Machine Learning of Tumor Microenvironment Related Genes for Prostate Cancer Biochemical Recurrence Prediction and Immune Analysis

Sintesi Tecnica: Apprendimento Automatico di Geni Relativi al Microambiente Tumorale per la Predizione della Ricorrenza Biochimica del Cancro alla Prostata e Analisi Immunitaria

Problematica
La ricorrenza biochimica (BCR) dopo prostatectomia radicale (RP) rimane una sfida clinica critica, colpendo circa il 25% dei pazienti entro quattro anni. Gli attuali strumenti prognostici spesso mancano della precisione necessaria per stratificare efficacemente il rischio o per elucidare i meccanismi molecolari sottostanti che guidano la ricorrenza. Sebbene sia noto che il microambiente tumorale (TME) governi la progressione del tumore e la risposta terapeutica, gli studi esistenti si affidano frequentemente ad algoritmi isolati o a set genici limitati, non riuscendo a fornire un'analisi completa e integrativa dei geni correlati al TME, delle vie regolatorie e dei paesaggi immunitari. Inoltre, la selezione degli algoritmi di machine learning influenza significatamente la stabilità del modello, rendendo necessaria una strategia di integrazione multi-algoritmo per migliorare l'applicabilità clinica.

Metodologia
Questo studio ha impiegato un framework computazionale multi-step integrando dati trascrittomici da The Cancer Genome Atlas (TCGA) e molteplici coorti del Gene Expression Omnibus (GEO) (GSE70769, GSE46602, GSE116918).

1. Screening Genico: L'algoritmo ESTIMATE è stato utilizzato per calcolare l'ImmuneScore e lo StromalScore per i campioni TCGA-PCa. Sono stati identificati i geni espressi in modo differenziale (DEG) associati a entrambi i punteggi, ottenendo 494 geni candidati correlati al TME.
2. Selezione delle Caratteristiche: È stata applicata l'analisi di regressione di Cox univariata per filtrare i geni significativamente associati alla BCR, risultando in 32 geni candidati.
3. Costruzione del Modello: È stato costruito un framework di machine learning d'insieme utilizzando il pacchetto R MIME, testando 117 combinazioni di dieci algoritmi di analisi della sopravvivenza (tra cui Lasso, Ridge, Elastic Net, CoxBoost, StepCox, ecc.). Il modello ottimale è stato selezionato in base alla media dell'indice di concordanza (C-index) tra i set di addestramento e di validazione.
4. Validazione e Interpretazione: Il modello finale è stato validato tramite analisi di Kaplan–Meier, curve ROC dipendenti dal tempo e coorti esterne. L'analisi SHAP (SHapley Additive exPlanations) è stata utilizzata per interpretare i contributi delle caratteristiche.
5. Analisi Successive: Lo studio ha incluso un profilo immunitario completo (ESTIMATE, ssGSEA, CIBERSORT, xCell), analisi del panorama delle mutazioni somatiche (maftools), analisi di co-espressione genica pesata (WGCNA), predizione della sensibilità ai farmaci (oncoPredict) e analisi di sequenziamento dell'RNA a singola cellula (scRNA-seq) (GSE157703) per esplorare l'espressione specifica per tipo cellulare ed effetti di knockout in silico.

Contributi Chiave e Risultati

• Modello Prognostico: Lo studio ha stabilito un robusto modello prognostico a 8 geni (CCL17, CHI3L2, CSF2RA, CTHRC1, DPT, MNDA, SFRP2, SPIB) utilizzando l'algoritmo CoxBoost + StepCox (forward). Questo modello ha dimostrato prestazioni superiori rispetto a 13 modelli precedentemente pubblicati, raggiungendo valori di C-index e AUC più elevati nelle predizioni a 3 e 5 anni.
• Stratificazione del Rischio: I pazienti sono stati stratificati in gruppi ad alto e basso rischio. Il gruppo ad alto rischio ha mostrato un'incidenza di BCR significativamente maggiore ed è stato fortemente correlato ad caratteristiche clinico-patologiche avverse, tra cui stadi T/N/M avanzati, punteggi di Gleason più elevati e livelli di PSA più alti.
• Paradosso del Paesaggio Immunitario: Un risultato chiave è stato l'identificazione di un fenotipo immunitario paradossale nel gruppo ad alto rischio. Nonostante esibiscano ImmuneScores più elevati e una maggiore infiltrazione di varie cellule immunitarie (inclusi linfociti T CD4+ attivati, cellule T CD8+ di memoria e cellule B), questi pazienti hanno avuto esiti peggiori. Questo gruppo ha mostrato un arricchimento di componenti immunosoppressive, specificamente macrofagi M2 e cellule T regolatorie (Tregs), insieme a una riduzione di plasmacellule e cellule dendritiche attivate.
• Evasione Immunitaria e Checkpoint: Il gruppo ad alto rischio ha mostrato punteggi TIDE (Tumor Immune Dysfunction and Exclusion) elevati, indicando una maggiore propensione all'evasione immunitaria e una potenziale resistenza agli inibitori dei checkpoint immunitari (ICI). Mentre le fasi di priming e reclutamento immunitario (fasi 1 e 4 del ciclo dell'immunità tumorale) erano attive, le fasi effettrici risultavano vincolate.
• Meccanismo di Rimodellamento Stromale: La WGCNA ha identificato un modulo genico chiave (modulo blu) significativamente correlato con il rischio e l'immunità, arricchito per l'organizzazione della matrice extracellulare (ECM) e il metabolismo del collagene. Ciò suggerisce che il rimodellamento stromale, piuttosto che la diretta disregolazione genica immunitaria, possa mediare l'ambiente immunosoppressivo e l'esclusione immunitaria osservati nei pazienti ad alto rischio.
• Approfondimenti a Singola Cellula: L'analisi scRNA-seq ha rivelato origini cellulari distinte per i geni del modello: DPT, SFRP2 e CTHRC1 erano altamente espressi nelle cellule epiteliali, mentre MNDA e CSF2RA erano predominanti nei macrofagi. Le analisi di knockout in silico hanno suggerito che MNDA influenzi l'assemblaggio dell'ECM e che DPT influenzi il metabolismo delle lipoproteine.
• Implicazioni Terapeutiche: L'analisi della sensibilità ai farmaci ha indicato che il gruppo ad alto rischio potrebbe essere più sensibile a oxaliplatino e ciclofosfamide. Al contrario, gli elevati punteggi TIDE e l'upregulation di molteplici checkpoint immunitari (ad es., CTLA4, PDCD1LG2, TIM3) suggeriscono che la monoterapia con ICI possa essere meno efficace per questo sottogruppo.

Significatività
Gli autori affermano che questo studio ha costruito e validato con successo un modello prognostico basato sul TME per la BCR nel PCa che supera gli strumenti esistenti. Il modello fornisce una base per la stratificazione del rischio postoperatorio e la valutazione prognostica individualizzata. Crucialmente, lo studio elucida un meccanismo specifico di crosstalk immunitario-stromale: i pazienti ad alto rischio esibiscono un microambiente "infiammato ma funzionalmente limitato" guidato dal rimodellamento stromale e dall'organizzazione dell'ECM, che porta all'esclusione immunitaria. Questi risultati offrono una base teorica per ottimizzare le strategie terapeutiche, guidando potenzialmente la selezione della chemioterapia rispetto all'immunoterapia per i pazienti ad alto rischio e suggerendo future terapie combinate che coinvolgano modificatori stromali.

Limitazioni
Gli autori riconoscono che lo studio è retrospettivo, basandosi su database pubblici che possono introdurre un bias di selezione. Le funzioni biologiche dei geni identificati e le loro relazioni causali con la BCR mancano di validazione sperimentale in vitro o in vivo. Inoltre, le predizioni sull'immunoterapia si basano su algoritmi computazionali (TIDE/TIP) piuttosto che su dati di risposta immunitaria derivanti da coorti reali di pazienti trattati con immunoterapia.