全外显子组测序预测癌症免疫治疗的反应

免疫疗法，例如免疫检查点抑制剂，已经改变了晚期癌症的治疗方法。与杀死癌细胞的化疗不同，这些药物帮助人体的免疫系统发现并摧毁癌细胞本身。然而，只有一小部分患者对免疫检查点抑制剂有长期反应，而且这些治疗的成本很高，而且有副作用。

纽约大学、威尔康奈尔医学院和纽约基因组中心的研究人员现已开发出一种两步法，使用全外显子组测序，将预测癌症患者是否会对免疫治疗产生反应的基因和通路归零。这项工作说明了全外显子组测序的使用如何比当前的实验室测试更好地预测治疗反应。

MarcinImieliński说：“这些结果表明，使用更广泛的诊断方法，例如全外显子组甚至全基因组测序，可能会显着提高我们预测谁会对免疫疗法产生反应的能力——本质上，这表明更多的数据确实有助于更好地预测治疗反应。”博士，威尔康奈尔医学院计算基因组学副教授、病理学和实验医学副教授，纽约基因组中心核心教员。Imieliński是该团队在《自然通讯》上发表的论文的共同高级作者，该论文题为“复发性体细胞突变作为免疫治疗反应的预测因素”。

作者写道，免疫检查点阻断(ICB)已经改变了转移性癌症的治疗方法，但受到不同反应率的阻碍。“一个未满足的关键需求是识别预测治疗反应的生物标志物。”一些生物标志物——包括年龄、肿瘤类型和癌细胞中发现的突变数量(称为肿瘤突变负荷)——已知与免疫治疗的反应相关。肿瘤突变负荷(TMB)通过分析数百个基因计算得出，是最完善的预测因子，通常用于确定患者是否有资格使用免疫检查点抑制剂。“TMB高的肿瘤被认为更具免疫原性，因此由于新抗原负担增加而对ICB敏感，”作者解释道。

然而，正如共同资深作者NevilleSanjana博士所问的那样：“我们能否更好地预测谁将从免疫疗法中受益?......科学家们已经开发出各种生物标志物来帮助预测免疫疗法的治疗反应，但对强大的、临床实用的预测模型的需求仍然未得到满足。”Sanjana是纽约大学生物学助理教授、纽约大学格罗斯曼医学院神经科学和生理学助理教授、纽约基因组中心核心教员、

如果科学家观察我们基因的更大部分，这是否有助于更好地预测哪些患者会对免疫疗法产生反应?全外显子组测序是一种对基因组中编码蛋白质的部分(大约20,000个基因，或基因组的2%)进行测序的方法，以寻找可能与疾病有关的突变。

尽管最近一些免疫疗法研究已开始包括测序，但全外显子组测序并未广泛应用于癌症治疗。这些研究虽然规模较小，但综合起来可以帮助阐明基因组因素与患者对免疫治疗的反应之间的关系。然而，作者指出，“尽管最近的全外显子组测序(WES)研究试图超越TMB，将特定DNA改变与ICB反应联系起来，但它们受到样本量小和动力不足(全基因组)分析方法的限制。”

在他们的研究中，研究人员结合了之前六项针对黑色素瘤、肺癌、膀胱癌和头颈癌患者的免疫治疗研究的数据。所有接受抗PD-1或​​抗CTLA-4免疫检查点抑制剂治疗的参与者均可进行全外显子组测序。但即使将六项研究合并起来，患者数量(总共319名)仍然相对较少。“......虽然我们通过汇集几项研究建立了一个更大的队列，但样本量仍然限制了全基因组的意义，”该团队承认。

“只有几百人参加的小型研究的问题在于患者数量与全外显子组测序中测序的大量基因之间不匹配，”该研究的第一作者、Sanjana实验室的研究生ZoranGajic说。“理想情况下，我们拥有的数据集包含的患者数量多于基因数量。”

为了解决这个问题，研究人员转向了一种名为“fishHook”的模型，该模型将导致癌症的突变与背景突变或偶然发生但与癌症无关的突变区分开来。该模型校正了一系列影响背景突变率的因素，例如，调整基因的大小，因为较大的基因更有可能发生突变。研究小组指出：“为了识别聚合免疫治疗队列中积极选择的基因和途径，我们采用了fishHook，这是一种最初开发用于研究全基因组测序中非编码突变复发的统计方法。”“我们将FishHook分析限制在WES一致捕获的19,688个基因的编码区域。”

使用这个模型，研究人员采用了两步方法：首先，他们查看了所有患者的测序，以找到突变负担高于他们预期的任何基因，并根据基因组因素进行调整，例如基因大小或特定片段是否存在。DNA是一个已知的热点，往往会积累更多突变。这产生了六个具有可疑高突变负担的基因。

接下来，研究人员确定这六个基因中的任何一个是否在对免疫疗法有反应或没有反应的人中富集。其中两个基因——KRAS(一种在肺癌中经常突变的基因)和BRAF(黑色素瘤中最常见的突变基因)——在对免疫治疗有反应的患者中富集。相比之下，另外两个基因——TP53和BCLAF1——在那些对免疫治疗没有反应的人中富集。BCLAF1尚未得到充分研究，但这些研究结果表明，具有BCLAF1突变的患者对免疫检查点抑制剂产生反应的可能性较小。”总的来说，我们从逻辑回归中鉴定出了4个ICB反应预测基因(BCLAF1、BRAF、KRAS和TP53)，”作者指出。

使用相同的两步方法，研究人员接下来确定某些通路(MAPK信号传导、p53相关通路和免疫调节通路)也可以预测免疫检查点抑制剂的反应。

随后，他们将这四个基因和三个通路与其他预测变量(例如年龄、肿瘤类型和肿瘤突变负荷)结合起来，创建了一个名为癌症免疫治疗反应CLassifiEr(CIRCLE)的工具。他们发现，与单独的肿瘤突变负荷相比，CIRCLE可以更好地预测ICB反应，敏感性提高10.5%，特异性提高11%。CIRCLE还能够准确预测免疫治疗后癌症的生存率。“这些结果表明，使用更广泛的诊断方法，例如全外显子组甚至全基因组测序，可能会显着提高我们预测谁会对免疫疗法产生反应的能力——本质上，这表明更多的数据确实有助于更好地预测治疗反应，”马尔辛·伊梅林斯基,

描述CIRCLE步骤的图：1.合并免疫治疗全外显子组测序数据集2.识别突变基因和通路3.测试候选基因和通路的反应关联4.治疗反应的预测框架(确定有反应者或无反应者)[Sanjana和伊米林斯基实验室]

为了验证他们的方法，研究人员对另外165名接受免疫疗法治疗的接受全外显子组测序的癌症患者的数据进行了测试，发现CIRCLE捕获的预测信息超出了仅从肿瘤突变负荷获得的信息。

“我们的研究重点是来自现有免疫治疗患者队列的生物标志物，以及配对的WES和反应数据以及临床相关元数据，”作者总结道。“它利用候选基因和全基因组方法的优势，以适度的队列规模实现优化的预测能力……“我们发现，与TMB相比，CIRCLE分类器产生了改进的ICB反应预测，”他们写道。“总而言之，这些结果支持对CIRCLE和更普遍的复发性体细胞改变作为免疫治疗生物标志物进行更广泛的研究。”

未来的研究将涉及在更大的患者数据群上测试CIRCLE，因为研究人员预计该模型将通过来自数千名而不是数百名患者的数据得到改进。他们还希望，鉴于可用治疗方法的数量不断增加，他们可以通过更大的队列开始弄清楚哪些患者可能对不同的免疫疗法产生反应。

“需要更大的免疫治疗队列来验证这一发现，更广泛地验证积极选择的驱动基因改变可以帮助预测免疫治疗反应的原则……由于驱动基因改变的癌症类型特异性，我们可以预期将CIRCLE扩展到更广泛的泛癌队列将需要通过额外的发现分析来修改分类器。”

Sanjana说：“我们预计，这种两步法和全外显子组测序的使用将为癌症免疫治疗更好的预后工具铺平道路。”正如作者总结的那样，“虽然小组测试已经在免疫肿瘤学中常规使用，但我们的结果表明，使用更广泛的诊断(包括WES和全基因组测序)可能会显着改善应答者和无应答者的这种分层......我们设想CIRCLE和更广泛地说，对反复突变的癌症基因的分析将为更好的癌症免疫治疗预后工具铺平道路。”