一种与神经营养因子相关的基因特征能够预测结直肠癌的预后及对免疫治疗的反应
《International Journal of Genomics》:A Neurotrophic Factor–Related Gene Signature Predicts Prognosis and Immunotherapy Response in Colorectal Cancer
【字体:
大
中
小
】
时间:2026年03月18日
来源:International Journal of Genomics 1.9
编辑推荐:
摘要
背景
神经营养因子(NFs)对神经细胞的发育、存活和功能至关重要。新兴证据表明,它们参与了肿瘤的发生、进展和治疗抵抗。然而,它们在结直肠癌(COAD)中的全面预后和治疗意义仍大部分未被探索。
方法
我们系统地识别了与神经营养因子相关的基因(NFRGs),并利用癌症基因组
摘要
背景
神经营养因子(NFs)对神经细胞的发育、存活和功能至关重要。新兴证据表明,它们参与了肿瘤的发生、进展和治疗抵抗。然而,它们在结直肠癌(COAD)中的全面预后和治疗意义仍大部分未被探索。
方法
我们系统地识别了与神经营养因子相关的基因(NFRGs),并利用癌症基因组图谱(TCGA)和基因表达组学数据库(GEO,数据集GSE39582)的转录组数据构建了一个预后标志物。通过差异表达分析、功能富集(基因本体论[GO]和京都基因与基因组百科全书[KEGG])、单变量分析以及最小绝对收缩选择算子(LASSO)Cox回归分析来开发风险模型。该模型被验证能够根据患者的总生存期(OS)、肿瘤微环境(TME)、免疫细胞浸润、对免疫治疗的反应和化疗敏感性进行分层。单细胞RNA测序(scRNA-seq)分析和细胞间通信推断在细胞水平上验证了这些发现。
结果
我们建立了一个稳健的12个基因的NFRG标志物,有效地将COAD患者分为高风险和低风险组,这两组的生存期有显著差异。高风险组的特征是上皮-间充质转化(EMT)通路富集、免疫抑制性TME、癌症相关成纤维细胞(CAF)和M2巨噬细胞浸润增加,以及更高的肿瘤突变负担。风险评分作为一个独立的预后因素,与晚期临床阶段、BRAF突变状态和共识分子亚型(CMS)相关。重要的是,高风险患者表现出更高的TIDE评分、CD274(PD-L1)表达增加,以及对免疫检查点阻断的更大反应潜力,同时对5-氟尿嘧啶的敏感性降低。scRNA-seq分析确定上皮细胞是NFRG表达的主要来源,CellChat分析揭示了高风险肿瘤中增强的细胞间通信,特别是涉及施万细胞衍生的SPP1信号通路。
结论
我们建立并验证了一个基于NFRG的新风险模型,该模型能够准确预测预后,描绘免疫景观,并为COAD的治疗策略提供信息。这一标志物为个性化治疗分层提供了一个有前景的生物标志物。
1. 引言
结直肠癌(CRC)是一个重大的全球健康负担,其临床结果和治疗反应具有异质性[1, 2]。虽然免疫疗法已经彻底改变了部分CRC患者的治疗,尤其是那些具有微卫星不稳定高(MSI-H)肿瘤的患者,但大多数患者仍然无反应,这突显了可靠预测生物标志物的迫切需求[3]。神经营养因子(NFs)是一类传统上以其在神经元发育、分化和维持中的作用而闻名的蛋白质,越来越多地被牵涉到致癌过程中[4, 5]。除了神经系统外,NFs及其受体还表达在各种癌症中,影响肿瘤生长、血管生成、转移和治疗抵抗[6]。在CRC中,已经研究了单个NFs的表达和功能,但缺乏对广泛的与神经营养因子相关的基因(NFRG)标志物的系统分析,包括配体和受体,以及其在预后、肿瘤微环境重塑和治疗反应中的综合作用[7]。本研究旨在通过构建一个全面的NFRG标志物来填补这一空白。我们整合了公共队列的多组学数据,开发了一个预后风险模型,验证了其预测生存期的能力,并阐明了其与TME、突变景观以及对化疗和免疫治疗的敏感性的关联。此外,我们利用scRNA-seq数据解码了NFRG表达的细胞起源和支撑高风险表型的改变的细胞间通信网络。我们的发现将NFRG标志物定位为一种新颖且多用途的工具,用于COAD的风险分层和个性化治疗计划。
2. 材料与方法
2.1. 数据获取
图S1显示了当前研究的流程图。从癌症基因组图谱(TCGA)数据库(https://portal.gdc.cancer.gov/)下载了COAD患者的转录组数据、相应的临床信息和体细胞突变数据[8]。外部验证数据集GSE39582来自基因表达组学数据库(GEO)(https://www.ncbi.nlm.nih.gov/geo/)。CRC的scRNA-seq数据来源于一个公开可用的数据集[9]。
2.2. 数据预处理
首先使用ComBat算法校正了批量效应。随后,移除了表达值缺失超过50%的样本。所有分析均使用limma包进行。
2.3. 神经营养因子相关基因(NFRGs)的识别和功能富集
从MSigDB的“TNFA_SIGNALING_VIA_NFKB”标志中编译了一份NFRGs清单,并通过手动审查癌症中的神经营养因子文献进行了补充[10]。使用limma R包识别肿瘤组织和正常组织之间差异表达的NFRGs。我们现在指定,差异表达基因是通过limma R包以调整后的p值<0.05和|log2倍数变化|>1.0来识别的。使用clusterProfiler和org.Hs.eg.db注释数据库进行了GO和KEGG分析。调整后的p值<0.05和q值<0.2的基因集被认为是显著的。
2.4. NFRG预后标志物的构建
首先应用单变量Cox回归分析来识别与总生存期(OS)显著相关的NFRGs。随后,使用glmnet R包实施LASSO Cox回归分析,以防止过拟合并选择最具预测性的基因用于标志物。在LASSO中,λ是通过10折交叉验证基于最小部分似然偏差来选择的。每个患者的最终风险评分是使用选定基因的表达水平及其回归系数的线性组合计算得出的。根据中位风险评分将患者分为高风险和低风险组。
2.5. 肿瘤微环境和免疫浸润的评估
使用ESTIMATE算法计算免疫细胞和基质细胞的评分以及肿瘤纯度[11]。使用CIBERSORT和单样本基因集富集分析(ssGSEA)算法估计肿瘤浸润免疫细胞的相对丰度[12]。我们使用CIBERSORT v1.04和LM22标志矩阵。我们进行了1000次排列,并设置了p<0.05的阈值。对于ssGSEA,使用“gsva” R包和默认参数。利用Tumor Immune Dysfunction and Exclusion(TIDE)平台(https://tide.dfci.harvard.edu/)来预测对免疫治疗的潜在反应[13]。
2.6. 药物敏感性分析
使用pRRophetic R包预测常见化疗药物(例如5-氟尿嘧啶)的半最大抑制浓度(IC50)值,该包利用了癌症基因组项目(CGP)的数据。进一步使用癌症治疗反应门户(CTRP)的数据探索了风险评分与化合物敏感性之间的关联。
2.7. 单细胞RNA测序分析和细胞间通信
我们使用SingleR包,并以人类原代细胞图谱作为参考,通过使用典型标记基因(例如EPCAM表示上皮细胞、CD3D表示T细胞和CD68表示巨噬细胞)进行手动验证。使用AUCell R包对单个细胞中的NFRG活性进行评分。使用CellChat R包推断并比较高风险组和低风险组之间的细胞间通信网络。
2.8. 统计分析
所有统计分析均使用R软件(版本4.1.0或更高版本)进行。使用Kaplan–Meier方法和log-rank检验评估组间的生存差异。使用timeROC R包进行时间依赖的接收者操作特征(ROC)曲线分析,以评估风险评分的预测准确性。使用Wilcoxon秩和检验比较两组之间的连续变量。双侧p值<0.05被认为是统计学上显著的。
3. 结果
通过差异表达和Cox回归分析,我们基于12个NFRGs(BDNF、NTRK1、NTRK2、NTRK3、NGFR、NGF、NTF3、NTF4、GDNF、GFRA1、GFRA2和ARTN)构建了一个预后模型(图1(a)、1(b)、1(c)、1(d)、1(e))。风险评分有效地将TCGA队列中的患者分为高风险和低风险组,高风险组的生存期显著较差(图1(f))。这种预后能力在独立的GEO队列GSE39582中也得到了一致验证(图2(a)和2(b))。预测1年、3年和5年生存期的ROC曲线下面积(AUC)证实了模型的稳健预测准确性(图2(c)和2(d))。
3.1. 预后NFRG标志物的开发与验证
通过差异表达和Cox回归分析,我们构建了一个基于12个NFRGs的预后模型(图1(a)、1(b)、1(c)、1(d)、1(e))。风险评分有效地将患者分为高风险和低风险组,在TCGA队列中,高风险组的生存期显著较差(图1(f))。这种预后能力在独立的GEO队列GSE39582中也得到了验证(图2(a)和2(b))。预测1年、3年和5年生存期的ROC曲线下面积(AUC)证实了模型的稳健预测准确性(图2(c)和2(d)。
3.2. TCGA–COAD队列中神经营养因子相关基因(NFRG)预后标志物的构建
(a) 不同表达NFRGs的基因本体论(GO)富集分析,显示在生物过程、分子功能和细胞成分中的显著术语。
(b) 不同表达NFRGs的京都基因与基因组百科全书(KEGG)通路富集分析。
(c) 单变量Cox回归分析识别出与预后相关的NFRGs。
(d) LASSO回归中与预后相关的NFRGs的系数概况。
(e) LASSO回归中调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。
(f) 从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因标志物在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。
3.3. TCGA–COAD队列中神经营养因子相关基因(NFRG)预后标志物的构建
(a) 不同表达NFRGs的基因本体论(GO)富集分析,显示在生物过程、分子功能和细胞成分中的显著术语。
(b) 不同表达NFRGs的京都基因与基因组百科全书(KEGG)通路富集分析。
(c) 单变量Cox回归分析识别出与预后相关的NFRGs。
(d) LASSO回归中与预后相关的NFRGs的系数概况。
(e) LASSO回归中调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。
(f) 从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因标志物在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。
3.4. TCGA–COAD队列中神经营养因子相关基因(NFRG)预后标志物的构建
(a) 不同表达NFRGs的基因本体论(GO)富集分析,显示在生物过程、分子功能和细胞成分中的显著术语。
(b) 不同表达NFRGs的京都基因与基因组百科全书(KEGG)通路富集分析。
(c) 单变量Cox回归分析识别出与预后相关的NFRGs。
(d) LASSO回归中与预后相关的NFRGs的系数概况。
(e) LASSO回归中调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。
(f) 从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因标志物在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。
3.5. TCGA–COAD队列中神经营养因子相关基因(NFRG)预后标志物的构建
(a) 不同表达NFRGs的基因本体论(GO)富集分析,显示在生物过程、分子功能和细胞成分中的显著术语。
(b) 不同表达NFRGs的京都基因与基因组百科全书(KEGG)通路富集分析。
(c) 单变量Cox回归分析识别出与预后相关的NFRGs。
(d) LASSO回归中与预后相关的NFRGs的系数概况。
(e) LASSO回归中调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。
(f) 从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因标志物在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。
3.6. TCGA–COAD队列中神经营养因子相关基因(NFRG)预后标志物的构建
(a) 不同表达NFRGs的基因本体论(GO)富集分析,显示在生物过程、分子功能和细胞成分中的显著术语。
(b) 不同表达NFRGs的京都基因与基因组百科全书(KEGG)通路富集分析。
(c) 单变量Cox回归分析识别出与预后相关的NFRGs。
(d) LASSO回归中与预后相关的NFRGs的系数概况。
(e) LASSO回归中调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。
(f) 从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因标志物在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。图1(f)在PowerPoint图示器中打开
在TCGA-COAD队列中构建神经营养因子相关基因(NFRG)预后特征谱。(a)差异表达的NFRGs的基因本体(GO)富集分析,显示在生物过程、分子功能和细胞组分中的显著术语。(b)差异表达的NFRGs的京都基因组百科全书(KEGG)通路富集分析。(c)单变量Cox回归分析识别出与预后相关的NFRGs。(d)与预后相关的NFRGs的LASSO系数谱。(e)LASSO回归中用于调整参数(lambda)选择的十折交叉验证。虚线垂直线表示lambda.min(左)和lambda.1se(右)。(f)从上到下:患者风险评分的分布;低风险组和高风险组患者的生存状态和时间;12个基因特征谱在患者中的表达模式热图。TCGA,癌症基因组图谱;COAD,结肠腺癌。
图2(a)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
图2(b)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
图2(c)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
图2(d)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
图2(e)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
图2(f)在PowerPoint图示器中打开
评估NFRG风险评分的预后性能。(a, b)(a)GSE39582和(b)TCGA队列中高风险组和低风险组患者的Kaplan-Meier总生存(OS)曲线。使用Log-rank检验确定统计显著性。(c, d)时间依赖的接收者操作特征(ROC)曲线,分析风险评分对1年、3年和5年OS的预测准确性。(c)GSE39582和(d)TCGA队列。(e, f)Oncoprint图显示(e)高风险组和(f)低风险组中突变频率最高的10个基因的突变景观(注意:这些面板显示各自的突变数据,但没有直接进行组间统计比较)。
3.2. 与临床特征和体细胞突变的相关性
NFRG风险评分与晚期病理阶段(T、N和M阶段)、CMS亚型以及BRAF突变状态显著相关(图3(a)、3(b)、3(c)、3(d)、3(e)、3(f))。单变量和多变量Cox回归分析均表明风险评分是OS的独立预后因素(图3(g)和3(h))。风险组之间的突变景观不同,高风险组表现出独特的突变基因模式(图2(e)和2(f))。
图3(a)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
图3(b)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
图3(c)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
图3(d)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
图3(e)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
图3(f)在PowerPoint图示器中打开
NFRG风险评分与临床特征之间的相关性。(a–f)比较不同(a)病理阶段、(b)T阶段、(c)N阶段、(d)M阶段、(e)共识分子亚型(CMS)和(f)BRAF突变状态的风险评分。使用Kruskal-Wallis检验或Wilcoxon秩和检验评估统计差异。(g, h)森林图显示(g)单变量和(h)多变量Cox回归分析的结果,以及风险评分与其他临床因素对总生存的影响。(i)一个结合多个临床维度的诺模图,用于评估CRC患者的个体化生存预后。NRS,神经营养风险评分;HR,风险比;CI,置信区间。
3.3. 不同的肿瘤微环境和免疫特征
基因集富集分析(GSEA)显示,高风险组中EMT相关通路显著富集,而低风险组中细胞周期相关通路活跃(图4(a))。高风险组的免疫评分较低,肿瘤纯度较高(图4(c)),同时免疫相关基因的表达发生改变,特定免疫细胞亚群的浸润水平也有显著差异,这是通过CIBERSORT和ssGSEA评估的(图4(b)、4(d)、4(e))。?p < 0.05,??p < 0.01,???p < 0.001。图4 (a) 在PowerPoint图查看器中打开
高风险组和低风险组的肿瘤微环境(TME)特征。(a) 基因集富集分析(GSEA)揭示了高风险组和低风险组中显著富集的通路。(b) 两组之间免疫相关基因表达水平的比较。(c) 通过ESTIMATE算法估计的免疫评分、基质评分和肿瘤纯度的差异。(d, e) 通过(d) CIBERSORT和(e) ssGSEA算法评估的两个亚组中肿瘤浸润免疫细胞的相对比例。?p < 0.05, ??p < 0.01, 和 ???p < 0.001;Wilcoxon检验。
图4 (b) 在PowerPoint图查看器中打开
高风险组和低风险组的肿瘤微环境(TME)特征。(a) 基因集富集分析(GSEA)揭示了高风险组和低风险组中显著富集的通路。(b) 两组之间免疫相关基因表达水平的比较。(c) 通过ESTIMATE算法估计的免疫评分、基质评分和肿瘤纯度的差异。(d, e) 通过(d) CIBERSORT和(e) ssGSEA算法评估的两个亚组中肿瘤浸润免疫细胞的相对比例。?p < 0.05, ??p < 0.01, 和 ???p < 0.001;Wilcoxon检验。
图4 (c) 在PowerPoint图查看器中打开
高风险组和低风险组的肿瘤微环境(TME)特征。(a) 基因集富集分析(GSEA)揭示了高风险组和低风险组中显著富集的通路。(b) 两组之间免疫相关基因表达水平的比较。(c) 通过ESTIMATE算法估计的免疫评分、基质评分和肿瘤纯度的差异。(d, e) 通过(d) CIBERSORT和(e) ssGSEA算法评估的两个亚组中肿瘤浸润免疫细胞的相对比例。?p < 0.05, ??p < 0.01, 和 ???p < 0.001;Wilcoxon检验。
图4 (d) 在PowerPoint图查看器中打开
高风险组和低风险组的肿瘤微环境(TME)特征。(a) 基因集富集分析(GSEA)揭示了高风险组和低风险组中显著富集的通路。(b) 两组之间免疫相关基因表达水平的比较。(c) 通过ESTIMATE算法估计的免疫评分、基质评分和肿瘤纯度的差异。(d, e) 通过(d) CIBERSORT和(e) ssGSEA算法评估的两个亚组中肿瘤浸润免疫细胞的相对比例。?p < 0.05, ??p < 0.01, 和 ???p < 0.001;Wilcoxon检验。
图4 (e) 在PowerPoint图查看器中打开
高风险组和低风险组的肿瘤微环境(TME)特征。(a) 基因集富集分析(GSEA)揭示了高风险组和低风险组中显著富集的通路。(b) 两组之间免疫相关基因表达水平的比较。(c) 通过ESTIMATE算法估计的免疫评分、基质评分和肿瘤纯度的差异。(d, e) 通过(d) CIBERSORT和(e) ssGSEA算法评估的两个亚组中肿瘤浸润免疫细胞的相对比例。?p < 0.05, ??p < 0.01, 和 ???p < 0.001;Wilcoxon检验。
3.4. 免疫疗法和化疗反应的预测价值
在化疗方面,高风险患者的5-氟尿嘧啶估计IC50值较低,表明可能具有更高的敏感性(图5(a), 5(b), 5(c))。高风险组与较高的TIDE评分、T细胞功能障碍增加以及T细胞排除有关,这表明免疫逃逸的可能性更高(图5(d)和5(f))。同时,该组显示免疫检查点CD274(PD-L1)的表达升高,以及CAF和TAM-M2细胞的浸润增加(图5(g), 5(h), 5(i))。通过CTRP数据库筛选出几种对NFRG高风险肿瘤具有预测疗效的化合物(图5(j))。高PD-L1可能表明适应性免疫抵抗,但高TIDE表明潜在的T细胞功能障碍,这意味着仅PD-L1可能无法保证ICI反应。
图5 (a) 在PowerPoint图查看器中打开
NFRG风险模型预测对化疗和免疫疗法的反应。(a–c) 不同风险组之间5-氟尿嘧啶、奥沙利铂和伊立替康的估计IC50值比较。较低的IC50值表示更高的药物敏感性。(d) 风险评分与TIDE评分之间的关联,其中较高的TIDE评分预测对免疫疗法的反应较差。(e, f) 不同风险组中(e) T细胞功能障碍和(f) T细胞排除评分的评估。(g–i) 高风险组和低风险组中(g) CD274(PD-L1)表达水平、(h) 癌症相关成纤维细胞(CAF)浸润和(i) M2肿瘤相关巨噬细胞(TAM-M2)浸润的水平。(j) 来自癌症治疗响应门户(CTRP)的针对高风险肿瘤的顶级预测化合物。除非另有说明,否则使用Wilcoxon检验进行比较。
图5 (b) 在PowerPoint图查看器中打开
NFRG风险模型预测对化疗和免疫疗法的反应。(a–c) 不同风险组之间5-氟尿嘧啶、奥沙利铂和伊立替康的估计IC50值比较。较低的IC50值表示更高的药物敏感性。(d) 风险评分与TIDE评分之间的关联,其中较高的TIDE评分预测对免疫疗法的反应较差。(e, f) 不同风险组中(e) T细胞功能障碍和(f) T细胞排除评分的评估。(g–i) 高风险组和低风险组中(g) CD274(PD-L1)表达水平、(h) 癌症相关成纤维细胞(CAF)浸润和(i) M2肿瘤相关巨噬细胞(TAM-M2)浸润的水平。(j) 来自癌症治疗响应门户(CTRP)的针对高风险肿瘤的顶级预测化合物。除非另有说明,否则使用Wilcoxon检验进行比较。
图5 (c) 在PowerPoint图查看器中打开
NFRG风险模型预测对化疗和免疫疗法的反应。(a–c) 不同风险组之间5-氟尿嘧啶、奥沙利铂和伊立替康的估计IC50值比较。较低的IC50值表示更高的药物敏感性。(d) 风险评分与TIDE评分之间的关联,其中较高的TIDE评分预测对免疫疗法的反应较差。(e, f) 不同风险组中(e) T细胞功能障碍和(f) T细胞排除评分的评估。(g–i) 高风险组和低风险组中(g) CD274(PD-L1)表达水平、(h) 癌症相关成纤维细胞(CAF)浸润和(i) M2肿瘤相关巨噬细胞(TAM-M2)浸润的水平。(j) 来自癌症治疗响应门户(CTRP)的针对高风险肿瘤的顶级预测化合物。除非另有说明,否则使用Wilcoxon检验进行比较。
图5 (d) 在PowerPoint图查看器中打开
NFRG风险模型预测对化疗和免疫疗法的反应。(a–c) 不同风险组之间5-氟尿嘧啶、奥沙利铂和伊立替康的估计IC50值比较。较低的IC50值表示更高的药物敏感性。(d) 风险评分与TIDE评分之间的关联,其中较高的TIDE评分预测对免疫疗法的反应较差。(e, f) 不同风险组中(e) T细胞功能障碍和(f) T细胞排除评分的评估。(g–i) 高风险组和低风险组中(g) CD274(PD-L1)表达水平、(h) 癌症相关成纤维细胞(CAF)浸润和(i) M2肿瘤相关巨噬细胞(TAM-M2)浸润的水平。(j) 来自癌症治疗响应门户(CTRP)的针对高风险肿瘤的顶级预测化合物。除非另有说明,否则使用Wilcoxon检验进行比较。
图5 (e) 在PowerPoint图查看器中打开
NFRG风险模型预测对化疗和免疫疗法的反应。(a–c) 不同风险组之间5-氟尿嘧啶、奥沙利铂和伊立替康的估计IC50值比较。较低的IC50值表示更高的药物敏感性。(d) 风险评分与TIDE评分之间的关联,其中较高的TIDE评分预测对免疫疗法的反应较差。(e, f) 不同风险组中(e) T细胞功能障碍和(f) T细胞排除评分的评估。(g–i) 高风险组和低风险组中(g) CD274(PD-L1)表达水平、(h) 癌症相关成纤维细胞(CAF)浸润和(i) M2肿瘤相关巨噬细胞(TAM-M2)浸润的水平。(j) 来自癌症治疗响应门户(CTRP)的针对高风险肿瘤的顶级预测化合物。除非另有说明,否则使用Wilcoxon检验进行比较。
3.5. 识别免疫相关枢纽基因
风险组之间的差异表达分析确定了上调和下调的关键基因(图6(a))。与免疫基因和蛋白质-蛋白质相互作用(PPI)网络的交集揭示了中心枢纽基因(图6(b), 6(c), 6(d), 6(e))。这些枢纽基因与NFRGs有很强的相关性,并与免疫细胞浸润相关(图6(f)和6(g))。
图6 (a) 在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选和特征分析。(a) 高风险组和低风险组中上调和下调的前20个基因的热图。(b) 显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c) 使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d) 使用cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e) 由cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f) 中心枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g) 显示枢纽基因与各种免疫细胞浸润水平之间的关联热图。?p < 0.05, ??p < 0.01, 和 ???p < 0.001。图6(b)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
图6(c)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
图6(d)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
图6(e)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
图6(f)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
图6(g)在PowerPoint图查看器中打开
免疫相关枢纽基因的筛选与特征分析。(a)高风险组和低风险组中上调和下调基因的前20名的热图。(b)显示差异表达基因(DEGs)与免疫相关基因交集的维恩图。(c)使用STRING数据库构建的DEGs的蛋白质-蛋白质相互作用(PPI)网络。(d)使用Cytoscape可视化PPI网络。橙色节点代表上调基因,蓝色节点代表下调基因。(e)通过cytohubba插件识别的前10个枢纽基因。节点的颜色强度对应于度值。(f)枢纽基因表达与关键神经营养因子及其受体之间的相关性热图。(g)显示枢纽基因与各种免疫细胞浸润水平之间关联的热图。?p < 0.05,??p < 0.01,???p < 0.001。
3.6. 单细胞转录组验证与细胞间通讯的改变
scRNA-seq分析确定上皮细胞是NFRGs的主要表达细胞,其AUCell得分最高(图7(a)、7(b)、7(c))。NFRG活性在不同CRC亚型中的分布各不相同(图7(d)),并且根据AUCell得分定义的高风险组和低风险组之间的免疫细胞亚群组成也有所不同(图7(e)和7(f))。CellChat分析表明,高风险组的细胞间通讯网络更为复杂且更强,其中Schwann细胞衍生的SPP1信号通路尤为显著(图8(a)、8(b)、8(c)、8(d)、8(e)、8(f)。
图7(a)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图7(b)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图7(c)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图7(d)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图7(e)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图7(f)在PowerPoint图查看器中打开
NFRG活性的单细胞转录组分析。(a) UMAP图显示结直肠癌生态系统中的注释细胞簇。(b) 小提琴图显示不同细胞亚群中关键NFRGs的表达水平。(c) 不同细胞类型中NFRG特征的AUCell得分分布,其中上皮细胞的活性最高。(d) 不同结直肠癌亚型之间的AUCell得分比较。(e, f) 根据中位AUCell得分定义的高风险组和低风险组中不同(e)免疫细胞和(f)非免疫细胞亚群的比例。
图8(a)在PowerPoint图查看器中打开
NFRG高表达组和NFRG低表达组中的细胞间通讯改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注Schwann细胞作为信号发送者。(e, f) CellChat推断的SPP1信号通路模式在(e) NFRG低表达组和(f) NFRG高表达组中的情况(d, e, f特别关注Schwann细胞,因为它们与神经功能密切相关)。
图8(b)在PowerPoint图查看器中打开
NFRG高表达组和NFRG低表达组中的细胞间通讯改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注Schwann细胞作为信号发送者。(e, f) CellChat推断的SPP1信号通路模式在(e) NFRG低表达组和(f) NFRG高表达组中的情况(d, e, f特别关注Schwann细胞,因为它们与神经功能密切相关)。
图8(c)在PowerPoint图查看器中打开
NFRG高表达组和NFRG低表达组中的细胞间通讯改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注Schwann细胞作为信号发送者。(e, f) CellChat推断的SPP1信号通路模式在(e) NFRG低表达组和(f) NFRG高表达组中的情况(d, e, f特别关注Schwann细胞,因为它们与神经功能密切相关)。
图8(d)在PowerPoint图查看器中打开
NFRG高表达组和NFRG低表达组中的细胞间通讯改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注Schwann细胞作为信号发送者。(e, f) CellChat推断的SPP1信号通路模式在(e) NFRG低表达组和(f) NFRG高表达组中的情况(d, e, f特别关注Schwann细胞,因为它们与神经功能密切相关)。图8(e)在PowerPoint图查看器中打开
NFRG高表达和NFRG低表达簇中的细胞间通信改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注作为信号发送者的施万细胞。(e, f) CellChat推断的NFRG低表达簇(e)和NFRG高表达簇(f)中的SPP1信号通路模式(d, e, f部分特别关注施万细胞,因为它们与神经功能密切相关)。
图8(f)在PowerPoint图查看器中打开
NFRG高表达和NFRG低表达簇中的细胞间通信改变。(a, b) 圆形图显示高风险组和低风险组中细胞类型之间推断的相互作用数量(a)和强度(b)。(c) CellChat分析展示了NFRG低表达组(左)和NFRG高表达组(右)主要细胞簇的整体信号输出和输入模式。(d) 差异网络分析突出了细胞类型之间显著改变的配体-受体对,重点关注作为信号发送者的施万细胞。(e, f) CellChat推断的NFRG低表达簇(e)和NFRG高表达簇(f)中的SPP1信号通路模式(d, e, f部分特别关注施万细胞,因为它们与神经功能密切相关)。
4. 讨论
在这项研究中,我们开发了一个新颖且稳健的12基因签名,该签名基于NFRGs,能够有效将COAD患者分为不同的预后亚组。高风险签名与侵袭性肿瘤特征相关,包括EMT富集的表型、免疫抑制性的肿瘤微环境(TME)和基因组不稳定,这些因素共同导致了较差的生存结果。该模型与TME的强相关性具有特别的临床意义[14]。高风险组的特征是CAF和TAM-M2细胞富集、T细胞功能障碍/排除以及PD-L1水平升高,这呈现了一个典型的免疫排斥或免疫抑制性肿瘤的特征[15, 16]。这解释了较高的TIDE评分,该评分预示着对免疫检查点抑制剂(ICIs)无反应[17]。矛盾的是,这些肿瘤中高水平的PD-L1表达表明,如果能够克服免疫抑制屏障,可能存在响应的可能性,这指出了联合治疗的必要性[18, 19]。该模型预测对5-氟尿嘧啶敏感性的能力进一步强调了其在指导传统化疗方面的实用性。通过利用scRNA-seq,我们提供了细胞水平的证据,证明上皮肿瘤细胞是NFRG信号的主要来源,加强了NFs在癌症生物学中的自分泌作用[4, 20]。特别是在高风险肿瘤中,施万细胞驱动的SPP1信号通路增强了细胞间通信,揭示了神经相关成分在塑造肿瘤发生微环境中的先前未被充分认识的作用,提供了新的潜在治疗靶点[21, 22]。从机制角度来看,本研究中权重较高的NFRGs,如BDNF及其高亲和力受体TrkB(由NTRK2编码),可能通过激活下游的经典信号通路同时驱动EMT过程和免疫抑制性微环境的形成。首先,BDNF/TrkB结合可以强烈激活PI3K/AKT和MAPK/ERK信号通路,从而上调关键的EMT转录因子(例如SNAI1和ZEB1)[23]。这导致上皮标记物(例如E-钙粘蛋白)下调和间充质标记物(例如N-钙粘蛋白和Vimentin)上调,促进肿瘤细胞的迁移和侵袭。其次,通过这些相同的通路,肿瘤细胞可能增强CSF1(集落刺激因子1)的分泌。作为巨噬细胞的主要趋化因子和极化因子,CSF1可以与其受体CSF1R结合,招募肿瘤相关巨噬细胞并使其向M2表型极化。这些M2巨噬细胞随后分泌免疫抑制因子,如TGF-β和IL-10,并上调PD-L1表达,共同形成一个抑制T细胞功能并促进免疫逃逸的免疫抑制性微环境。我们的观察结果,即高风险组中EMT通路的富集、M2巨噬细胞浸润的增加以及PD-L1表达的升高,与这一机制假设高度一致[24, 25]。这表明,针对NFRG信号通路(例如BDNF/TrkB)或下游的CSF1/CSF1R通路可能同时抑制肿瘤侵袭并逆转免疫抑制,为联合免疫治疗策略提供了新的依据。我们研究的局限性在于其回顾性设计,依赖于公共数据库。需要前瞻性临床队列和功能实验来验证该签名的临床适用性,并阐明所识别枢纽基因和信号通路的机制作用。
5. 结论
我们建立并全面验证了一个12基因NFRG签名,该签名作为CRC的强大独立预后指标。该签名不仅预测患者的生存情况,还描绘了潜在的免疫背景,并预测对免疫治疗和化疗的反应。通过整合批量和单细胞转录组分析,我们深入了解了NFRG高表达表型的细胞驱动因素和通信网络。该模型作为个性化治疗策略的决策支持工具具有重大潜力,有可能改善患者的治疗结果。
作者贡献
左旭阳、朱艳丽和程卓欣设计了研究并起草了手稿。夏宇、刘佳、陈曦和严雪松参与了数据分析,而张佳毅、徐子豪、孙英旭和王静瑞对手稿进行了修订。
资助
本研究得到了佳木斯大学第一附属医院杰出胃肠病学研究团队的支持(202301)。
伦理声明
由于本研究分析的是现有的基因组数据集,不涉及人类或动物,因此不需要伦理批准。
利益冲突
作者声明没有利益冲突。
数据可用性声明
支持本研究发现的数据可在合理请求下从相应作者处获得。
支持信息
图S1. 本研究的流程图。