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

Resumo Técnico: Desenvolvimento de Assinaturas Associadas a Células T Baseadas na Integração de Aprendizado de Máquina para Predição do Prognóstico do Câncer de Mama

Declaração do Problema
O câncer de mama continua sendo o câncer mais prevalente globalmente, com o prognóstico deteriorando-se significativamente após a metástase, particularmente para o osso. Embora o sequenciamento de célula única tenha elucidado a heterogeneidade tumoral e o microambiente tumoral (MET), o papel específico da dinâmica das células T na progressão e no prognóstico do câncer de mama permanece incompletamente compreendido. Além disso, o estadiamento clínico e a tipagem molecular existentes frequentemente falham em capturar totalmente a complexidade das interações tumoro-imunes, necessitando de biomarcadores mais robustos para a predição prognóstica e avaliação da resposta à imunoterapia.

Metodologia
O estudo empregou uma estratégia de integração multiômica combinando dados de sequenciamento de RNA de célula única (scRNA-seq) e RNA-seq de massa (bulk), analisados através de pipelines avançados de aprendizado de máquina:

1. Aquisição e Pré-processamento de Dados:

   • scRNA-seq: Dois conjuntos de dados (GSE180286 e GSE158399) contendo tecidos de câncer de mama primário e metástases de linfonodos pareados foram analisados usando o pacote R Seurat. Os efeitos de lote foram removidos via SCTransform, e a redução de dimensionalidade (PCA, t-SNE) foi realizada.
   • Bulk RNA-seq: Dados de transcriptoma e clínicos foram recuperados do The Cancer Genome Atlas (TCGA-BRCA) e de seis conjuntos de dados GEO independentes (GSE1456, GSE20685, GSE24450, GSE42568, GSE58812, GSE7390).
   • Coortes de Imunoterapia: A validação foi conduzida utilizando três conjuntos de dados de imunoterapia: GSE78220 (melanoma), GSE135222 (câncer de pulmão de pequenas células) e IMvigor210 (carcinoma urotelial).

2. Construção da Assinatura:

   • Anotação Celular e Análise Diferencial: Os dados de scRNA-seq identificaram 13 clusters celulares. As populações de células T mostraram abundância diferencial significativa entre tecidos tumorais e metastáticos. Genes diferenciais (logFC > 0,5, p < 0,05) entre esses estados de células T foram extraídos.
   • Subtipagem: O agrupamento por consenso baseado em genes diferenciais de células T dividiu as amostras TCGA-BRCA em dois subtipos (C1 e C2).
   • Integração de Aprendizado de Máquina: Do coorte TCGA, 419 genes diferenciais foram triados via regressão de Cox univariada para identificar 52 genes prognósticos. Estes foram submetidos a 101 combinações de 10 algoritmos de aprendizado de máquina (incluindo Random Survival Forest, Elastic Net, Lasso, Ridge, Stepwise Cox, CoxBoost, etc.).
   • Seleção do Modelo Ótimo: O modelo com o maior índice de concordância de Harrell (C-index) médio entre os conjuntos de dados foi selecionado. A combinação ótima foi identificada como StepCox (forward) + regressão Ridge.

3. Validação e Análise:

   • Valor Prognóstico: Os pacientes foram estratificados em grupos de alto e baixo risco com base na mediana do escore de risco. Análises de sobrevivência (Kaplan-Meier), curvas ROC e comparações de C-index foram realizadas em todos os conjuntos de dados.
   • MET e Multiômica: A infiltração imune foi avaliada usando ssGSEA, ESTIMATE e CIBERSORT. Mutações somáticas foram analisadas via maftools para calcular a Carga Mutacional Tumoral (TMB). O escore de Disfunção e Exclusão Imune Tumoral (TIDE) foi computado para predizer a resposta à imunoterapia.

Resultos Principais

• Identificação de Subtipos de Células T: Dois clusters de consenso (C1 e C2) foram identificados. O C2 exibiu um fenótipo tumoral "quente" (hot) com infiltração de células imunes significativamente maior (incluindo células T CD8+ ativadas, células NK e macrófagos) e uma taxa de sobrevida global significativamente melhor em comparação ao C1.
• Robustez do Modelo TRS: A assinatura associada a células T (TRS), derivada do modelo StepCox+Ridge, demonstrou precisão prognóstica superior comparada aos traços clínicos convencionais (idade, sexo, estadiamento T/N/M e subtipo molecular) em sete conjuntos de dados independentes. O modelo manteve alta precisão com valores de C-index variando de 0,682 a 0,769 em várias coortes.
• Associação com MET e Genômica:
  • Grupo de Baixo TRS: Caracterizado por abundância de infiltração de células imunes, maior expressão de moléculas de MHC, quimiocinas e checkpoints imunes (PD-1, PD-L1, CTLA-4), e atividade elevada através de todos os sete passos do ciclo imune do câncer.
  • Grupo de Alto TRS: Associado a maior pureza tumoral, menor infiltração imune e maior Carga Mutacional Tumoral (TMB). Notavelmente, o grupo de alto TRS mostrou uma frequência mais alta de mutações em TP53 (49% vs. 20% no baixo TRS) e um escore TIDE mais elevado, indicando disfunção e exclusão imune.
• Predição de Imunoterapia: Em três coortes de imunoterapia independentes, pacientes com escores de baixo TRS exibiram significativamente melhor sobrevida global e maiores taxas de resposta (Remissão Completa/Parcial) ao bloqueio de PD-1/PD-L1 em comparação com pacientes de alto TRS. O baixo TRS foi fortemente associado ao fenótipo tumoral "imunoinflamatório" (inflamado).

Significância e Alegações
Os autores afirmam que este estudo desenvolveu com sucesso uma robusta assinatura associada a células T (TRS), derivada de aprendizado de máquina, que serve como um fator prognóstico independente para o câncer de mama. A significância do trabalho reside em:

1. Poder Preditivo Superior: O TRS supera o estadiamento clínico tradicional e a subtipagem molecular na predição da sobrevida do paciente.
2. Orientação para Imunoterapia: A assinatura estratifica efetivamente pacientes com probabilidade de se beneficiar de inibidores de checkpoint imune, identificando uma população de "baixo TRS" com um microambiente tumoral "quente" e resposta favorável à imunoterapia.
3. Visão Mecanística: O estudo vincula padrões de expressão gênica associados a células T à infiltração imune, TMB e expressão de checkpoints imunes, fornecendo uma base biológica para as diferenças prognósticas observadas.

Limitações
Os autores reconhecem diversas limitações:

• Natureza Retrospectiva: Todos os dados foram derivados de coortes públicas e retrospectivas, o que pode introduzir viés de seleção.
• Tamanho da Amostra: Algumas coortes de validação de imunoterapia possuíam amostras relativamente pequenas (ex: n=27, n=28).
• Validação Mecanística: As funções biológicas específicas dos genes incluídos na assinatura não foram validadas experimentalmente via modelos in vitro ou in vivo.
• Falta de Dados Prospectivos: O modelo ainda não foi validado em ensaios clínicos prospectivos.

Conclusão
O estudo conclui que o modelo TRS é uma ferramenta poderosa para a predição prognóstica personalizada e tomada de decisão clínica no câncer de mama, particularmente para identificar pacientes que podem se beneficiar da imunoterapia. Trabalhos futuros são necessários para validar esses achados em estudos multicêntricos prospectivos e elucidar os mecanismos moleculares subjacentes.