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

技術要約：乳がん予後予測のための機械学習統合に基づくT細胞関連シグネチャーの開発

問題提起
乳がんは世界で最も一般的な癌であり、特に骨への転移を伴う場合に予後が著しく悪化する。シングルセルシーケンシングは腫瘍の異質性と腫瘍微小環境（TME）を解明してきたが、乳がんの進行および予後におけるT細胞ダイナミクスの具体的な役割については、まだ完全には理解されていない。さらに、既存の臨床ステージングや分子型分類では、腫瘍と免疫系の相互作用の複雑さを十分に捉えきれないことが多く、予後の予測および免疫療法への反応性を評価するための、より強固なバイオマーカーが必要とされている。

方法論
本研究では、シングルセルRNAシーケンシング（scRNA-seq）とバルクRNA-seqデータを組み合わせたマルチオミクス統合戦略を用い、高度な機械学習パイプラインを通じて解析を行った。

1. データ取得および前処理:

   • scRNA-seq: 原発性乳がん組織および対になるリンパ節転移を含む2つのデータセット（GSE180286およびGSE158399）を、RパッケージのSeuratを用いて解析した。SCTransformによりバッチ効果を除去し、次元削減（PCA、t-SNE）を実施した。
   • バルクRNA-seq: The Cancer Genome Atlas（TCGA-BRCA）および6つの独立したGEOデータセット（GSE1456, GSE20685, GSE24450, GSE42568, GSE58812, GSE7390）からトランスクリプトームおよび臨床データを取得した。
   • 免疫療法コホート: 3つの免疫療法データセット（GSE78220（メラノーマ）、GSE135222（小細胞肺癌）、IMvigor210（尿路上皮癌））を用いて検証を行った。

2. シグネチャーの構築:

   • 細胞アノテーションおよび差異解析: scRNA-seqデータにより13の細胞クラスターを特定した。T細胞集団は、腫瘍組織と転移組織の間で有意な存在量の差を示した。これらのT細胞状態間の差異遺伝子（logFC > 0.5, p < 0.05）を抽出した。
   • サブタイピング: T細胞差異遺伝子に基づくコンセンサスクラスタリングにより、TCGA-BRCAのサンプルを2つのサブタイプ（C1およびC2）に分割した。
   • 機械学習の統合: TCGAコホートから、単変量Cox回帰を通じて419個の差異遺伝子をスクリーニングし、52個の予後関連遺伝子を特定した。これらを、10種類の機械学習アルゴリズム（Random Survival Forest、Elastic Net、Lasso、Ridge、Stepwise Cox、CoxBoostなど）による101通りの組み合わせに供した。
   • 最適モデルの選択: 全データセットを通じて平均ハレルズの一致指数（C-index）が最も高かったモデルを選択した。最適な組み合わせは、StepCox (forward) + Ridge回帰であった。

3. 検証および解析:

   • 予後価値: 中央値のリスクスコアに基づき、患者を高リスク群と低リスク群に層別化した。生存解析（Kaplan-Meier）、ROC曲線、およびC-indexの比較をすべてのデータセットに対して行った。
   • TMEおよびマルチオミクス: ssGSEA、ESTIMATE、およびCIBERSORTを用いて免疫浸潤を評価した。体細胞変異はmaftoolsを用いて解析し、腫瘍遺伝子変異量（TMB）を算出した。免疫療法への反応性を予測するために、Tumor Immune Dysfunction and Exclusion (TIDE) スコアを算出した。

主な結果

• T細胞サブタイプの特定: 2つのコンセンサスクラスター（C1およびC2）が特定された。C2は「ホット」な腫瘍表現型を示し、C1と比較して、免疫細胞浸潤（活性化CD8+ T細胞、NK細胞、マクロファージを含む）が有意に高く、全生存率も有意に良好であった。
• TRSモデルの堅牢性: StepCox+Ridgeモデルから導出されたT細胞関連シグネチャー（TRS）は、7つの独立したデータセットにおいて、従来の臨床的特性（年齢、性別、T/N/Mステージング、および分子サブタイプ）よりも優れた予後予測精度を示した。モデルは、様々なコホートにおいて0.682から0.769の範囲のC-index値を維持し、高い精度を保持していた。
• TMEおよびゲノミクスとの関連:
  • 低TRS群: 免疫細胞浸潤が豊富であり、MHC分子、ケモカイン、および免疫チェックポイント（PD-1、PD-L1、CTLA-4）の発現が高く、がん免疫サイクルの全7段階における活性が高いことを特徴とする。
  • 高TRS群: 腫瘍純度がより高く、免疫浸潤が少なく、腫瘍遺伝子変異量（TMB）が高いことに関連している。特筆すべき点として、高TRS群ではTP53変異の頻度が高く（低TRS群の20%に対し49%）、TIDEスコアも高く、免疫機能不全および免疫排除を示唆している。
• 免疫療法の予測: 3つの独立した免疫療法コホートにおいて、低TRSスコアの患者は、高TRS患者と比較して、PD-1/PD-L1阻害剤に対する全生存期間が有意に長く、奏効率（完全奏効/部分奏効）も高かった。低TRSは、「免疫炎症的（inflamed）」な腫瘍表現型と強く関連していた。

意義および主張
著者らは、本研究が、乳がんにおける独立した予後因子として機能する、機械学習由来の堅牢なT細胞関連シグネチャー（TRS）の開発に成功したと主張している。本研究の意義は以下の通りである：

1. 優れた予測能: TRSは、患者の生存予測において従来の臨床ステージングや分子サブタイピングを凌駕する。
2. 免疫療法のガイダンス: 本シグネチャーは、免疫チェックポイント阻害剤の恩恵を受ける可能性が高い患者を効果的に層別化し、「ホット」な腫瘍微小環境を持つ「低TRS」集団を特定できる。
3. メカニズムへの洞察: 本研究は、特定のT細胞関連遺伝子発現パターンを、免疫浸潤、TMB、および免疫チェックポイントの発現と結びつけており、観察された予後の違いに生物学的な根拠を与えている。

限界
著者らは以下の限界を認めている：

• 回顧的な性質: すべてのデータは公開されている回顧的コホートから得られたものであり、選択バイアスが生じる可能性がある。
• サンプルサイズ: 一部の免疫療法検証コホートは、比較的サンプルサイズが小さい（例：n=27, n=28）。
• メカニズムの検証: シグネチャーに含まれる特定の遺伝子の具体的な生物学的機能は、in vitroまたはin vivoモデルを用いた実験的な検証が行われていない。
• 前向きデータの欠如: 本モデルは、前向き臨床試験においてまだ検証されていない。

結論
本研究は、TRSモデルが乳がんにおける個別化された予後予測および臨床的意思決定のための強力なツールであり、特に免疫療法が奏効する可能性のある患者を特定する上で有用であると結論付けている。今後の課題として、多施設共同の前向き研究におけるこれらの知見の検証、および基礎となる分子メカニズムの解明が必要である。