爱恨难分—癌症免疫治疗获得性抗性

生信技能树jimmy

发布于 2020-03-27 17:41:35

1.1K0

文章被收录于专栏：单细胞天地单细胞天地

文献详解栏目

每个人的时间精力有限，必须优先阅读相关文献，开设这个栏目也是希望为大家推荐高质量的单细胞相关文献。如果大家对单细胞转录组感兴趣可以关注一下，哪怕每天只学一点点，积土成山，积水成渊。

当然一个人的力量终归是小的，我也希望汇聚一群人，形成一个场，这里头最重要的生产力不是单个人多聪明，多厉害，而是每个人相互作用，形成的那个氛围。

希望大家能有所收获！

文章信息

这一篇是免疫相关，美国Fred Hutchinson癌症研究中心于2018年9月发表在NC的Acquired cancer resistance to combination immunotherapy from transcriptional loss of class I HLA，本文的重点在于单细胞数据的分析部分

背景知识

HLA（human leukocyte antigen）：人类白细胞抗原，它是一组紧密连锁的基因群，可以控制细胞间相互识别、调节免疫应答。HLA的部分基因可以编码细胞表面抗原受体，成为自身细胞的"独特的信号"，可以作为免疫系统区分自身和异体物质的基础 HLA抗原决定簇在Chr6的短臂上，分为三类：Class I、II、III，是目前已知的人类染色体中基因密度最高，也是多态性最为丰富的区域，IMGT/HLA 数据库中就记录了HLA Class I、II的基因型，截止2019.4已经记录了22,528个等位基因

(图片来自文章：Role of MHC-Linked Susceptibility Genes in the Pathogenesis of Human and Murine Lupus) Class I基因编码的抗原受体几乎分布于整个细胞表面，作用是呈递内源性抗原； Class II编码的白细胞抗原只有在吞噬细胞(如巨噬细胞、B细胞)的表面存在，作用是呈递外源性抗原； Class III 编码的产物主要参与补体系统的调节 Class I、II基因参与免疫调节，因此它们的等位基因是研究热点(I类主要看A、B、C基因；II类主要是DR、DQ、DP基因)
Merkel细胞癌：皮肤Merkel细胞癌(Merkel cell carcinoma, MCC)是一种罕见的皮肤侵袭性恶性肿瘤，由Merkel cell polyomavirus (MCPyV)病毒引起。常见于浅肤色的老年人，有局部复发和区域淋巴结转移的倾向。其他名称如：皮肤神经内分泌癌或原发性小细胞癌、小梁细胞癌等。最早于1972年由Toker报道，发病人群中95%为白种人，男性发病率高于女性，且随着年龄增长稳步升高。疾病相关死亡率约为33%~46%，局部MCC患者的5年总生存率为55.6%；晚期疾病患者区域性淋巴结患者5年生存率为35.4%，远处转移患者约为13.5%。临床试验最新结果表明，免疫检查点抑制剂可用过释放抵抗免疫原性肿瘤的抗肿瘤免疫力来改善治疗结果来自：http://news.medlive.cn/cancer/info-progress/show-141930_53.html
免疫检查点： 调节T细胞活化和增殖的主要分子。首个免疫检查点抑制剂靶向的是CD152（CTLA-4），ipilimumab是同类中第一个证实临床试验中转移性黑色素瘤患者总生存率改善的药物（2011年获批）。后来如PD-1/PD-L1抗体问世。免疫检查点抑制剂在多种癌症中的成功应用以及MCC的免疫易感性再次为研发更有效的MCC治疗方案带来希望。
ICIs(immune checkpoint inhibitors)/ICB(immune checkpoint blockade): 免疫检查点抑制剂。T淋巴细胞是抗肿瘤免疫应答中的主要效应细胞，通过识别肿瘤特异性抗原(比如致癌病毒、分化抗原，表观遗传调控分子, 以及致癌过程中产生的新抗原等)产生细胞毒性反应。正常状态下, T淋巴细胞通过表达一系列激活性(促进T细胞分化增殖)和抑制性(抑制T细胞分化增殖)受体来调控免疫平衡，既可以调控生理性免疫应答, 又不会过度激活免疫系统而造成机体自我损伤。但是肿瘤微环境中，随着肿瘤抗原对T细胞的持续刺激, T细胞表面的一系列抑制性受体表达水平升高，同时配体在癌细胞或抗原呈递细胞表面表达水平增高，将抑制T细胞活化增殖并诱导T细胞凋亡，从而导致免疫抑制性肿瘤微环境形成，造成免疫逃逸。 T细胞表面表达的抑制性受体主要包括CTLA-4、PD-1、Tim-3、LAG-3、KIR、CD47、TIGIT、CEACAM1、A2AR、IDO1、BTLA、VISTA、CD276、VTCN1等，这些抑制性受体所对应的抑制性信号通路称为免疫检查点（来自 https://www.wjgnet.com/1009-3079/full/v25/i19/1714.htm
肿瘤新生抗原负荷（tumor neoantigen burden， TNB）：癌细胞不断扩增分裂，会产生很多新的突变。新的突变有一部分会形成新生抗原，新生抗原可以激活免疫系统。因此肿瘤新生抗原负荷越高，对这个药物的反应性就有可能越大
外周血单核细胞(peripheral blood mononuclear cell，PBMC)：

研究背景

癌症免疫治疗在临床上前景巨大，但是目前有许多使用这种技术的患者后来出现复发的状况。

本文团队在研究Merkel细胞时发现，20%的患者对免疫治疗有初步反应，但后来存在复发的情况，预后不理想。为了提高预后，理解后期/获得性免疫治疗耐受性的机理是有必要的。利用细胞免疫治疗临床试验，可以表征T细胞《=》抗原的相互作用，进而了解复杂的肿瘤细胞-免疫细胞之间的关系，并且为避免肿瘤复发应采取何种免疫联合疗法提供帮助。

研究方法

大体思路就是：癌症患者免疫治疗=》发现抗性复发=》scRNA-Seq=》研究获得性抗性机理

最初采用联合疗法对两名Merkel患者进行治疗，发现肿瘤逐渐缩小，他们出现的显著的肿瘤消退都与活化的CD8+T细胞浸润到消退的肿瘤组织有关。

这两例患者分别为：

The primary patient (2586-4) received hypofractionated radiation for HLAupregulation to some but not all disease sites
The second validation patient (9245-3) is a 59-year-old man with metastatic MCC that had initially presented as stage IIIB disease, now metastatic at multiple sites

取了患者的血液和肿瘤，做了免疫组化、分选、外显子测序、10X scRNA-Seq、qPCR

外显子测序

两个患者2586-4 (discovery) and 9245-3 (validation)，从外周血单核细胞(peripheral blood mononuclear cell，PBMC)中分离DNA作为germline对照，然后取出肿瘤免疫治疗前以及获得性抗性的样本。

患者2586-4采用Agilent SureSelect Human All Exon V6 芯片+HiSeq 2500，annovar比对hg19，MuTect检测somatic突变；

患者9245-3采用xGen建库+Hiseq4000(100X)，BWA比对到hg19，GATK call variants

如果大家对WES数据分析感兴趣，出门左转去B站学习群主的视频：

https://www.bilibili.com/video/av28030610

本文重点解读单细胞转录组部分！

单细胞测序【重头戏】

◆ ◆ ◆ ◆ ◆

1-- 原始数据

患者2586-4：利用10X 3' Chromium v2.0平台建库 + Hiseq2500 "rapid run"模式；

GSE117988

ID                                  Description

GSM3330559    Tumor    Disc    Pre
GSM3330560    Tumor    Disc    AR

GSM3330561    PBMC    Pre
GSM3330562    PBMC    Disc     Early
GSM3330563    PBMC    Disc    Resp
GSM3330564    PBMC    Disc    AR

患者9245-3：利用10X 5' V(D)J 进行cell washing, barcoding and library prep+ NovaSeq 6000(gene expression) + Hiseq4000 (V(D)J)

GSE118056

ID                                       Description

GSM3317833    PBMC    Relapse - L001
GSM3317834    PBMC    Relapse - L002
GSM3317835    Tumor    Relapse - L001
GSM3317836    Tumor    Relapse - L002

◆ ◆ ◆ ◆ ◆

2-- Transcriptome alignment, barcode assignment and UMI counting

患者2586-4(discovery) 利用Cell Ranger v2.0.0， 9245-3 (validation)利用Cell Ranger v2.1.0，进行sample demultiplexing, barcode processing and single-cell gene counting。

首先，利用mkfastq流程将原始的BCL文件转为fastq；然后，利用count流程整合了STAR将每个fastq与hg38和Merkel cell polyomavirus序列（HM011556.1）比对，比对后的reads根据cell barcode以及UMIs进行过滤

Cell barcodes with 1-Hamming-distance from a list of known barcodes were considered；UMIs with sequencing quality score >10% and not homopolymers were retained.

接着利用aggr流程将Tumor与PBMC样本整合，生成两个gene-barcode表达矩阵(tumor和PBMC的)，同时进行了测序深度的校正！

后面我们会直播这个数据的全部分析流程，复现文章的全部分析图表，欢迎大家持续关注！！！

当然，如果你迫不及待想自行学习，也可以关注我们的视频课程：全网第一个单细胞转录组数据分析实战视频教程(预售第二波通知)

◆ ◆ ◆ ◆ ◆

3-- Data normalization and correction

根据这篇文献的方法：Miller, N. J. et al. Tumor-infiltrating Merkel cell polyomavirus-specific T cells are diverse and associated with improved patient survival. Cancer Immunol. Res 5, 137–147 (2017).

利用Seurat包中的ScaleData 函数进行校正和标准化：

Only genes with at least one UMI count detected in at least one cell were retained for analysis.
Library-size normalization was performed for each cell.
UMI counts were scaled by the total number of UMIin each cell and multiplied by the median of the total UMI counts across cells
log2-transformed and corrected for unwanted sources of variation

corrected-normalized gene-barcode matrix 文件将作为下游降维、聚类的输入文件；

normalized gene-cell barcode matrix文件将进行MAST analysis

◆ ◆ ◆ ◆ ◆

4-- Gene expression analysis: discovery patient tumor

过滤得到了7431 tumor cells (2243 cells before and 5188 cells afterT cell therapy)，然后利用corrected-normalized gene-barcode matrix进行PCA、tSNE

首先，利用Seurat挑出了873个表达量变化最大的基因进行PCA

根据：log-mean expression values > 0.0125 and dispersion(variance/mean) >0.5

接着，挑出前10个PCs进行tSNE

One thousand iterations of tSNE using a perplexity value of 30 were performed

然后利用MCC tumor markers(NCAM1, ENO2, CHGA and KRT20 and TILs)细胞分群、聚类，得到T细胞免疫治疗前的1984个癌细胞和治疗后获得抗性的5131个细胞；

又利用MAST的R包对前后的细胞进行差异分析，利用的是normalized gene-cellbarcode，其中利用了cellular detection rate (CDR) 作为协变量，校正可能影响细胞中检测到基因数的生物和技术偏差。差异基因定义为FDR为5%，fold change>1.3

◆ ◆ ◆ ◆ ◆

5-- Gene expression analysis: discovery patient PBMC

PBMC涉及到了4个时间点：pre-treatment、early post treatment day+27、responding post treatment day +37、replace/acquired resistance post treatment day +64

过滤后总共得到12,874个细胞，也是利用corrected-normalized gene-barcode matrix进行PCA、tSNE分析。

首先，选择1203个变化最大的基因；然后选10个PCs进行tSNE(同上)；细胞聚类使用Seurat的FindCluster函数，得到13个不同的细胞群(参数：neighborhood size of 40 and resolution of 0.6)，根据分群的结果，移除了三个在red blood cell and megakaryocyte markers中富集的cluster，总共剩下11,021个细胞；之后利用FindMarkers函数根据marker的富集情况，给细胞群加标签，结果有9个不同的cluster：CD4+ T cells, CD8+ T cells, CD8+ effector T cells, B cells, NK cells, CD14+ monocytes, CD16+ monocytes, myeloid cells and dendritic cells；CD8+与CD8+ effector T细胞的在第三个时间点（responding阶段）差异基因分析也是利用MAST。代码见Supplementary Data 3.

◆ ◆ ◆ ◆ ◆