CN112557668B - 免疫相关不良反应的标志物及其应用 - Google Patents

免疫相关不良反应的标志物及其应用 Download PDF

Info

Publication number
CN112557668B
CN112557668B CN202011352976.7A CN202011352976A CN112557668B CN 112557668 B CN112557668 B CN 112557668B CN 202011352976 A CN202011352976 A CN 202011352976A CN 112557668 B CN112557668 B CN 112557668B
Authority
CN
China
Prior art keywords
immune
related adverse
adpgk
irae
adverse reactions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011352976.7A
Other languages
English (en)
Other versions
CN112557668A (zh
Inventor
薛新颖
景莹
庄光磊
刘锦
臧学磊
高杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinnuo Weikang Technology Co ltd
Original Assignee
Beijing Xinnuo Weikang Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xinnuo Weikang Technology Co ltd filed Critical Beijing Xinnuo Weikang Technology Co ltd
Priority to CN202011352976.7A priority Critical patent/CN112557668B/zh
Publication of CN112557668A publication Critical patent/CN112557668A/zh
Application granted granted Critical
Publication of CN112557668B publication Critical patent/CN112557668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/46—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans from vertebrates
    • G01N2333/47—Assays involving proteins of known structure or function as defined in the subgroups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/46—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans from vertebrates
    • G01N2333/47—Assays involving proteins of known structure or function as defined in the subgroups
    • G01N2333/4701—Details
    • G01N2333/4712—Muscle proteins, e.g. myosin, actin, protein

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Cell Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Peptides Or Proteins (AREA)

Abstract

本发明涉及免疫相关不良反应生物标志物及其应用，其包括LCP1和/或ADPGK。通过采用本发明的免疫相关不良反应(Immune‑related adverse events，irAEs)生物标志物及其应用，从而提供了一种有助于抗PD‑1/PD‑L1抗体治疗引起的免疫相关不良反应进行早期预测和积极干预的试剂盒以及方法，从而提高患者的预后效果。

Description

免疫相关不良反应的标志物及其应用
关联申请信息
本申请为中国发明专利申请202010846330.8的分案申请，母案的发明名称为“免疫相关不良反应的标志物及其应用”，母案的申请人为“北京信诺卫康科技有限公司”。
技术领域
本发明属于生物医药技术领域，具体涉及一种免疫相关不良反应的标志物及其应用。
背景技术
抗程序性死亡受体1(anti-programmed death 1,PD-1)/抗程序性死亡配体(anti-programmed death ligand 1,PD-L1)抗体治疗激活机体免疫反应，并打破免疫稳态，由此引发的免疫相关不良反应(Immune-related adverse events,irAEs)会累及全身器官，严重时可导致死亡。肺炎是irAEs最常见的致命损伤，会导致10％患者死亡，占抗PD-1/PD-L1抗体治疗相关死亡率的35％。心肌炎是irAEs最重要的致死损伤，死亡率高达50％。因此，irAEs生物标志物的发现，对接受抗PD-1/PD-L1抗体治疗患者治疗效益与风险比值的预测有决定作用。有报道显示T细胞受体(TCR)多样性、CD8+T细胞克隆扩增、肿瘤负荷突变(TMB)具有预测irAEs潜力，但是这些结论建立在单因素分析或者局限于有限的病例数。因此，需要对irAEs生物标志物的预测进行全面综合的分析研究。
发明内容
基于上述现有技术的状况，发明人尝试提供一种免疫相关不良反应(Immune-related adverse events，irAEs)生物标志物，从而提供一种有助于抗PD-1/PD-L1抗体治疗引起的免疫相关不良反应进行早期预测和积极干预的试剂盒及其应用。为了实现本发明的发明目的，拟采用如下技术方案：
本发明一方面涉及免疫相关不良反应生物标志物，其包括LCP1和/或ADPGK。LCP1属于肌动蛋白丝束蛋白家族，在CD3/CD2或CD3/CD8共刺激下，LCP通过向T细胞表面加速转运CD69和CD25，促进T细胞激活；ADPGK在T细胞激活中介导代谢转换，加速糖酵解，降低线粒体的呼吸作用，增进T细胞葡萄糖摄入。本发明出人意料的发现LCP1和ADPGK是预测irAE发生的生物标志物，特别是LCP1和ADPGK组合的AUC值达到了0.8以上。
本发明另一方面涉及免疫相关不良反应的预测试剂盒，其包括LCP1和/或ADPGK的表达水平进行检测的试剂。优选的，所述试剂为免疫化学试剂。
本发明另一方面还涉及上述标志物或预测试剂盒在制备预测免疫相关不良反应的试剂盒中的应用。
在本发明的一个优选实施方式中，所述的免疫相关不良反应是抗PD-1/PD-L1抗体治疗引起的免疫相关不良反应。所述免疫相关不良反应包括但不限于肺炎、心肌炎、结肠炎、胰腺炎、甲状腺功能减退、甲状腺功能亢进、甲状腺炎、下垂体炎、Ⅰ型糖尿病、肾上腺功能不全、结节病、白癜风、严重皮肤不良反应、血小板减少、肝炎、胃肠道毒性、神经系统紊乱、肾炎、葡萄膜炎。特别优选的免疫相关不良反应包括局限性肺炎。
在本发明的一个方面，所述的抗PD-1抗体包括但不限于纳武利尤单抗、派姆单抗、西米单抗，所述抗PD-L1包括但不限于阿特珠单抗、阿维鲁单抗、度伐单抗。
在本发明的一个优选实施方式中，所述抗PD-1/PD-L1抗体治疗的对象包括但不限于肺腺癌；SKCM，皮肤黑色素瘤；PRAD，前列腺癌；BLCA，膀胱尿路上皮癌；MESO，间皮细胞瘤；BRCA，乳腺浸润性癌；CESC，宫颈鳞癌与宫颈腺癌；PAAD，胰腺癌；OV，卵巢浆液性囊腺癌；HNSC，头颈部鳞状细胞癌；STAD，胃腺癌；THCA，甲状腺癌；CHOL，胆管癌；ACC，肾上腺皮质癌；READ，直肠腺癌；COAD，结肠癌；LIHC，肝细胞癌；LGG，脑低级别胶质瘤；GBM，多形性胶质母细胞瘤；UVM，葡萄膜黑色素瘤；UCS，子宫癌肉瘤的患者。
有益效果
通过采用本发明的免疫相关不良反应(Immune-related adverse events，irAEs)生物标志物及其应用，从而提供了一种有助于抗PD-1/PD-L1抗体治疗引起的免疫相关不良反应进行早期预测和积极干预的试剂盒以及方法，从而提高患者的预后效果。
附图说明
图1是示出计算26个癌症类型的irAE报告优势比(ROR)，以及评估免疫治疗反应相关因素和ROR间的相关性的图。a.不同癌症发生的组织学位置(左)及各自的irAE ROR(右)；b.对irAE ROR和36个免疫治疗反应相关因素行Spearman相关性检验，红色棒代表正相关，蓝色棒代表负相关。*表示显著性相关(FDR<0.05)；irAE/免疫疗法共同相关因素用橙色表示。c.建立二变量模型对排名前6的irAE显著性相关因素的组合进行irAE预测效果评价。Spearman R(Rs)计算预测和观察到的irAE ROR间的相关性。方块颜色深浅指示Rs，大小指示对数似然比检验的显著性d.TCR多样性和CD8+T细胞二变量模型的组合预测效果(Spearman correlation,Rs＝0.75,FDR＝8.24×10-4)。二变量模型方程：0.31×TCR多样性+8.87×13CD8+T Cells+0.27。LUAD，肺腺癌；SKCM，皮肤黑色素瘤；PRAD，前列腺癌；BLCA，膀胱尿路上皮癌；MESO，间皮细胞瘤；BRCA，乳腺浸润性癌；CESC，宫颈鳞癌与宫颈腺癌；PAAD，胰腺癌；OV，卵巢浆液性囊腺癌；HNSC，头颈部鳞状细胞癌；STAD，胃腺癌；THCA，甲状腺癌；CHOL，胆管癌；ACC，肾上腺皮质癌；READ，直肠腺癌；COAD，结肠癌；LIHC，肝细胞癌；LGG，脑低级别胶质瘤；GBM，多形性胶质母细胞瘤；UVM，葡萄膜黑色素瘤；UCS，子宫癌肉瘤；
图2是示出综合性鉴别irAE潜在预测标志的图。a.对多个癌症类型irAE ROR相关性最显著的前10个基因进行通路富集分析。b.对LCP1和irAE ROR的相关性行Spearman检验。c.对和irAE ROR显著相关的前10位基因进行二变量预测模型分析。对预测和观测到的irAE ROR进行Spearman相关性(Rs)检验。方块的颜色深浅指示Rs大小，大小指示对数似然度检验的显著性差异。d.LCP1和ADPGK组合进行二因素模型评估(Spearman相关性,Rs＝0.91,FDR＝7.94×10-9)。二变量回归模型公式：0.37×LCP1+0.70×ADPGK–9.10。
图3是示出在独立患者队列中验证LCP1和ADPGK的预测能力的图。a.发生irAE和没发生irAE患者的ADPGK和LCP1免疫组织化学染色图片。图片大小：200×200μm2。b.定量LCP和ADPGK免疫组化染色信号。对发生irAE患者和没发生irAE患者的免疫组化染色信号间行非成对双尾student’s t检验。c.计算LCP1和ADPGK染色信号的几何平均值。对发生irAE患者和没发生irAE患间行非成对双尾student’s t检验。d.展示本患者队列(n＝28)LCP1、ADPGK、LCP1+ADPGK的ROC曲线。
图4是示出21个癌症类型里irAE ROR和客观缓解率的Spearman相关性检验的图。
图5是示出各癌肿类型中，经过抗PD-1/PD-L1治疗的患者，irAE ROR和a.细胞溶解活性，b.干扰素γ特征，c.PD-1表达，d.TCR多样性，e.预估的M1型巨噬细胞丰度，f.预估的CD8+T细胞丰度，g.预估的幼稚B细胞丰度的图。点的颜色代表不同肿瘤类型。
图6是示出二变量模型计算7个最显著相关因素全部组合的预测效果的图。结果只显示对数似然度检验有显著性p值的组合。
图7是示出展示7个和irAE ROR最显著相关因素的方差膨胀因子(Varianceinflation factor,VIF)的图。
图8是示出irAE ROR和前10位显著相关基因(除LCP1)的Spearman相关性检验的图。X轴表示log2转化的基因表达量。
图9是示出二变量模型评价和irAE ROR相关的前10个基因两两组合的预测效果的图。结果只显示对数似然度检验有显著性p值的组合。
图10是示出展示前10个显著相关基因的方差膨胀因子(VIF)的图。
图11是示出独立患者队列对预测模型进行检验的图。a.发生irAE和没发生irAE脑部区域的LCP1、ADPGK、LCP1+ADPGK基因表达。b.发生irAE心脏肌肉和没发生irAE平滑肌的LCP1、ADPGK、LCP1+ADPGK基因表达。LCP1+ADPGK模型分数的计算建立于LCP1+ADPGK二变量模型(图2d)。TPM：每百万千碱基转录数。
图12是示出对irAE前7个因素和前10个基因的组合进行二变量模型检测的图。a.Spearman R(Rs)计算预测和观察到的irAE ROR间的相关性。方块颜色深浅指示Rs，大小指示对数似然比检验的显著性。b.二因素模型计算CD8+T细胞和LCP1的组合效果(Spearmancorrelation,Rs＝0.87,FDR＝2.84×10-72)。
图13是示出二变量模型评价前7个因素和前10个相关基因两两组合的预测效果的图。结果只显示对数似然度检验有显著性p值的组合。
图14是示出在21个肿瘤类型中对抗PD-1/PD-L1客观缓解率和LCP1、ADPGK表达进行Spearman相关性检验的图。
图15是示出在肺肿瘤患者队列中检验LCP1和ADPGK的预测能力的图。a.定量分析肺癌患者ADPGK、LCP1免疫组化染色信号。在有irAE和无irAE组之间进行非成对双尾t检验。b.计算ADPGK、LCP1染色信号的几何平均值。在有irAE和无irAE组之间进行非成对双尾t检验。c.本患者队列的LCP1,ADPGK,LCP1+ADPGK ROC曲线(n＝26)。
具体实施方式
为了进一步理解本发明，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如无特殊说明，本发明实施例中所涉及的试剂均为市售产品，均可以通过商业渠道购买获得。
实施例1
1实验方法
(1.1)FAERS个人安全性报告的数据分析
本发明从FAERS(https://www.fda.gov/drugs/questions-and-answers-fdas-adverse-event-reporting-system-faers/fda-adverse-event-reporting-system-faers-public-dashboard)获取2014年7月1号至2019年6月30号的个人安全性报告。仅收集接受抗PD-1抗体(纳武利尤单抗、派姆单抗、西米单抗)和抗PD-L1(阿特珠单抗、阿维鲁单抗、度伐单抗)治疗患者的不良反应报告，并且排除了同时接受过抗CTLA-4抗体治疗的患者(易普利姆玛、曲美木单抗)。以经同行审议的irAE管理手册为标准去定义irAE。采取不均衡分析，以整个数据库为比较样本去计算irAE风险发生的ROR。患者如果产生了任何一种irAE类型，则被归纳为irAE组。
(1.2)分析TCGA数据库和独立数据库
从TCGA数据库(https://portal.gdc.cancer.gov/)获取26个癌症类型的分子数据，包括mRNA表达、miRNA表达、蛋白表达、体细胞突变。TCR多样性、新抗原负荷、预估的免疫细胞丰度、肿瘤内部异质性数据从GDC PanImmune数据(https://gdc.cancer.gov/aboutdata/publications-/panimmune)获取。TMB计算的是每个样本非沉默体细胞突变数目。使用“GSVA”R包去计算每个样本的T细胞炎症基因表达(gene expression profiling,GEP),T细胞炎症GEP特征和干扰素γ特征由Ayers等定义。细胞溶解活性根据两个细胞溶解标志基因(GZMA、PRF1)的表达量几何平均值来定义。从Johnson等处获得受irAE影响/未受影响的脑部区域的RNA-seq数据，以及受到irAE影响的心脏肌肉和未受影响的平滑肌肉处的RNA-seq数据。
(1.3)结合多组学数据和真实世界数据鉴别生物标志物
在本发明的分析中，癌症类型的数量远远低于变量数量(26个癌症类型>50,000变量，包括～20,000mRNA表达、～12,000非编码RNA表达、～18,000基因突变、～200蛋白表达、～2,400miRNA表达)，可能会导致第一类错误，从而在使用其他高级算法时引起更多的假阳性，如Lasso、Elastic net、Ridge。因此，本发明通过增加变量以优化计算结果。计算每个癌症类型中每个因素的中位值。使用“gganatogram”R包绘制人体解剖图解以及使用“caret”R包提供的交叉验证检验(Leave-One-Out Cross Validation)方法在二变量和三变量线性回归模型中预测irAE ROR(如图8)。使用斯皮尔曼等级相关系数(Spearman rankcorrelation coefficient,Rs)和不可解释变异系数(1-Rs2)对预测结果进行评估。使用R包“lmtest”里的对数似然比检验法去比较模型的拟合优度。对二因素模型和二因素中具有较高Rs的单因素进行对数似然比检验，以获得二变量模型适合度间数据。对三因素适合度的考察，采用在二因素模型和三因素模型间行对数似然比检验。采用R包‘car’里的‘vif’功能计算方差膨胀系数，对多重共线性进行评估。使用R包“clusterprofiler”计算通路富集情况。使用R包‘pROC’去计算ROC曲线下面积。显著性差异定义为双尾P<0.05和/或FDR<0.05。
(1.4)免疫组织化学
本发明的研究符合美国受试者保护通则伦理指南规定，并经过中国解放军总医院伦理委员会批准。所有患者均签署知情同意书。所有患者均在中国解放军总医院接受治疗，回顾性分析临床信息和组织样本。福尔马林固定石蜡包埋(FFPE)在病理检验中获得。FFPE组织切片为5μm厚度，行免疫组织化学检测。一抗为LCP1(1：200，Cell SignalingTechnology#3588)或者ADPGK(1:900,Novus Biologicals#NBP1-91653)。清洗一抗后孵育辣根过氧化物标记的二抗，之后使用DAB辣根过氧化物酶显色试剂盒进行显色(Dako)。切片经过苏木素复染、脱水，载破片封片。使用Aperio ScanScope system(Leica Biosystems)对全片进行扫描，使用Aperio ImageScope software v14.3提供的阳性像素点计数v9(PPCv9)算法对染色结果进行定量。坏死区域或者图像缺陷处忽略。每张切片选取7个20倍随机视野，以统计该张切片的平均显色信号。
2.结果与讨论
(2.1)对已知因素在预测irAEs中的作用进行分析
为了鉴别抗PD-1/PD-L1抗体治疗irAEs的潜在生物标志物，本发明从美国食品药品监督管理局(FDA)不良事件报告系统(FAERS)获取了接受抗PD-1/PD-L1抗体治疗的18,706名患者信息，涵盖26种癌症类型，52,282件不良反应(adverse events,AEs)事件。其中，3,706(19.8％)名患者发生了至少一件irAEs。本发明计算了抗PD-1/PD-L1抗体治疗引起的irAEs报告比例和数据库中其他药物治疗的引起irAEs报告比例，并计算出抗PD-1/PD-L1抗体治疗引起的irAEs的报告优势比(reporting odds ratio,ROR)。IrAE ROR在不同癌症类型间变化，并以肺腺癌(LUAD)为最高值(3.29,95％置信区间[CL]，2.97-3.65)，子宫肉瘤(UCS)为最低值(0.65,95％CL，0.02-4.18)(图1a)。本发明对6个irAE相关因素进行分析，包括TMB、T细胞受体多样性、干扰素γ表达、肿瘤坏死因子α表达、嗜酸性粒细胞和中性粒细胞。出人意料的是，这些因素在接受免疫检查点抑制剂的患者中irAE发生率和获益率呈现出正相关，所以同时也是免疫治疗反应的生物标志物。还观察到抗PD-1/PD-L1抗体治疗的irAE ROR和客观缓解率(objective response rates,ORR)仅存在略微的显著性相关(Rs＝0.44；P＝0.049；图4)。接着，又考察了和免疫疗法响应相关的36个因素，包括TMB、细胞溶解活性、新抗原负荷。从肿瘤基因组计划(The Cancer Genome Atlas,TCGA)数据库获取这些因素的分子数据，从FAERS获取irAE风险报告，并计算各因素的分子数据和irAE风险指数之间的相关性。发现了7个潜在的预测指标，包括细胞溶解活性(Spearman R,Rs＝0.64；Falsediscover rate[FDR]＝0.01)，干扰素γ特征(Rs＝0.61,FDR＝0.01)，PD-1表达(Rs＝0.60,FDR＝0.01)，TCR多样性(Rs＝0.59,FDR＝0.01)，M1型巨噬细胞(Rs＝0.55,FDR＝0.03)，CD8+T细胞丰度(Rs＝0.50,FDR＝0.05)，幼稚B细胞(Rs＝0.49,FDR＝0.05)(图1b；图5)。为了得到更为精确的预测模型，对这7个因素的Spearman相关性系数和对数似然比适合度检验值(log-likelihood ratio test)进行一项二变量模型评估。使用CD8+T细胞丰度和TCR多样性或幼稚B细胞因素相组合，和使用单因素相比，能够显著提高模型的拟合优度(图1c；图5和图6)。特别是将CD8+T细胞丰度和TCR多样性组合考虑时，可以达到最佳预测水平((Rs＝0.75,FDR＝8.24×10-4)(图1d)。相关系数(Rs,0.75)说明观察到的irAE ROR中的56％(Rs2,0.56)可以用该二变量回归模型来解释。使用方差膨胀因子(variance inflation factor，VIF)来评估这7个因素的多重共线性，没有在TCR多样性和CD8+T细胞中观察到多重共线性(图7)。同时，发现TCR多样性和CD8+T细胞丰度间没有显著性相关性(P＝0.26)，表明这二者在预测irAE中是独立的。进一步评估了其他因素联合TCR多样性-CD8+T细胞丰度二变量模型的预测效果，没有发现三变量模型对提高相关系数有帮助，或者增加精确度。
(2.2)综合性鉴别irAE潜在生物标志物
对26个癌症类型的mRNA、miRNA、lncRNA、蛋白表达、非沉默基因突变进行全面筛选，试图发现新的irAE的预测因素。排名靠前的预测因素大多数是发生表达变化的基因，且高度富集在免疫反应过程中，包括T细胞激活和细胞杀伤(图2a)。该结果进一步证实了T细胞是irAEs的关键调控因素。出人意料的是，参与T细胞激活的淋巴细胞包浆蛋白1(lymphocyte cytosolic protein 1,LCP1)的相关系数水平为最高(Rs＝0.82,FDR＝156.69×10-3,图2b)。进一步对排名前十的irAE相关基因进行二变量模型评估，结果显示LCP1和其他大多数irAE相关基因相联合基本都可以达到更好的预测效果(图2c和图9)。对所有的二变量模型进行线性回归分析，当把T细胞激活中介导代谢转换的腺苷二磷酸依存性葡萄糖激酶(adenosine diphosphate dependent glucokinase,ADPGK)和LCP1组合使用，可达到最佳准确度(Rs＝0.91,FDR＝7.94×10-9,图2d)。同样使用VIF来评估排名前10基因的多重共线性，没有在LCP1和ADPGK中观察到多重共线性(图10)。增加第3个基因对LPC1-ADPGK二变量模型的预测值没有提高。观察到和irAE未发生区域/组织相比，发生irAE区域/组织中LCP1和ADPGK表达显著增加(图11)，该结果验证了模型的准确性。进一步对所有显著因素和基因的联合效果进行评估，期待找到更有力的联合评估方式，但是没有发现表现更好的模型(图12和13)。考虑到LCP1和ADPGK简单明确的评估作用，这种结果可能更容易转化至临床应用。目前没有报道显示LCP1和/或ADPGK与免疫治疗反应相关。进一步对LCP1/ADPGK和客观缓解率进行相关性检验，未发现存在显著性相关(图14)，表明LCP1和ADPGK表达变化和疗效之间仅存在有限的混杂作用。
(2.3)验证LCP1和ADPGK是irAE生物标志物
为了检验LCP1和ADPGK的预测能力，收集了一个经过验证的包含28例接受抗PD-1/PD-L1抑制剂治疗的患者队列，该队列具有高质量的甲醛固定石蜡包埋(FFPE)组织切片和临床病理信息。患者的年龄中位值为56岁(范围，37至82岁)，其中22名(78.6％)为男性患者，6名(21.4％)为女性患者。26/28(92.9％)患者确诊为肺癌。使用免疫组织化学对验证队列中患者的LCP1和ADPGK表达水平进行检测。LCP1和ADPGK在irAE组中染色显著增强(图3a)。采用Aperio ImageScope软件(v14.3)的阳性像素计数(Positive Pixel Count v9,PPCv9)算法对LCP1和ADPGK的免疫染色信号进行定量。结果如预期，发生irAE患者的LCP1((p-value＝0.008)和ADPGK(p-value＝0.010)表达量显著高于没有发现irAE患者的表达量(图3b)。LCP1和ADPGK表达的几何平均值同样在发生irAE患者中明显增高((p-value＝0.005,图3c)。LCP1和ADPGK预测irAE的受试者工作特征曲线(receiver operatingcharacteristic curve，ROC)的曲线下面积(AUC)分别为0.78和0.78，LCP1和ADPGK合并时可获得更好的AUC面积(0.8，图3d)。此外，LCP1、ADPGK、LCP1+ADPGK成功预测到26名肺癌患者发生了局限性肺炎，AUC分别为0.74、0.76和0.77(图15)，表明LCP1和ADPGK在某一种癌症中发生某一种irAE类型中的预测潜力。综合以上，该独立患者列队验证了LCP1和ADPGK能够预测接受抗PD-1/PD-L1抑制剂的肿瘤患者是否会发生irAE。
(2.4)结论
本发明的研究中，在26个肿瘤类型中对接受抗-PD-1/PD-L1疗法的患者的真实世界数据和分子数据进行整合，系统性分析了发生irAE风险的潜在预测因素。鉴别了7个潜在预测因素，CD8+T细胞和TCR多样性组合可达到irAE的最佳预测精确度，将不可解释变异系数从0.59(1-0.642)降至0.44(1-0.752)。考虑到不可解释变异系数仍然在0.44，因此进行了大规模综合性筛选以获得更好的irAE ROR预测因素。发现新的可能的irAE预测因素富集在T细胞激活过程中。将两个和T细胞激活相关的基因LCP1和ADPGK相组合在线性回归模型中进行评价，将不可解释变异系数从0.44((1-0.752)降至0.17(1-0.912)。此外，在患者水平验证队列中，LCP1和ADPGK的AUC值达到了0.8，表明LCP1和ADPGK相组合是预测irAE发生的生物标志物。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。

Claims (4)

1.包括ADPGK的免疫相关不良反应生物标志物在制备预测免疫相关不良反应的试剂盒中的应用，所述的免疫相关不良反应是抗PD-1/PD-L1抗体治疗引起的免疫相关不良反应。
2.包括ADPGK的表达水平进行检测的试剂的免疫相关不良反应的预测试剂盒在制备预测免疫相关不良反应的试剂盒中的应用，所述的免疫相关不良反应是抗PD-1/PD-L1抗体治疗引起的免疫相关不良反应。
3.根据权利要求1或2所述的应用，所述的抗PD-1抗体选自纳武利尤单抗、派姆单抗、西米单抗中的一种或者多种的组合；所述抗PD-L1选自阿特珠单抗、阿维鲁单抗、度伐单抗中的一种或者多种的组合。
4.根据权利要求3所述的应用，所述抗PD-1/PD-L1抗体治疗的对象为肺腺癌；皮肤黑色素瘤；前列腺癌；膀胱尿路上皮癌；间皮细胞瘤；乳腺浸润性癌；宫颈鳞癌与宫颈腺癌；胰腺癌；卵巢浆液性囊腺癌；头颈部鳞状细胞癌；胃腺癌；甲状腺癌；胆管癌；肾上腺皮质癌；直肠腺癌；结肠癌；肝细胞癌；脑低级别胶质瘤；多形性胶质母细胞瘤；葡萄膜黑色素瘤；子宫癌肉瘤的患者。
CN202011352976.7A 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用 Active CN112557668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011352976.7A CN112557668B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011352976.7A CN112557668B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用
CN202010846330.8A CN111733253B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010846330.8A Division CN111733253B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用

Publications (2)

Publication Number Publication Date
CN112557668A CN112557668A (zh) 2021-03-26
CN112557668B true CN112557668B (zh) 2022-06-10

Family

ID=72658651

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010846330.8A Active CN111733253B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用
CN202011352976.7A Active CN112557668B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010846330.8A Active CN111733253B (zh) 2020-08-21 2020-08-21 免疫相关不良反应的标志物及其应用

Country Status (2)

Country Link
CN (2) CN111733253B (zh)
WO (1) WO2022037474A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111733253B (zh) * 2020-08-21 2020-12-22 北京信诺卫康科技有限公司 免疫相关不良反应的标志物及其应用
CN115831216B (zh) * 2022-08-26 2023-08-25 中山大学孙逸仙纪念医院 一种基于肿瘤免疫微环境的肿瘤免疫治疗疗效预测模型及其构建方法
CN115807084B (zh) * 2022-09-13 2023-11-03 南方医科大学南方医院 一种用于预测肿瘤免疫检查点阻断治疗不良事件的生物标志物及其应用
CN117129678A (zh) * 2023-08-18 2023-11-28 深圳大学 与评估结核性胸腔积液有关的生物标志物的应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013169388A1 (en) * 2012-05-08 2013-11-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Predictive biomarkers for ctla-4 blockade therapy and for pd-1 blockade therapy
CN110063970A (zh) * 2019-04-30 2019-07-30 上海心脉途医疗科技有限公司 与irAE相关的肠道菌群及irAE的治疗和预防方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5808349B2 (ja) * 2010-03-01 2015-11-10 カリス ライフ サイエンシズ スウィッツァーランド ホールディングスゲーエムベーハー セラノーシスのためのバイオマーカー
WO2011143361A2 (en) * 2010-05-11 2011-11-17 Veracyte, Inc. Methods and compositions for diagnosing conditions
US20190255107A1 (en) * 2015-10-09 2019-08-22 The Brigham And Women's Hospital, Inc. Modulation of novel immune checkpoint targets
US10731166B2 (en) * 2016-03-18 2020-08-04 Caris Science, Inc. Oligonucleotide probes and uses thereof
WO2019117132A1 (ja) * 2017-12-12 2019-06-20 地方独立行政法人神奈川県立病院機構 がん免疫療法の予後予測のためのバイオマーカー
CN111733253B (zh) * 2020-08-21 2020-12-22 北京信诺卫康科技有限公司 免疫相关不良反应的标志物及其应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013169388A1 (en) * 2012-05-08 2013-11-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Predictive biomarkers for ctla-4 blockade therapy and for pd-1 blockade therapy
CN110063970A (zh) * 2019-04-30 2019-07-30 上海心脉途医疗科技有限公司 与irAE相关的肠道菌群及irAE的治疗和预防方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yeonghee eun等.Risk factors for immune-related adverse events associated with anti-PD-1 pembrolizumab.《Scientific Reports》.2019,第9卷 *
王守正 等.免疫检查点抑制剂所致免疫相关不良反应预测指标的研究进展.《癌症进展》.2019,第17卷(第19期), *

Also Published As

Publication number Publication date
CN111733253A (zh) 2020-10-02
CN111733253B (zh) 2020-12-22
WO2022037474A1 (zh) 2022-02-24
CN112557668A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112557668B (zh) 免疫相关不良反应的标志物及其应用
Tiniakou et al. More severe disease and slower recovery in younger patients with anti-3-hydroxy-3-methylglutaryl-coenzyme A reductase-associated autoimmune myopathy
Luo et al. Immunotherapy-mediated thyroid dysfunction: genetic risk and impact on outcomes with PD-1 blockade in non–small cell lung cancer
Loomba et al. DNA methylation signatures reflect aging in patients with nonalcoholic steatohepatitis
WO2018223066A1 (en) Methods and systems for identifying or monitoring lung disease
Kresovich et al. Epigenetic mortality predictors and incidence of breast cancer
CN111676288B (zh) 用于预测肺腺癌患者预后的系统及其应用
Chen et al. A novel radiogenomics biomarker for predicting treatment response and pneumotoxicity from programmed cell death protein or ligand-1 inhibition immunotherapy in NSCLC
Bozack et al. DNA methylation age at birth and childhood: performance of epigenetic clocks and characteristics associated with epigenetic age acceleration in the Project Viva cohort
Graf et al. Predictive genomic biomarkers of hormonal therapy versus chemotherapy benefit in metastatic castration-resistant prostate cancer
Eccles et al. Genetic testing in a cohort of young patients with HER2-amplified breast cancer
US20220319638A1 (en) Predicting response to treatments in patients with clear cell renal cell carcinoma
Xu et al. A comprehensive analysis of microRNAs as diagnostic biomarkers for asthma
CN114807370A (zh) 一种新型的用于乳腺癌免疫治疗疗效精准预测的模型及其应用
Capoluongo et al. Alternative academic approaches for testing homologous recombination deficiency in ovarian cancer in the MITO16A/MaNGO-OV2 trial
Kamer et al. Predicting brain metastasis in early stage non-small cell lung cancer patients by gene expression profiling
Archer et al. Pretransplant kidney transcriptome captures intrinsic donor organ quality and predicts 24-month outcomes
Visvanathan et al. Evaluation of a liquid biopsy-breast cancer methylation (LBx-BCM) cartridge assay for predicting early disease progression and survival: TBCRC 005 prospective trial
US11427873B2 (en) Methods and systems for assessing proliferative potential and resistance to immune checkpoint blockade
Tian et al. Integrative bioinformatics analysis and experimental validation of key biomarkers for risk stratification in primary biliary cholangitis
Olsen et al. Global blood gene expression profiles following a breast cancer diagnosis—Clinical follow-up in the NOWAC post-genome cohort
Chrostek et al. The diagnostic power of direct carbohydrate-deficient transferrin immunoassay in alcoholics. Absolute or relative values?
Sikdar et al. Improving early diagnosis of bronchopulmonary dysplasia
Srisuttayasathien et al. ABCB1 and SLCO1B1 gene polymorphisms predict methotrexate-resistant for low-risk gestational trophoblastic neoplasia
Yu Risk Prediction of Primary Ovarian Insufficiency in Childhood Cancer Survivors Using Polygenic Risk Scores and Clinical Risk Score

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant