Analyse génomique et transcriptomique de la réponse au blocage des points de contrôle chez les patients non avancés.

Nature Genetics volume 55, pages 807-819 (2023)Citer cet article

18 000 accès

2 citations

121 Altmétrique

Détails des métriques

Les agents anti-PD-1/PD-L1 ont transformé le paysage thérapeutique du cancer du poumon non à petites cellules (NSCLC) avancé. Pour élargir notre compréhension des caractéristiques moléculaires sous-jacentes à la réponse aux inhibiteurs de points de contrôle dans le CPNPC, nous décrivons ici la première analyse conjointe de la cohorte Stand Up To Cancer-Mark Foundation, une ressource de séquençage complet de l'exome et/ou de l'ARN de 393 patients atteints d'un CPNPC traité. avec un traitement anti-PD-(L)1, ainsi qu'une annotation de réponse clinique correspondante. Nous identifions un certain nombre d'associations entre les caractéristiques moléculaires et les résultats, y compris (1) des sous-groupes génomiques favorables (par exemple, ATM modifiés) et défavorables (par exemple, TERT amplifié), (2) une association importante entre l'expression de composants inductibles de l'immunoprotéasome. et réponse et (3) un sous-type intrinsèque de tumeur dédifférencié avec une réponse améliorée au blocage des points de contrôle. Pris ensemble, les résultats de cette cohorte démontrent la complexité des déterminants biologiques sous-jacents aux résultats de l’immunothérapie et renforcent le potentiel de découverte de l’analyse intégrative au sein de grandes cohortes bien organisées et spécifiques au cancer.

L’introduction des inhibiteurs PD-1/PD-L1 dans la prise en charge du cancer du poumon non à petites cellules (CPNPC) avancé a conduit à un changement de paradigme majeur dans le traitement de la maladie. À la suite de plusieurs études démontrant une survie globale améliorée, ces agents ont été approuvés soit seuls1,2,3,4, soit en association avec une chimiothérapie5,6 ou un blocage du CTLA47. Cependant, avec des réponses observées chez seulement un patient non sélectionné sur cinq1,2,3, de meilleurs prédicteurs de réponse sont nécessaires pour identifier les patients les plus susceptibles d'en bénéficier.

Étant donné que le potentiel de contrôle à long terme de la maladie n’est réalisé que chez une minorité de patients, des efforts considérables ont été consacrés à l’identification de biomarqueurs de réponse et de résistance. Les biomarqueurs dominants à ce jour sont l’expression de la protéine PD-L1 sur les membranes des cellules tumorales4 et la charge mutationnelle tumorale (TMB)8,9,10, qui pourraient être à l’origine de la génération de néoantigènes pouvant servir de cibles pour la reconnaissance et le ciblage immunitaires.

Alors que des caractéristiques supplémentaires ont commencé à émerger, notamment les rôles potentiels de la clonalité des mutations, un microenvironnement enflammé12,13 et des altérations de gènes individuels tels que EGFR14,15 et STK11 (réf. 16), une identification et une intégration plus poussées de prédicteurs pertinents ont été entravées par l'absence de grandes cohortes de patients multi-omiques et spécifiques au CPNPC.

Nous décrivons ici les résultats de la première analyse intégrative de la cohorte CPNPC de la Stand Up To Cancer-Mark Foundation (SU2C-MARK), un ensemble de données de 393 patients traités avec des inhibiteurs de points de contrôle à un stade avancé. Nous avons effectué le séquençage de l'exome entier (WES) et le séquençage de l'ARN (RNA-seq) ainsi que des évaluations détaillées de la réponse clinique, permettant l'évaluation composite des biomarqueurs génomiques et transcriptomiques de la réponse et de la résistance. Collectivement, ces données richement annotées constitueront une ressource pour le domaine en faisant progresser à la fois l'enquête fondamentale et appliquée sur le rôle des agents PD-1/PD-L1 dans le CPNPC avancé.

Nous avons analysé des échantillons de tumeurs fixés au formol et inclus en paraffine (FFPE) collectés avant la réception du blocage du point de contrôle (défini comme la première ligne de traitement au cours de laquelle un patient a reçu un agent PD-1/PD-L1) sur un total de 393 patients avec un stade avancé. NSCLC dans neuf centres de cancérologie (Tableau 1 et Fig. 1a). La majorité de ces patients ont été traités par un traitement en monothérapie (81 %), avec des sous-groupes supplémentaires recevant un traitement combiné comprenant soit le blocage du CTLA4 (17 %), soit la chimiothérapie (1 %). La tumeur et les échantillons normaux appariés (provenant de sang ou, dans de rares cas, de tissus normaux adjacents) ont subi un WES ; pour un sous-ensemble de patients, le tissu tumoral a également été profilé par l'ARN-seq du transcriptome entier. Après un contrôle de qualité rigoureux (méthodes), un total de 309 échantillons WES et 152 échantillons de séquençage d'ARN ont été inclus pour analyse. Le critère de jugement principal était la meilleure réponse globale (BOR) déterminée par un examen dédié de l'imagerie clinique et quantifiée à l'aide des critères RECIST v1.1.

0.5 and P < 0.05 were used to identify significantly differentially expressed genes (red). b, Hallmark GSEA of response and resistance-associated pathways from limma voom. c, Dot plot of significance values for interferon-gamma (IFN-γ) targets (n = 198 genes), proteasome subunits (n = 56 genes) and immunoproteasome subunits (n = 5 genes). Boxplot overlay depicts the 25th percentile (minima), 50th percentile (center) and 75th percentile (maxima) of distribution with whiskers bounding points within 1.5× interquartile range (Q3–Q1) from each minimum and maximum. Immunoproteasome subunits as a set showed a greater association with response than IFN-γ targets and proteasome targets (P = 7 × 10−9 and P = 4 × 10−6, respectively, two-sided Mann–Whitney U test). d, Contour plot of a linear, 2D model predicting expression of representative immunoproteasome subunit PSMB8 as a function of the inflammatory cytokines IFNG and TNF. Contour levels correspond to roughly 1.2-fold TPM increments in PSMB8 expression. Patients with high expression of both IFNG and TNF demonstrated the highest PSMB8 expression (R2 = 0.31). e, Logistic regression summary results for tumor-associated immune cell signatures derived from single-cell sequencing37./p>

10 mut/MB (favorable; n = 27), PD-L1 TPS ≥ 50% (favorable; n = 34) and PD-L1 TPS ≤ 1% (unfavorable; n = 18). Following FDR correction, we identified multiple near-significant and significant associations (q < 0.25 and 0.1, respectively; Extended Data Fig. 9b,c and Methods), particularly when evaluating features from the immune activation/exhaustion and wound healing clusters (dedifferentiated TI-1 in PD-L1 TPS ≤ 1% q = 0.23; immune-activated M-2 in PD-L1 TPS ≤ 1% q = 0.16; macrophage/monocytes in PD-L1 TPS ≥ 50% q = 0.06; hMono3 in PD-L1 TPS ≥ 50% q = 0.11). Therefore, the presence of these factors may augment prediction based on standard clinical variables./p>50×, contamination <5% and tumor purity >10% as assessed by ABSOLUTE (v1.5)79. Comparison of MutSig2CV80 driver analysis from the SU2C-MARK cohort agreed well with previously published results for TCGA lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC) cohorts (Extended Data Fig. 2a)./p>

0.5, thus limiting our analysis to genes potentially involved in response. We further filtered out genes with sparse or low expression, that is more than 10% NA or zero values, or in the bottom 10% of mean expression. We transformed the values to fold changes by subtracting the median for each gene, then obtained the Spearman correlation matrix of these fold changes, and performed hierarchical clustering while varying the number of clusters (K) from 2 to 10 and repeating 500 iterations for each K value. We then obtained consensus matrices for each K (calculating the number of times samples clustered together in the 500 iterations), summed these matrices across all K values, and normalized the resulting matrix by the number of iterations. Using B-NMF with a half-normal prior, this matrix was used to decide on the optimal number of clusters. Using this empirically determined value of K, we then applied the B-NMF algorithm to the original log2TPM gene expression matrix. In this case, the gene expression matrix is approximated by W*H, where H is the cluster membership matrix and W is the gene weight matrix. We used the W matrix to narrow down the genes most closely associated with each cluster, keeping only genes in the top 50% of normalized weights for each cluster, as well as those with the largest difference between within-cluster versus outside-cluster expression. Using this reduced marker gene list, we classified the remaining samples in cohort 2 into our three-cluster scheme. Of note, given re-annotation of the RNA sample from patient SU2CLC-DFC-DF0732 as having been post-treatment, this specimen was removed from our analysis (Supplementary Note and Supplementary Fig. 1). We used this same procedure to define the TI subtypes, with the exception of initially filtering to keep high-variance genes (instead of keeping genes of interest from the differential expression analysis, as in the M subtypes). We similarly used TI marker genes to classify additional samples./p>

10 mut/MB, top; favorable), high PD-L1 tumor proportion score (PDL1 TPS) corresponding to PDL1 TPS ≥ 50% (middle; favorable), and low PD-L1 expression (PDL1 TPS ≤ 1%, bottom; unfavorable). Signed FDR q-values based on Benjamini–Hochberg adjustment of logrank p-values are plotted for each feature (Methods)./p>