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

तकनीकी सारांश: स्तन कैंसर के रोगनिदान (प्रोग्नोसिस) की भविष्यवाणी करने के लिए मशीन लर्निंग एकीकरण पर आधारित टी-सेल-संबंधित हस्ताक्षरों का विकास

समस्या विवरण
स्तन कैंसर विश्व स्तर पर सबसे प्रचलित कैंसर बना हुआ है, जिसमें मेटास्टेसिस (विशेष रूप से हड्डियों में) होने पर रोगनिदान (प्रोग्नोसिस) काफी बिगड़ जाता है। जबकि सिंगल-सेल सीक्वेंसिंग ने ट्यूमर विषमता (हेटरोजेनिटी) और ट्यूमर माइक्रोएन्वायरमेंट (TME) को स्पष्ट किया है, स्तन कैंसर की प्रगति और प्रोग्नोसिस में टी-सेल की विशिष्ट भूमिका अभी भी पूरी तरह से समझ में नहीं आई है। इसके अलावा, मौजूदा नैदानिक स्टेजिंग और आणविक प्रकार अक्सर ट्यूमर-इम्यून इंटरैक्शन की जटिलता को पूरी तरह से पकड़ने में विफल रहते हैं, जिसके लिए रोगनिदान संबंधी भविष्यवाणी और इम्यूनोथेरेपी प्रतिक्रिया मूल्यांकन के लिए अधिक मजबूत बायोमार्कर की आवश्यकता है।

कार्यप्रणाली
अध्ययन ने सिंगल-सेल आरएनए सीक्वेंसिंग (scRNA-seq) और बल्क आरएनए-सीक्वेन्सिंग डेटा के संयोजन के माध्यम से एक मल्टी-ओमिक्स एकीकरण रणनीति का उपयोग किया, जिसका विश्लेषण उन्नत मशीन लर्निंग पाइपलाइनों के माध्यम से किया गया:

1. डेटा अधिग्रहण और प्रीप्रोसेसिंग:

   • scRNA-seq: दो डेटासेट्स (GSE180286 और GSE158399) जिनमें प्राथमिक स्तन कैंसर ऊतक और युग्मित लिम्फ नोड मेटास्टेसिस शामिल थे, का विश्लेषण Seurat पैकेज का उपयोग करके किया गया। बैच प्रभावों को SCTransform के माध्यम से हटाया गया, और डाइमेंशनलिटी रिडक्शन (PCA, t-SNE) किया गया।
   • Bulk RNA-seq: द कैंसर जीनोम एटलस (TCGA-BRCA) और छह स्वतंत्र GEO डेटासेट्स (GSE1456, GSE20685, GSE24450, GSE42568, GSE58812, GSE7390) से ट्रांसक्रिप्टोम और क्लिनिकल डेटा प्राप्त किया गया।
   • इम्यूनोथेरेपी कोहॉर्ट्स: सत्यापन तीन इम्यूनोथेरेपी डेटासेट्स का उपयोग करके किया गया: GSE78220 (मेलानोमा), GSE135222 (स्मॉल सेल लंग कैंसर), और IMvigor210 (यूरोथेलियल कैंसर)।

2. सिग्नेचर निर्माण:

   • सेल एनोटेशन और डिफरेंशियल विश्लेषण: scRNA-seq डेटा ने 13 सेल क्लस्टर की पहचान की। ट्यूमर और मेटास्टेटिक ऊतकों के बीच टी-सेल आबादी में महत्वपूर्ण विभेदक प्रचुरता (differential abundance) देखी गई। इन टी-सेल अवस्थाओं के बीच विभेदक जीन (logFC > 0.5, p < 0.05) निकाले गए।
   • सबटाइपिंग: टी-सेल विभेदक जीनों के आधार पर कंसेंसस क्लस्टरिंग ने TCGA-BRCA नमूनों को दो उपप्रकारों (C1 और C2) में विभाजित किया।
   • मशीन लर्निंग एकीकरण: TCGA कोहॉर्ट से, 52 रोगसूचक जीनों की पहचान करने के लिए 419 विभेदक जीनों को यूनिवेरिएट कॉक्स रिग्रेशन के माध्यम से स्क्रीन किया गया। इन्हें 10 मशीन लर्निंग एल्गोरिदम (जिसमें रैंडम सर्वाइवल फॉरेस्ट, इलास्टिक नेट, लासो, रिज, स्टेपवाइज कॉक्स, कॉक्सबूस्ट आदि शामिल हैं) के 101 संयोजनों के अधीन किया गया।
   • इष्टतम मॉडल चयन: विभिन्न डेटासेट्स में उच्चतम औसत हारल्स कॉनकॉर्डेंस इंडेक्स (C-index) वाले मॉडल का चयन किया गया। इष्टतम संयोजन के रूप में StepCox (फॉरवर्ड) + Ridge regression की पहचान की गई।

3. सत्यापन और विश्लेषण:

   • रोगसूचक मूल्य (Prognostic Value): मेडियन रिस्क स्कोर के आधार पर रोगियों को उच्च- और निम्न-जोखिम समूहों में वर्गीकृत किया गया। सभी डेटासेट्स में उत्तरजीविता विश्लेषण (Kaplan-Meier), ROC कर्व्स और C-index तुलनाएं की गईं।
   • TME और मल्टी-ओमिक्स: ssGSEA, ESTIMATE, और CIBERSORT का उपयोग करके इम्यून इन्फिल्ट्रेशन का आकलन किया गया। सोमैटिक म्यूटेशन का विश्लेषण maftools के माध्यम से ट्यूमर म्यूटेशन बर्डन (TMB) की गणना करने के लिए किया गया। इम्यूनोथेरेपी प्रतिक्रिया की भविष्यवाणी करने के लिए ट्यूमर इम्यून डिसफंक्शन एंड एक्सक्लूजन (TIDE) स्कोर की गणना की गई।

मुख्य परिणाम

• टी-सेल उपप्रकारों की पहचान: दो कंसेंसस क्लस्टर (C1 और C2) की पहचान की गई। C2 ने "हॉट" ट्यूमर फेनोटाइप प्रदर्शित किया, जिसमें C1 की तुलना में काफी अधिक इम्यून सेल इन्फिल्ट्रेशन (सक्रिय CD8+ T कोशिकाएं, NK कोशिकाएं और मैक्रोफेज सहित) और काफी बेहतर समग्र उत्तरजीविता दर देखी गई।
• TRS मॉडल की मजबूती: टी-सेल-संबंधित सिग्नेचर (TRS), जो StepCox+Ridge मॉडल से प्राप्त हुआ है, ने सात स्वतंत्र डेटासेट्स में पारंपरिक नैदानिक लक्षणों (आयु, लिंग, T/N/M स्टेजिंग और आणविक उपप्रकार) की तुलना में बेहतर रोगसूचक सटीकता प्रदर्शित की। मॉडल ने विभिन्न कोहॉर्ट्स में 0.682 से 0.769 तक के C-index मानों के साथ उच्च सटीकता बनाए रखी।
• TME और जीनोमिक्स के साथ संबंध:
  • Low-TRS समूह: अधिक इम्यून सेल इन्फिल्ट्रेशन, उच्च MHC अणुओं, केमोकाइन्स और इम्यून चेकपॉइंट्स (PD-1, PD-L1, CTLA-4) की अभिव्यक्ति, और कैंसर इम्यून चक्र के सातों चरणों में उच्च गतिविधि द्वारा पहचाना गया।
  • High-TRS समूह: उच्च ट्यूमर शुद्धता, कम इम्यून इन्फिल्ट्रेशन और उच्च ट्यूमर म्यूटेशन बर्डन (TMB) से जुड़ा हुआ। विशेष रूप से, हाई-TRS समूह में TP53 म्यूटेशन की उच्च आवृत्ति (49% बनाम लो-TRS में 20%) और उच्च TIDE स्कोर देखा गया, जो इम्यून डिसफंक्शन और एक्सक्लूजन का संकेत देता है।
• इम्यूनोथेरेपी भविष्यवाणी: तीन स्वतंत्र इम्यूनोथेरेपी कोहॉर्ट्स में, हाई-TRS रोगियों की तुलना में लो-TRS स्कोर वाले रोगियों ने PD-1/PD-L1 ब्लॉकेड के प्रति काफी बेहतर समग्र उत्तरजीविता और उच्च प्रतिक्रिया दर (पूर्ण/आंशिक छूट) प्रदर्शित की। लो-TRS "इम्यूनोइन्फ्लेमेटरी" (इन्फ्लेम्ड) ट्यूमर फेनोटाइप के साथ मजबूती से जुड़ा हुआ था।

महत्व और दावे
लेखक दावा करते हैं कि इस अध्ययन ने सफलतापूर्वक एक मजबूत, मशीन लर्निंग-व्युत्पन्न टी-सेल-संबंधित सिग्नेचर (TRS) विकसित किया है जो स्तन कैंसर के लिए एक स्वतंत्र रोगसूचक कारक के रूप में कार्य करता है। इस कार्य का महत्व निम्नलिखित है:

1. बेहतर भविष्य कहनेवाला शक्ति (Predictive Power): TRS रोगी उत्तरजीविता की भविष्यवाणी करने में पारंपरिक नैदानिक स्टेजिंग और आणविक सबटाइपिंग से बेहतर प्रदर्शन करता है।
2. इम्यूनोथेरेपी मार्गदर्शन: सिग्नेचर उन रोगियों को प्रभावी ढंग से वर्गीकृत करता जिन्हें इम्यून चेकपॉइंट इनहिबिटर्स से लाभ होने की संभावना है, जिससे एक "लो-TRS" आबादी की पहचान होती है जिसमें "हॉट" ट्यूमर माइक्रोएन्वायरमेंट और अनुकूल इम्यूनोथेरेपी प्रतिक्रिया होती है।
3. यांत्रिक अंतर्दृष्टि (Mechanistic Insight): अध्ययन विशिष्ट टी-सेल-संबंधित जीन अभिव्यक्ति पैटर्न को इम्यून इन्फिल्ट्रेशन, TMB और इम्यून चेकपॉइंट अभिव्यक्ति से जोड़ता है, जो देखे गए रोगसूचक अंतरों के लिए एक जैविक आधार प्रदान करता है।

सीमाएं
लेखक कई सीमाओं को स्वीकार करते हैं:

• पूर्वव्यापी प्रकृति (Retrospective Nature): सभी डेटा सार्वजनिक, पूर्वव्यापी कोहॉर्ट्स से प्राप्त किए गए थे, जिससे संभावित रूप से चयन पूर्वाग्रह (selection bias) आ सकता है।
• नमूना आकार: कुछ इम्यूनोथेरेपी सत्यापन कोहॉर्ट्स में अपेक्षाकृत छोटे नमूने के आकार (जैसे, n=27, n=28) थे।
• यांत्रिक सत्यापन: सिग्नेचर में शामिल जीनों के विशिष्ट जैविक कार्यों को इन विट्रो या इन विवो मॉडल के माध्यम से प्रयोगात्मक रूप से सत्यापित नहीं किया गया है।
• प्रोस्पेक्टिव डेटा का अभाव: मॉडल को अभी तक प्रोस्पेक्टिव क्लिनिकल ट्रायल में सत्यापित नहीं किया गया है।

निष्कर्ष
अध्ययन यह निष्कर्ष निकालता है कि TRS मॉडल व्यक्तिगत रोगसूचक भविष्यवाणी और नैदानिक निर्णय लेने के लिए, विशेष रूप से उन रोगियों की पहचान करने के लिए जो इम्यूनोथेरेपी से लाभ उठा सकते हैं, एक शक्तिशाली उपकरण है। इन निष्कर्षों को प्रोस्पेक्टिव मल्टीसेंटर अध्ययनों में मान्य करने और अंतर्निहित आणविक तंत्रों को स्पष्ट करने के लिए भविष्य के कार्य की आवश्यकता है।