Integrated single-cell and bulk transcriptomes identify glycosylation-associated prognostic markers for anti-PD-1 response in liver cancer

Resumen Técnico: La integración de transcriptomas de célula única y de masa identifica marcadores pronósticos asociados a la glicosilación para la respuesta al anti-PD-1 en el cáncer de hígado

Planteamiento del problema
El carcinoma hepatocelular (CHC) sigue siendo una causa principal de mortalidad por cáncer, con muchos casos diagnosticados en estadios avanzados donde las opciones terapéuticas son limitadas. Si bien el bloqueo de puntos de control inmunitario (terapia anti-PD-1) ha mejorado los resultados para un subconjunto de pacientes, la resistencia primaria y adquirida al bloqueo de PD-1 sigue siendo una barrera clínica significativa. Los mecanismos moleculares que vinculan la desregulación de la glicosilación —un proceso conocido por afectar la función proteica y la progresión tumoral— con la resistencia al anti-PD-1 en el cáncer de hígado no están plenamente definidos. Este estudio tiene como objetivo identificar genes relacionados con la glicosilación (GRG, por sus siglas en inglés) que sirvan como marcadores pronósticos y dilucidar su relación con el microambiente inmunitario tumoral y la respuesta al anti-PD-1.

Metodología
El estudio empleó un enfoque multi-ómico integrado combinando datos de secuenciación de ARN de célula única (scRNA-seq) y de masa (bulk RNA-seq):

1. Adquisición de datos: Los perfiles transcriptómicos se obtuvieron de la cohorte TCGA-LIHC (377 muestras tumorales, 59 normales) y tres conjuntos de datos de GEO: GSE202069 (bulk RNA-seq de pacientes tratados con anti-PD-1 con respondedores/no respondedores), GSE43619 (bulk RNA-seq con datos de supervivencia) y GSE149614 (scRNA-seq de 10 pacientes con LIHC). Se obtuvo una lista curada de 675 genes relacionados con la glicosilación (GRG) de MSigDB.
2. Análisis de célula única e identificación de subpoblaciones celulares:
   • Los datos de scRNA-seq (GSE149614) se procesaron utilizando Seurat para el control de calidad, reducción de dimensionalidad (PCA, UMAP) y agrupamiento (clustering).
   • Análisis Scissor: El paquete Scissor vinculó los perfiles de célula única de GSE149614 con los datos de respuesta clínica de la cohorte de masa GSE202069 para identificar subpoblaciones celulares asociadas específicamente con la respuesta al anti-PD-1.
   • Identificación de células clave: Las células T y las células naturales asesinas (T/NK) fueron identificadas como las subpoblaciones clave asociadas a la respuesta, mostrando las "Células T en ciclo" (Cycling T cells) la señal positiva más fuerte.
3. Tamizaje de genes candidatos:
   • Se identificaron genes diferencialmente expresados (DEG) entre las células T/NK y otras células en los datos de scRNA-seq.
   • Se tamizaron los bulk-DEGs entre tejidos de LIHC y normales en TCGA.
   • Intersección: Los genes candidatos se definieron como la intersección de los GRG, los DEG de células T/NK y los bulk-DEGs, resultando en 20 candidatos.
4. Construcción del modelo pronóstico:
   • Se aplicaron regresión de Cox univariante y regresión LASSO a la cohorte de entrenamiento TCGA-LIHC para seleccionar los GRG asociados a la supervivencia.
   • Se construyó una firma de riesgo de dos genes (TUBA3C y HGFAC). Los pacientes fueron estratificados en grupos de Alto Riesgo (HR) y Bajo Riesgo (LR) basándose en un punto de corte óptimo.
   • El modelo fue validado en la cohorte GSE43619 y evaluado mediante curvas de supervivencia de Kaplan-Meier, análisis ROC y un nomograma clínico que incorpora la puntuación de riesgo y el estadio patológico M.
5. Análisis funcional y mecanístico:
   • Enriquecimiento: Se realizaron análisis de enriquecimiento de conjuntos de genes (GSEA) y análisis de vías (GO/KEGG) para identificar las vías biológicas asociadas con los grupos de riesgo.
   • Infiltración inmune: Se utilizó CIBERSORT para estimar la abundancia de células inmunes y correlacionarla con las puntuaciones de riesgo y la expresión de GRG.
   • Sensibilidad a fármacos: El análisis de la base de datos GDSC y oncoPredict se utilizó para pronosticar las diferencias en la sensibilidad a fármacos (IC50) entre los grupos HR y LR.
   • Eliminación virtual y pseudotiempo: scTenfoldKnk simuló la eliminación de genes para inferir redes reguladoras, y se utilizó Monocle3 para el análisis de pseudotiempo para rastrear la dinámica de la expresión de GRG durante la diferenciación de las células T/NK.
   • Descubrimiento de fármacos: GraphBAN predijo interacciones de moléculas pequeñas con los GRG pronósticos, seguido de filtrado ADMET, acoplamiento molecular (docking) y simulaciones de dinámica molecular.
6. Validación experimental:
   • La expresión proteica se verificó mediante el Human Protein Atlas (HPA).
   • La expresión de ARNm de TUBA3C y HGFAC se validó en tejidos tumorales de LIHC frente a tejidos adyacentes no tumorales mediante RT-qPCR en un modelo de ratón inducido por dietilnitrosamina (DEN).

Resultados clave

• Subpoblación celular clave: El análisis Scissor identificó a las Células T en ciclo como la subpoblación clave que impulsa la respuesta al anti-PD-1. El análisis de comunicación célula-célula reveló interacciones activas entre las Células T en ciclo y las células T colaboradoras CD4+/reguladoras, mediadas por ligandos como MIF y MDK.
• Firma pronóstica: El análisis de intersección produjo 20 genes candidatos. La regresión LASSO refinó esto a una firma de dos genes: TUBA3C (asociado al riesgo, HR > 1) y HGFAC (protector, HR < 1).
• Desempeño del modelo: El modelo de riesgo estratificó con éxito a los pacientes tanto en las cohortes TCGA como en la GSE43619. El grupo HR exhibió una supervivencia global (OS) significativamente más corta. El modelo alcanzó AUCs de 0.66, 0.61 y 0.66 para la supervivencia de 1, 3 y 5 años, respectivamente. Un nomograma que combina la puntuación de riesgo y el estadio patológico M demostró una utilidad clínica favorable en el Análisis de Curva de Decisión (DCA).
• Mecanismos biológicos:
  • Vías: El grupo HR se asoció con la señalización BMP, cascadas de coagulación y cascadas del complemento.
  • Paisaje inmunitario: El grupo HR mostró una elevada infiltración de células T CD4+ de memoria en reposo y monocitos, mientras que el grupo LR presentó proporciones más altas de macrófagos M0, células T colaboradoras foliculares y células dendríticas activadas. La expresión de HGFAC se correlacionó positivamente con los monocitos y negativamente con los macrófagos M0.
  • Diferenciación: El análisis de pseudotiempo indicó que la expresión de TUBA3C alcanzó su máximo durante la diferenciación de T/NK de medio a tardío, mientras que HGFAC se mantuvo alta en las etapas tardías.
• Implicaciones terapéuticas:
  • Sensibilidad a fármacos: Se predijo que el grupo HR es más sensible a los inhibidores de Wee1 (MK-1775, Tozasertib), WEHI-539 y Bortezomib. El grupo LR mostró una mayor sensibilidad a Nutlin y Selumetinib.
  • Descubrimiento de fármacos: GraphBAN y las simulaciones de docking identificaron la 1,2-O-(1-Metiletilideno)-α-L-ribofuranosa como una molécula candidata con una unión estable a TUBA3C (energía de unión -5.8 kcal/mol) y propiedades ADMET favorables.
• Validación: La RT-qPCR confirmó que TUBA3C está sobreexpresado y HGFAC está subexpresado en los tejidos de LIHC en comparación con los controles, lo cual es consistente con las predicciones computacionales.

Significancia y afirmaciones
Los autores afirman que este estudio proporciona un marco potencial para la evaluación individualizada del riesgo y la estratificación terapéutica en el cáncer de hígado. Mediante la integración de la transcriptómica de célula única y de masa, el estudio identifica a TUBA3C y HGFAC como marcadores pronósticos asociados a la glicosilación y relevantes para la respuesta al anti-PD-1. Los hallazgos sugieren que estos genes ofrecen una visión mecánica de la progresión del LIHC, particularmente en relación con la interacción entre la glicosilación, la infiltración de células inmunes (específicamente monocitos y macrófagos) y las vías de señalización como BMP.

El artículo concluye modestamente que, si bien el modelo de dos genes muestra una fuerte capacidad pronóstica y vincula los paisajes inmunitarios y la sensibilidad a fármacos, se requiere una mayor validación en cohortes de inmunoterapia más grandes y modelos experimentales antes de su aplicación clínica. El estudio no pretende haber resuelto la resistencia al anti-PD-1, sino que proporciona una base para la evaluación futura de estos genes como dianas terapéuticas y biomarcadores diagnósticos.