Integrative Multi-Cohort Transcriptomic Analysis Reveals Necroptosis–Immune Crosstalk and a Predictive Gene Signature in Breast Cancer

तकनीकी सारांश: स्तन कैंसर में नेक्रोपोटोसिस-इम्यून क्रॉसटॉक का एकीकृत मल्टी-कोहॉर्ट ट्रांसक्रिप्टोमिक विश्लेषण

समस्या विवरण
स्तन कैंसर कैंसर से संबंधित मृत्यु दर के प्रमुख कारणों में से एक बना हुआ है, विशेष रूप से उपचार-प्रतिरोधी उपप्रकारों (subtypes) के लिए। हालांकि रोग की प्रगति में ट्यूमर माइक्रोएनवायरमेंट (TME) और इम्यून इन्फिल्ट्रेशन (प्रतिरक्षा घुसपैते) की भूमिका स्थापित है, लेकिन नेक्रोपोटोसिस—एक विनियमित, सूजन संबंधी, गैर-एपॉप्टोटिक कोशिका मृत्यु मार्ग—का विशिष्ट ट्रांसक्रिप्टोमिक परिदृश्य व्यवस्थित रूप से परिभाषित नहीं किया गया है। मौजूदा साहित्य मुख्य रूप से व्यक्तिगत नेक्रोपोटोसिस घटकों (जैसे, RIPK3, STAT1) पर केंद्रित है, जिसमें इस बात की कमी है कि कैसे संपूर्ण नेक्रोपोटोसिस जीन नेटवर्क स्वतंत्र रोगी कोहॉर्ट्स में स्तन ट्यूमर में व्यवहार करता है और कैसे यह इम्यून माइक्रोएनवायरमेंट के साथ सह-संबंध रखता है।

कार्यप्रणाली
इस अध्ययन में चार सार्वजनिक रूप से उपलब्ध जीन एक्सप्रेशन डेटासेट्स का उपयोग करते हुए एक एकीकृत बायोइनफॉरमैटिक्स दृष्टिकोण अपनाया गया:

• डिस्कवरी कोहॉर्ट (Discovery Cohort): मर्ज किए गए डेटासेट्स GSE42568, GSE15852, और GSE29431 (कुल $n=273$; 201 ट्यूमर, 72 सामान्य)।
• वैलिडेशन कोहॉर्ट (Validation Cohort): स्वतंत्र डेटासेट GSE70947 ($n=296$; 148 ट्यूमर, 148 सामान्य)।

डेटा प्रोसेसिंग और विश्लेषण पाइपलाइन:

1. प्रीप्रोसेसिंग: रॉ डेटा को रफ (RMA) नॉर्मलाइजेशन, क्वांटाइल नॉर्मलाइजेशन, और प्रोब-टू-जीन मैपिंग के माध्यम से संसाधित किया गया। बैच प्रभावों को जैविक भिन्नता (ट्यूमर बनाम सामान्य) को सुरक्षित रखते हुए ComBat एल्गोरिदम का उपयोग करके सुधारा गया।
2. डिफरेंशियल एक्सप्रेशन: डिफरेंशियल एक्सप्रेस्ड जीन्स (DEGs) की पहचान limma पैकेज का उपयोग करके की गई (एडजस्टेड $p < 0.05$, $|\log_2FC| \ge 1$)।
3. नेक्रोपोटोसिस फोकस: KEGG, Reactome, और साहित्य से प्राप्त 159 नेक्रोपोटोसिस-संबंधित जीन्स की एक क्यूरेटेड सूची को DEGs के साथ इंटरसेक्ट किया गया। प्रत्येक सैंपल के लिए एक GSVA-आधारित नेक्रोपोटोसिस एक्टिविटी स्कोर की गणना की गई।
4. मशीन लर्निंग (ML): तीन एल्गोरिदम—पेनलाइज्ड लॉजिस्टिक रिग्रेशन (Lasso), सपोर्ट वेक्टर मशीन (SVM), और रैंडम फॉरेस्ट (RF)—को डिस्कवरी कोहॉर्ट के 80/20 स्प्लिट पर प्रशिक्षित किया गया।
   • फीचर सिलेक्शन: प्रारंभिक मॉडलों में 7 नेक्रोपोटोसिस-संबंधित DEGs का उपयोग किया गया। तीनों ML विधियों में फीचर इम्पॉर्टेंस के आधार पर सभी 840 DEGs को रैंक करके एक कंसेंसस सिग्नेचर निकाला गया, जिसमें शीर्ष 25% (31 जीन) का चयन किया गया।
   • व्याख्यात्मकता (Interpretability): सबसे अच्छा प्रदर्शन करने वाले मॉडल (SVM) के लिए SHAP (SHapley Additive exPlanations) वैल्यू की गणना की गई ताकि फीचर योगदान को मापा जा सके।
5. इम्यून प्रोफाइलिंग: बल्क एक्सप्रेशन डेटा को 67 इम्यून और स्ट्रोमल सेल प्रकारों में डिकनवोल्यूशन करने के लिए xCell एल्गोरिदम का उपयोग किया गया।
6. वैलिडेशन: 31-जीन सिग्नेचर और इम्यून पैटर्न को स्वतंत्र GSE70947 कोहॉर्ट में वैलिडेट किया गया।

मुख्य परिणाम

• ट्रांसक्रिप्टोमिक लैंडस्केप: विश्लेषण में 840 DEGs (304 अपरेगुलेटेड, 536 डाउनरेगुलेटेड) की पहचान की गई। विशेष रूप से, ट्यूमर ऊतकों में मेटाबॉलिक और एडिपोसाइट-संबंधित जीन्स (जैसे, PCK1, RBP4, PLIN1) का महत्वपूर्ण डाउनरेगुलेशन और एपिथेलियल मार्कर्स (जैसे, KRT19, CD24) का अपरेगुलेशन देखा गया।
• नेक्रोपोटोसिस सप्रेशन: 105 पता लगाने योग्य नेक्रोपोटोसिस जीन्स में से, 7 डिफरेंशियल एक्सप्रेस (DE-NRGs) पाए गए। छह डाउनरेगुलेटेड थे (PLA2G4A, STAT5A, PYGL, TLR4, MAPK10, IL33), जबकि STAT1 अपरेगुलेटेड था। समग्र GSVA नेक्रोपोटोसिस स्कोर ट्यूमर में काफी कम था, जो पाथवे के दमन (suppression) को दर्शाता है।
• प्रेडिक्टिव सिग्नेचर: एक 31-जीन कंसेंसस सिग्नेचर विकसित किया गया। डिस्कवरी टेस्ट सेट में, SVM मॉडल ने 0.968 का AUC, 0.987 का AUPRC, और 0.049 का ब्रायर स्कोर (Brier score) प्राप्त किया। स्वतंत्र वैलिडेशन कोहॉर्ट में, मॉडल ने 0.842 के AUC के साथ भेदभाव करने की शक्ति बनाए रखी।
• फीचर इम्पॉर्टेंस: SHAP विश्लेषण ने PCK1, RB P4, TNMD, ITIH5, और PLIN1 को शीर्ष प्रेडिक्टर्स के रूप में पहचाना। ये मुख्य रूप से मेटाबॉलिक और स्ट्रोमल जीन हैं, जो यह सुझाव देते हैं कि सिग्नेचर केवल नेक्रोपोटोसिस रेगुलेटर्स के बजाय व्यापक माइक्रोएनवायरमेंटल रीमॉडलिंग को कैप्चर करता है।
• इम्यून-स्ट्रोमल क्रॉसटॉक: ट्यूमर सैंपल्स में महत्वपूर्ण एपिथेलियल एनरिचमेंट और स्ट्रोमल घटकों (एडिपोसाइट्स, फाइब्रोब्लास्ट्स, एंडोथेलियल सेल्स) की कमी देखी गई। DE-NRGs और इम्यून/स्ट्रोमल सेल स्कोर के बीच 148 महत्वपूर्ण सह-संबंध (correlations) पाए गए। नेक्रोपोटोसिस एक्टिविटी स्कोर स्ट्रोमल आबादी (एडिपोसाइट्स, फाइब्रोब्लास्ट्स) के साथ सकारात्मक रूप से और एपिथेलियल कंटेंट के साथ नकारात्मक रूप से सह-संबंधित था।
• कोहॉर्ट-व्यापी निरंतरता: DE-NRGs के डिसरेगुलेशन की दिशा और इम्यून इन्फिल्ट्रेशन के पैटर्न वैलिडेशन कोहॉर्ट में अत्यधिक प्रतिलिपि योग्य (reproducible) थे (इफेक्ट साइज का स्पीयरमैन सहसंबंध $r=0.757$)।

महत्व और दावे
यह पेपर दावा करता है कि यह स्तन कैंसर में नेक्रोपोटोसिस का पहला सिस्टम-लेवल ट्रांसक्रिप्टोमिक लक्षण वर्णन प्रदान करता है, जो यह प्रकट करता है कि नेक्रोपोटोसिस एकल नोड पर डिसरेगुलेट होने के बजाय कई घटकों में समन्वित रूप से दबा हुआ (suppressed) है। अध्ययन प्रदर्शित करता है कि:

1. नेक्रोपोटोसिस माइक्रोएनवायरमेंट से जुड़ा है: नेक्रोपोटोसिस का दमन ट्यूमर माइक्रोएनवायरमेंट के पुनर्गठन, विशेष रूप से स्ट्रोमल अखंडता (एडिपोसाइट्स और फाइब्रोब्लास्ट्स) की हानि और घातक एपिथेलियम के विस्तार के साथ मजबूती से जुड़ा हुआ है।
2. मजबूत बायोमार्कर: प्राप्त 31-जीन सिग्नेचर प्रभावी रूप से ट्यूमर को सामान्य ऊतक से अलग करता है और स्वतंत्र कोहॉर्ट्स में सामान्यीकरण (generalizes) करता है, जो केवल कैनोनिकल नेक्रोपोटोसिस जीन्स पर आधारित मॉडलों से बेहतर प्रदर्शन करता है।
3. मैकेनिस्टिक अंतर्दृष्टि: निष्कर्ष बताते हैं कि बल्क टिश्यू में "नेक्रोपोटोसिस सिग्नल" काफी हद तक स्ट्रोमल कोशिकाओं की उपस्थिति को दर्शाता है, जो सामान्य स्तन ऊतक में नेक्रोपोटोसिस-संबंधित ट्रांसक्रिप्ट्स के प्राथमिक स्रोत हैं।
4. चिकित्सीय संदर्भ: लेखक का सुझाव है कि पाथवे का सामान्य डाउनरेगुलेशन इस परिकल्पना का समर्थन करता है कि नेक्रोपोटोसिस स्तन कैंसर में एक ट्यूमर-सप्रेसिव तंत्र के रूप में कार्य करता है। फलस्वरूप, नेक्रोपोटोसिस को पुनर्जीवित करने वाली चिकित्सीय रणनीतियाँ (जैसे, SMAC मिमेटिक्स या IAP एंटागोनिस्ट) एक व्यवहार्य मार्ग हो सकती हैं, हालांकि सूजन के लिए STAT1 और TLR4 जैसे नियामकों की दोहरी भूमिकाओं के कारण सावधानी बरतने की सलाह दी जाती है।

अध्ययन निष्कर्ष निकालता है कि हालांकि बल्क टिश्यू के उपयोग (जो सेल-टाइप-विशिष्ट एट्रिब्यूशन को रोकता है) और क्लिनिकल आउटकम डेटा की कमी के संबंध में सीमाएँ मौजूद हैं, फिर भी मल्टी-कोहॉर्ट इंटीग्रेशन और मशीन लर्निंग वैलिडेशन स्तन कैंसर में नेक्रोपोटोसिस-इम्यून क्रॉसटॉक को समझने के लिए एक मजबूत आधार प्रदान करते हैं।