胃癌肿瘤突变负荷预测标志物的鉴定：基于TCGA数据和机器学习算法.pdf

第 卷第期年月西 安 交 通 大 学 学 报(医 学 版)J o u r n a l o fX ia nJ i a o t o ngU n i v e r s i ty(M e d i c a l S c i e n c e s)V o l N o S ep 本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版临床研究胃癌肿瘤突变负荷预测标志物的鉴定:基于T C G A数据和机器学习算法徐龙文,聂元华,白子龙,常东民(西安交通大学第一附属医院肿瘤外科,陕西西安 )摘要:目的筛选和鉴定具有预测胃癌肿瘤突变负荷(TMB)分类的微小R NA(m i c r o R NA s),从而为胃癌患者免疫治疗提供参考依据.方法从T C G A数据库中下载胃癌肿瘤样本的mR NA、m i c r o R NA表达谱数据和体细胞突变数据.利用R语言的“l i mm a”包筛选高、低 TMB组间差异表达的m i R NA s.使用D I ANA m i R P a t hv 数据库分析这些差异m i R NA s可能参与的生物学功能.此外,采用随机森林(R F)和支持向量机递归特征消除(S VM R F E)算法筛选出能预测TMB分类的m i R NA s,然后利用曲线下面积(AU C)来评估其区分能力,并在其他癌种中进一步验证.最后,采用C I B E R S OR T算法评估不同TMB分组中免疫细胞浸润情况.结果共鉴定出 个差异表达m i R NA s(D E m i R NA s).功能富集分析显示,这些D E m i R NA s主要富集在肿瘤发生发展等信号通路(如E r b B信号和MA P K信号通路)和免疫相关生物学过程(如免疫系统过程和T o l l样受体信号通路).R F和S VM R F E算法共同鉴定出 个诊断特征的m i R NA s,其中只有h s a m i R p被认为是与TMB分类最相关的预测生物标志物,因其具有较高的诊断效能,其AU C值在训练集、测试集和总集中分别为 、和 ,并在多个癌种中得到验证.此外,C I B E R S OR T计算分析提示高/低TMB组间存在免疫细胞浸润差异,并且h s a m i R p与免疫检查点相关基因和错配修复相关基因的表达呈显著正相关.结论本研究成功鉴定出h s a m i R p为TMB分类的预测生物标志物,该生物标志物可有效预测胃癌及多种其他癌症患者中的TMB值,并可能为免疫治疗提供一定指导.关键词:胃癌;肿瘤突变负荷;微小R NA;癌症基因组图谱;免疫治疗中图分类号:R 文献标志码:AD O I:/j d y x b 收稿日期:修回日期:基金项目:陕西省科学技术基金资助项目(S Y F Z D S F )S u p p o r t e db yt h eS h a a n x iP r o v i n c i a lS c i e n c ea n dT e c h n o l o g yF o u n d a t i o n(S Y F Z D S F )通信作者:常东民,主任医师,教授 E m a i l:s d m q q w c o m网络出版地址:h t t p s:/k n s c n k i n e t/k c m s/a r t i c l e/a b s t r a c t?v u o q I h G C S n f L s u R a d T y E V l p W U r h T D C d P D b j e n C B I A a Z t i k x j qS C i n n t g i r L P e l wQ x o E E D s U d j i y u h j&u n i p l a t f o r mN Z K P T()I d e n t i f i c a t i o no fd i a g n o s t i c s i g n a t u r e sa s s o c i a t e dw i t ht u m o rm u t a t i o nb u r d e ni ng a s t r i cc a n c e rb a s e do nT C G Aa n dm a c h i n e l e a r n i n gm e t h o d sXUL o n g w e n,N I EY u a n h u a,B A IZ i l o n g,CHANGD o n g m i n(D e p a r t m e n to fS u r g i c a lO n c o l o g y,T h eF i r s tA f f i l i a t e dH o s p i t a l o fX ia nJ i a o t o n gU n i v e r s i t y,X ia n ,C h i n a)A B S T R A C T:O b j e c t i v e T os e l e c ta n di d e n t i fym i RNAs ign a t u r e s t opr e d i c tTMBl e v e l i nga s t r i cc a n c e rb a s e do nT h eC a n c e rG e n o m eA t l a s(T C GA)d a t a b a s ea n dm a c h i n e l e a r n i ngm e t h o d s M e t h o d s M i RNAe xpr e s s i o na n ds o m a t i cm u t a t i o npr o f i l e so fga s t r i cc a n c e r(G C)w e r ed o w n l o a d e df r o mT C GAd a t a b a s e R“l i mm a”pa c k agew a spe r f o r m e dt os e l e c td i f f e r e n t i a l lye xpr e s s e d m i RNA sb e t w e e n h igh TMB a n dl o w TMBgr o ups T w o m a c h i n el e a r n i nga lgo r i s m s,r a n d o mf o r e s t(R F),a n dS up po r tV e c t o rM a c h i n e R e c u r s i v eF e a t u r eE l i m i n a t i o nw e r eu t i l i z e dt oi d e n t i fym i RNA sw i t ht h eh igh e s td i s c r i m i n a t i v ea b i l i ty RO C w a su s e dt ot e s tt h epr e d i c t i v ea b i l i tyo ft h e s es ign a t u r e s i nm u l t ipl ed a t a s e t s B e s i d e s,i mm u n ec e l l so fd i f f e r e n tTMBl e v e l sw e r ec o mpa r e dbyt h eC I B E R S OR Tm e t h o d R e s u l t sA t o t a lo f d i f f e r e n t i a l lye xpr e s s e d m i RNA s(D E m i RNA s)w e r ef i l t e r e d F u n c t i o n a le n r i c h m e n ta n a lys i ss h o w e dt h a tt h e s e D E m i RNA sa r e m a i n lye n r i c h e di ns ign a l i ngpa t h w aysr e l a t e dt ot u m o ro c c u r r e n c ea n dd e v e l opm e n ta sw e l la si mm u n i ty r e l a t e db i o l ogi c a lpr o c e s s e s T h eR Fa n dS VM R F Ea lgo r i t h m sjo i n t lyi d e n t i f i e d d i agn o s t i cf e a t u r e so f m i RNA s,a m o ngw h i c ho n lyh s a m i R pi sc o n s i d e r e dt h e m o s tr e l e v a n tpr e d i c t i v eb i o m a r k e rf o rTMBc l a s s i f i c a t i o n T h eAU Cv a l u eo fh s a m i R pi nt h et r a i n i ng,t e s t i ng,西 安 交 通 大 学 学 报(医 学 版)第 卷本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版a n dt o t a l s e t si s ,a n d ,r e spe c t i v e ly,a n dh a sb e e nv a l i d a t e di no t h e rc a n c e rty pe s B e s i d e s,C I B E R S O R T a n a lys i ss ug ge s t s d i f f e r e n c e si n i mm u n e c e l li n f i l t r a t i o n b e t w e e n h igh a n d l o w TMBgr o ups M e a n w h i l e,t h e r e i s a s ign i f i c a n tpo s i t i v e c o r r e l a t i o nb e t w e e n t h ee xpr e s s i o no f i mm u n ec h e c kpo i n t r e l a t e dge n e s a n dm i s m a t c hr epa i r r e l a t e dge n e sa n dh s a m i R pC o n c l u s i o n T h i s s t u dys u c c e s s f u l lyi d e n t i f i e dh s a m i R pa sapr e d i c t i v eb i o m a r k e rf o rTMBc l a s s i f i c a t i o n,w h i c hc a ne f f e c t i v e lypr e d i c tTMBv a l u e si nga s t r i cc a n c e ra n do t h e rc a n c e rpa t i e n t sa n dm aypr o v i d es o m egu i d a n c ef o r i mm u n o t h e r ap yK E Y WO R D S:ga s t r i cc a n c e r;t u m o rm u t a t i o n a lb u r d e n(TMB);m i c r o R N A;T h eC a n c e rG e n o m eA t l a s(T C G A);i mm u n o t h e r ap y原发性胃癌是消化系统最常见的恶性肿瘤之一.年全球胃癌新发病例约 人,死亡病例 人,约 的病例发生在发展中国家,主要集中在中国.年中国恶性肿瘤流行病学特征显示,我国胃癌在癌症总死亡率中排名第三,其新发病例和死亡病例数约占 万例和 万例,已成为严重危害我国居民健康的重大公共卫生问题之一 .早期胃癌因无特异性症状,大多数患者确诊时已经处于胃癌中晚期,预后不佳.尽管手术、辅助放化疗和靶向治疗药物的快速发展在一定程度上提高了胃癌患者的生存期,但由于药物耐药性等原因胃癌患者的年生存率低于.近年 来,免 疫 治 疗(以P D /P D L 抑 制 剂 和C T L A 抑制剂为代表)在胃癌的治疗中取得积极进展.年AT T R A C T I ON 期临床试验,纳武单抗组的客观缓解率(O R R)为.在中位总生存时间和 个月的总生存时间方面,纳武单抗组较安慰剂组均有延长,并两组间差异有统计学意义.同年,纳武单抗成为全球第一个被批准用于化疗后进展的、不可切除的晚期或复发性胃癌的免疫检查点抑制剂.之后越来越多的临床试验支持免疫检查点抑制剂单药或免疫检查点抑制剂联合化疗或靶向治疗在晚期胃癌中的应用 ,但仍缺乏有效的免疫检查点抑制剂疗效预测标志物来准确筛选获益人群.肿瘤突变负荷(t u m o rm u t a t i o nb u r d e n,TMB),是指肿瘤组织每兆碱基中突变的总数,也可以用非同义突变表示.高肿瘤突变负荷是指肿瘤细胞在基因层面发生大量非同义突变,高突变率能产生更多肿瘤新抗原,从而更易被自身免疫系统识别,激发免疫反应 .因此,TMB理论上可能成为预测免疫检查点抑制剂疗效的生物标志物.然而,TMB检测主要依赖于二代测序技术,不仅需要更多的组织标本,且测序费用昂贵,在一定程度上限制了其在临床中的应用.因此,急需开发一种经济有效的方法来预测肿瘤患者TMB水平.突变基因通过转录和转录后修饰产生异常癌组分,从而刺激抗肿瘤免疫.微小R NA s(m i R NA s)又被认为是转录后基因修饰的重要调节因子.理论上突变基因可能被m i R NA s修饰,编码肿瘤新抗原.然而,m i R NA s与TMB水平的相关性在胃癌中仍未进一步研究.故本研究旨在构建和验证预测胃癌患者TMB水平的m i R NA s模型,并评估该模型的准确性.材料与方法数据来源与分组处理从T C GA(h t t p s:/p o r t a l g d c c a n c e r g o v/)中下载胃癌患者表达谱数据,m i R NA数据和体细胞突变数据.对于体细胞突变数据,采用基于V a r S c a n V a r i a n tA g g r e g a t i o na n d M a s k i n g处理的突变图谱数据进行后续分析.将总共获得的 例胃癌患者同时拥有m i R N A表达谱数据和体细胞突变数据纳入本次研究.并通过Rc a r e t数据包将 例患者按比例随机分入训练集()和验证集(),并对两组样本临床因素进行组间差异比较.同时,下载了 种癌症,包括膀胱癌(B L C A)、乳腺癌(B R C A)、宫颈鳞状细胞癌和宫颈内腺癌(C E S C)、结肠癌(C OA D)、食管癌(E S C A)、头颈部鳞状细胞癌(HN S C)、肾透明细胞癌(K I R C)、脑低级别胶质瘤(L G G)、肝脏肝细胞癌(L I HC)、肺 腺 癌(L UA D)、肺 鳞 状 细 胞 癌(L U S C)、前列腺腺癌(P R A D)、肉瘤(S A R C)和皮肤黑色素瘤(S K CM)的m i R NA表达谱数据和体细胞突变数据,用于后续验证本研究TMB相关分类模型和诊断特征m i R NA s的预测性能和应用性能.训练集中高低TMB组中差异m i R N A表达TMB(肿瘤突变负荷)是指肿瘤组织每兆碱基中突变的总数,包括基因编码错误、碱基替换、基因插入或缺失错误的总和.通过p e r l软件(h t t p s:/wwwp e r l o r g/)计算每个样本的TMB值,并根据TMB阈值(突变个数/百万碱基对)将样本分为高TMB组和低TM B组.以表达倍数变化值(|f o l dc h a n g e|),校正后的P 为筛选条件,利用R语言中的“l i mm a”数据包,筛选在训练集中高低TMB两组中差异表达的m i R NA s(D E m i R NA s),并通过R语言中“p h e a t m a p”数据包,以热图的形式展示.期徐龙文,聂元华,白子龙,等胃癌肿瘤突变负荷预测标志物的鉴定:基于T C G A数据和机器学习算法本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版功能富集分析应用D I A N A m i r P a t hV 软件对D E m i R N A s进行K E G G通路分析和GO功能注释,然后利用R语言中的“g g p l o t”数据包对最显著的 条K E G G通路和G O的生物学过程,以可视化气泡图形式展现.机器学习算法筛选TMB预测标签本文采用了两种机器学习算法来预测TMB分类预测.第一种方法是R F算 法,通过R语 言“r a n d o m F o r e s t”包,对D E m i R NA s构建随机森林属模型,通过重要性评分,筛选TMB分类相关的诊断特征m i R NA s.第二种方法是S VM R F E算法,通过R语言“e ”包,识别具有最高辨别能力的特征m i R NA s.最后,利用V e n n图分析得到两种机器学习算法共同筛选出的TMB分类最相关的最具有诊断参考性m i R NA s.高 TMB组与低 TMB组间免疫细胞浸润程度分析利用C I B E R S O R T算法,基于 种免疫细胞的参考基因集,推算胃癌表达谱数据中各样本免疫细胞的浸润程度.随后,通过R语言“v i o p l o t”和“c o r r p l o t”包对高 TMB组和低 TMB组间免疫细胞的浸润程度差异和相关性进行分析和可视化.h s a m i R p与TMB和相关基因表达的相关性提取T C GA数据库中每个胃癌患者的基因表达量,TMB值和h s a m i R p表达量.之后利 用S p e a r m a n相关性方法对h s a m i R p与TMB,错配修复相关基因(B R C A、B R C A、M L H、M S H、M S H、P S M)和 免 疫 检 查 点 相 关 基 因(P D 、P D L、C T L A )进行相关性分析.统计学分析本研究的所有数据分析是基于R语言软件(V).利用卡方检验分析训练集和验证集中的各临床病理特征.对于连续变量如年龄和TMB值,利用非参数秩和检验法进行检验.利用S p e a r m a n相关性方法检测TMB 相关预测模型和m i R NA s与免疫细胞浸润程度的相关性.P 为差异具有统计学意义.结果在训练集中筛选差异m i R N A的表达提取来自T C GA数据库中共 例胃癌信息,将其随机分入训练集(n 例)和验证集(n 例).卡方检验结果提示,训练集和验证集中胃癌患者的基本信息和临床病理特征无统计学差异(表).根据TMB阈值,将训练集样本分成高TMB组和低TMB组.对上述两组进行m i R NA差异分析,以校正P 和表达倍数变化值(|f o l dc h a n g e|)为筛选标准,得到 个 差 异 表 达m i R NA s,个m i R NA s表达上调,个m i R NA s表达下调,对差异基因进行可视化,结果见图.表T C G A数据库中胃癌患者基本信息T a b B a s i c i n f o r m a t i o no fg a s t r i cc a n c e rp a t i e n t s f r o mt h eT C GAn()临床病理因素总集训练集验证集P年龄(岁)()()()()()()缺失()()()性别女性 ()()()男性 ()()()分化程度G ()()()G ()()()缺失()()()T NM分期 ()()()()()()缺失()()()接续下页西 安 交 通 大 学 学 报(医 学 版)第 卷本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版续表临床病理因素总集训练集验证集P肿瘤T分期T ()()()T ()()()缺失()()()远处转移M ()()()M ()()()缺失()()()淋巴结转移N ()()()N ()()()缺失()()()火山图中红色代表上调基因,蓝色代表下调基因.图训练集中高/低TMB组中差异表达的m i R N A s热图F i g T h eh e a t m a pp l o to fd i f f e r e n t i a l l ye x p r e s s e dm i R NA sb e t w e e nh i g h TMBg r o u pa n d l o w TMBg r o u pD E m i R N A s的功能分析利用D I ANA m i r P a t hV 软件对模型中 个m i R NA s进行了相关K E G G通路分析和GO功能注释.K E G G结果(图 A)显示,m i R NA s主要富集在肿瘤发生发展和活化肿瘤增殖等信号通路(如E r b B信号通路,Wn t信号通路和mTO R信号通路).GO功能注释(图 B)表明,大多数m i R NA s在生物学过程(B P)中,主要富集在免疫系统过程和T o l l样受体信号通路等生物学过程.TMB分类相关m i R N A s的筛选与鉴定为了进一步选择对高TM B和低TM B分组具有显著 特 征 价 值 的 候 选m i R N A,首 先,对 这 些D E m i R N A s建立随机森林(R F)分类模型后,根据R F算法给出基因重要性评分,筛选得到了 个m i R N A s(图 A、图 B),随后,使用S VM R F E算法筛选出了 个m i R NA s(图 C).最后,通过V e n n图分析得到上述两种方法共同筛选出的 个具有最高辨别能力的特征m i R NA s(图 D).期徐龙文,聂元华,白子龙,等胃癌肿瘤突变负荷预测标志物的鉴定:基于T C G A数据和机器学习算法本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版气泡图中显示前 条显著通路.图模型中差异表达m i R N A的K E G G通路分析(A)和G O功能注释分析(B)F i g K E G G(A)a n dG O(B)e n r i c h m e n t a n a l y s i so fd i f f e r e n t i a l l ye x p r e s s e dm i R NA s i nt h es i g n a t u r eA:随机森林模型误差率;B:随机森林模型中变量重要性排序;C:S VM R F E优化决策树;D:V e n n图.图机器学习算法筛选TMB诊断特征m i R N A sF i g I d e n t i f i c a t i o no fd i a g n o s t i c f e a t u r e so fm i R NA so fp r e d i c t i n gTMBc l a s s i f i c a t i o nb ym a c h i n e l e a r n i n gm e t h o d s为评估这些候选诊断特征m i R NA s的预测能力,利用R O C曲线来计算其AU C值(表).这 个m i R NA s中只有h s a m i R p的AU C值在不同数据集中都大于,预示着该m i R NA具有较好的预测能力.同时,为进一步验证该m i R NA的预测性能和应用性能,在 种癌症数据中进行R O C曲线分析(图),可以看到h s a m i R p在乳腺癌(B R C A)、食管癌(E S C A)、低级别胶质瘤(L G G)、前列腺癌(P R A D)和恶性肉瘤(S A R C)中具有不错的预测能力(AU C值),提示其可能成为一种通用的预测TMB水平的生物标志物.表TMB诊断特征m i R N A s在训练集,验证集和总集下的A U C值T a b T h eAU Cv a l u e so fTMB r e l a t e dd i a g n o s t i cm i R NA s i nt h e t r a i n i n gs e t,v a l i d a t i o ns e t,a n dt o t a l s e tm i R NAAU C值(C I)训练集测试集总集h s a m i R p ()()()h s a m i R p ()()()h s a m i R c p ()()()h s a m i R p ()()()h s a m i R p ()()()h s a m i R ()()()h s a m i R p ()()()h s a m i R p ()()()h s a m i R b p ()()()h s a m i R a p ()()()西 安 交 通 大 学 学 报(医 学 版)第 卷本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版图 种癌症 中h s a m i R p预测TMB分类 的A U C值F i g T h e AU C v a l u e o fh s a m i R p p r e d i c t i n gTMBc l a s s i f i c a t i o n i n t y p e so f c a n c e r s免疫细胞分析与低 TMB组相比,高 TMB组具有较高比例的Tc e l l sC D、Tc e l l sC D m e m o r ya c t i v a t e d、Tc e l l sf o l l i c u l a rh e l p e r、NKc e l l s r e s t i n g、M a c r o p h a g e sM、M a c r o p h a g e sM 和N e u t r o p h i l s,但是具有较低比例的Bc e l l sn a v e、Tc e l l sC D m e m o r y r e s t i n g、Tc e l l sr e g u l a t o r y(T r e g s)和m a s t c e l l s r e s t i n g,并都具有统计学差异(P,图 A).不同TMB分组中存在多种与免疫治疗应答相关的免疫细胞浸润程度的差异,这也部分解释了TMB为何能预测免疫治疗疗效.相 关 性 分 析 显 示,h s a m i R p与n e u t r o p h i l s、m a c r o p h a g e s M、NK c e l l sr e s t i n g、T c e l l sC D m e m o r ya c t i v a t e d,m a s tc e l l sa c t i v a t e d和m a c r o p h a g e sM 浸润程度呈正相关,与m a s tc e l l sr e s t i n g,Bc e l l sn a v e,Bc e l l sm e m o r y和m o n o c y t e s浸润程度呈负相关(图 B).这些结果提示h s a m i R p与免疫具有相关性.h s a m i R p与TMB的关系进一步研究h s a m i R p与TMB和错配修复相关基因以及免疫检查点表达的关系,结果显示(图 A、图 B),h s a m i R p与TMB水平(r ,P )、M S H(r ,P )、B R C A(r,P )、B R C A(r,P )、C D (r,P )、M S H(r,P )呈 正 相 关,与MLH(r,P )呈负相关.然而,C T L A,P D C D 和PM S 的表达水平与TMB相关二分类模型无明显相关(P).期徐龙文,聂元华,白子龙,等胃癌肿瘤突变负荷预测标志物的鉴定:基于T C G A数据和机器学习算法本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版A:高 TMB和低 TMB组免疫细胞浸润程度的差异分析.B:h s a m i R p与免疫细胞浸润的相关性分析.图免疫细胞分析F i g A n a l y s i so f i mm u n ec e l l i n f i l t r a t i o n图h s a m i R p与TMB(A)及相关基因(B)的相关性分析F i g C o r r e l a t i o na n a l y s i so fh s a m i R pw i t hTMB(A)a n ds o m eg e n e s(B)讨论目前免疫治疗正在逐渐改变晚期胃癌的治疗策略.年月纳武单抗成为国内首个P D 单抗,被用 于 接 收 二 线 及 以 上 治 疗 的 晚 期 胃 癌.同 年E S MO年会中公布的AT T R A C T I ON 研究结果提示,不论P D L 的表达水平,免疫检查点抑制剂联合化疗能取得约 的O R R,但免疫检查点抑制剂联合化疗的中位O S时间为 个月,与单纯化疗组没有统计学差异.因此,寻找能预测免疫治疗疗效的标志物是临床亟需解决的问题.近年来,TMB可能成为预测免疫检查点抑制剂疗效的生物标志物.然而由于TMB检测的金标准全外显子测序的高昂费用限制了TMB在临床中的应用,因此迫切需要寻找另一种方法来预测肿瘤患者TMB值.本研究利用机器学习算法,基于T C GA数据库鉴定出 个TMB分类相关的诊断特征m i R NA s.利用R O C曲线评估这些m i R NA s的预测准确性.结果提示,h s a p是与TMB分类最相关的诊断特征m i R NA,其预测准确性在多个数据集中都大于西 安 交 通 大 学 学 报(医 学 版)第 卷本刊网址:h t t p:/y x x b x j t u e d u c n微信公众号:西安交通大学学报医学版.目前尚缺乏一个被广泛接受的阈值来准确定义高TMB,因为许多因素,如癌症类型、样本类型、预处理参数和检测方法,都会对高TMB阈值的确定产生影响.因此推测,h s a m i R p是否可以预测其他恶性肿瘤中TMB的水平.有趣的是,在 种实体恶性肿瘤中有种类型(包括B R C A、E S C A、L G G、P R A D和S A R C),h s a m i R p预测TMB水平的AU C值大于,表明其具有较强的预测能力和广泛的应用潜力.本研 究 对 差 异 表 达 的 个m i R NA s进 行K E G G通路分析和GO功能注释.K E G G结果显示,多数m i R NA s主要富集在肿瘤相关等信号通路(如P a t h w a y s i nc a n c e r,P I K A k t信号通路,R a s信号通路和R a p 信号通路);GO功能注释结果显示,这些m i R NA s参与生物学过程的免疫相关生物学过程(如T o l l样受体相关通路、免疫系统过程、病毒过程等).这些m i R NA s富集的肿瘤相关信号通路和免疫相关生物学过程,在胃癌的发生发展中起着重要作用.例如,在胃癌中P I K A k t通路的异常激活是常见的分子异常事件之一,其与肿瘤的发生、生长、侵袭和治疗抵抗密切相关.T o l l样受体是一类在免疫系统中起关键作用的受体,能够感知并识别细菌、病毒等病原体的分子模式,从而激活免疫反应.除了其免疫调节功能,最近的研究表明,T o l l样受体通路在胃癌的炎症反应、细胞增殖和侵袭、肿瘤免疫逃逸方面也可能发挥重要作用 .同时本研究观察到,不同TMB分组中存在多种免疫细胞浸润程度的差异,这些免疫细胞(如C D T细胞、M 型巨噬细胞、T r e g细胞等)与免疫治疗应答反应密切相关.例如,C D T细胞是一类具有杀伤肿瘤细胞能力的细胞,其浸润水平在肿瘤微环境中起着重要作用.大量的临床研究表明,C D T细胞在癌症患者的预后中发挥着重要的作用,其高水平的浸润与更好的预后相关.多项研究提示,高水平的M 型巨噬细胞浸润与更好的癌症预后相关.此外,M 型巨噬细胞还可以通过调节细胞因子(如I L 和I F N )的表达和分泌来影响免疫检查点(如P D L)的表达,从而影响免疫治疗的效果.相比之下,T r e g细胞是一种抑制性免疫调节细胞,高浸润的T r e g细胞通常与癌症不良预后相关.此外,研究报道T r e g细胞能通过抑制C D T细胞的活化和扩增,从而阻碍免疫治疗的效果.与预期一致,本研究发现,h s a p与TMB水平呈较强正相关,同时还与P D 呈较弱正相关,同时与错配修复相关基因(B R C A、B R C A、M S H、M S H)呈较弱正相关.这些基因在免疫调节和免疫治疗中起着重要作用,提示h s a p可能参与免疫反应.但目前研究主要发现h s a p参与 肿 瘤 的 增 殖、凋 亡、侵 袭 和 转 移 等 生 物 学 过程 .至于其如何参与免疫调节罕有报道,这需要未来进一步的研究.综上所述,本研究通过T C GA数据库和机器学习算法筛选并鉴定出h s a m i R p能准确的预测胃癌患者TMB水平,同时在多种癌症中依然有不错的预测准确性,提示其较强的临床应用价值.但因为本研究是基于在线数据库分析,h s a m i R p能否代替TMB更好地预测胃癌患者免疫治疗疗效需要临床上进一步验证.参考文献:B RAYF,F E R L AYJ,S O E R J OMA T ARAM I,e ta l G l o b a lc a n c e r s t a t i s t i c s :G L O B O C ANe s t i m a t e so f i n c i d e n c ea n dm o r t a l i tyw o r l d w i d ef o r c a n c e r si n c o u n t r i e sJ C AC a n c e r JC l i n,():CH E N W,ZH E NGR,B AAD EPD,e t a l C a n c e r s t a t i s t i c s i nC h i n a,J C AC a n c e rJC l i n,():郑荣寿,孙可欣,张思维 年中国恶性肿瘤流行情况分析J中华肿瘤杂志,():ZH E NGRS,S UN K X,ZHANGS W A n a lys i so ft h eepi d e m i cs i t u a t i o no fm a l ign a n t t u m o r s i nC h i n a i n J C h i n JO n c o l,():左婷婷,郑荣寿,曾红梅中国胃癌流行病学现状J中国肿瘤临床,():ZUOTT,ZH E NG RS,Z E NG H M Epi d e m i o l ogi c a l s t a t u so fga s t r i cc a n c e r i nC h i n aJ C h i nC l i nO