背景：
癌症免疫基因组学是连接基因组学和免疫学的新兴领域。随着新的单细胞转录组学技术和多组学方法的发展，大规模基因组合作的建立使许多癌症类型的突变和转录谱的特征化成为可能，并有助于确定临床可操作的改变以及预测和预后的生物标志物。研究人员已经开发出计算方法和机器学习算法，从大量组织或单细胞的基因组和转录组测序数据中准确获取临床有用的信息，并探索肿瘤及其微环境。测序和计算方法的快速发展导致了对了解其真正潜力和限制的需求未得到满足，这些潜力和限制使正在接受免疫治疗的癌症患者的管理得到改善。
简介：
2023年10月31日，来自澳大利亚昆士兰大学医学院的Nicola Waddell 教授课题组在Nat Rev Clin Oncol（IF: 78.8）杂志上发表题为“Computational immunogenomic approaches to predict response to cancer immunotherapies”的文章[1]。在这篇文章中，作者描述了目前可用于分析来自癌症、基质和免疫细胞的大块组织和单细胞测序数据的计算方法，以及如何最好地选择最合适的工具来解决各种临床问题，并最终改善患者的预后。
主要结果：
癌症的内在特征分析。
肿瘤纯度和基因组ITH。
肿瘤纯度是肿瘤组织样本中癌细胞的比例或百分比，因此它影响用于描述癌症内在和癌症外在免疫基因组特征的计算方法的性能。已经开发了各种计算方法来从DNA-seq和RNA-seq或DNA甲基化分析数据中测量肿瘤纯度，以及集成的共识方法(图1)，并且方法通常彼此显示出良好的一致性。
基因组肿瘤内异质性(ITH)发生在大多数肿瘤中，是指肿瘤细胞的克隆结构和个体亚克隆之间可能存在的基因组差异。ITH与治疗耐药、复发和患者生存率降低有关。已经开发了大量的计算工具来从基因组测序数据估计基因组ITH，其中包括Pyclone, SciClone, Battenberg, HATCHet和FastClone。一些研究比较了这些算法和其他算法的性能，发现它们的性能和精度可以变化，并随着测序深度的增加而提高。对来自每个肿瘤的多个样本进行测序以捕获空间和时间变化，可以更好地了解ITH和肿瘤进化。
肿瘤突变负荷。
发生在癌细胞中的体细胞基因组改变包括单核苷酸变异(SNVs)、多核苷酸变异(indels)、小插入和缺失(indels)、拷贝数改变(CNAs)和大染色体结构变异。TMB不能反映所有的体细胞改变：大多数商业上可用于其评估的面板通常考虑具有或不具有同义(即不影响蛋白质序列) SNVs的体细胞非同义(即影响蛋白质序列)的数量，在某些情况下，肿瘤样本中表达为mut/Mb的indels。
图1：在大量组织样本中研究癌症内在和癌症外在免疫表型的计算方法
HLA基因型。
HLA基因编码主要组织相容性(MHC)分子，这些分子向T细胞呈递抗原，包括肿瘤特异性新抗原。MHC I类(MHC I)分子向CD8+细胞毒性T淋巴细胞(CTL)呈递抗原，MHC II类分子向CD4+辅助或调节性T (Treg)细胞呈递抗原。因此，MHC分子在感染、炎症、自身免疫性疾病和抗肿瘤免疫反应中起着关键作用，如果不能装载新抗原，则是一种假定的免疫逃逸机制。事实上，更大的HLA多样性，导致MHC分子更多样化，可以向免疫细胞呈现更广泛的突变肽，这与患某些癌症的风险较低有关，并与对ICI的更好反应有关。相比之下，HLA区域内肿瘤相关的杂合性缺失(LOH)可以模拟HLA多样性的减少，并可能通过使强大的新抗原“隐藏”宿主免疫反应来促进免疫逃避。
癌症的外在特征分析。
癌症的外在特征可以用测序数据分析，包括免疫系统和TME的特征。肿瘤协调一个独特的TME，包括多种基质细胞和免疫细胞;癌细胞和TME内细胞之间的串扰通过癌症免疫编辑和免疫监视等过程有助于肿瘤的进化和进展。TME还包含一个由细胞因子、趋化因子、生长因子和粘附分子组成的动态复杂网络，这些分子驱动癌症、基质细胞和免疫细胞之间的相互作用，影响对治疗的反应。特别是，TME中活化T细胞和CTL的存在或不存在分别是T细胞炎症(也称为“热”)或非T细胞炎症(或“冷”)TME的特征，这可能影响对ICIs的反应。
已经开发了几种算法来研究RNA-seq和DNA甲基化分析数据来剖析TME。总的来说，这些反卷积算法结合了各种统计和概率工具，用于比较输入样本和定义数据集之间的基因表达或DNA甲基化分析数据。这些方法的一个关键优势是输出简单—免疫细胞的相对比例，这很容易解释—但它们的预测性能受到参考特征矩阵来源、数据预处理和肿瘤纯度的影响。
图2：从各种来源识别癌症肿瘤抗原的计算方法
单细胞分析。
在过去的几年中，单细胞测序(scseq)技术经历了一次转变，使数据集的创建成为可能，并刺激了分析方法的发展。在撰写本文时，scRNA-tools上有30类1518种工具(包括突变、CNA、克隆、聚类、可视化、降维和细胞-细胞通信等)。已经为其中一些工具开发了教程或最佳实践资源，并且一些研究已经对其中的选择进行了基准测试。然而，由于不断开发新的数据集和工具，这些举措仍在进行中。随着样本的前瞻性收集，将越来越多地对ICI治疗患者进行单细胞分析。
图3：计算分析大块组织和单细胞RNA测序数据，研究肿瘤微环境和相关特征
预测对ICIs的反应。
能够始终如一地识别可能对ICI有反应的患者，将为患者和卫生保健系统带来巨大的好处。虽然对个体临床特征(如年龄、性别和种族)对接受ICIs的患者结果的影响进行了一些研究，但对癌症内在和癌症外在特征的分析已经确定了与反应相关的几个特征。
除了PD-L1表达外，一些基因组特征与ICIs应答相关，这突出了全面鉴定肿瘤特异性基因组特征的重要性。DNA错配修复缺陷的存在，高TMB或肿瘤抗原负荷的存在都与有利的反应独立相关，而其他基因组特征，如肿瘤非整倍体和高结构变异突变负荷的存在，则与不良反应独立相关。
研究人员已经确定了各种各样的基因特征，其中许多与TILs有关，据报道可以预测对ICIs的反应。正在进行的临床试验正在采用这些签名和方法;然而，它们需要在实验中验证，比较接收ICIs之前和之后获得的样品。
预测患者是否对ICIs有反应需要一种将临床信息与癌症内在特征和癌症外在特征相结合的方法(图4)。研究人员已经开发出了结合多种特征来预测ICIs反应的方法。例如，一个使用WES数据的模型包含了多种DNA特征(非整倍性、CNA克隆性、突变特征、TMB、在选定的驱动基因中存在突变、肿瘤内TCR克隆、HLA等位基因和新抗原负荷)，能够区分接受ICIs的NSCLC患者具有有利或不利的OS。研究人员对12种肿瘤类型的3600多名患者进行了与ICIs反应相关的基因组和转录组生物标志物的荟萃分析，并提出了一个模型PredictIO，以确定潜在的靶标，包括F2RL1和RBFOX2，以克服对ICIs的耐药性。Litchfield等人收集了7种肿瘤类型中1000多名具有匹配基因组和转录组谱的ICIs治疗患者的数据，并构建了一个多变量模型，使用该数据集中的11个特征来预测每种癌症类型对ICIs的反应，以训练和测试机器学习癌症特异性分类器XGBoost。在该模型中，克隆TMB是对ICIs反应的最强预测因子，其次是总TMB和CXCL9表达。此外，其他因素，如患者的病毒群和肠道微生物群，也会影响对ICIs的反应。
图4：多组学机器学习预测免疫检查点抑制剂的反应
结论和展望：
肿瘤和免疫系统处于一种持续微妙的平衡状态，影响宿主对ICIs的反应。在过去的几年中，计算免疫基因组学的发展为研究这种复杂性提供了前所未有的机会，其最终目的是改善患者的预后。这些改进包括，但不限于，能够选择更有可能从免疫球蛋白免疫中受益的患者，开发高效的新抗原疫苗，并通过跟踪患者的免疫反应改善疾病监测。研究人员现在可以使用几种测序技术来分析基因组、转录组和表观基因组，并最终解剖宿主肿瘤的免疫景观。高TMB和免疫细胞(如CTLs)的丰度与对ICIs的反应独立相关;然而，与评估PD-L1表达类似，单独的每个标记物都是不完善的。研究人员正在开发各种新的计算方法来研究不同的癌症——内在的和外在的。尽管前景看好，但这些方法中的许多都将受益于更多患者数据的可用性，以训练模型和/或验证其预测性能。
免疫活动的程度可以在不同的肿瘤部位或同一患者的多个病变之间变化。现有的计算工具或方法都没有考虑到活检或切除的位置是消除TME或理解免疫编辑机制的主要因素。此外，由于新辅助ICIs具有良好的疗效，使用预处理患者的活检样本预测ICIs反应的方法至关重要。需要一个更复杂的模型，整合各种因素，包括肿瘤纯度、TME组成、基因组ITH、肿瘤进化、基因组成和免疫原性新抗原负荷。开发更全面的方法，捕捉整个肿瘤并整合分子和临床数据，可以揭示癌细胞和免疫细胞之间的完整相互作用。这种综合方法有助于解决预测对国际投资的反应这一挑战;然而，模型将需要在大型肿瘤特异性数据集上进行训练，并且考虑到这些疗法倾向于与其他药物联合使用，预测模型可能需要更个性化的方法。
原文链接：https://www.nature.com/articles/s41571-023-00830-6
参考文献：
[1] Addala V, Newell F, Pearson JV, Redwood A, Robinson BW, Creaney J, Waddell N. Computational immunogenomic approaches to predict response to cancer immunotherapies. Nat Rev Clin Oncol. 2023 Oct 31. doi: 10.1038/s41571-023-00830-6. Epub ahead of print. PMID: 37907723.
转自：“生物医学科研之家”微信公众号
如有侵权，请联系本站删除！
