Development of T-Cell-Associated Signatures Based on Machine Learning Integration for Predicting Breast Cancer Prognosis

Technische Zusammenfassung: Entwicklung von T-Zell-assoziierten Signaturen basierend auf der Integration von maschinellem Lernen zur Vorhersage der Brustkrebsprognose

Problemstellung
Brustkrebs bleibt weltweit die am häufigsten vorkommende Krebsart, wobei sich die Prognose bei Metastasierung, insbesondere in die Knochen, signifikant verschlechtert. Während die Einzelzellsequenzierung die Heterogenität des Tumors und das Tumormikromilieu (TME) aufgeklärt hat, bleibt die spezifische Rolle der T-Zell-Dynamik bei der Progression und Prognose von Brustkrebs unvollständig verstanden. Darüber hinaus erfassen bestehende klinische Stadien und molekulare Typisierungen oft nicht vollständig die Komplexität der Tumor-Immun-Interaktionen, was die Notwendigkeit robusterer Biomarker für die prognostische Vorhersage und die Beurteilung des Ansprechens auf Immuntherapien unterstreicht.

Methodik
Die Studie wandte eine Multi-Omics-Integrationsstrategie an, die Single-Cell-RNA-Sequenzierung (scRNA-seq) und Bulk-RNA-Seq-Daten kombiniert und durch fortschrittliche Pipelines des maschinellen Lernens analysiert wurde:

1. Datenerhebung und Vorverarbeitung:

   • scRNA-seq: Zwei Datensätze (GSE180286 und GSE158399), die primäre Brustkrebstherapeutika und gepaarte Lymphknotenmetastasen enthalten, wurden unter Verwendung des R-Pakets Seurat analysiert. Batch-Effekte wurden mittels SCTransform entfernt, und die Dimensionsreduktion (PCA, t-SNE) wurde durchgeführt.
   • Bulk RNA-seq: Transkriptom- und klinische Daten wurden aus dem The Cancer Genome Atlas (TCGA-BRCA) und sechs unabhängigen GEO-Datensätzen (GSE1456, GSE20685, GSE24450, GSE42568, GSE58812, GSE7390) bezogen.
   • Immuntherapie-Kohorten: Die Validierung erfolgte anhand von drei Immuntherapie-Datensätzen: GSE78220 (Melanom), GSE135222 (Kleinzelliges Lungenkarzinom) und IMvigor210 (Urothelkarzinom).

2. Konstruktion der Signatur:

   • Zellannotation & Differenzanalyse: Die scRNA-seq-Daten identifizierten 13 Zellcluster. T-Zell-Populationen zeigten signifikante Unterschiede in der Abundanz zwischen Tumor- und Metastasengewebe. Differenzielle Gene (logFC > 0,5, p < 0,05) zwischen diesen T-Zell-Zuständen wurden extrahiert.
   • Subtypisierung: Konsensus-Clustering basierend auf T-Zell-Differenzgenen unterteilte die TCGA-BRCA-Proben in zwei Subtypen (C1 und C2).
   • Integration von maschinellem Lernen: Aus der TCGA-Kohorte wurden 419 differenzielle Gene mittels univariater Cox-Regression gescreent, um 52 prognostische Gene zu identifizieren. Diese wurden 101 Kombinationen von 10 Algorithmen des maschinellen Lernens (einschließlich Random Survival Forest, Elastic Net, Lasso, Ridge, Stepwise Cox, CoxBoost usw.) unterzogen.
   • Auswahl des optimalen Modells: Das Modell mit dem höchsten durchschnittlichen Harrell-Konkordanzindex (C-Index) über alle Datensätze hinweg wurde ausgewählt. Die optimale Kombination wurde als StepCox (forward) + Ridge-Regression identifiziert.

3. Validierung und Analyse:

   • Prognostischer Wert: Patienten wurden basierend auf dem Median-Risikoscore in Hoch- und Niedrigrisikogruppen stratifiziert. Überlebensanalysen (Kaplan-Meier), ROC-Kurven und C-Index-Vergleiche wurden über alle Datensätze hinweg durchgeführt.
   • TME und Multi-Omics: Die Immuninfiltration wurde mittels ssGSEA, ESTIMATE und CIBERSORT bewertet. Somatische Mutationen wurden via maftools analysiert, um die Tumormutationslast (TMB) zu berechnen. Der Tumor Immune Dysfunction and Exclusion (TIDE)-Score wurde berechnet, um das Ansprechen auf die Immuntherapie vorherzusagen.

Kernergebnisse

• Identifizierung von T-Zell-Subtypen: Zwei Konsensus-Cluster (C1 und C2) wurden identifiziert. C2 wies einen „heißen“ Tumor-Phänotyp mit signifikant höherer Immunzellinfiltration (einschließlich aktivierter CD8+ T-Zellen, NK-Zellen und Makrophagen) und einer signifikant besseren Gesamtüberlebensrate im Vergleich zu C1 auf.
• Robustheit des TRS-Modells: Die T-Zell-assoziierte Signatur (TRS), abgeleitet aus dem StepCox+Ridge-Modell, zeigte eine überlegene prognostische Genauigkeit im Vergleich zu konventionellen klinischen Merkmalen (Alter, Geschlecht, T/N/M-Staging und molekulare Subtypen) über sieben unabhängige Datensätze hinweg. Das Modell behielt eine hohe Genauigkeit mit C-Index-Werten zwischen 0,682 und 0,769 in verschiedenen Kohorten bei.
• Assoziation mit TME und Genomik:
  • Low-TRS-Gruppe: Charakterisiert durch eine abundante Immunzellinfiltration, eine höhere Expression von MHC-Molekülen, Chemokinen und Immun-Checkpoints (PD-1, PD-L1, CTLA-4) sowie eine erhöhte Aktivität über alle sieben Schritte des Krebs-Immunzyklus.
  • High-TRS-Gruppe: Assoziiert mit höherer Tumorreinheit, geringerer Immuninfiltration und einer höheren Tumormutationslast (TMB). Bemerkenswerterweise zeigte die High-TRS-Gruppe eine höhere Frequenz von TP53-Mutationen (49 % vs. 20 % in der Low-TRS-Gruppe) und einen höheren TIDE-Score, was auf Immunfunktionsstörungen und -exclusion hindeutet.
• Vorhersage der Immuntherapie: In drei unabhängigen Immuntherapie-Kohorten zeigten Patienten mit niedrigen TRS-Scores ein signifikant besseres Gesamtüberleben und höhere Ansprechraten (komplette/partielle Remission) auf eine PD-1/PD-L1-Blockade im Vergleich zu High-TRS-Patienten. Die niedrige TRS war stark mit dem „immuninflammatorischen“ (entzündeten) Tumor-Phänotyp assoziiert.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Studie erfolgreich eine robuste, durch maschinelles Lernen entwickelte T-Zell-assoziierte Signatur (TRS) entwickelt hat, die als unabhängiger prognostischer Faktor für Brustkrebs dient. Die Bedeutung der Arbeit liegt in:

1. Überlegener Vorhersagekraft: Die TRS übertrifft traditionelle klinische Stadien und die molekulare Subtypisierung bei der Vorhersage des Überlebens der Patienten.
2. Orientierungshilfe für die Immuntherapie: Die Signatur stratifiziert effektiv Patienten, die wahrscheinlich von Immun-Checkpoint-Inhibitoren profitieren, indem sie eine „Low-TRS“-Population mit einem „heißen“ Tumormikromilieu und einem günstigen Ansprechen auf die Immuntherapie identifiziert.
3. Mechanistischer Einblick: Die Studie verknüpft spezifische T-Zell-assoziierte Genexpressionsmuster mit der Immuninfiltration, der TMB und der Expression von Immun-Checkpoints und liefert eine biologische Basis für die beobachteten prognostischen Unterschiede.

Limitierungen
Die Autoren räumen mehrere Einschränkungen ein:

• Retrospektiver Charakter: Alle Daten stammen aus öffentlichen, retrospektiven Kohorten, was potenziell zu Selektionsbias führt.
• Stichprobengröße: Einige Validierungskohorten für die Immuntherapie hatten relativ kleine Stichprobengrößen (z. B. n=27, n=28).
• Mechanistische Validierung: Die spezifischen biologischen Funktionen der in der Signatur enthaltenen Gene wurden nicht experimentell über in vitro- oder in vivo-Modelle validiert.
• Mangel an prospektiven Daten: Das Modell wurde noch nicht in prospektiven klinischen Studien validiert.

Fazit
Die Studie kommt zu dem Schluss, dass das TRS-Modell ein leistungsfähiges Instrument für die personalisierte prognostische Vorhersage und die klinische Entscheidungsfindung bei Brustkrebs ist, insbesondere zur Identifizierung von Patienten, die von einer Immuntherapie profitieren könnten. Zukünftige Arbeiten sind erforderlich, um diese Ergebnisse in prospektiven Multizenterstudien zu validieren und die zugrunde liegenden molekularen Mechanismen zu klären.