Systematic identi?cation of non-coding pharmacogenomic landscape in cancer

系統鑒定癌癥中非編碼藥物基因組學景觀

期刊：NATURE COMMUNICATIONS；影響因子：12.353    

發表單位：匹茲堡大學                                  

    首次采用了“自上而下”的方法，整合了來自原發腫瘤和癌細胞的藥物基因組學數據，構建了基于lncRNA的藥物反應預測模型，鑒定可能調節藥物反應的候選lncRNA，以此預測相關藥物治療效果并提供有希望的治療靶點來克服癌癥化學療法抗性。

    新出現的證據表明，長鏈非編碼RNA（lncRNA）在癌癥藥物反應中發揮重要作用。在這里，我們通過整合1005個癌細胞系的多維基因組數據和265種抗癌化合物的藥物反應數據報告了lncRNA藥物基因組學景觀。使用彈性網（EN）回歸，我們的分析確定了27,341個lncRNA-藥物預測對。我們使用兩個獨立的癌癥藥物基因組數據集驗證了lncRNA EN模型的穩健性。通過將49種FDA批準的藥物的lncRNA EN模型應用于來自21種癌癥類型的5605個腫瘤樣本，我們顯示基于癌細胞系的lncRNA EN模型可以預測癌癥患者的治療結果。進一步的lncRNA-通路共表達分析表明lncRNA可通過藥物代謝或藥物靶標通路調節藥物反應。最終通過實驗證明EPIC1是Bromodomain and Extra-Terminal motif（BET）抑制劑的最佳預測性lncRNA，通過激活MYC轉錄活性強烈促進iBET762和JQ-1抗性。

    人類癌癥轉錄組的進一步全基因組表征揭示了lncRNA是癌癥中最普遍的轉錄變化之一。與蛋白質編碼基因相似，lncRNA可在腫瘤的發生和發展以及癌癥治療反應中發揮關鍵作用。大規模癌癥基因組和藥物基因組學項目，如癌癥基因組圖譜（TCGA），癌癥細胞系百科全書（CCLE），癌癥藥物敏感性基因組學（GDSC）和癌癥治療反應門戶（CTRP）提供了前所未有的機會通過結合來自數千個腫瘤樣品和癌細胞系的臨床和藥物反應數據生成RNA-seq數據，系統地確定lncRNA在癌癥藥物反應中的調節作用。

我們在來自GDSC和CCLE數據庫的27種癌癥類型的5605個TCGA腫瘤樣品和505個癌細胞系中獲得RNA-seq，拷貝數和DNA甲基化數據。首先根據TCGA數據庫中患者腫瘤和正常組織之間的差異表達鑒定2614種癌癥相關的lncRNA。在源自患者腫瘤樣品的2614種癌癥相關的lncRNA中，它們全部在至少一種癌細胞系中表達；2511（96.06％）在至少3個細胞系中表達。我們接下來使用最鄰近匹配算法來確定癌細胞系中的lncRNA改變譜是否代表基于lncRNA改變的患者腫瘤。在前5個最近鄰居中，該算法可以使用lncRNA表達100％匹配細胞系起源組織與原發腫瘤，隨機期望匹配率為33.3％。當使用甲基化時，該百分比為約89.5％，當使用具有隨機期望的拷貝數分別為15.8％和27.8％時，該百分比為88.9％。在整合三個特征之后，匹配的成功率在前5個最近鄰居中約為94.4％（隨機期望為22.2％）。原發性腫瘤和癌細胞系之間的lncRNA改變的一致性在表達水平上最突出，其次是DNA甲基化和拷貝數改變。

    整合505個癌細胞系的LncRNA表達譜和藥物反應數據以鑒定預測性lncRNA-藥物對。對于每種細胞系，藥物反應數據包括來自GDSC數據庫的265種抗癌劑的IC50值和曲線下面積（AUC）。通過結合彈性網（EN）回歸和引導聚合，我們建立了lncRNA-藥物反應預測模型。然后基于在整個自舉過程中通過EN回歸選擇的頻率，使用IC50和AUC分別作為藥物反應的指標，獲得高度一致的lncRNA-藥物對網絡。為了驗證該網絡，我們計算了兩個獨立數據集中這些lncRNA的表達與藥物反應之間的相關性：CCLE和CTRP。我們觀察到lncRNA-藥物預測對與兩個數據集中的非預測對相比具有顯著更高的相關性。此外，靶向相同通路的藥劑傾向于共享相似的預測性lncRNA。

    使用通過訓練鑒定的最具預測性的lncRNA，為每種藥劑構建基于lncRNA的EN預測模型（LENP）。使用Pearson相關系數和Kendallτ觀察到的預測IC50，通過十倍交叉驗證評估模型性能。這里我們參考使用IC50值訓練的LENP模型，但通過使用AUC獲得非常相似的結果。與包含所有lncRNA的先前自舉程序相比，LENP模型通過使用頂部預測性lncRNA在預測細胞系IC50方面具有顯著改善的性能。改進的模型性能表明EN回歸在鑒定高度預測藥物反應的lncRNA方面的能力?？傮w而言，泛癌LENP模型在r=0.55時達到中位數表現（p<10^-33），而癌癥特異性LENP模型在r=0.71時具有中位數表現（p <10^-6）。值得注意的是，具有較高泛癌性能的藥物往往是具有更廣泛抗癌譜的藥劑。

    我們將LENP模型應用于TCGA腫瘤lncRNA表達譜并預測了21種癌癥類型的患者藥物反應。分析顯示，LENP能夠預測患者的已知和新型藥物敏感性。除了FDA批準的適應癥（即藥物-癌癥類型對），我們的數據表明，49種（93.9％）藥物中有46種具有一定比例的“敏感”腫瘤，這些藥物的治療尚未得到批準。在臨床上，患者通常采用不同藥物的組合而不是單一藥物。因此，為了更好地研究癌癥患者的化療反應，我們通過結合FDA批準的每種癌癥類型的一線和二線化療預測，為每位患者提供一致的藥物反應評分。使用這種啟發式方法，我們觀察到在調整已知預后因素（例如診斷年齡和疾病階段）后預測在THCA，STAD和CRC中對化療耐藥的患者預后不良的趨勢。為了進一步測試實際接受相應化療的患者的LENP模型，我們從TCGA患者臨床信息中分析了化療治療數據。我們發現LENP可以預測許多藥物的治療效果。

    通過使用基于熵的方法，我們確定了381個獨立于藥物靶標機制的潛在多藥物反應（MDR）相關的lncRNA。對lncRNA和蛋白質編碼基因之間的共表達譜進行了基因集富集分析（GSEA）觀察到MDRlncRNAs與異生素代謝，糖酵解，凋亡相關通路 ，和ABC轉運蛋白之間存在顯著相關性。我們的分析確定了164個與異生素代謝顯著相關的MDR相關lncRNA。LINC00992（a.k.a.CTC-504A5.1）被鑒定為這些MDRlncRNA之一。預測118種藥物的細胞系反應，LINC00992與CYP2J2，CYP1A1以及涉及異生素代謝通路的幾種其他基因呈顯著正相關。具LINC00992和CYP基因高表達的癌細胞系顯示出對可預測試劑的116（98.3％）的抗性。此外，LINC00992的表達升高與BRCA，LIHC，THCA和READ患者的生存率低有關。LINC00992已被確定為CYP基因的潛在調節因子，其在癌癥的化學抗性中起重要作用。因此，LINC00992可以作為新的生物標志物和潛在的主要調節劑，通過異生素代謝來實現多藥耐藥性。

    除了藥物代謝通路，我們的分析還揭示了直接通過藥物靶標通路調節藥物反應的lncRNA。Bromodomain and Extra-Terminal抑制劑（iBETs）的最高預測性lncRNA與MYC相關通路顯著相關（iBET762為80％，JQ-1為85％）。iBET已被證明是包括乳腺癌在內的幾種癌癥類型中有前景的新療法。在我們的研究中，泛癌和BRCA特異性LENP模型都能夠以高靈敏度和特異性預測iBET藥物反應。通過BRCA特異性LENP-iBET模型選擇EPIC1作為iBET耐藥的最佳預測因子，其表達與乳腺癌細胞系中iBET762的IC50顯著正相關。我們用三種EPIC1 siRNA敲低了MCF-7，BT-474和ZR-75-1乳腺癌細胞系中的EPIC1表達。EPIC1的敲低顯著增加了MCF-7，BT-474和ZR-75-1細胞中iBET的敏感性。根據我們的LENP預測，EPIC1的過表達導致MCF-7和A549細胞中iBET的耐藥性。然后通過實驗證明EPIC1通過直接與MYC蛋白相互作用調節MYC轉錄活性促進對iBET的抗性起作用。

    由于缺乏覆蓋人類基因組非編碼區的基因組學/表觀遺傳平臺以及腫瘤中藥物反應信息的缺乏，lncRNAs在癌癥藥物反應中的作用的研究尚未獲得太多動力。這些瓶頸導致大多數lncRNA研究使用“自下而上”策略，首先確定每個個體lncRNA的下游調節功能，然后研究lncRNA對癌癥中藥物反應的調節。在這個項目中，我們采用了“自上而下”的方法，該方法整合了來自原發腫瘤和癌細胞的藥物基因組學數據，構建了基于lncRNA的藥物反應預測模型，并鑒定了可能機制調節藥物反應的候選lncRNA。

其他相關文獻解讀

文獻解讀：lncRNA Atrolnc-1促進慢性腎病小鼠的肌肉萎縮(IF:12.511)

文獻解讀：cell：lncRNA在終止先天免疫反應中的作用（IF:31）

文獻解讀：LncRNA FEZF1-AS1通過調節PKM2信號通路促進結直腸癌的腫瘤增殖和轉移

文獻解讀：TCGA甲基化數據分析發現重要lncRNA

文獻解讀：LncRNA在調節動脈粥樣硬化中的作用(IF:32.621)

文獻解讀：lncRNA三種調控機制

文獻解讀：胰腺β細胞中lnc是如何發揮作用的？(IF:20.565)

文獻解讀：lnc-Blnc1與EDF1和LXR蛋白質形成復合物發揮調控作用