Muerte celular inmunogénica

Jul 09, 2023

Scientific Reports volumen 13, Número de artículo: 9118 (2023) Citar este artículo

Detalles de métricas

La muerte celular inmunogénica (ICD, por sus siglas en inglés) es una forma de muerte celular que estimula el sistema inmunitario para que produzca una respuesta inmunitaria mediante la liberación de antígenos asociados a tumores y antígenos específicos de tumores, y se considera que desempeña un papel importante en la inmunoterapia tumoral. En el presente estudio, identificamos dos subtipos relacionados con ICD en osteosarcoma (OS) por agrupación de consenso. El subtipo ICD-low se asoció con resultados clínicos favorables, abundante infiltración de células inmunitarias y alta actividad de señalización de la respuesta inmunitaria. También establecimos y validamos un modelo de pronóstico relacionado con ICD, que no solo podría usarse para predecir la supervivencia general de los pacientes con OS, sino que también se encontró que estaba estrechamente relacionado con el microambiente inmunológico tumoral de los pacientes con OS. En general, establecimos un nuevo sistema de clasificación para OS basado en genes relacionados con ICD, que se puede usar para predecir el pronóstico de pacientes con OS y para seleccionar fármacos de inmunoterapia apropiados.

Durante la quimioterapia para tumores, los fármacos pueden inhibir el crecimiento tumoral al inducir la apoptosis u otro modo de muerte programada de las células tumorales1. Durante mucho tiempo se ha creído que las células tumorales apoptóticas son no inmunogénicas e inmunotolerantes2,3, pero una gran cantidad de estudios recientes han demostrado que algunas células tumorales apoptóticas también son inmunogénicas, es decir, muerte celular inmunogénica (ICD)4,5. ICD es una variante específica de muerte celular regulada (RCD) impulsada por estrés6. ICD estimula el sistema inmunitario para que produzca una respuesta inmunitaria mediante la liberación de antígenos asociados a tumores (TAA) y antígenos específicos de tumores (TSA) y se caracteriza por la liberación o el aumento de la expresión de patrones moleculares asociados a daños (DAMP), antígenos precursores , citocinas inflamatorias y mediadores inflamatorios7,8. Por lo tanto, si puede inducir la muerte inmunogénica de las células tumorales es uno de los factores importantes que afectan el efecto terapéutico.

El osteosarcoma (OS) es el tumor óseo maligno más frecuente, y su población de alta incidencia es principalmente adolescente, representando aproximadamente el 5% del total de tumores pediátricos9,10. Aunque se han logrado grandes avances en la tasa de supervivencia a 5 años de los pacientes con OS, los resultados de los pacientes con OS avanzado siguen siendo insatisfactorios, lo que resulta de la resistencia a la quimioterapia y la metástasis de células cancerosas11,12. La quimioterapia es un tratamiento convencional para el OS, y juega un papel importante en el tratamiento de pacientes con OS con dolor óseo local y recurrencia, así como aquellos que no pueden ser operados o rechazan la cirugía13,14. Sin embargo, la sensibilidad de las células del OS a los fármacos de quimioterapia es baja, por lo que algunos pacientes con OS desarrollan resistencia a la quimioterapia, lo que afecta en gran medida el efecto de la quimioterapia y se ha convertido en un factor clave que afecta la eficacia del tratamiento y el pronóstico de los pacientes con OS13,14. Por lo tanto, se necesitan urgentemente más estudios sobre la predicción de la sensibilidad a los medicamentos de quimioterapia en las células OS, lo que es significativo para mejorar la supervivencia general de los pacientes con OS.

Recientemente, con el rápido desarrollo de la tecnología bioinformática, la bioinformática se ha vuelto cada vez más popular para estudiar el mecanismo molecular de las enfermedades y descubrir biomarcadores específicos de enfermedades, que se utilizan cada vez más para el diagnóstico y tratamiento precisos de enfermedades. Algunos artículos publicados recientemente describen el establecimiento de nuevos sistemas de clasificación del cáncer basados ​​en la clasificación relacionada con ICD mediante el análisis del conjunto de datos del perfil de expresión del transcriptoma de tejidos cancerosos en bases de datos públicas, incluido el carcinoma de células escamosas de cabeza y cuello15 y los aneurismas intracraneales16. Esta clasificación relacionada con la CIE se puede utilizar para predecir el pronóstico y la sensibilidad a los medicamentos de los pacientes con cáncer.

En este estudio, nuestro objetivo fue identificar un modelo de evaluación de riesgos basado en genes relacionados con ICD que sea beneficioso para evaluar el microambiente inmunitario, la supervivencia general y la respuesta al tratamiento en pacientes con OS, lo que puede ayudar a los médicos a tomar decisiones importantes sobre el tratamiento de pacientes con S.O.

Muchos estudios informaron treinta y cuatro genes relacionados con ICD, y verificamos de forma cruzada los genes expresados ​​​​anormalmente de muestras de OS en la base de datos Target con estos 34 genes relacionados con ICD. Como se muestra en la Fig. 1A, el diagrama de Venn mostró que había 33 genes que se cruzaban entre los genes expresados ​​​​por OS. A continuación, la evaluación pronóstica de los 33 genes relacionados con ICD identificados mediante análisis de Cox univariado mostró que 13 genes estaban asociados con el pronóstico de pacientes con OS (Fig. 1B), incluidos CASP1, CD8A, CXCR3, EIF2AK3, FOXP3, IFNG, IFNGR1, IL -10, LY96, MYD88, NLRP3, PRF1 y TLR4. Además, realizamos un análisis de supervivencia de Kaplan‒Meier de los 13 genes relacionados con ICD identificados en pacientes con OS y descubrimos que todos estaban significativamente relacionados con la supervivencia de los pacientes con OS (Fig. 1C). A continuación, identificamos los grupos de sistemas operativos asociados con ICD mediante el uso de grupos de consenso. Se identificaron dos grupos en la cohorte objetivo que tenían distintos patrones de expresión génica de ICD después del agrupamiento de k-means (Fig. 2A, B). En conclusión, los grupos 1 y 2 mostraron niveles bajos (subtipo ICD-low) y altos (subtipo ICD-high) de expresión génica relacionada con ICD, respectivamente (Fig. 2C). Además, los resultados del análisis de supervivencia mostraron que el subtipo DAI-alto tenía mejor pronóstico (fig. 2D).

Identificación de 13 genes relacionados con ICD asociados con el pronóstico del paciente OS. (A) Diagrama de Venn que muestra que había 33 genes que se cruzan entre los genes expresados ​​por OS en la base de datos de Target y los 34 genes conocidos relacionados con ICD. (B) De los 33 genes que se cruzan, 13 genes relacionados con el pronóstico se seleccionaron mediante análisis de Cox univariado. (C) Curvas de análisis de supervivencia de Kaplan‒Meier de 13 genes en pacientes con SG.

Se utilizó el agrupamiento por consenso para identificar los subtipos relacionados con ICD. Trazamos los resultados con el software R (versión 4.2.2 https://cran.r-project.org/src/base/R-4/). (A) El mapa de calor representa la solución de agrupamiento de consenso (k = 2) para 13 genes en 85 muestras de OS. (B) La curva de área delta del agrupamiento de consenso indica el cambio relativo en el área bajo la curva de función de distribución acumulativa (CDF) para k = 2 a 10. (C) Mapa de calor de la expresión de 13 genes relacionados con ICD en diferentes subtipos. El rojo y el azul representan expresión alta y baja, respectivamente. (D) Curvas de Kaplan-Meier de OS en los subtipos ICD-high y ICD-low.

Identificamos genes expresados ​​diferencialmente (DEG) y vías críticas para los subtipos ICD-low y ICD-high. La figura 3A muestra los 414 DEG que se identificaron entre los dos subtipos. El análisis de enriquecimiento funcional indicó que los DEG estaban enriquecidos en actividad relacionada con el sistema inmunitario, incluida la interacción citocina-receptor de citocina, diferenciación de células Th17, diferenciación de células Th1 y Th2, respuesta inmunitaria adaptativa, inmunidad mediada por células B y actividad del receptor inmunitario (Fig. 3B,C). Además, realizamos un análisis de enriquecimiento de conjuntos de genes (GSEA) para identificar vías de señalización relevantes para los dos subtipos. GSEA reveló que los DEG estaban relacionados con vías inmunitarias, como la inmunidad mediada por células B, la respuesta de defensa, la respuesta inmunitaria humana, la inmunidad mediada por linfocitos y el procesamiento y presentación de antígenos (Fig. 3D).

Identificación de DEGs y vías de señalización en diferentes subtipos de DAI. Trazamos el resultado con el software R (versión 4.2.2 https://cran.r-project.org/src/base/R-4/). (A) El diagrama del volcán muestra la distribución de DEG cuantificada entre los subtipos ICD-high y ICD-low (cambio log2 veces > 1 o cambio log2 veces < - 1, P < 0,05). (B) El diagrama de Circos muestra los resultados del análisis de enriquecimiento de la vía de señalización GO. (C) La gráfica Circos presenta los resultados del análisis de enriquecimiento de la vía KEGG. El tamaño del punto representa el recuento de genes, y el color del punto representa el valor de − log10 (valor de ajuste p.). (D) GSEA identificó posibles vías de señalización entre los subtipos ICD-high y ICD-low.

ICD afecta la activación de ciertas respuestas inmunes antitumorales. Analizamos la composición del microambiente tumoral en los subtipos ICD-low y ICD-high, y los resultados mostraron que, en comparación con el subtipo ICD-low, el subtipo ICD-high tenía una puntuación estromal, una puntuación inmune y una puntuación ESTIMATE más altas, pero una menor pureza tumoral (Fig. 4A). Luego, evaluamos las diferencias en la infiltración inmunitaria de múltiples células inmunitarias entre los dos subtipos utilizando métodos GSEA de muestra única (ssGSEA) y EPIC y descubrimos que los pacientes con el subtipo alto de ICD tenían proporciones más altas de células B, células T CD4, células CD8 Células T, células endoteliales y macrófagos (Fig. 4B,C). Además, muchos puntos de control inmunitarios (Fig. 4D) y genes del antígeno leucocitario humano (HLA) (Fig. 4E) aumentaron en el subtipo alto de ICD, lo que sugiere que el subtipo alto de ICD está asociado con el fenotipo inmunotérmico.

Microambiente inmune de diferentes subtipos de ICD. (A) Gráfico de caja que muestra la puntuación estromal, la puntuación inmunitaria y la puntuación ESTIMADA de diferentes subtipos de ICD analizados por ESTIMACIÓN. *** indica P < 0,001. La puntuación estromal captura la presencia de estroma en el tejido tumoral, la puntuación inmunitaria representa la infiltración de células inmunitarias en el tejido tumoral, la puntuación ESTIMADA indica la pureza tumoral y la pureza tumoral se calculó a partir de las tres puntuaciones mencionadas anteriormente. (B,C) Los análisis ssGSEA (B) y EPIC (C) mostraron células inmunitarias significativamente diferentes entre los diferentes subtipos de ICD. –P > 0,05, *P < 0,05, **P < 0,01 y ***P < 0,001. (D) Los diagramas de caja presentan la expresión diferencial de múltiples puntos de control inmunitarios (D) y genes HLA (E) entre diferentes subtipos de ICD. *P < 0,05, **P < 0,01 y ***P < 0,001.

Los resultados del análisis univariado de Cox mostraron que un total de 4 genes relacionados con ICD se asociaron significativamente con OS (Fig. 5A). Se probaron y seleccionaron doce genes relacionados con ICD para el modelo de predicción en el análisis de regresión del operador de selección y contracción mínima absoluta (LASSO) (Fig. 5B). Además, investigamos la relación entre la puntuación de riesgo y el estado de supervivencia de los pacientes con OS y descubrimos que los pacientes de bajo riesgo tenían un mejor estado de supervivencia (Fig. 5C). Tanto la cohorte objetivo como la cohorte Gene Expression Omnibus (GEO) mostraron que la tasa de supervivencia del grupo de bajo riesgo fue significativamente mayor que la del grupo de alto riesgo (Fig. 5D). Además, el análisis de la curva de características operativas del receptor (ROC) mostró que el rendimiento diagnóstico del modelo de riesgo para el pronóstico fue bueno en la cohorte objetivo y la cohorte GEO (Fig. 5E).

Construcción y verificación de la firma de riesgo ICD. (A) Se encontró que cuatro genes relacionados con ICD estaban significativamente asociados con OS en el análisis de Cox univariado. (B) El análisis LASSO Cox identificó 12 genes más asociados con OS en los conjuntos de datos Target y GEO. (C) Distribución de puntuación de riesgo y estado de supervivencia para cada paciente en las bases de datos Target y GEO. (D) El análisis de Kaplan‒Meier demuestra la importancia pronóstica del modelo de riesgo en las cohortes Target y GSE21257. (E) ROC demuestra que el rendimiento diagnóstico del modelo de riesgo para el pronóstico es bueno en las cohortes Target y GSE21257.

Analizamos la composición del microambiente tumoral en los grupos de alto y bajo riesgo, y los resultados mostraron que, en comparación con el grupo de alto riesgo, el grupo de bajo riesgo tenía puntajes estromales, puntajes inmunes y puntajes ESTIMATE más altos, pero un índice tumoral más bajo. pureza (Fig. 6A). Analizamos la correlación de la firma de riesgo de ICD con el microambiente tumoral OS y encontramos que la puntuación de riesgo se correlacionó negativamente con las células endoteliales, las células B, las células T CD4, las células T CD8 y los macrófagos (Fig. 6B). También analizamos la correlación entre la expresión de genes relacionados con ICD y estas células inmunitarias en el modelo de riesgo, y los resultados mostraron que la expresión del gen de alto riesgo EIF2AK3 se correlacionó negativamente con el grado de infiltración de macrófagos, mientras que la expresión de los genes de bajo riesgo FOXP3, IFNGR1 y TLR4 se correlacionaron positivamente con estas células inmunes (Fig. 6C). Los resultados de los análisis de Cox univariados y multivariados mostraron que la puntuación de riesgo podría usarse como un predictor independiente del pronóstico en pacientes con OS (Fig. 6D-F). Finalmente, comparamos la sensibilidad de los pacientes con OS en los grupos de alto y bajo riesgo a los medicamentos de inmunoterapia. Los resultados mostraron que los pacientes del grupo de bajo riesgo tenían una mejor sensibilidad y valores más bajos de concentración inhibitoria media máxima (IC50) para XAV939 (Fig. 7A), GSK2606414 (Fig. 7B), leflunomida (Fig. 7C), AZ960 (Fig. 7D), PF-4708671 (Fig. 7E), AZD8055 (Fig. 7F) y ribociclib (Fig. 7G), mientras que los pacientes del grupo de alto riesgo tenían una mejor sensibilidad y valores IC50 más bajos para RO-3306 (Figura 7H), BI -2536 (Fig. 7I), afuresertib (Fig. 7J), NVP-ADW742 (Fig. 7K) y SB505124 (Fig. 7L).

Correlación de la firma de riesgo de ICD con el microambiente tumoral OS. (A) Gráficos de violín que muestran la puntuación estromal, la puntuación inmune, la puntuación ESTMATE y la pureza del tumor en los grupos de alto y bajo riesgo. *** P < 0,001. (B,C) Gráfico de dispersión (B) y mapa de calor (C) que muestra la correlación de la puntuación de riesgo con la infiltración de células inmunitarias en el microambiente del tejido tumoral del sistema operativo. (D,E) Resultados de análisis de Cox univariados y multivariados (D) y nomograma (E) que evalúan el valor pronóstico independiente de la firma de riesgo de ICD en pacientes con SG. (F) La curva de calibración muestra que el rendimiento del nomograma es bueno.

Diagramas de caja que muestran la asociación de la puntuación de riesgo de la CIE con la respuesta a diferentes tratamientos farmacológicos. (A) XAV939; (B) GSK2606414; (C) leflunomida; (D) AZ960; (E) PF-4708671; (F) AZD8055; (G) ribociclib; (H) RO-3306; (I) BI-2536; (J) afuresertib; (K) NVP-ADW742; y (L) SB505124.

El OS tiene la incidencia más alta entre los tumores óseos malignos primarios, pero su incidencia global es baja (4-5/millón)17,18. Aunque el OS tiene tasas de morbilidad y mortalidad más bajas, vale la pena señalar que más de la mitad de los pacientes con OS mueren por metástasis de células tumorales y resistencia a la quimioterapia19,20. La quimioterapia es el tratamiento principal para el OS y puede matar las células cancerosas metastásicas, pero las células del OS son menos sensibles a los medicamentos de quimioterapia y muchos pacientes desarrollan resistencia a la quimioterapia19,20. Por lo tanto, los nuevos protocolos de tratamiento son importantes para los pacientes con OS. Recientemente, un número creciente de estudios ha confirmado que se espera que el ICD proporcione nuevas ideas y estrategias para la inmunoterapia antitumoral debido a sus características de inmunogenicidad, activación inmunitaria en tumores y liberación de múltiples antígenos tumorales.

En 2020, la FDA aprobó un nuevo fármaco, belantamab mafodotin, desarrollado en base a la definición de ICD para el tratamiento de pacientes adultos con mieloma múltiple en recaída o refractario, lo que indica que la investigación de ICD es de gran importancia para el desarrollo de nuevos medicamentos para el tratamiento de OS21,22. En este estudio, identificamos dos subtipos relacionados con ICD en OS por agrupación de consenso y encontramos que el subtipo bajo de ICD está asociado con resultados clínicos favorables, abundante infiltración de células inmunitarias y alta actividad de señalización de respuesta inmunitaria. Además, establecimos y validamos un modelo de pronóstico relacionado con ICD, que no solo podría usarse para predecir la supervivencia general de los pacientes con OS, sino que también se encontró que estaba estrechamente relacionado con el microambiente inmunitario tumoral de los pacientes con OS.

Cuando las células tumorales mueren debido a estímulos externos, el proceso de transformación de no inmunogénico a inmunogénico para mediar en la respuesta inmunitaria antitumoral del organismo se denomina CIE23,24. Cuando las células tumorales desarrollan ICD, producen una serie de moléculas de señalización llamadas DAMP, que involucran principalmente a la calreticulina expuesta en la superficie celular, la caja 1 del grupo de alta movilidad (HMGB1) secretada por las células tumorales al mundo exterior, las moléculas de ATP liberadas por las células y el calor. proteínas de choque (HSP70 y HSP90)6. Los DAMP liberados durante el proceso de ICD pueden unirse a los receptores de reconocimiento de patrones (PRR) en la superficie de las CD para iniciar una serie de respuestas celulares que finalmente activan las respuestas inmunitarias innatas y adaptativas7,8. ICD puede ser causado por una variedad de factores estresantes diferentes, incluidos, entre otros, (1) patógenos intracelulares; (2) medicamentos de quimioterapia tradicionales como antraciclinas, agentes que dañan el ADN e inhibidores del proteasoma; (3) medicamentos contra el cáncer dirigidos; y (4) una variedad de terapias físicas8,25. Con base en esta evidencia, nuestro estudio identificó dos subgrupos de ICD por agrupación de consenso, y el subgrupo de ICD bajo se asoció con el fenotipo inmune caliente, mientras que el subgrupo de ICD alto se asoció con el fenotipo inmune frío.

Se ha encontrado que los medicamentos de quimioterapia, la radioterapia y la terapia fotodinámica pueden inducir la muerte inmunogénica de las células tumorales, y se encontrará que un número creciente de medicamentos quimioterapéuticos inducen la muerte inmunogénica de las células tumorales a medida que avanza la investigación26,27. Aprovechar al máximo estos tratamientos conducirá a tratamientos más efectivos para el cáncer. En el presente estudio, encontramos que los pacientes con OS con diferentes puntajes de riesgo tenían diferentes susceptibilidades a varios medicamentos, lo que indica que nuestro modelo de puntaje de riesgo de OS basado en ICD podría ayudar a los médicos a seleccionar los medicamentos terapéuticos óptimos.

En general, nuestro estudio destaca que la clasificación del OS basada en genes relacionados con ICD está estrechamente relacionada con los cambios en el microambiente tumoral inmunitario, y estas observaciones se pueden usar no solo para predecir el pronóstico clínico de los pacientes con OS, sino también para ayudar a los médicos a elegir los protocolos de tratamiento adecuados. .

La información transcriptómica de secuenciación de ARN (RNA-seq) y la información clínica de 85 pacientes con osteosarcoma (OS) de la base de datos Target (https://ocg.cancer.gov/programs/target) se utilizaron como conjunto de entrenamiento. La información clínica y de ARN-seq de 53 pacientes con OS (GSE21257) de la base de datos Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE21257) se utilizado como el conjunto de validación.

Todo el procesamiento y análisis de datos se realizó con el software R (versión 4.2.2). La prueba t se utilizó para comparar los dos grupos con variables continuas y para evaluar la significación estadística de las variables normalmente distribuidas. Las variables independientes y las diferencias entre las variables que no se distribuyen normalmente se analizaron mediante la prueba U de Mann-Whitney (es decir, la prueba de la suma de rangos de Wilcoxon). Para la comparación y el análisis de la significación estadística entre dos grupos de variables categóricas se utilizó la prueba de chi-cuadrado o la prueba exacta de Fisher. Los coeficientes de correlación entre diferentes genes se calcularon mediante el análisis de correlación de Pearson. Se utilizó la prueba t para comparar los valores de la media entre dos grupos de muestras. P < 0,05 se consideró estadísticamente significativo.

Los genes relacionados con la muerte celular inmunogénica (ICD) se agruparon utilizando la función ConsensusClusterPlus en R para identificar los subtipos moleculares de ICD, seguidos de una evaluación del número ideal de grupos entre K = 2–10 para garantizar la estabilidad de los resultados después de no menos de 1000 repeticiones. .

Usamos el paquete limma de R/Bioconductor (https://bioconductor.org/packages/release/bioc/html/limma.html) para analizar los datos y trazamos los resultados (mapas de volcanes) con el paquete ggplot de R (https:/ /cran.r-project.org/web/packages/ggplot2/index.html). Los criterios de cribado de genes expresados ​​diferencialmente (DEG) fueron los siguientes: P ajustada < 0,05 y |cambio de veces| > 1.

El paquete de software R/Bioconductor ClusterProfiler (https://bioconductor.org/packages/release/bioc/html/clusterProfiler.html) se utilizó para realizar la anotación de Gene Ontology (GO) y el enriquecimiento de rutas de la Enciclopedia de genes y genomas de Kyoto (KEGG). análisis de los DEG obtenidos en los pasos anteriores. P < 0,05 indicó una diferencia significativa.

Los valores de riesgo se calcularon para todos los pacientes sobre la base de una combinación de los niveles de expresión génica y sus respectivos coeficientes obtenidos del análisis de regresión de Cox multivariable, a saber, la puntuación de riesgo (RS). Calculamos el RS de cada paciente según la fórmula anterior y dividimos a los pacientes en grupos de alto y bajo riesgo utilizando la mediana RS como punto de corte.

Para determinar aún más si el modelo de pronóstico era independiente de otras características clínicas, como la edad, el sexo y la metástasis, evaluamos el modelo RS para pacientes con SG mediante análisis de regresión de Cox univariados y multivariados. Para ilustrar aún más la relación entre las diferentes variables, también trazamos un nomograma y su curva de calibración asociada. Todas las pruebas se analizaron estadísticamente utilizando el software de lenguaje R, y P < 0,05 indicó una diferencia significativa.

ESTIMATE (estimación de células estromales e inmunes en tejidos tumorales malignos usando datos de expresión) (https://bioinformatics.mdanderson.org/estimate/index.html) es una herramienta para predecir la pureza del tumor y la presencia de células estromales/inmunes infiltrantes en tejidos tumorales utilizando datos de expresión génica28. Evaluamos el microambiente inmunitario del tumor en pacientes con OS del conjunto de datos de Target utilizando los métodos computacionales proporcionados en este sitio web. La puntuación estromal captura la presencia de estroma en el tejido tumoral, la puntuación inmunitaria representa la infiltración de células inmunitarias en el tejido tumoral, la puntuación ESTIMADA indica la pureza tumoral y la pureza tumoral se calculó a partir de las tres puntuaciones mencionadas anteriormente.

EPIC (https://epic.gfellerlab.org/) es un método que se utiliza para calcular la proporción de células inmunes a células cancerosas a partir de una gran cantidad de datos de expresión de genes tumorales29. Esto se hace ajustando perfiles de referencia de expresión génica de los principales tipos de células no malignas y, al mismo tiempo, contabilizando un tipo de célula no caracterizado sin conocimiento previo al respecto (p. ej., células cancerosas en muestras de tumores sólidos). Utilizamos el algoritmo EPIC para calcular el grado de infiltración de células inmunitarias en el microambiente del osteosarcoma y para evaluar la asociación del gen ICD construido con las células inmunitarias.

Los datos de expresión de entrenamiento y prueba se normalizaron por cuantiles por separado usando el paquete R pRRophetic (http://genemed.uchicago.edu/,pgeeleher/pRRophetic) y luego se combinaron mediante la normalización de la media y la varianza de cada gen usando un enfoque bayesiano empírico. Eliminación de genes con baja variabilidad entre muestras. Se ajusta un modelo de regresión de cresta a los datos de expresión de entrenamiento utilizando todos los genes restantes como predictores y los valores de sensibilidad al fármaco (IC50) (del fármaco de interés) como variable de resultado. Este modelo se aplicó a los datos de expresión de tumores clínicos procesados, estandarizados y filtrados, lo que arrojó una estimación de la sensibilidad al fármaco para cada paciente. A través de este algoritmo, seleccionamos medicamentos de quimioterapia sensibles que pueden usarse para tratar pacientes con osteosarcoma.

El análisis de Kaplan‒Meier (KM) se realizó con los paquetes survminer y de supervivencia en R para comparar la supervivencia general en pacientes con SG en diferentes grupos, incluidos los grupos de ICD-high y ICD-low y la puntuación de alto riesgo y la puntuación de bajo riesgo grupos P < 0,05 indicó una diferencia significativa.

La base de datos GEO es una base de datos pública. Los usuarios pueden descargar datos relevantes de forma gratuita para investigar y publicar artículos relevantes. Nuestro estudio se basa en datos de fuente abierta, por lo que no hay problemas éticos.

Los conjuntos de datos para este estudio se pueden encontrar en Target (https://ocg.cancer.gov/programs/target) y GEO (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi ?acc=GSE21257) bases de datos.

Muerte celular inmunogénica

Osteosarcoma

muerte celular regulada

Antígeno asociado a tumor

Antígeno específico de tumor

Patrones moleculares asociados al daño

Ómnibus de expresión génica

Genes expresados ​​diferencialmente

Ontología de genes

Enciclopedia de Kioto de Genes y Genomas

Puntuación de riesgo

Kaplan‒Meier

Caja de grupo de alta movilidad 1

Galluzzi, L. et al. Mecanismos moleculares de la muerte celular: recomendaciones del comité de nomenclatura sobre muerte celular. La muerte celular difiere. 25, 486–541. https://doi.org/10.1038/s41418-017-0012-4 (2018).

Artículo PubMed PubMed Central Google Académico

Woynarowska, BA & Woynarowski, JM Orientación preferencial de la apoptosis en células tumorales frente a células normales. Bioquímica Biografía. Acta 1587, 309–317. https://doi.org/10.1016/s0925-4439(02)00094-7 (2002).

Artículo CAS PubMed Google Académico

Kaczanowski, S. Apoptosis: su origen, historia, mantenimiento y las implicaciones médicas para el cáncer y el envejecimiento. física Biol. 13, 031001. https://doi.org/10.1088/1478-3975/13/3/031001 (2016).

Artículo ADS CAS PubMed Google Scholar

Galluzzi, L. et al. Directrices de consenso para la definición, detección e interpretación de la muerte celular inmunogénica. J. Immunother. Cáncer 8, e000337. https://doi.org/10.1136/jitc-2019-000337 (2020).

Artículo PubMed PubMed Central Google Académico

Ahmed, A. & Tait, SWG Apuntando a la muerte celular inmunogénica en el cáncer. mol. oncol. 14, 2994–3006. https://doi.org/10.1002/1878-0261.12851 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Kroemer, G., Galassi, C., Zitvogel, L. & Galluzzi, L. Estrés celular inmunogénico y muerte. Nat. inmunol. 23, 487–500. https://doi.org/10.1038/s41590-022-01132-2 (2022).

Artículo CAS PubMed Google Académico

Zhou, J. et al. Muerte celular inmunogénica en la terapia del cáncer: inductores presentes y emergentes. J. celular. mol. Medicina. 23, 4854–4865. https://doi.org/10.1111/jcmm.14356 (2019).

Artículo PubMed PubMed Central Google Académico

Fucikova, J. et al. Detección de muerte celular inmunogénica y su relevancia para la terapia del cáncer. Enfermedad de muerte celular. 11, 1013. https://doi.org/10.1038/s41419-020-03221-2 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Sadykova, LR et al. Epidemiología y factores de riesgo del osteosarcoma. Investigación del cáncer. 38, 259–269. https://doi.org/10.1080/07357907.2020.1768401 (2020).

Artículo Google Académico

Mirabello, L., Troisi, RJ & Savage, SA Tasas de incidencia y supervivencia del osteosarcoma de 1973 a 2004: datos del programa de vigilancia, epidemiología y resultados finales. Cáncer 115, 1531–1543. https://doi.org/10.1002/cncr.24121 (2009).

Artículo PubMed Google Académico

Meazza, C. & Scanagatta, P. Osteosarcoma metastásico: un tratamiento multidisciplinario desafiante. Experto Rev. Anticancer Ther. 16, 543–556. https://doi.org/10.1586/14737140.2016.1168697 (2016).

Artículo CAS PubMed Google Académico

Brown, JM, Matichak, D., Rakoczy, K. & Groundland, J. Osteosarcoma de la pelvis: presentación clínica y supervivencia general. Sarcoma 2021, 8027314. https://doi.org/10.1155/2021/8027314 (2021).

Artículo PubMed PubMed Central Google Académico

Heng, M. et al. El papel de la quimioterapia y la radioterapia en el osteosarcoma extraesquelético localizado. EUR. J. Cáncer 125, 130–141. https://doi.org/10.1016/j.ejca.2019.07.029 (2020).

Artículo CAS PubMed Google Académico

Lilienthal, I. & Herold, N. Orientación de los mecanismos moleculares subyacentes a la eficacia y resistencia del tratamiento en el osteosarcoma: una revisión de las estrategias actuales y futuras. En t. J. Mol. ciencia 21, 6885. https://doi.org/10.3390/ijms21186885 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Wang, X. et al. Una clasificación relacionada con la muerte celular inmunogénica predice el pronóstico y la respuesta a la inmunoterapia en el carcinoma de células escamosas de cabeza y cuello. Frente. inmunol. 12, 781466. https://doi.org/10.3389/fimmu.2021.781466 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Turhon, M. et al. Patrones de clasificación de reguladores inmunogénicos relacionados con la muerte celular y caracterización de la infiltración del microambiente inmunitario en el aneurisma intracraneal basado en el aprendizaje automático. Frente. inmunol. 13, 1001320. https://doi.org/10.3389/fimmu.2022.1001320 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Gilsenan, A. et al. La teriparatida no aumentó la incidencia de osteosarcoma en adultos en un estudio de vigilancia posterior a la comercialización de 15 años en EE. UU. J. Minero de huesos. Res. 36, 244–251. https://doi.org/10.1002/jbmr.4188 (2021).

Artículo PubMed Google Académico

Rojas, GA, Hubbard, AK, Diessner, BJ, Ribeiro, KB & Spector, LG Tendencias internacionales en la incidencia del osteosarcoma (1988–2012). En t. J. Cáncer 149, 1044–1053. https://doi.org/10.1002/ijc.33673 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Chou, AJ & Gorlick, R. Resistencia a la quimioterapia en el osteosarcoma: Desafíos actuales y direcciones futuras. Experto Rev. Anticancer Ther. 6, 1075–1085. https://doi.org/10.1586/14737140.6.7.1075 (2006).

Artículo CAS PubMed Google Académico

Benjamin, RS Quimioterapia adyuvante y neoadyuvante para el osteosarcoma: una perspectiva histórica. Adv. Exp. Medicina. Biol. 1257, 1–10. https://doi.org/10.1007/978-3-030-43032-0_1 (2020).

Artículo CAS PubMed Google Académico

Offidani, M., Corvatta, L., Morè, S. & Olivieri, A. Belantamab mafodotin para el tratamiento del mieloma múltiple: una descripción general de la eficacia clínica y la seguridad. Drogas Des. desarrollo El r. 15, 2401–2415. https://doi.org/10.2147/DDDT.S267404 (2021).

Artículo Google Académico

Lonial, S. et al. Belantamab mafodotina para el mieloma múltiple en recaída o refractario (DREAMM-2): un estudio de fase 2 de dos brazos, aleatorizado, abierto. Lanceta Oncol. 21, 207–221. https://doi.org/10.1016/S1470-2045(19)30788-0 (2020).

Artículo CAS PubMed Google Académico

Li, Y. et al. Inductores inmunogénicos de muerte celular para inmunoterapia mejorada contra el cáncer. química común (Camb.) 57, 12087–12097. https://doi.org/10.1039/d1cc04604g (2021).

Artículo CAS PubMed Google Académico

Serrano-Del Valle, A., Anel, A., Naval, J. & Marzo, I. Muerte celular inmunogénica e inmunoterapia del mieloma múltiple. Frente. Desarrollo celular Biol. 7, 50. https://doi.org/10.3389/fcell.2019.00050 (2019).

Artículo PubMed PubMed Central Google Académico

Parque, SJ et al. Cisplatino y oxaliplatino inducen cambios inmunogénicos similares en modelos preclínicos de cáncer de cabeza y cuello. Oncología bucal. 95, 127–135. https://doi.org/10.1016/j.oraloncology.2019.06.016 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Workenhe, ST, Pol, J. & Kroemer, G. Determinantes intrínsecos al tumor de las modalidades de muerte celular inmunogénica. Oncoinmunología 10, 1893466. https://doi.org/10.1080/2162402X.2021.1893466 (2021).

Artículo PubMed PubMed Central Google Académico

Jin, MZ & Wang, XP Vacunas inmunogénicas contra el cáncer basadas en la muerte celular. Frente. inmunol. 12, 697964. https://doi.org/10.3389/fimmu.2021.697964 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Yoshihara, K. et al. Inferir la pureza del tumor y la mezcla de células estromales e inmunitarias a partir de los datos de expresión. Nat. común 4, 2612. https://doi.org/10.1038/ncomms3612 (2013).

Artículo ADS CAS PubMed Google Scholar

Geeleher, P., Cox, N. & Huang, RS pRRophetic: Un paquete R para la predicción de la respuesta quimioterapéutica clínica a partir de los niveles de expresión de genes tumorales. PloS One 9, e107468. https://doi.org/10.1371/journal.pone.0107468 (2014).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Descargar referencias

Agradecemos al Dr. Zeng Jianming (Universidad de Macao) y al Dr. Wang Xinyu (Universidad de Jilin) ​​por compartir generosamente su experiencia y código.

Este estudio fue financiado por el Programa de Innovación en Tecnología Sanitaria y Salud de la provincia de Jilin "Investigación sobre el mecanismo funcional de LncRNA MALAT1 en la regulación de la expresión de KcnK2 en lesiones por isquemia-reperfusión de la médula espinal" (2020J045).

Departamento de Cirugía Ortopédica, Hospital Unión China-Japón, Universidad de Jilin, Changchun, Jilin, República Popular China

Yuan Zong, Ding Zhang, Xiaoqing Guan, Fengyi Zhang, Zhubin Shen y Fei Yin

Departamento de Ortodoncia, Hospital de Estomatología, Universidad de Jilin, No. 1500 Qinghua Street, Changchun, 130021, Jilin, República Popular de China

yu cao

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

FY y YZ concebido y diseñado el estudio. YC realizó el análisis de datos y la interpretación de datos. DZ y XG realizaron bioinformática y análisis estadísticos. FZ y ZS generaron las cifras. YZ y YC escribieron el primer borrador y FY conceptualizó y revisó el manuscrito.

Correspondencia a Fei Yin.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Zong, Y., Cao, Y., Zhang, D. et al. Las clasificaciones relacionadas con la muerte celular inmunogénica guían el pronóstico y la inmunoterapia en el osteosarcoma. Informe científico 13, 9118 (2023). https://doi.org/10.1038/s41598-023-35745-w

Descargar cita

Recibido: 08 diciembre 2022

Aceptado: 23 de mayo de 2023

Publicado: 05 junio 2023

DOI: https://doi.org/10.1038/s41598-023-35745-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.