CN113409949B - 基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 - Google Patents
基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 Download PDFInfo
- Publication number
- CN113409949B CN113409949B CN202110715089.XA CN202110715089A CN113409949B CN 113409949 B CN113409949 B CN 113409949B CN 202110715089 A CN202110715089 A CN 202110715089A CN 113409949 B CN113409949 B CN 113409949B
- Authority
- CN
- China
- Prior art keywords
- group
- organ
- metscore
- patients
- metastatic
- 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.)
- Expired - Fee Related
Links
- 210000000056 organ Anatomy 0.000 title claims abstract description 92
- 230000000694 effects Effects 0.000 title claims abstract description 46
- 238000011282 treatment Methods 0.000 title claims abstract description 38
- 208000002154 non-small cell lung carcinoma Diseases 0.000 title claims abstract description 29
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 title claims abstract description 21
- 238000012546 transfer Methods 0.000 title claims abstract description 17
- 230000005746 immune checkpoint blockade Effects 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 230000001394 metastastic effect Effects 0.000 claims abstract description 54
- 206010061289 metastatic neoplasm Diseases 0.000 claims abstract description 54
- 102000008096 B7-H1 Antigen Human genes 0.000 claims abstract description 51
- 108010074708 B7-H1 Antigen Proteins 0.000 claims abstract description 51
- ZDZOTLJHXYCWBA-VCVYQWHSSA-N N-debenzoyl-N-(tert-butoxycarbonyl)-10-deacetyltaxol Chemical group O([C@H]1[C@H]2[C@@](C([C@H](O)C3=C(C)[C@@H](OC(=O)[C@H](O)[C@@H](NC(=O)OC(C)(C)C)C=4C=CC=CC=4)C[C@]1(O)C3(C)C)=O)(C)[C@@H](O)C[C@H]1OC[C@]12OC(=O)C)C(=O)C1=CC=CC=C1 ZDZOTLJHXYCWBA-VCVYQWHSSA-N 0.000 claims abstract description 45
- 229960003668 docetaxel Drugs 0.000 claims abstract description 45
- 238000009169 immunotherapy Methods 0.000 claims abstract description 18
- 238000004393 prognosis Methods 0.000 claims abstract description 10
- 206010027476 Metastases Diseases 0.000 claims description 32
- 210000004185 liver Anatomy 0.000 claims description 17
- 230000009401 metastasis Effects 0.000 claims description 17
- 210000000988 bone and bone Anatomy 0.000 claims description 14
- 238000002560 therapeutic procedure Methods 0.000 claims description 13
- 230000001919 adrenal effect Effects 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 11
- 210000001370 mediastinum Anatomy 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 208000002151 Pleural effusion Diseases 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 210000004100 adrenal gland Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000004224 pleura Anatomy 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 abstract description 7
- 230000005809 anti-tumor immunity Effects 0.000 abstract description 3
- 230000001024 immunotherapeutic effect Effects 0.000 abstract description 2
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 description 23
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 description 23
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 description 23
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 description 23
- 235000018185 Betula X alpestris Nutrition 0.000 description 22
- 235000018212 Betula X uliginosa Nutrition 0.000 description 22
- 230000004083 survival effect Effects 0.000 description 17
- 230000008901 benefit Effects 0.000 description 10
- 238000011261 first line immunotherapy Methods 0.000 description 10
- 229960000548 alemtuzumab Drugs 0.000 description 9
- 239000003814 drug Substances 0.000 description 5
- 238000002512 chemotherapy Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 102100040678 Programmed cell death protein 1 Human genes 0.000 description 2
- 101710089372 Programmed cell death protein 1 Proteins 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000002865 immune cell Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 102000037982 Immune checkpoint proteins Human genes 0.000 description 1
- 108091008036 Immune checkpoint proteins Proteins 0.000 description 1
- 206010027451 Metastases to adrenals Diseases 0.000 description 1
- 206010059282 Metastases to central nervous system Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003782 apoptosis assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011443 conventional therapy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 238000013115 immunohistochemical detection Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005522 programmed cell death Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及生物医学领域，具体涉及基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用。所述构建方法，包括评估比较OAK队列中不同的基线转移器官对阿特珠单抗组与多西他赛组患者OS和PFS的影响；OAK队列中阿特珠单抗组与多西他赛组的不同PD‑L1表达水平分层的转移器官谱的预测效果；PD‑L1阳性OAK队列中阿特珠单抗组与多西他赛组的不同转移器官类别及数量的OS；基于器官转移谱建立评分系统METscore，进行多变量Cox比例风险回归，通过计算预后效应与预测效应的总分，预测ICI治疗的临床结果。本发明描绘了晚期NSCLC患者转移器官谱的免疫治疗预测和预后效果，有助于肿瘤免疫治疗患者的临床决策并提高对转移器官特异性抗肿瘤免疫的理解。
Description
技术领域
本发明涉及生物医学领域，具体涉及基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用。
背景技术
以程序性细胞死亡蛋白-1(PD-1)或程序性细胞死亡配体1(PD-L1)单克隆抗体为代表的免疫检查点抑制剂(ICI)已经改变了治疗模式，成为晚期或转移性非小细胞肺癌(NSCLC)的主要治疗方案。尽管在过去的十年中，相对于化疗，免疫治疗已经取得了成功，但PD-(L)1的阻断还远远达不到为所有未经过筛选的 NSCLC人群中的每位患者诱导持久的免疫反应，甚至在PD-L1阳性群体中也是如此，这就迫切需要可靠的免疫治疗预测因子来促进精准医疗。
ICI治疗的有效性与不同解剖位置的肿瘤微环境的生物学特性有关。根据这一概念的逻辑延伸，可以设想，转移环境中免疫治疗疗效的异质性可能取决于整体抗肿瘤免疫与局部转移器官微环境的相互作用。初步证据表明，接受ICI 治疗的非小细胞肺癌患者的生存前景与远处转移(如肝转移)呈负相关。然而，这些研究都是在ICI的单臂环境下进行的，缺乏常规治疗(例如化疗)的对照组进行比较，导致无法区分是免疫治疗特异的预测还是与治疗无关的预后效应。此外，之前对每个转移器官的治疗影响的研究都是孤立的，因此缺乏着眼于全局和囊括整个转移格局的综合分析；由于晚期癌症患者的肿瘤可能会同时扩散到多个器官，因此专注于单个转移器官的结果研究的临床意义有限。
由于转移器官在影响免疫治疗疗效方面的作用仍然不清楚。因此建立一种基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型，对辅助免疫治疗、个体化用药具有极大的意义。
发明内容
针对上述问题，本发明的目的是提供一种基于器官转移谱预测非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法。
为实现上述目的，本发明提供的技术方案如下：
基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效预测模型涉及 2062例接受ICI治疗的晚期NSCLC患者，其中包括OAK III期试验的850例患者(OAK队列)、FIR II期试验的136例患者(FIR队列)、BIRCH II期试验的667例患者(BIRCH队列)和南方医科大学南方医院的409例患者(称为 NFyy-ICI队列)，所述构建方法的步骤包括：
S1.评估OAK队列中不同的基线转移器官对阿特珠单抗组与多西他赛组患者OS和PFS的影响；
S2.评估比较OAK中阿特珠单抗组与多西他赛组的不同PD-L1表达水平分层的转移器官谱的预测效果；
S3.评估比较PD-L1阳性OAK队列中阿特珠单抗组与多西他赛组的不同转移器官类别及数量的OS。
S4.基于器官转移谱建立评分系统METscore，进行多变量Cox比例风险回归，通过计算预后效应与预测效应的总分，从而预测ICI治疗的临床结果。
作为本发明的优选实施方式，所述模型纳入器官转移状态、治疗组以及各个器官与治疗之间的交互项，进行多变量Cox比例风险回归。
作为本发明的优选实施方式，所述模型的输入变量为七个二分类，0代表无转移，1代表转移，变量分别为ADRENAL(肾上腺)、BRAIN(脑)、LIVER (肝)、BONE(骨)、PEFF(胸腔积液)、PLEURA(胸膜)、MEDIA(纵膈)。
作为本发明的优选实施方式，所述模型的方程式为：
预后分数＝3×ADRENAL+2×BRAIN+5×LIVER+1×BONE +1×PEFF+0×PLEURA+0×MEDIA。
预测分数＝(-5)×ADRENAL+(-5)×BRAIN+(-3)×LIVER+1× BONE+2×PEFF+0×PLEURA+1×MEDIA。
METscore＝预后分数+预测分数。
作为本发明的优选实施方式，所述模型还包括使用Nomogram图展示了各个转移器官的预后效应以及免疫治疗特异的预测效应的标准化分数，以及作为预测患者在ICI治疗后最终生存的METscore的总分。
作为本发明的优选实施方式，所述模型还包括通过权衡生存效益和每组的最小比例，确定了METscore的截点值，对应于最大选择秩统计量所得的3。
作为本发明的优选实施方式，所述模型还包括依据截点值(≥3vs<3)对 METscore作二分类，并输出所属类别：
若总分≥3分，则归为METscore-High组。
若总分<3分，则归为METscore-Low组。
作为本发明的优选实施方式，所述的模型提供基于Web的METscore计算工具。
本发明还提供一种基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法得到的预测模型。
另外，本发明还提供了所述的预测模型在非小细胞肺癌用药指导中的用途。
与现有技术相比，本发明的有益效果为：
本发明提供一种非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法，以PD-L1依赖的方式描述了晚期NSCLC患者转移器官谱的免疫治疗预测和预后效果，有助于提高对肿瘤免疫治疗中器官特异性抗肿瘤免疫的理解。重要的是，基于转移的评分系统结合了转移器官谱的预测和预后影响，使得能够通过基线成像对PD-L1阳性非小细胞肺癌患者ICI治疗后的最终结局进行无创性预测。
附图说明
图1为本发明非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法的研究流程图。
图2为本发明基于阿特珠单抗组和多西他赛组的不同转移器官人群的OS及 PFS的Kaplan-Meier曲线图及比较图，其中A为阿特珠单抗组的OS的 Kaplan-Meier曲线，B为多西他赛组的OS的Kaplan-Meier曲线，C为阿特珠单抗组和多西他赛组的OS比较图，D为阿特珠单抗组的PFS的Kaplan-Meier曲线，E为多西他赛组的PFS的Kaplan-Meier曲线，F为阿特珠单抗组和多西他赛组的PFS比较图。
图3为基于阿特珠单抗组与多西他赛组的(A)总体，(B)PD-L1阳性 (TC/IC≥1％)和(C)PD-L1阴性(TC/IC<1％)人群中不同转移器官类别的OS的森林图。
图4为基于不同转移器官数量的PD-L1阳性的阿特珠单抗组与多西他赛组的OS的Kaplan-Meier曲线图，其中A为无I类器官转移的PD-L1阳性的阿特珠单抗组与多西他赛组的OS的Kaplan-Meier曲线图，B为出现单个I类器官转移的PD-L1阳性的阿特珠单抗组与多西他赛组的OS的Kaplan-Meier曲线图，C 为出现两个I类器官转移的PD-L1阳性的阿特珠单抗组与多西他赛组的OS的 Kaplan-Meier曲线图。
图5为基于PD-L1阳性的阿特珠单抗组与多西他赛组的不同I类转移器官数量的OS的Kaplan-Meier曲线图，其中A为PD-L1阳性的阿特珠单抗组的不同I类转移器官数量的OS的Kaplan-Meier曲线图，B为PD-L1阳性的多西他赛组的不同I类转移器官数量的OS的Kaplan-Meier曲线图。
图6为本发明非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法的Nomogram图。
图7为根据本发明设计的网页版的METscore计算工具。
图8为基于OAK、FIR、BIRCH、NFyy-ICI的PD-L1阳性人群中不同 METscore的OS的Kaplan-Meier曲线图，其中A为OAK队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线，B为OAK队列的多西他赛组不同 METscore的OS的Kaplan-Meier曲线，C为FIR队列的阿特珠单抗组不同 METscore的OS的Kaplan-Meier曲线，D为BIRCH队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线，E为NFyy-ICI队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线。
图9为基于FIR、BIRCH、NFyy-ICI的PD-L1筛选的人群中接受一线免疫治疗后不同METscore的OS及PFS的Kaplan-Meier曲线图，其中A为FIR、BIRCH 队列中接受一线免疫治疗不同METscore的OS的Kaplan-Meier曲线，B为FIR、 BIRCH队列中接受一线免疫治疗不同METscore的PFS的Kaplan-Meier曲线，C 为NFyy-ICI队列中接受一线免疫治疗不同METscore的OS的Kaplan-Meier曲线，D为NFyy-ICI队列中接受一线免疫治疗不同METscore的PFS的 Kaplan-Meier曲线。
具体实施方式
为了更好的说明本发明的目的、技术方案和优点，下面将结合附图和具体实施例对本发明作进一步说明。
实施例1
非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法
选择2062例接受ICI治疗的晚期NSCLC患者，其中包括OAK III期试验的850例患者(OAK队列)、FIR II期试验的136例患者(FIR队列)、BIRCH II期试验的667例患者(BIRCH队列)和南方医科大学南方医院的409例患者 (NFyy-ICI队列)，根据Roche临床研究数据共享的政策和流程及南方医院机构伦理审查委员会批准进行，在OAK队列中患者被分配到阿特珠单抗组和多西他赛组，FIR队列、BIRCH队列都是经PD-L1筛选的阿特珠单抗组，NFyy-ICI队列至少使用一剂ICI作为一线或后续方案的治疗。
使用SP142抗体对三个队列(OAK、FIR、BIRCH)的基线PD-L1状态进行检测，根据PD-L1染色对肿瘤细胞(TC0:<1％；TC1:≥1％且<5％；TC2:≥5％且 <50％；TC3:≥50％)或肿瘤浸润免疫细胞(IC0:<1％；IC1:≥1％且<5％；IC2:≥5％且 <10％；IC3:≥10％)的百分比进行评分。治疗前使用22C3抗体检测真实世界队列 (NFyy-ICI)中PD-L1的表达，并计算肿瘤比例评分(TPS)。肿瘤细胞或免疫细胞 PD-L1或TPS至少为1％的患者免疫组化检测为阳性。在这些队列中，OAK的 465例患者和NFyy-ICI的367例患者被检测为PD-L1阳性，而PD-L1筛选的 FIR和BICH试验的患者在入组时都被证实为阳性。
本发明中，预处理的转移器官谱包括肾上腺、脑、肝、胸膜、胸腔积液和纵隔的转移状态。
本发明的研究流程如图1所示，具体过程为：首先，通过双臂OAK队列(阿特珠单抗组和多西他赛组)发现转移器官谱中远处转移的预测和预后效果。接着，开发了一种基于转移的评分系统，称为METscore，通过综合每个转移器官的预测效应和预后效应来计算总分，从而预测ICI治疗的临床结局。最后在经 PD-L1选择的阿特珠单抗队列(FIR和BIRCH)、真实世界免疫治疗队列(NFyy-ICI) 及免疫治疗一线队列(NFyy-ICI、FIR和BIRCH)中进行了验证。
(1)转移器官谱对ICI治疗的特异性预测效应
为了描述转移器官谱对ICI治疗的预测效果，分别在OAK中阿特珠单抗和多西他赛实验中探讨了转移器官谱对生存结局的影响，绘制了基于阿特珠单抗组和多西他赛组的不同转移器官人群的OS及PFS的Kaplan-Meier曲线图及比较图，如图2所示，其中A为阿特珠单抗组的OS的Kaplan-Meier曲线，B为多西他赛组的OS的Kaplan-Meier曲线，C为阿特珠单抗组和多西他赛组的OS 比较图，D为阿特珠单抗组的PFS的Kaplan-Meier曲线，E为多西他赛组的PFS 的Kaplan-Meier曲线，F为阿特珠单抗组和多西他赛组的PFS比较图，其中图 2A和2B中总生存的数值可参考图2C，图2D、2E的总生存的数值可参考图2F。
就OS而言，在阿特珠单抗治疗的人群中，出现不同器官转移的患者的OS 存在显著差异(P＝0.0105；如图2A)。然而，接受多西他赛治疗的人群生存与转移器官无关，其OS无显著差异(P＝0.3742；如图2B)。
在阿特珠单抗组中，转移器官的两两比较显示，与肝脏、骨骼和胸腔积液的转移相比，肾上腺转移和脑转移患者有更显著的生存获益，其OS显著延长(如图2C中的下三角)。然而，对于多西他赛组，任何一对转移器官之间的OS并没有显著差异(如图2C中的上三角)。
在无进展生存期(PFS)方面可观察到一致的结果：在接受阿特珠单抗治疗的不同转移器官的患者中，存在显著的生存差异(P＝0.0167；如图2D)，但在多西他赛治疗的人群中没有显著差异(P＝0.8242；如图2E)。
与此一致的是，在两两比较中，只有阿特珠单抗组(如图2F中的下三角) 的PFS存在显著差异，而在多西他赛组(如图2F中的上三角)中没有显著差异。
(2)转移器官谱的免疫治疗预测效应依赖于PD-L1状态
鉴于PD-L1阳性(≥1％)患者免疫治疗的临床实践，为了研究以PD-L1表达水平分层的转移器官谱的预测效果，因此绘制了基于阿特珠单抗组与多西他赛组的(A)总体(B)PD-L1阳性(TC/IC≥1％)和(C)PD-L1阴性(TC/IC<1％)人群中不同转移器官类别的OS的森林图，如图3所示。
通过比较ICI治疗和化疗后的疗效发现，在OAK队列中，相对于多西他赛，阿特珠单抗的临床获益与转移器官谱之间存在明显的关联(如图3A)。
通过比较PD-L1表达水平分层的疗效发现，预测效应仅在PD-L1阳性人群中观察到(PD-L1阳性:TC/IC≥1％，如图3B；PD-L1阴性:TC/IC<1％，如图3C)。
可以发现，在PD-L1阳性人群中，不同转移器官的预测意义是不同的，甚至相反。根据它们对ICI治疗的预测价值，这些转移器官被分为两类。I类转移器官被定义为接受免疫治疗(相较于化疗)后有显著生存获益的器官，而其他被定义为II类转移器官。
对于I类器官，在肿瘤转移到肾上腺(HR 0.42，95％CI 0.25-0.70)、脑(HR 0.41，95％CI 0.19-0.88)和肝脏(HR 0.57，95％CI 0.36-0.89)的患者中，与多西他赛相比，阿特珠单抗有显著的OS获益(如图3B)。而对于骨、胸膜、胸腔积液和纵隔这些II类器官，与多西他赛相比，阿特珠单抗对这些II类器官转移的患者生存并没有益处(如图3B)。
鉴于单个I类器官转移对免疫治疗的预测作用，进一步想探究不同转移器官转移之间的预测作用是否能够协同发挥作用，因此绘制了基于不同转移器官数量的PD-L1阳性的阿特珠单抗组与多西他赛组的OS的Kaplan-Meier曲线图，如图4所示，其中
根据图4发现，在PD-L1阳性人群的I类器官转移(肾上腺、大脑和肝脏) 中具有协同预测效应。
相对于转移到单个I类器官的患者，转移到两个I类器官的患者(HR 0.59， 95％CI0.41-0.85P＝0.0048；图4C)，与多西他赛相比的阿替利珠单抗的OS获益更明显(HR0.32,95％CI 0.14-0.76,P＝0.0013；图4B)。
为了研究I类转移器官的预测与预后效应，绘制了基于PD-L1阳性的阿特珠单抗组与多西他赛组的不同转移器官数量的OS的Kaplan-Meier曲线图，如图 5所示，其中A为PD-L1阳性的阿特珠单抗组的不同转移器官数量的OS的 Kaplan-Meier曲线图，B为PD-L1阳性的多西他赛组的不同转移器官数量的OS 的Kaplan-Meier曲线图。
在PD-L1阳性人群中，I类器官转移的出现与多西他赛组OS降低有关 (P<0.0001；图5B)，表明转移固有的不良预后效应。而阿替利珠单抗组的OS 不受I类器官转移数量的影响(P＝0.5978；图5A)，表明I类器官转移的免疫治疗特有的正向预测效应抵消了其不良的预后效应。
(3)基于转移器官谱预测ICI治疗
转移器官谱是固有预后和免疫治疗预测的决定因素，其协同作用提示应当整体进行综合评估。因此，只有结合整个转移器官谱的预后和预测，才能真正反映其对ICI治疗的影响。
为此，绘制了非小细胞肺癌免疫检查点抑制治疗结果预测模型的构建方法的Nomogram图，如图6所示。利用PD-L1阳性OAK队列，构建了一种基于器官转移谱的评分系统(METscore)来预测使用ICI药物治疗的晚期NSCLC患者的生存结局。因为使用ICI药物在PD-L1阳性OAK队列中的晚期NSCLC的治疗尤其明显(如图6A)。
在此基础上，通过基线影像学评估获得患者的器官转移情况。通过纳入器官转移状态、治疗组以及各个器官与治疗之间的交互项，进行多变量Cox比例风险回归，以描绘每个转移器官的预测和预后效应，如下表1所示。模型系数的范围标准化至-5到5的范围，并四舍五入到最接近的整数，以方便临床使用。与器官转移状态相对应的标准化分数描述了固有治疗的预后效应，而器官转移与治疗交互项的标准化分数描述了免疫治疗的特异性预测效应。
表1每个转移器官的预测和预后效应
整个转移器官谱的预后和预测效应的总分构成了预测ICI治疗后生存获益的METscore。所述模型的输入变量为七个二分类变量，0代表无转移，1代表转移，变量分别为ADRENAL(肾上腺)、BRAIN(脑)、LIVER(肝)、BONE (骨)、PEFF(胸腔积液)、PLEURA(胸膜)、MEDIA(纵隔)。具体计算如下：
预后分数＝3×ADRENAL+2×BRAIN+5×LIVER+1×BONE +1×PEFF+0×PLEURA+0×MEDIA。
预测分数＝(-5)×ADRENAL+(-5)×BRAIN+(-3)×LIVER+1× BONE+2×PEFF+0×PLEURA+1×MEDIA。
METscore＝预后分数+预测分数。
在阿特珠单抗人群中评估了METscore使用不同截点值(0～5)对免疫治疗的预测作用(如图6B)。与METscore较高的患者组相比，METscore较低的患者组有更长的OS，如果选择更严格的截点值(4和5)，可以发现两组间的OS 差异会增大(如图6B)。在实际应用中，通过权衡生存效益和每组的最小比例，确定了MET评分的最优截点值，对应于最大选择秩统计量所得的3。依据最优截点值(≥3vs<3)对METscore作二分类，将患者分为METscore-High(METscore≥3)和-Low(METscore<3)两类。
为了能更好地服务于广大适用人群，使之能够简单地应用本模型，这里提供了METscore计算的网页工具，如图7所示，以区别METscore高低风险人群。
实施例2
预测模型的验证与比较
(1)METscore能够识别免疫检查点抑制治疗的获益人群
首先，METscore系统在PD-L1选择的OAK队列、两个单臂临床队列(FIR 和BIRCH)以及真实世界队列(NFyy-ICI)队列中进行了验证。
为此，绘制了基于OAK、FIR、BIRCH、NFyy-ICI的PD-L1阳性人群中不同METscore的OS的Kaplan-Meier曲线图，如图8所示，其中A为OAK队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线，B为OAK队列的多西他赛组不同METscore的OS的Kaplan-Meier曲线，C为FIR队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线，D为BIRCH队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线，E为NFyy-ICI队列的阿特珠单抗组不同METscore的OS的Kaplan-Meier曲线。
首先评估了在PD-L1阳性OAK队列中METscore的区分表现。
在阿特珠单抗治疗的人群中，METscore-Low组患者的OS明显长于 METscore-High组患者(HR 0.48,95％CI 0.32-0.72,P<0.0001；如图8A)。相比之下，在多西他赛治疗的人群中，METscore-Low组和-High组之间的OS没有显著差异(HR 0.73,95％CI 0.49-1.07,P＝0.0805；图8B)。
在FIR队列中，METscore-High与METscore-Low两组之间OS有显著差异 (HR 0.57,95％CI 0.33-0.97,P＝0.0350；如图8C)；在BIRCH队列中，也观察到 METscore-Low组OS较METscore-High组显著延长(HR 0.53,95％CI 0.40-0.71, P<0.0001；如图8D)。
除此之外，在NFyy-ICI队列中METscore的泛化性也得到了证实，相对于METscore-High组，METscore-Low组的OS也有所延长(HR 0.60,95％CI 0.39-0.92,P＝0.0181；如图8E)。
这些结果表明，METscore能够无创识别ICI治疗的受益者，即METscore-Low 患者。
(2)METscore在一线治疗队列中的推广
接着，考虑到ICI已经成为晚期非小细胞肺癌的一线治疗手段，因此也评估了METscore在一线治疗的鉴别表现。
为此，绘制了基于FIR、BIRCH、NFyy-ICI的PD-L1筛选的人群中接受一线免疫治疗后不同METscore的OS及PFS的Kaplan-Meier曲线图，如图9所示，其中A为FIR、BIRCH队列中接受一线免疫治疗不同METscore的OS的 Kaplan-Meier曲线，B为FIR、BIRCH队列中接受一线免疫治疗不同METscore 的PFS的Kaplan-Meier曲线，C为NFyy-ICI队列中接受一线免疫治疗不同 METscore的OS的Kaplan-Meier曲线，D为NFyy-ICI队列中接受一线免疫治疗不同METscore的PFS的Kaplan-Meier曲线。
在一线FIR/BIRCH队列中，无论是OS(HR 0.44,95％CI 0.23-0.83,P＝ 0.0087；如图9A)还是PFS(HR 0.56,95％CI 0.35-0.91,P＝0.0180；如图9B)，与METscore-High的患者相比，METscore-Low的患者的生存期明显更长。
在一线NFyy-ICI队列中，无论是OS(HR 0.51，95％CI0.29-0.90，P＝0.0182；如图9C)还是PFS(HR0.45，95％CI0.25-0.80，P＝0.0045；如图9D)，也表现出了METscore-Low组的生存结局显著优于METscore-High组。
综上，METscore在两个单臂FIR和BIRCH队列以及真实世界的NFyy-ICI 队列中均能显示出很高的临床预测价值。
虽然本发明是通过优选的具体实施例进行说明，但是对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于器官转移谱构建非小细胞肺癌免疫检查点抑制治疗疗效预测模型的构建方法，其特征在于，所述模型的输入变量为七个二分类变量，0代表无转移，1代表转移；所述七个二分类变量分别为代表肾上腺的ADRENAL、代表脑的BRAIN、代表肝的LIVER、代表骨的BONE、代表胸腔积液的PEFF、代表胸膜的PLEURA、代表纵隔的MEDIA，包括如下步骤：
S1.评估比较OAK队列中不同的基线转移器官对阿特珠单抗组与多西他赛组患者OS和PFS的影响；
S2.评估比较OAK队列中阿特珠单抗组与多西他赛组的不同PD-L1表达水平分层的转移器官谱的预测效果；
S3.评估比较PD-L1阳性OAK队列中阿特珠单抗组与多西他赛组的不同转移器官类别及数量的OS；
S4.基于器官转移谱建立评分系统METscore，进行多变量Cox比例风险回归，通过计算预后效应与预测效应的总分，从而预测ICI治疗的临床结果，所述METscore的最优截点值为3；
所述预后效应与预测效应的总分计算方程式为：
预后分数＝3×ADRENAL+2×BRAIN+5×LIVER+1×BONE+1×PEFF+0×PLEURA+0×MEDIA；
预测分数＝(-5)×ADRENAL+(-5)×BRAIN+(-3)×LIVER+1×BONE+2×PEFF+0×PLEURA+1×MEDIA；
METscore＝预后分数+预测分数；
所述模型纳入器官转移状态、治疗组以及各个器官与治疗之间的交互项，进行多变量Cox比例风险回归；
所述模型依据截点值对METscore作二分类，并得到患者所属类别：
若总分≥3分，则归为METscore-High组；
若总分<3分，则归为METscore-Low组；
METscore-Low组NSCLC患者的免疫治疗疗效显著优于METscore-High组患者。
2.一种权利要求1所述基于器官转移谱构建非小细胞肺癌免疫检查点抑制治疗疗效预测模型的构建方法得到的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715089.XA CN113409949B (zh) | 2021-06-26 | 2021-06-26 | 基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715089.XA CN113409949B (zh) | 2021-06-26 | 2021-06-26 | 基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113409949A CN113409949A (zh) | 2021-09-17 |
| CN113409949B true CN113409949B (zh) | 2022-09-02 |
Family
ID=77679449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110715089.XA Expired - Fee Related CN113409949B (zh) | 2021-06-26 | 2021-06-26 | 基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409949B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3055769A1 (en) * | 2017-04-03 | 2018-10-11 | Oncologie, Inc. | Methods for treating cancer using ps-targeting antibodies with immuno-oncology agents |
| CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
| CN111798918A (zh) * | 2020-05-28 | 2020-10-20 | 中山大学孙逸仙纪念医院 | 一种免疫治疗疗效预测的血肿瘤突变算法及其构建方法 |
| CN111863159A (zh) * | 2020-06-01 | 2020-10-30 | 中山大学孙逸仙纪念医院 | 一种肿瘤免疫治疗疗效预测的列线图模型及其建立方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10802027B2 (en) * | 2016-05-05 | 2020-10-13 | Biodesix, Inc. | Compositions, methods and kits for diagnosis of lung cancer |
| CN110418851A (zh) * | 2016-10-06 | 2019-11-05 | 基因泰克公司 | 癌症的治疗和诊断方法 |
| AU2018251993A1 (en) * | 2017-04-14 | 2019-10-24 | Genentech, Inc. | Diagnostic and therapeutic methods for cancer |
| US10846367B2 (en) * | 2017-09-15 | 2020-11-24 | Case Western Reserve University University | Predicting recurrence in early stage non-small cell lung cancer (NSCLC) with integrated radiomic and pathomic features |
| CN110643703B (zh) * | 2019-08-26 | 2023-05-02 | 中国医学科学院肿瘤医院 | bTMB生物标记、测定方法和用途 |
-
2021
- 2021-06-26 CN CN202110715089.XA patent/CN113409949B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3055769A1 (en) * | 2017-04-03 | 2018-10-11 | Oncologie, Inc. | Methods for treating cancer using ps-targeting antibodies with immuno-oncology agents |
| CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
| CN111798918A (zh) * | 2020-05-28 | 2020-10-20 | 中山大学孙逸仙纪念医院 | 一种免疫治疗疗效预测的血肿瘤突变算法及其构建方法 |
| CN111863159A (zh) * | 2020-06-01 | 2020-10-30 | 中山大学孙逸仙纪念医院 | 一种肿瘤免疫治疗疗效预测的列线图模型及其建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113409949A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Chemotherapy induces dynamic immune responses in breast cancers that impact treatment outcome | |
| Lipkovich et al. | Subgroup identification based on differential effect search—a recursive partitioning method for establishing response to treatment in patient subpopulations | |
| Liao et al. | Analyzing the characteristics of immune cell infiltration in lung adenocarcinoma via bioinformatics to predict the effect of immunotherapy | |
| Yakar et al. | Prediction of radiation pneumonitis with machine learning in stage III lung cancer: a pilot study | |
| Guo et al. | Impact of non-small cell lung cancer histology on survival predicted from the graded prognostic assessment for patients with brain metastases | |
| Liu et al. | GEO data mining identifies OLR1 as a potential biomarker in NSCLC immunotherapy | |
| Tang et al. | CCL5 as a prognostic marker for survival and an indicator for immune checkpoint therapies in small cell lung cancer | |
| Sun et al. | Establishment and validation of a nomogram for predicting the benefit of concurrent chemotherapy in stage II nasopharyngeal carcinoma: A study based on a phase III randomized clinical trial with 10-year follow-up | |
| Xu et al. | Identification of a novel tumor microenvironment prognostic signature for bladder urothelial carcinoma | |
| Cao et al. | Predicting risk of chemotherapy-induced severe neutropenia: A pooled analysis in individual patients data with advanced lung cancer | |
| Peng et al. | Deep learning to estimate durable clinical benefit and prognosis from patients with non-small cell lung cancer treated with PD-1/PD-L1 blockade | |
| Zhou et al. | Good tumor response to chemoradioimmunotherapy in dMMR/MSI-H advanced colorectal cancer: a case series | |
| Zhao et al. | The basement membrane-related gene signature is associated with immunity and predicts survival accurately in hepatocellular carcinoma | |
| Wu et al. | Pretreatment radiomic biomarker for immunotherapy responder prediction in stage IB–IV NSCLC (LCDigital-IO Study): a multicenter retrospective study | |
| Krishnan et al. | Tumor growth inhibition modeling of individual lesion dynamics and interorgan variability in HER2‐negative breast cancer patients treated with docetaxel | |
| Wei et al. | Construction of a ferroptosis-related signature based on seven lncRNAs for prognosis and immune landscape in clear cell renal cell carcinoma | |
| Zhang et al. | Necroptosis-related lncRNA signatures determine prognosis in breast cancer patients | |
| CN113409949B (zh) | 基于器官转移谱的非小细胞肺癌免疫检查点抑制治疗疗效的预测模型的构建方法及其应用 | |
| Cao et al. | Development of a multi-gene-based immune prognostic signature in ovarian Cancer | |
| Yang et al. | Spatial features of specific CD103+ CD8+ tissue-resident memory T cell subsets define the prognosis in patients with non-small cell lung cancer | |
| Yu et al. | Platinum-based concurrent chemotherapy remains the optimal regimen for nasopharyngeal carcinoma: a large institutional-based cohort study from an endemic area | |
| Wang et al. | Identification and validation of ferroptosis-associated gene-based on immune score as prognosis markers for hepatocellular carcinoma patients | |
| Morales et al. | Tumor immunogenomic signatures improve a prognostic model of melanoma survival | |
| Hyman et al. | Predictors of early treatment discontinuation in patients enrolled on Phase I oncology trials | |
| Liu et al. | Predicting chemo-radiotherapy sensitivity with concordant survival benefit in non-small cell lung cancer via computed tomography derived radiomic features |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220902 |