q < 0.25 and 0.1, respectively; Extended Data Fig. 9b,c and Methods), particularly when evaluating features from the immune activation/exhaustion and wound healing clusters (dedifferentiated TI-1 in PD-L1 TPS ≤ 1% q = 0.23; immune-activated M-2 in PD-L1 TPS ≤ 1% q = 0.16; macrophage/monocytes in PD-L1 TPS ≥ 50% q = 0.06; hMono3 in PD-L1 TPS ≥ 50% q = 0.11). Therefore, the presence of these factors may augment prediction based on standard clinical variables./p>50×, contamination <5% and tumor purity >10% as assessed by ABSOLUTE (v1.5)79. Comparison of MutSig2CV80 driver analysis from the SU2C-MARK cohort agreed well with previously published results for TCGA lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC) cohorts (Extended Data Fig. 2a)./p> 0.5, thus limiting our analysis to genes potentially involved in response. We further filtered out genes with sparse or low expression, that is more than 10% NA or zero values, or in the bottom 10% of mean expression. We transformed the values to fold changes by subtracting the median for each gene, then obtained the Spearman correlation matrix of these fold changes, and performed hierarchical clustering while varying the number of clusters (K) from 2 to 10 and repeating 500 iterations for each K value. We then obtained consensus matrices for each K (calculating the number of times samples clustered together in the 500 iterations), summed these matrices across all K values, and normalized the resulting matrix by the number of iterations. Using B-NMF with a half-normal prior, this matrix was used to decide on the optimal number of clusters. Using this empirically determined value of K, we then applied the B-NMF algorithm to the original log2TPM gene expression matrix. In this case, the gene expression matrix is approximated by W*H, where H is the cluster membership matrix and W is the gene weight matrix. We used the W matrix to narrow down the genes most closely associated with each cluster, keeping only genes in the top 50% of normalized weights for each cluster, as well as those with the largest difference between within-cluster versus outside-cluster expression. Using this reduced marker gene list, we classified the remaining samples in cohort 2 into our three-cluster scheme. Of note, given re-annotation of the RNA sample from patient SU2CLC-DFC-DF0732 as having been post-treatment, this specimen was removed from our analysis (Supplementary Note and Supplementary Fig. 1). We used this same procedure to define the TI subtypes, with the exception of initially filtering to keep high-variance genes (instead of keeping genes of interest from the differential expression analysis, as in the M subtypes). We similarly used TI marker genes to classify additional samples./p>

 10 mut/MB, top; favorable), high PD-L1 tumor proportion score (PDL1 TPS) corresponding to PDL1 TPS ≥ 50% (middle; favorable), and low PD-L1 expression (PDL1 TPS ≤ 1%, bottom; unfavorable). Signed FDR q-values based on Benjamini–Hochberg adjustment of logrank p-values are plotted for each feature (Methods)./p>