Immunogener Zelltod

Jul 09, 2023

Scientific Reports Band 13, Artikelnummer: 9118 (2023) Diesen Artikel zitieren

Details zu den Metriken

Der immunogene Zelltod (ICD) ist eine Form des Zelltods, die das Immunsystem dazu anregt, durch die Freisetzung tumorassoziierter Antigene und tumorspezifischer Antigene eine Immunantwort hervorzurufen, und es wird angenommen, dass sie eine wichtige Rolle in der Tumorimmuntherapie spielt. In der vorliegenden Studie haben wir durch Konsensus-Clustering zwei ICD-bezogene Subtypen beim Osteosarkom (OS) identifiziert. Der ICD-niedrige Subtyp war mit günstigen klinischen Ergebnissen, einer starken Infiltration von Immunzellen und einer hohen Aktivität der Immunantwortsignale verbunden. Wir haben außerdem ein ICD-bezogenes Prognosemodell erstellt und validiert, das nicht nur zur Vorhersage des Gesamtüberlebens von OS-Patienten verwendet werden konnte, sondern auch einen engen Zusammenhang mit der Tumorimmun-Mikroumgebung von OS-Patienten aufwies. Insgesamt haben wir ein neues Klassifizierungssystem für OS basierend auf ICD-bezogenen Genen etabliert, das zur Vorhersage der Prognose von OS-Patienten und zur Auswahl geeigneter Immuntherapeutika verwendet werden kann.

Während der Chemotherapie von Tumoren können Medikamente das Tumorwachstum hemmen, indem sie Apoptose oder einen anderen programmierten Todesmodus von Tumorzellen auslösen1. Es wurde lange angenommen, dass apoptotische Tumorzellen nicht immunogen und immuntolerant sind2,3, aber eine große Anzahl neuerer Studien hat gezeigt, dass einige apoptotische Tumorzellen auch immunogen sind, d. h. immunogenen Zelltod (ICD)4,5. ICD ist eine spezifische Variante des durch Stress verursachten regulierten Zelltods (RCD)6. ICD regt das Immunsystem an, eine Immunantwort hervorzurufen, indem es tumorassoziierte Antigene (TAAs) und tumorspezifische Antigene (TSAs) freisetzt und zeichnet sich durch die Freisetzung und/oder erhöhte Expression von schadensassoziierten molekularen Mustern (DAMPs), Vorläuferantigenen, aus , entzündliche Zytokine und Entzündungsmediatoren7,8. Daher ist die Frage, ob es den immunogenen Tod von Tumorzellen auslösen kann, einer der wichtigen Faktoren, die die therapeutische Wirkung beeinflussen.

Das Osteosarkom (OS) ist der häufigste bösartige Knochentumor, und die häufigste Population besteht hauptsächlich aus Teenagern, was etwa 5 % der Gesamtzahl pädiatrischer Tumoren ausmacht9,10. Obwohl bei der 5-Jahres-Überlebensrate von OS-Patienten große Fortschritte erzielt wurden, sind die Ergebnisse bei fortgeschrittenen OS-Patienten weiterhin unbefriedigend, was auf Chemotherapieresistenz und Krebszellmetastasierung zurückzuführen ist11,12. Chemotherapie ist eine konventionelle Behandlung des OS und spielt eine wichtige Rolle bei der Behandlung von OS-Patienten mit lokalen Knochenschmerzen und -rezidiven sowie von Patienten, die nicht operiert werden können oder eine Operation ablehnen13,14. Die Empfindlichkeit von OS-Zellen gegenüber Chemotherapeutika ist jedoch gering, sodass einige Patienten mit OS eine Chemotherapieresistenz entwickeln, die die Wirkung der Chemotherapie stark beeinträchtigt und zu einem Schlüsselfaktor für die Wirksamkeit der Behandlung und die Prognose von OS-Patienten geworden ist13,14. Daher sind weitere Studien zur Vorhersage der Empfindlichkeit gegenüber Chemotherapeutika in OS-Zellen dringend erforderlich, was für die Verbesserung des Gesamtüberlebens von Patienten mit OS von Bedeutung ist.

Mit der rasanten Entwicklung der Bioinformatik-Technologie erfreut sich die Bioinformatik in jüngster Zeit immer größerer Beliebtheit bei der Untersuchung der molekularen Mechanismen von Krankheiten und der Entdeckung krankheitsspezifischer Biomarker, die zunehmend für die genaue Diagnose und Behandlung von Krankheiten eingesetzt werden. Einige kürzlich veröffentlichte Artikel beschreiben die Einrichtung neuer Krebsklassifizierungssysteme auf der Grundlage der ICD-bezogenen Klassifizierung durch Analyse des Transkriptom-Expressionsprofildatensatzes von Krebsgeweben in öffentlichen Datenbanken, einschließlich Plattenepithelkarzinomen im Kopf- und Halsbereich15 und intrakraniellen Aneurysmen16. Diese ICD-bezogene Klassifizierung kann zur Vorhersage der Prognose und Arzneimittelsensitivität von Krebspatienten verwendet werden.

In dieser Studie wollten wir ein ICD-bezogenes genbasiertes Risikobewertungsmodell identifizieren, das für die Beurteilung der Immunmikroumgebung, des Gesamtüberlebens und des Ansprechens auf die Behandlung bei Patienten mit OS nützlich ist und Ärzten dabei helfen kann, wichtige Entscheidungen über die Behandlung von zu treffen OS-Patienten.

In vielen Studien wurden 34 ICD-bezogene Gene gemeldet, und wir haben die abnormal exprimierten Gene von OS-Proben in der Target-Datenbank mit diesen 34 ICD-bezogenen Genen abgeglichen. Wie in Abb. 1A gezeigt, zeigte das Venn-Diagramm, dass es 33 sich überschneidende Gene zwischen den OS-exprimierten Genen gab. Als nächstes zeigte die prognostische Auswertung der 33 identifizierten ICD-bezogenen Gene durch univariate Cox-Analyse, dass 13 Gene mit der Prognose von OS-Patienten assoziiert waren (Abb. 1B), darunter CASP1, CD8A, CXCR3, EIF2AK3, FOXP3, IFNG, IFNGR1, IL -10, LY96, MYD88, NLRP3, PRF1 und TLR4. Darüber hinaus führten wir eine Kaplan-Meier-Überlebensanalyse der 13 bei OS-Patienten identifizierten ICD-bezogenen Gene durch und stellten fest, dass sie alle in signifikantem Zusammenhang mit dem Überleben von OS-Patienten standen (Abb. 1C). Als nächstes identifizierten wir mithilfe von Konsens-Clustering Betriebssystemcluster, die mit ICD assoziiert sind. Es wurde festgestellt, dass zwei Cluster in der Zielkohorte nach der k-Means-Clusterbildung unterschiedliche ICD-Genexpressionsmuster aufwiesen (Abb. 2A, B). Zusammenfassend lässt sich sagen, dass die Cluster 1 und 2 niedrige (ICD-niedriger Subtyp) bzw. hohe (ICD-hoher Subtyp) ICD-bezogene Genexpressionsniveaus zeigten (Abb. 2C). Darüber hinaus zeigten die Ergebnisse der Überlebensanalyse, dass der ICD-hohe Subtyp eine bessere Prognose hatte (Abb. 2D).

Identifizierung von 13 ICD-bezogenen Genen, die mit der Prognose von OS-Patienten assoziiert sind. (A) Venn-Diagramm, das zeigt, dass es 33 sich überschneidende Gene zwischen den OS-exprimierten Genen in der Target-Datenbank und den 34 bekannten ICD-bezogenen Genen gab. (B) Von den 33 sich überschneidenden Genen wurden 13 prognoserelevante Gene durch univariate Cox-Analyse herausgesucht. (C) Kaplan-Meier-Überlebensanalysekurven von 13 Genen bei Patienten mit OS.

Konsens-Clustering wurde verwendet, um ICD-bezogene Subtypen zu identifizieren. Wir haben die Ergebnisse mit der R-Software (Version 4.2.2 https://cran.r-project.org/src/base/R-4/) aufgezeichnet. (A) Heatmap zeigt eine Konsens-Clustering-Lösung (k = 2) für 13 Gene in 85 OS-Proben. (B) Die Delta-Flächenkurve der Konsensus-Clusterbildung zeigt die relative Änderung der Fläche unter der Kurve der kumulativen Verteilungsfunktion (CDF) für k = 2 bis 10 an. (C) Heatmap der Expression von 13 ICD-bezogenen Genen in verschiedenen Subtypen. Rot und Blau stehen für hohe bzw. niedrige Expression. (D) Kaplan-Meier-Kurven des OS in den Subtypen ICD-hoch und ICD-niedrig.

Wir identifizierten differentiell exprimierte Gene (DEGs) und kritische Signalwege für die Subtypen ICD-low und ICD-high. Abbildung 3A zeigt die 414 DEGs, die zwischen den beiden Subtypen identifiziert wurden. Die Analyse der funktionellen Anreicherung zeigte, dass die DEGs an immunbezogener Aktivität angereichert waren, einschließlich Zytokin-Zytokin-Rezeptor-Interaktion, Th17-Zelldifferenzierung, Th1- und Th2-Zelldifferenzierung, adaptiver Immunantwort, B-Zell-vermittelter Immunität und Immunrezeptoraktivität (Abb. 3B,C). Darüber hinaus führten wir eine Gen-Set-Enrichment-Analyse (GSEA) durch, um relevante Signalwege für die beiden Subtypen zu identifizieren. GSEA ergab, dass die DEGs mit Immunpfaden wie B-Zell-vermittelter Immunität, Abwehrreaktion, menschlicher Immunantwort, Lymphozyten-vermittelter Immunität sowie Antigenverarbeitung und -präsentation zusammenhängen (Abb. 3D).

Identifizierung von DEGs und Signalwegen in verschiedenen ICD-Subtypen. Das Ergebnis haben wir mit der R-Software (Version 4.2.2 https://cran.r-project.org/src/base/R-4/) aufgezeichnet. (A) Das Vulkandiagramm zeigt die quantifizierte DEG-Verteilung zwischen den Subtypen ICD-hoch und ICD-niedrig (log2-fache Änderung > 1 oder log2-fache Änderung < − 1, P < 0,05). (B) Das Circos-Diagramm zeigt die Ergebnisse der GO-Signalweganreicherungsanalyse. (C) Das Circos-Diagramm zeigt die Ergebnisse der KEGG-Pathway-Anreicherungsanalyse. Die Größe des Punkts stellt die Genzahl dar, und die Farbe des Punkts stellt den − log10-Wert (p. Wert anpassen) dar. (D) GSEA identifizierte potenzielle Signalwege zwischen den ICD-High- und ICD-Low-Subtypen.

ICD beeinflusst die Aktivierung bestimmter Antitumor-Immunreaktionen. Wir analysierten die Zusammensetzung der Tumormikroumgebung in den ICD-niedrigen und ICD-hohen Subtypen und die Ergebnisse zeigten, dass der ICD-hohe Subtyp im Vergleich zum ICD-niedrigen Subtyp einen höheren Stroma-Score, Immun-Score und ESTIMATE-Score aufwies eine geringere Tumorreinheit (Abb. 4A). Anschließend untersuchten wir die Unterschiede in der Immuninfiltration mehrerer Immunzellen zwischen den beiden Subtypen mithilfe der Einzelproben-GSEA- (ssGSEA) und EPIC-Methoden und stellten fest, dass Patienten mit dem ICD-hohen Subtyp höhere Anteile an B-Zellen, CD4-T-Zellen und CD8 aufwiesen T-Zellen, Endothelzellen und Makrophagen (Abb. 4B,C). Darüber hinaus waren viele Immun-Checkpoints (Abb. 4D) und Gene des menschlichen Leukozytenantigens (HLA) (Abb. 4E) im ICD-hohen Subtyp hochreguliert, was darauf hindeutet, dass der ICD-hohe Subtyp mit dem immunothermischen Phänotyp assoziiert ist.

Immunmikroumgebung verschiedener ICD-Subtypen. (A) Boxplot, das den Stroma-Score, den Immun-Score und den ESTIMATE-Score verschiedener ICD-Subtypen zeigt, die von ESTIMATE analysiert wurden. *** zeigt P < 0,001 an. Der Stroma-Score erfasst das Vorhandensein von Stroma im Tumorgewebe, der Immun-Score stellt die Infiltration von Immunzellen im Tumorgewebe dar, der ESTIMATE-Score zeigt die Tumorreinheit an und die Tumor-Reinheit wurde aus den drei oben genannten Scores berechnet. (B,C) ssGSEA- (B) und EPIC-Analysen (C) zeigten signifikant unterschiedliche Immunzellen zwischen verschiedenen ICD-Subtypen. –P > 0,05, *P < 0,05, **P < 0,01 und ***P < 0,001. (D) Boxplots zeigen die unterschiedliche Expression mehrerer Immun-Checkpoints (D) und HLA-Gene (E) zwischen verschiedenen ICD-Subtypen. *P < 0,05, **P < 0,01 und ***P < 0,001.

Die Ergebnisse der univariaten Cox-Analyse zeigten, dass insgesamt 4 ICD-bezogene Gene signifikant mit dem OS assoziiert waren (Abb. 5A). Zwölf ICD-bezogene Gene wurden getestet und für das Vorhersagemodell in der Regressionsanalyse des kleinsten absoluten Schrumpfungs- und Auswahloperators (LASSO) ausgewählt (Abb. 5B). Darüber hinaus untersuchten wir den Zusammenhang zwischen dem Risikoscore und dem Überlebensstatus von OS-Patienten und stellten fest, dass Patienten mit geringem Risiko einen besseren Überlebensstatus hatten (Abb. 5C). Sowohl die Zielkohorte als auch die Gene Expression Omnibus (GEO)-Kohorte zeigten, dass die Überlebensrate der Niedrigrisikogruppe signifikant höher war als die der Hochrisikogruppe (Abb. 5D). Darüber hinaus zeigte die Analyse der Receiver Operating Characteristic (ROC)-Kurve, dass die diagnostische Leistung des Risikomodells für die Prognose in der Zielkohorte und der GEO-Kohorte gut war (Abb. 5E).

Aufbau und Überprüfung der ICD-Risikosignatur. (A) In der univariaten Cox-Analyse wurde festgestellt, dass vier ICD-bezogene Gene signifikant mit dem OS assoziiert sind. (B) Die LASSO-Cox-Analyse identifizierte 12 Gene, die in den Target- und GEO-Datensätzen am stärksten mit OS assoziiert sind. (C) Risiko-Score-Verteilung und Überlebensstatus für jeden Patienten in den Target- und GEO-Datenbanken. (D) Die Kaplan-Meier-Analyse zeigt die prognostische Bedeutung des Risikomodells in den Kohorten Target und GSE21257. (E) ROC zeigt, dass die diagnostische Leistung des Risikomodells für die Prognose in den Target- und GSE21257-Kohorten gut ist.

Wir analysierten die Zusammensetzung der Tumormikroumgebung in der Hochrisiko- und der Niedrigrisikogruppe und die Ergebnisse zeigten, dass die Niedrigrisikogruppe im Vergleich zur Hochrisikogruppe höhere Stroma-Scores, Immun-Scores und ESTIMATE-Scores, aber niedrigere Tumorwerte aufwies Reinheit (Abb. 6A). Wir analysierten die Korrelation der ICD-Risikosignatur mit der Mikroumgebung des OS-Tumors und stellten fest, dass der Risikoscore negativ mit Endothelzellen, B-Zellen, CD4-T-Zellen, CD8-T-Zellen und Makrophagen korreliert (Abb. 6B). Wir analysierten auch die Korrelation zwischen der Expression von ICD-bezogenen Genen und diesen Immunzellen im Risikomodell und die Ergebnisse zeigten, dass die Expression des Hochrisikogens EIF2AK3 negativ mit dem Grad der Makrophageninfiltration korreliert, während die Expression von Die Niedrigrisikogene FOXP3, IFNGR1 und TLR4 korrelierten positiv mit diesen Immunzellen (Abb. 6C). Die Ergebnisse univariater und multivariater Cox-Analysen zeigten, dass der Risikoscore als unabhängiger Prädiktor für die Prognose bei OS-Patienten verwendet werden kann (Abb. 6D–F). Schließlich verglichen wir die Empfindlichkeit von OS-Patienten in der Hochrisiko- und Niedrigrisikogruppe gegenüber Immuntherapeutika. Die Ergebnisse zeigten, dass die Patienten der Niedrigrisikogruppe eine bessere Empfindlichkeit und niedrigere Werte der halbmaximalen Hemmkonzentration (IC50) für XAV939 (Abb. 7A), GSK2606414 (Abb. 7B), Leflunomid (Abb. 7C) und AZ960 (Abb. 7D), PF-4708671 (Abb. 7E), AZD8055 (Abb. 7F) und Ribociclib (Abb. 7G), während die Patienten der Hochrisikogruppe eine bessere Empfindlichkeit und niedrigere IC50-Werte für RO-3306 (Abb. 7H) und BI aufwiesen -2536 (Abb. 7I), Afuresertib (Abb. 7J), NVP-ADW742 (Abb. 7K) und SB505124 (Abb. 7L).

Korrelation der ICD-Risikosignatur mit der Mikroumgebung des OS-Tumors. (A) Violindiagramme, die den Stroma-Score, den Immun-Score, den ESTMATE-Score und die Tumorreinheit in der Hochrisiko- und Niedrigrisikogruppe zeigen. ***P < 0,001. (B,C) Streudiagramm (B) und Heatmap (C), die die Korrelation des Risikoscores mit der Infiltration von Immunzellen in der Mikroumgebung des OS-Tumorgewebes zeigen. (D,E) Ergebnisse univariater und multivariater Cox-Analysen (D) und Nomogramme (E) zur Bewertung des unabhängigen prognostischen Werts der ICD-Risikosignatur bei OS-Patienten. (F) Die Kalibrierungskurve zeigt, dass die Leistung des Nomogramms gut ist.

Boxplots, die den Zusammenhang des ICD-Risikoscores mit der Reaktion auf verschiedene medikamentöse Behandlungen zeigen. (A) XAV939; (B) GSK2606414; (C) Leflunomid; (D) AZ960; (E) PF-4708671; (F) AZD8055; (G) Ribociclib; (H) RO-3306; (I) BI-2536; (J) Afuresertib; (K) NVP-ADW742; und (L) SB505124.

OS hat die höchste Inzidenz unter den primären bösartigen Knochentumoren, die Gesamtinzidenz ist jedoch gering (4–5/Million)17,18. Obwohl OS niedrigere Morbiditäts- und Mortalitätsraten aufweist, ist es erwähnenswert, dass mehr als die Hälfte der OS-Patienten an Tumorzellmetastasen und Chemotherapieresistenz sterben19,20. Chemotherapie ist die Hauptbehandlung für OS und kann metastasierende Krebszellen abtöten, OS-Zellen reagieren jedoch weniger empfindlich auf Chemotherapeutika und viele Patienten entwickeln eine Resistenz gegen Chemotherapie19,20. Daher sind neue Behandlungsprotokolle für OS-Patienten wichtig. In jüngster Zeit haben immer mehr Studien bestätigt, dass ICD aufgrund seiner Eigenschaften der Immunogenität, der Immunaktivierung in Tumoren und der Freisetzung mehrerer Tumorantigene voraussichtlich neue Ideen und Strategien für die Antitumor-Immuntherapie liefern wird.

Im Jahr 2020 wurde ein neues Medikament, Belantamab-Mafodotin, das auf der Definition von ICD basiert, von der FDA für die Behandlung erwachsener Patienten mit rezidiviertem oder refraktärem multiplem Myelom zugelassen, was darauf hinweist, dass die ICD-Forschung für die Entwicklung neuer Medikamente von großer Bedeutung ist die Behandlung von OS21,22. In dieser Studie identifizierten wir durch Konsensus-Clustering zwei ICD-bezogene Subtypen bei OS und fanden heraus, dass der ICD-niedrige Subtyp mit günstigen klinischen Ergebnissen, einer starken Infiltration von Immunzellen und einer hohen Aktivität der Immunantwortsignale verbunden ist. Darüber hinaus haben wir ein ICD-bezogenes Prognosemodell erstellt und validiert, das nicht nur zur Vorhersage des Gesamtüberlebens von OS-Patienten verwendet werden konnte, sondern auch einen engen Zusammenhang mit der Tumorimmun-Mikroumgebung von OS-Patienten aufwies.

Wenn Tumorzellen aufgrund äußerer Reize absterben, wird der Prozess der Umwandlung von nicht-immunogen in immunogen, um die Antitumor-Immunantwort des Körpers zu vermitteln, als ICD23,24 bezeichnet. Wenn Tumorzellen ICD entwickeln, produzieren sie eine Reihe von Signalmolekülen, die DAMPs genannt werden. Dabei handelt es sich hauptsächlich um auf der Zelloberfläche freiliegendes Calreticulin, von Tumorzellen nach außen abgesondertes High Mobility Group Box 1 (HMGB1), von Zellen freigesetzte ATP-Moleküle und Wärme Schockproteine ​​(HSP70 und HSP90)6. Während des ICD-Prozesses freigesetzte DAMPs können an Mustererkennungsrezeptoren (PRRs) auf der Oberfläche von DCs binden, um eine Reihe zellulärer Reaktionen auszulösen, die letztendlich angeborene und adaptive Immunantworten aktivieren7,8. ICD kann durch eine Vielzahl verschiedener Stressfaktoren verursacht werden, darunter (1) intrazelluläre Krankheitserreger; (2) traditionelle Chemotherapeutika wie Anthrazykline, DNA-schädigende Wirkstoffe und Proteasom-Inhibitoren; (3) gezielte Krebsmedikamente; und (4) eine Vielzahl physikalischer Therapien8,25. Basierend auf diesen Beweisen identifizierte unsere Studie zwei ICD-Untergruppen durch Konsens-Clustering, und die ICD-niedrige Untergruppe war mit dem Immun-Hot-Phänotyp assoziiert, während die ICD-High-Untergruppe mit dem Immun-Kälte-Phänotyp assoziiert war.

Es wurde festgestellt, dass Chemotherapeutika, Strahlentherapie und photodynamische Therapie den immunogenen Tod von Tumorzellen auslösen können, und mit fortschreitender Forschung wird sich herausstellen, dass immer mehr Chemotherapeutika den immunogenen Tod von Tumorzellen auslösen26,27. Die umfassende Nutzung dieser Behandlungen wird zu wirksameren Krebsbehandlungen führen. In der vorliegenden Studie haben wir herausgefunden, dass OS-Patienten mit unterschiedlichen Risikoscores unterschiedliche Anfälligkeiten für verschiedene Medikamente hatten, was darauf hindeutet, dass unser auf ICD basierendes OS-Risikoscore-Modell Ärzten bei der Auswahl optimaler therapeutischer Medikamente helfen könnte.

Insgesamt unterstreicht unsere Studie, dass die OS-Klassifizierung auf der Grundlage von ICD-bezogenen Genen in engem Zusammenhang mit Veränderungen in der Mikroumgebung des Immuntumors steht. Diese Beobachtungen können nicht nur zur Vorhersage der klinischen Prognose von OS-Patienten verwendet werden, sondern auch dazu, Ärzten bei der Auswahl geeigneter Behandlungsprotokolle zu helfen .

Als Trainingssatz wurden die transkriptomischen Informationen der RNA-Sequenzierung (RNA-seq) und die klinischen Informationen von 85 Osteosarkom-Patienten (OS) aus der Target-Datenbank (https://ocg.cancer.gov/programs/target) verwendet. Die RNA-Sequenz und die klinischen Informationen von 53 OS-Patienten (GSE21257) aus der Datenbank Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE21257) waren als Validierungssatz verwendet.

Die gesamte Datenverarbeitung und -analyse erfolgte mit R-Software (Version 4.2.2). Der t-Test wurde verwendet, um die beiden Gruppen mit kontinuierlichen Variablen zu vergleichen und die statistische Signifikanz normalverteilter Variablen zu bewerten. Die unabhängigen Variablen und die Unterschiede zwischen nicht normalverteilten Variablen wurden mit dem Mann-Whitney-U-Test (d. h. dem Wilcoxon-Rangsummentest) analysiert. Für den Vergleich und die Analyse der statistischen Signifikanz zwischen zwei Gruppen kategorialer Variablen wurde der Chi-Quadrat-Test oder der exakte Fisher-Test verwendet. Korrelationskoeffizienten zwischen verschiedenen Genen wurden mithilfe der Pearson-Korrelationsanalyse berechnet. Der t-Test wurde verwendet, um die Mittelwerte zwischen zwei Probengruppen zu vergleichen. P < 0,05 wurde als statistisch signifikant angesehen.

Mit dem immunogenen Zelltod (ICD) in Zusammenhang stehende Gene wurden mithilfe der ConsensusClusterPlus-Funktion in R zusammengeclustert, um molekulare ICD-Subtypen zu identifizieren. Anschließend wurde die ideale Anzahl von Clustern zwischen K = 2–10 ausgewertet, um die Stabilität der Ergebnisse nach mindestens 1000 Replikaten sicherzustellen .

Wir haben das R/Bioconductor-Paket limma (https://bioconductor.org/packages/release/bioc/html/limma.html) verwendet, um die Daten zu analysieren und die Ergebnisse (Vulkankarten) mit dem R-Paket ggplot (https:/) darzustellen. /cran.r-project.org/web/packages/ggplot2/index.html). Die Screening-Kriterien für differentiell exprimierte Gene (DEG) waren wie folgt: angepasstes P < 0,05 und |fold change| > 1.

Das R/Bioconductor-Softwarepaket ClusterProfiler (https://bioconductor.org/packages/release/bioc/html/clusterProfiler.html) wurde verwendet, um die Gene Ontology (GO)-Annotation und die Kyoto Encyclopedia of Genes and Genomes (KEGG)-Signalweganreicherung durchzuführen Analyse der in den obigen Schritten erhaltenen DEGs. P < 0,05 deutete auf einen signifikanten Unterschied hin.

Die Risikowerte wurden für alle Patienten basierend auf einer Kombination der Genexpressionsniveaus und ihrer jeweiligen Koeffizienten berechnet, die aus der multivariaten Cox-Regressionsanalyse erhalten wurden, nämlich dem Risikoscore (RS). Wir haben den RS jedes Patienten gemäß der obigen Formel berechnet und die Patienten in Hochrisiko- und Niedrigrisikogruppen unterteilt, wobei wir den mittleren RS als Grenzwert verwendet haben.

Um weiter zu bestimmen, ob das Prognosemodell unabhängig von anderen klinischen Merkmalen wie Alter, Geschlecht und Metastasierung war, haben wir das RS-Modell für OS-Patienten mithilfe univariater und multivariater Cox-Regressionsanalysen bewertet. Um die Beziehung zwischen den verschiedenen Variablen weiter zu veranschaulichen, haben wir außerdem ein Nomogramm und die zugehörige Kalibrierungskurve erstellt. Alle Tests wurden mit R-Sprachsoftware statistisch analysiert und P < 0,05 zeigte einen signifikanten Unterschied an.

ESTIMATE (Schätzung von Stroma- und Immunzellen in malignen Tumorgeweben unter Verwendung von Expressionsdaten) (https://bioinformatics.mdanderson.org/estimate/index.html) ist ein Tool zur Vorhersage der Tumorreinheit und des Vorhandenseins infiltrierender Stroma-/Immunzellen in Tumorgewebe anhand von Genexpressionsdaten28. Wir haben die Tumorimmun-Mikroumgebung bei Patienten mit OS anhand des Target-Datensatzes mithilfe der auf dieser Website bereitgestellten Berechnungsmethoden ausgewertet. Der Stroma-Score erfasst das Vorhandensein von Stroma im Tumorgewebe, der Immun-Score stellt die Infiltration von Immunzellen im Tumorgewebe dar, der ESTIMATE-Score zeigt die Tumorreinheit an und die Tumor-Reinheit wurde aus den drei oben genannten Scores berechnet.

EPIC (https://epic.gfellerlab.org/) ist eine Methode, mit der aus einer großen Menge an Tumorgenexpressionsdaten das Verhältnis von Immunzellen zu Krebszellen berechnet wird29. Dies geschieht durch die Anpassung der Genexpressions-Referenzprofile der wichtigsten nicht-malignen Zelltypen und die gleichzeitige Berücksichtigung eines nicht charakterisierten Zelltyps ohne vorheriges Wissen darüber (z. B. Krebszellen in Proben von soliden Tumoren). Wir verwendeten den EPIC-Algorithmus, um den Grad der Infiltration von Immunzellen in der Osteosarkom-Mikroumgebung zu berechnen und die Assoziation des konstruierten ICD-Gens mit Immunzellen zu bewerten.

Die Trainings- und Testexpressionsdaten wurden mit dem R-Paket pRRophetic (http://genemed.uchicago.edu/,pgeeleher/pRRophetic) separat quantilnormalisiert und dann durch Normalisierung des Mittelwerts und der Varianz jedes Gens mithilfe eines empirischen Bayesian-Ansatzes kombiniert. Entfernung von Genen mit geringer Variabilität zwischen den Proben. Ein Ridge-Regressionsmodell wird an die Trainingsexpressionsdaten angepasst, wobei alle verbleibenden Gene als Prädiktoren und die Arzneimittelsensitivitätswerte (IC50) (des interessierenden Arzneimittels) als Ergebnisvariable verwendet werden. Dieses Modell wurde auf die verarbeiteten, standardisierten und gefilterten klinischen Tumorexpressionsdaten angewendet und ergab eine Schätzung der Arzneimittelsensitivität für jeden Patienten. Mithilfe dieses Algorithmus haben wir empfindliche Chemotherapeutika herausgesucht, die zur Behandlung von Patienten mit Osteosarkom eingesetzt werden können.

Die Kaplan-Meier-Analyse (KM) wurde unter Verwendung der Survminer- und Survival-Pakete in R durchgeführt, um das Gesamtüberleben von Patienten mit OS in verschiedenen Gruppen zu vergleichen, einschließlich der ICD-Hoch- und ICD-Niedrig-Gruppen sowie des Hochrisiko-Scores und des Niedrigrisiko-Scores Gruppen. P < 0,05 deutete auf einen signifikanten Unterschied hin.

Die GEO-Datenbank ist eine öffentliche Datenbank. Benutzer können relevante Daten kostenlos herunterladen, um zu recherchieren und relevante Artikel zu veröffentlichen. Unsere Studie basiert auf Open-Source-Daten, daher bestehen keine ethischen Bedenken.

Die Datensätze für diese Studie finden Sie in Target (https://ocg.cancer.gov/programs/target) und GEO (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi). ?acc=GSE21257) Datenbanken.

Immunogener Zelltod

Osteosarkom

Regulierter Zelltod

Tumorassoziiertes Antigen

Tumorspezifisches Antigen

Schadensassoziierte molekulare Muster

Genexpressions-Omnibus

Differenziell exprimierte Gene

Gen-Ontologie

Kyoto-Enzyklopädie der Gene und Genome

Risiko-Score

Kaplan‒Meier

Gruppenfeld „Hohe Mobilität“ 1

Galluzzi, L. et al. Molekulare Mechanismen des Zelltods: Empfehlungen des Nomenklaturausschusses zum Zelltod. Zelltod ist unterschiedlich. 25, 486–541. https://doi.org/10.1038/s41418-017-0012-4 (2018).

Artikel PubMed PubMed Central Google Scholar

Woynarowska, BA & Woynarowski, JM Bevorzugtes Targeting der Apoptose in Tumorzellen im Vergleich zu normalen Zellen. Biochem. Biophys. Acta 1587, 309–317. https://doi.org/10.1016/s0925-4439(02)00094-7 (2002).

Artikel CAS PubMed Google Scholar

Kaczanowski, S. Apoptose: Ursprung, Geschichte, Aufrechterhaltung und medizinische Auswirkungen auf Krebs und Alterung. Physik. Biol. 13, 031001. https://doi.org/10.1088/1478-3975/13/3/031001 (2016).

Artikel ADS CAS PubMed Google Scholar

Galluzzi, L. et al. Konsensrichtlinien zur Definition, Erkennung und Interpretation des immunogenen Zelltods. J. Immunother. Krebs 8, e000337. https://doi.org/10.1136/jitc-2019-000337 (2020).

Artikel PubMed PubMed Central Google Scholar

Ahmed, A. & Tait, SWG Ziel ist der immunogene Zelltod bei Krebs. Mol. Oncol. 14, 2994–3006. https://doi.org/10.1002/1878-0261.12851 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Kroemer, G., Galassi, C., Zitvogel, L. & Galluzzi, L. Immunogener Zellstress und Tod. Nat. Immunol. 23, 487–500. https://doi.org/10.1038/s41590-022-01132-2 (2022).

Artikel CAS PubMed Google Scholar

Zhou, J. et al. Immunogener Zelltod in der Krebstherapie: Aktuelle und neue Auslöser. J. Zelle. Mol. Med. 23, 4854–4865. https://doi.org/10.1111/jcmm.14356 (2019).

Artikel PubMed PubMed Central Google Scholar

Fucikova, J. et al. Nachweis des immunogenen Zelltods und seine Relevanz für die Krebstherapie. Zelltod-Dis. 11, 1013. https://doi.org/10.1038/s41419-020-03221-2 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Sadykova, LR et al. Epidemiologie und Risikofaktoren des Osteosarkoms. Krebsforschung. 38, 259–269. https://doi.org/10.1080/07357907.2020.1768401 (2020).

Artikel Google Scholar

Mirabello, L., Troisi, RJ & Savage, SA Osteosarkom-Inzidenz- und Überlebensraten von 1973 bis 2004: Daten aus dem Überwachungs-, Epidemiologie- und Endergebnisprogramm. Krebs 115, 1531–1543. https://doi.org/10.1002/cncr.24121 (2009).

Artikel PubMed Google Scholar

Meazza, C. & Scanagatta, P. Metastasiertes Osteosarkom: Eine anspruchsvolle multidisziplinäre Behandlung. Experte Rev. Anticancer Ther. 16, 543–556. https://doi.org/10.1586/14737140.2016.1168697 (2016).

Artikel CAS PubMed Google Scholar

Brown, JM, Matichak, D., Rakoczy, K. & Groundland, J. Osteosarkom des Beckens: Klinische Präsentation und Gesamtüberleben. Sarkom 2021, 8027314. https://doi.org/10.1155/2021/8027314 (2021).

Artikel PubMed PubMed Central Google Scholar

Heng, M. et al. Die Rolle von Chemotherapie und Strahlentherapie beim lokalisierten extraskelettalen Osteosarkom. EUR. J. Krebs 125, 130–141. https://doi.org/10.1016/j.ejca.2019.07.029 (2020).

Artikel CAS PubMed Google Scholar

Lilienthal, I. & Herold, N. Targeting molekularer Mechanismen, die der Wirksamkeit und Resistenz der Behandlung bei Osteosarkomen zugrunde liegen: Ein Überblick über aktuelle und zukünftige Strategien. Int. J. Mol. Wissenschaft. 21, 6885. https://doi.org/10.3390/ijms21186885 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Wang, X. et al. Eine Klassifizierung im Zusammenhang mit dem immunogenen Zelltod sagt die Prognose und das Ansprechen auf eine Immuntherapie bei Plattenepithelkarzinomen im Kopf- und Halsbereich voraus. Vorderseite. Immunol. 12, 781466. https://doi.org/10.3389/fimmu.2021.781466 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Turhon, M. et al. Klassifizierungsmuster für immunogene Zelltod-bezogene Regulatoren und Charakterisierung der Infiltration der Immunmikroumgebung bei intrakraniellen Aneurysmen basierend auf maschinellem Lernen. Vorderseite. Immunol. 13, 1001320. https://doi.org/10.3389/fimmu.2022.1001320 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Gilsenan, A. et al. In einer 15-jährigen Postmarketing-Überwachungsstudie in den USA erhöhte Teriparatid die Osteosarkominzidenz bei Erwachsenen nicht. J. Bone Miner. Res. 36, 244–251. https://doi.org/10.1002/jbmr.4188 (2021).

Artikel PubMed Google Scholar

Rojas, GA, Hubbard, AK, Diessner, BJ, Ribeiro, KB & Spector, LG Internationale Trends bei der Inzidenz von Osteosarkomen (1988–2012). Int. J. Krebs 149, 1044–1053. https://doi.org/10.1002/ijc.33673 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Chou, AJ & Gorlick, R. Chemotherapieresistenz beim Osteosarkom: Aktuelle Herausforderungen und zukünftige Richtungen. Experte Rev. Anticancer Ther. 6, 1075–1085. https://doi.org/10.1586/14737140.6.7.1075 (2006).

Artikel CAS PubMed Google Scholar

Benjamin, RS Adjuvante und neoadjuvante Chemotherapie bei Osteosarkomen: Eine historische Perspektive. Adv. Exp. Med. Biol. 1257, 1–10. https://doi.org/10.1007/978-3-030-43032-0_1 (2020).

Artikel CAS PubMed Google Scholar

Offidani, M., Corvatta, L., Morè, S. & Olivieri, A. Belantamab-Mafodotin zur Behandlung des multiplen Myeloms: Ein Überblick über die klinische Wirksamkeit und Sicherheit. Drogen Des. Entwickler Dort. 15, 2401–2415. https://doi.org/10.2147/DDDT.S267404 (2021).

Artikel Google Scholar

Lonial, S. et al. Belantamab-Mafodotin bei rezidiviertem oder refraktärem multiplem Myelom (DREAMM-2): Eine zweiarmige, randomisierte, offene Phase-2-Studie. Lancet Oncol. 21, 207–221. https://doi.org/10.1016/S1470-2045(19)30788-0 (2020).

Artikel CAS PubMed Google Scholar

Li, Y. et al. Immunogene Zelltod-Induktoren für eine verbesserte Krebsimmuntherapie. Chem. Komm. (Camb.) 57, 12087–12097. https://doi.org/10.1039/d1cc04604g (2021).

Artikel CAS PubMed Google Scholar

Serrano-Del Valle, A., Anel, A., Naval, J. & Marzo, I. Immunogener Zelltod und Immuntherapie des multiplen Myeloms. Vorderseite. Zellentwickler. Biol. 7, 50. https://doi.org/10.3389/fcell.2019.00050 (2019).

Artikel PubMed PubMed Central Google Scholar

Park, SJ et al. Cisplatin und Oxaliplatin induzieren ähnliche immunogene Veränderungen in präklinischen Modellen von Kopf- und Halskrebs. Orale Onkol. 95, 127–135. https://doi.org/10.1016/j.oraloncology.2019.06.016 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Workenhe, ST, Pol, J. & Kroemer, G. Tumorintrinsische Determinanten immunogener Zelltodmodalitäten. Oncoimmunology 10, 1893466. https://doi.org/10.1080/2162402X.2021.1893466 (2021).

Artikel PubMed PubMed Central Google Scholar

Jin, MZ & Wang, XP Immunogene, auf Zelltod basierende Krebsimpfstoffe. Vorderseite. Immunol. 12, 697964. https://doi.org/10.3389/fimmu.2021.697964 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Yoshihara, K. et al. Ableitung der Tumorreinheit und der Beimischung von Stroma- und Immunzellen aus Expressionsdaten. Nat. Komm. 4, 2612. https://doi.org/10.1038/ncomms3612 (2013).

Artikel ADS CAS PubMed Google Scholar

Geeleher, P., Cox, N. & Huang, RS pRRophetic: Ein R-Paket zur Vorhersage der klinischen chemotherapeutischen Reaktion anhand der Tumorgenexpressionsniveaus. PloS One 9, e107468. https://doi.org/10.1371/journal.pone.0107468 (2014).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Wir danken Dr. Zeng Jianming (Universität Macau) und Dr. Wang Xinyu (Universität Jilin) ​​für die großzügige Weitergabe ihrer Erfahrungen und ihres Codes.

Diese Studie wurde vom Jilin Provincial Health and Health Technology Innovation Program „Research on the Functional Mechanism of LncRNA MALAT1 in Regulated the Expression of KcnK2 in Spinal Cord Ischemia–Reperfusion Injury“ (2020J045) finanziert.

Abteilung für orthopädische Chirurgie, China-Japan Union Hospital, Jilin-Universität, Changchun, Jilin, Volksrepublik China

Yuan Zong, Ding Zhang, Xiaoqing Guan, Fengyi Zhang, Zhubin Shen und Fei Yin

Abteilung für Kieferorthopädie, Krankenhaus für Stomatologie, Universität Jilin, Nr. 1500 Qinghua Street, Changchun, 130021, Jilin, Volksrepublik China

Yu Cao

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

FY und YZ konzipierten und gestalteten die Studie. YC führte eine Datenanalyse und Dateninterpretation durch. DZ und XG führten bioinformatische und statistische Analysen durch. FZ und ZS haben die Zahlen erstellt. YZ und YC schrieben den ersten Entwurf, und FY konzipierte und überarbeitete das Manuskript.

Korrespondenz mit Fei Yin.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zong, Y., Cao, Y., Zhang, D. et al. Klassifikationen im Zusammenhang mit dem immunogenen Zelltod leiten die Prognose und Immuntherapie bei Osteosarkomen. Sci Rep 13, 9118 (2023). https://doi.org/10.1038/s41598-023-35745-w

Zitat herunterladen

Eingegangen: 08. Dezember 2022

Angenommen: 23. Mai 2023

Veröffentlicht: 05. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-35745-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.