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

技術要約：乳がんにおけるネクロプトーシスと免疫のクロストークに関する統合的多コホート・トランスクリプトーム解析

問題提起
乳がんは、特に治療抵抗性のサブタイプにおいて、依然としてがん関連死亡の主要な原因となっている。腫瘍微小環境（TME）および免疫浸潤が疾患の進行に果たす役割は確立されているが、ネクロプトーシス（制御された炎症性非アポトーシス細胞死経路）の具体的なトランスクリプトーム・ランドスケープは、体系的に定義されていない。既存の文献は、個々のネクロプトーシス構成要素（例：RIPK3、STAT1）に焦々に焦点を当てることが多く、乳腺腫瘍においてネクロプトーシス遺伝子ネットワーク全体がどのように振る舞うのか、また、独立した患者コホート間で免疫微小環境とどのように相関しているのかという、システムレベルの視点が欠けている。

方法論
本研究では、Gene Expression Omnibus (GEO) から取得した4つの公開遺伝子発現データセットを利用した、統合的なバイオインフォマティクス・アプローチを採用した。

• ディスカバリー・コホート： マージされたデータセット GSE42568、GSE15852、および GSE29431（合計 $n=273$；腫瘍 201、正常 72）。
• バリデーション・コホート： 独立したデータセット GSE70947（$n=296$；腫瘍 148、正常 148）。

データ処理および解析パイプライン：

1. 前処理： 生データに対して Robust Multi-array Average (RMA) 正規化、分位点正規化、およびプローブから遺伝子へのマッピングを行った。バッチ効果は、生物学的分散（腫瘍 vs 正常）を保持しつつ、ComBat アルゴリズムを用いて補正した。
2. 差分的発現解析： limma パッケージを用いて、差分的発現遺伝子（DEG）を特定した（調整済み $p < 0.05$、 $|\log_2FC| \ge 1$）。
3. ネクロプトーシスへの焦点： キュレートされた159個のネクロプトーシス関連遺伝子（KEGG、Reactome、および文献由来）を、DEGと交差させた。各サンプルに対して、GSVAに基づくネクロプトーシス活性スコアを算出した。
4. 機械学習 (ML)： ペナルティ付きロジスティック回帰 (Lasso)、サポートベクターマシン (SVM)、およびランダムフォレスト (RF) の3つのアルゴリズムを、ディスカバリー・コホートの 80/20 分割を用いて学習させた。
   • 特徴量選択： 初期モデルには7つのネクロプトーシス関連 DEG を使用した。全 840 個の DEG を3つの ML 手法による特徴量の重要度に基づきランク付けし、上位 25%（31 遺伝子）を選択することで、コンセンサス・シグネチャーを導出した。
   • 解釈性： 最も優れた性能を示したモデル（SVM）に対し、特徴量の寄与を定量化するために SHAP (SHapley Additive exPlanations) 値を算出した。
5. 免疫プロファイリング： xCell アルゴリズムを用い、バルク発現データを 67 種類の免疫およびストローマ細胞型へとデコンボリューションした。
6. バリデーション： 31 遺伝子のシグネチャーおよび免疫パターンを、独立した GSE70947 コホートで検証した。

主な結果

• トランスクリプトーム・ランドスケープ： 解析により 840 個の DEG（アップレギュレート 304、ダウンレギュレート 536）が特定された。特筆すべきは、腫瘍組織において代謝および脂肪細胞関連遺伝子（例：PCK1、RBP4、PLIN1）の有意なダウンレギュレーションと、上皮マーカー（例：KRT19、CD24）のアップレギュレーションが認められたことである。
• ネクロプトーシスの抑制： 検出された 105 個のネクロプトーシス遺伝子のうち、7 個が差分的発現遺伝子 (DE-NRG) であった。6 つの遺伝子（PLA2G4A、STAT5A、PYGL、TLR4、MAPK10、IL33）はダウンレギュレートされていたが、STAT1 はアップレギュレートされていた。全体の GSVA ネクロプトーシス・スコアは腫瘍において有意に低く、経路の抑制を示していた。
• 予測シグネチャー： 31 遺伝子のコンセンサス・シグネチャーを開発した。ディスカバリー・テストセットにおいて、SVM モデルは AUC 0.968、AUPRC 0.987、Brier スコア 0.049 を達成した。独立したバリデーション・コホートにおいても、モデルは AUC 0.842 を維持し、識別能を示した。
• 特徴量の重要度： SHAP 解析により、PCK1、RBP4、TNMD、ITIH5、PLIN1 がトップの予測因子であることが特定された。これらは主に代謝およびストローマ遺伝子であり、このシグネチャーが単なるネクロプトーシス調節因子ではなく、より広範な微小環境のリモデリングを捉えていることを示唆している。
• 免疫・ストローマのクロストーク： 腫瘍サンプルは、上皮の濃縮と、ストローマ成分（脂肪細胞、線維芽細胞、血管内皮細胞）の枯渇を示した。DE-NRG と免疫/ストローマ細胞スコアの間には 148 個の有意な相関が存在した。ネクロプトーシス活性スコアは、ストローマ集団（脂肪細胞、線維芽細胞）と正の相関を示し、上皮含有量と負の相関を示した。
• コホート間の整合性： DE-NRG の発現変動の方向および免疫浸潤のパターンは、バリデーション・コホートにおいても高い再現性を示した（効果量のスピアマン相関 $r=0.757$）。

意義および主張
本論文は、乳がんにおけるネクロプトーシスの最初のシステムレベルのトランスクリプトーム特性評価を提供し、ネクロプトーシスが単一のノードでのみ異常を示すのではなく、複数の構成要素にわたって協調的に抑制されていることを明らかにしている。本研究は以下のことを実証している：

1. ネクロプトーシスは微小環境と連結している： ネクロプトーシスの抑制は、腫瘍微小環境のリモデリング、具体的にはストローマの完全性（脂肪細胞および線維芽細胞）の喪失と悪性上皮の拡大と強く関連している。
2. 堅牢なバイオマーカー： 派生した 31 遺伝子シグネチャーは、腫瘍と正常組織を効果的に識別し、独立したコホート間で汎用性を持ち、標準的なネクロプトーシス遺伝子のみに基づくモデルよりも優れた性能を示す。
3. メカニズム的知見： 本知見は、バルク組織における「ネクロプトーシス・シグナル」が、大部分においてストローマ細胞の存在を反映していることを示唆している。すなわち、正常乳腺組織におけるネクロプトーシス関連転写物の主要な供給源はストローマ細胞である。
4. 治療的文脈： 経路の全般的なダウンレギュレーションは、乳がんにおいてネクロプトーシスが腫瘍抑制メカニズムとして機能するという仮説を支持している。したがって、ネクロプトーシスを再活性化させる戦略（例：SMAC ミメティクスや IAP アンタゴニスト）は実行可能な手段となり得るが、STAT1 や TLR4 のような炎症における二面性を考慮し、注意が必要である。

本研究は、バルク組織の使用（細胞型特異的な帰属を妨げる）および臨床アウトカムデータの欠如という限界はあるものの、マルチコホート統合と機械学習による検証が、乳がんにおけるネクロプトーシスと免疫のクロストークを理解するための強固な基盤を提供すると結論付けている。