Tumor reactivity assessment using clonal expression (TRACE) reveals tumor reactive CD8+ T cell heterogeneity across solid tumors

Dit artikel introduceert TRACE, een robuust algoritme dat op basis van clonale expressie tumorreactieve CD8+ T-cellen in diverse solide tumoren identificeert en hun heterogeniteit onthult, wat waardevol is voor het begrijpen van de respons op immunotherapieën.

De kern

De Tumor-Reactiviteitsschaal (TRACE): Een slimme detector voor de juiste soldaten

Stel je voor dat je lichaam een versterkte stad is en kanker een bende inbrekers die zich in de stad heeft genesteld. Om deze inbrekers te stoppen, stuurt het immuunsysteem een leger van speciale soldaten, de T-cellen, de stad in. Deze soldaten noemen we Tumor Infiltrating Lymphocytes (TIL's).

Het probleem is echter dat niet alle soldaten even goed zijn.

1. De echte helden: Dit zijn de Tumor-Reactive T-cells (TRT's). Zij hebben een specifieke "Wanted"-poster van de kankercellen in hun hoofd. Zij weten precies wie de vijand is en vallen hen aan.
2. De omstanders: Dit zijn de bystanders. Zij zien eruit als soldaten, dragen hetzelfde uniform, maar hebben geen idee wie de vijand is. Ze lopen alleen maar rond, maken lawaai, maar doen niets tegen de kanker.

Vroeger was het heel moeilijk om deze twee groepen uit elkaar te houden. Het leek alsof je een hele hoop soldaten in een mist zag lopen en je moest raden wie de echte helden waren. Bestaande methoden waren vaak traag, duur, of werkten alleen voor één specifieke ziekte.

Wat is TRACE?

De auteurs van dit paper hebben een slim computerprogramma ontwikkeld dat TRACE heet. Je kunt TRACE zien als een super-scherpe scanner of een detective-bril die je op de data van de soldaten zet.

Hier is hoe het werkt, in simpele termen:

• Het leert van ervaring: TRACE is niet zomaar een willekeurig programma. Het is getraind op een enorme verzameling gegevens van echte "helden" en "omstanders" uit verschillende ziekenhuizen en onderzoeken. Het heeft geleerd hoe de "handtekening" (het gedrag en de energie) van een echte kanker-aanvaller eruit ziet.
• Het kijkt naar de hele groep: Soms zijn soldaten binnen dezelfde groep (een "klon") heel verschillend. TRACE kijkt niet alleen naar één soldaat, maar naar de hele groep. Het is slim genoeg om te zeggen: "Oké, deze groep heeft de juiste kenmerken, zelfs als één soldaat even rust neemt."
• Het is onafhankelijk: Veel andere scanners moeten eerst heel veel aanpassingen (zoals het schoonmaken van de data) voordat ze werken. TRACE is zo robuust dat het direct werkt, of je nu data uit Amerika, Europa of een heel ander lab hebt. Het is als een tolk die elke taal direct begrijpt zonder dat je eerst een woordenboek nodig hebt.

Wat heeft het ontdekt?

De onderzoekers hebben TRACE getest en het werkt fantastisch:

1. Hoge precisie: In tests kon TRACE de echte helden van de omstanders scheiden met een nauwkeurigheid van bijna 90%.
2. De echte test: Ze hebben het in het lab getest. Ze namen T-cellen van een patiënt, lieten ze vechten tegen de eigen kankercellen in een kom, en keken welke soldaten wakker werden. TRACE had precies diezelfde soldaten al eerder in de data "gezien" en als helden gemarkeerd.
3. Alles in één oogopslag: Ze hebben TRACE gebruikt op honderden patiënten met longkanker, darmkanker en alvleesklierkanker. Het bleek dat in de tumor de "helden" vaak erg moe en uitgeput leken (een teken dat ze hard hebben gevochten), maar dat deze uitputting niet voorkwam in gezonde weefsels. TRACE onderscheidt dus perfect: "Uitputting door gevecht in de tumor" versus "gewone moeheid".

Waarom is dit belangrijk?

Voor artsen en patiënten is dit een game-changer.

• Beter voorspellen: Als je weet hoeveel "echte helden" er in een tumor zitten, kun je beter voorspellen of een patiënt zal reageren op immunotherapie (een behandeling die het eigen immuunsysteem activeert).
• Betere behandelingen: Voor therapieën waarbij je soldaten uit het lichaam haalt, vermenigvuldigt en weer teruggeeft (zoals TIL-therapie), kun je nu met TRACE selecteren: "Haal alleen de groepen met de echte helden eruit." Dit maakt de behandeling effectiever en goedkoper.

Samenvattend:
TRACE is als een slimme, open-source detector die voor iedereen beschikbaar is. Het helpt ons in de chaos van het immuunsysteem de echte kankerbestrijders te vinden, zodat we de juiste medicijnen op het juiste moment kunnen geven. Het is een stap in de richting van een wereld waar kankerbehandeling minder gissen en meer wetenschap is.

Technische samenvatting

Probleemstelling

Tumor-infiltrerende lymfocyten (TIL's) zijn cruciaal voor de werking van immunotherapieën zoals checkpoint-blokkades (ICB) en adoptieve celtherapieën (ACT). Het tumor-micro-omgeving (TME) bevat echter een heterogene mix van T-cellen:

1. Tumor-reactieve T-cellen (TRT's): Herkennen tumorantigenen (inclusief neo-antigenen) en zijn essentieel voor therapeutisch succes.
2. Bijstanders (Bystanders): Hebben geen specificiteit voor het tumorantigeen en dragen niet bij aan de tumorvernietiging.

Bestaande methoden om TRT's te identificeren (zoals functionele assays, peptide-MHC multimers of bulk-phenotypische proxies) zijn arbeidsintensief, moeilijk te schalen en vaak incompatibel met routine single-cell profiling. Bestaande computationele benaderingen op basis van scRNA-seq-data hebben beperkingen:

• Ze zijn vaak getraind op kleine, specifieke datasets (beperkte statistische power).
• Ze vereisen uitgebreide normalisatie en batch-correctie.
• Ze modelleren vaak geen clonale heterogeniteit (T-cellen met dezelfde TCR kunnen verschillende transcriptiestaten hebben).
• Ze zijn niet altijd reproduceerbaar of openbaar beschikbaar voor nieuwe datasets.

Er is dus behoefte aan een robuust, schaalbaar en clonotype-bewust framework om tumorreactiviteit te voorspellen uit single-cell transcriptoomdata.

Methodologie: TRACE Framework

De auteurs introduceren TRACE (Tumor Reactivity Assessment using Clonal Expression), een machine-learning framework dat is ontworpen om tumorreactiviteit af te leiden uit scRNA-seq-data.

1. Dataverzameling en Training:

• Datasets: TRACE is getraind op een geaggregeerde dataset van zes verschillende publicaties met geverifieerde TRT-labels (experimenteel gevalideerd) en scRNA/scTCR-seq data.
• Data: In totaal 40.156 cellen uit 16.465 unieke CD8+ clonotypes. Dit omvatte zowel bevestigde TRT's als een diverse set van "ware negatieven" (van gezonde donoren, COVID-19-patiënten en TIL's met bekende niet-tumorantigenen).
• Labeling: TRT-status werd bepaald op basis van experimentele validatie (bijv. TCR-sequencing gekoppeld aan functionaliteit) of via VDJdb voor bekende antigenen.

2. Technische Innovaties en Pre-processing:

• Clonotype-aggregatie: In plaats van alleen op cel-niveau te werken, worden cellen met dezelfde TCR-clonotype samengevoegd. De expressie wordt samengevat met de 75e percentiel van de expressiewaarden binnen een kloon. Dit behoudt biologische heterogeniteit terwijl ruis door stochastische genexpressie wordt verminderd.
• Expressie-binning (Expression Binning): Om gevoeligheid voor sequentie-diepte, platformverschillen en batch-effecten te minimaliseren, worden genexpressiewaarden omgezet in discrete bins (ordinaal) in plaats van log-normalisatie. Dit versnelt het trainen met >5x en verbetert de generalisatie.
• Feature Selectie: Het model gebruikt een vaste set van 50 top-genen die consistent hoge feature-importance hebben in de training. Deze set omvat genen gerelateerd aan cytotoxiciteit (GZMB, NKG7), chronische activatie/uitputting (PDCD1, LAG3, TOX, ENTPD1/CD39) en afwezigheid van naïeve/stam-kenmerken (LEF1, TCF7).
• Model Architectuur: Er werd gekozen voor XGBoost (gradient-boosted decision trees) na vergelijking met Random Forest en AdaBoost.
• Validatie: Nested cross-validatie op kloon-niveau (train/test splits op kloon-niveau om data-lekkage te voorkomen) met 50 verschillende seeds.

3. Experimentele Validatie:

• De auteurs voerden een co-cultuur-experiment uit met geëxpandeerde TIL's en autologe melanoom-tumorcellen.
• Reactiviteit werd gemeten via de expressie van 4-1BB (TNFRSF9) en CD69 na MHC-gemedieerde stimulatie.
• TRACE-predicties op het oorspronkelijke tumor-materiaal werden vergeleken met de experimenteel geverifieerde labels van de co-cultuur.

Belangrijkste Resultaten

1. Prestatie en Validatie:

• TRACE bereikte een gemiddelde Matthews Correlation Coefficient (MCC) van 0,84 en een F1-score van 0,85 op hold-out datasets.
• In experimentele validatie (melanoom co-cultuur) voorspelde TRACE correct 82% van de experimenteel reactiviteit-positieve klonen en 80% van de negatieve klonen.
• TRACE presteerde gelijkwaardig of beter dan bestaande methoden (NeoTCR8, TRTpred, TR30, MANAscore), vooral in het verminderen van vals-positieven in niet-tumorweefsel.

2. Biologische Specificiteit:

• TRACE-scores waren significant hoger in uitgeputte CD8+ T-cellen binnen tumoren vergeleken met uitgeputte cellen in normaal aangrenzend weefsel of niet-kanker monsters (zoals COPD of gezonde controles).
• Dit bevestigt dat TRACE specifiek is voor tumor-antigeen-ervaren cellen en niet simpelweg een maatstaf is voor algemene T-cel-uitputting.
• TRACE identificeerde correct clonotypen die geassocieerd zijn met clonale expansie en chronische antigen-stimulatie.

3. Toepassing op Tumoren en Klinische Correlaties:

• Pan-kanker Atlas: TRACE toonde de hoogste scores in terminaal uitgeputte (Tex) en GZMK+ subtypes, maar niet in TCF7+ (stam-achtige) Tex-cellen.
• NSCLC (Longkanker): Hoge TRACE-scores correleerden met KRAS-mutaties.
• CRC (Kolonkanker): Tumoren met Microsatelliet-instabiliteit (MSI) hadden significant hogere TRACE-scores dan Microsatelliet-stabiele (MSS) tumoren, wat wijst op een hogere aanwezigheid van tumor-reactieve T-cellen.
• PDAC (Pancraskanker): Lage algehele scores (in lijn met de lage immunogeniciteit), maar hogere scores in metastasen dan in primaire tumoren.

Bijdragen en Significantie

1. Technische Innovatie:
TRACE is de eerste tool die expliciet clonale structuur integreert in een machine-learning model voor tumorreactiviteit, gebruikmakend van een robuuste "binning"-methode die platform-afhankelijkheid minimaliseert. Het vereist geen handmatige batch-correctie voor nieuwe datasets.

2. Open Science en Reproduceerbaarheid:
Het model is open source met vrij toegankelijke modelgewichten (checkpoints) en code. Dit stelt de gemeenschap in staat TRACE toe te passen op nieuwe datasets zonder opnieuw te hoeven trainen, en het model te verfijnen naarmate nieuwe data beschikbaar komt.

3. Klinische Impact:

• Biomarker: TRACE kan dienen als een robuuste biomarker om het aandeel tumor-reactieve T-cellen in TIL-producten te kwantificeren, wat essentieel is voor het voorspellen van respons op immunotherapie.
• Therapie-ontwikkeling: Het helpt bij het selecteren van de meest veelbelovende T-cel-klonen voor adoptieve celtherapie (ACT) en bij het ontdekken van nieuwe TCR-sequenties.
• Generaliseerbaarheid: De tool werkt betrouwbaar over verschillende tumorsoorten (melanoom, long, colon, pancreas) en sequencing-platforms (10x, Smart-seq2, etc.).

Conclusie:
TRACE biedt een krachtig, schaalbaar en biologisch onderbouwd framework om tumor-reactieve T-cellen te onderscheiden van bijstanders in complexe single-cell datasets. Door de beperkingen van eerdere methoden te overwinnen en experimentele validatie te bieden, positioneert het zich als een standaardtool voor de karakterisering van het immuunmicro-omgeving in de oncologie.