个性化癌症治疗的主要障碍之一是缺乏生物标志物来预测肿瘤活检的结果和药物敏感性。多基因分析可以对乳腺癌肿瘤类型和复发风险进行分类比如我们已知的乳腺癌基于主要有5种分子分型：Luminal A 亚型 ：HR（ hormone-receptor，激素受体）阳性，HER2阴性，且Ki-67蛋白水平很低；Luminal B 亚型：HR阳性，HER2可阴性也可阳性， Ki-67蛋白水平很高；Triple-negative/basal-like（TN） 亚型：HR阴性，HER2阴性；HER2 亚型：HR阴性，HER2阳性；Normal-like 亚型：与luminal A类似，HR阳性，HER2阴性，Ki-67水平低，但临床价值有限。
药物敏感性的基因组和转录生物标记物仅适用于数量有限的药物。因此，乳腺癌患者分层仍然主要由受体状态、组织学分级和亚型驱动，约20%的患者缺乏可操作的生物标志物，限制了个性化治疗。此外，即使有靶向治疗选择，耐药性也可能出现，部分原因是罕见的具有不同转录或突变状态的耐药细胞。确定肿瘤异质性及其对药物反应的影响对于更好地对患者进行分层和帮助开发个性化治疗至关重要。
今天给大家分享一篇2022年6月13日发表在Cancer Cell（IF:31.743）上，重定义乳腺癌亚型来指导治疗方式的优先级，实现疗效最大化的文章。接下来小编和大家分享一下这篇Cancer Cell文章如何整合大样本，多组学数据进行的分子分型以及指导治疗方式的优先级，实现疗效最大化的呢？
Redefining breast cancer subtypes to guide treatment prioritization and maximize response: Predictive biomarkers across 10 cancer therapies
重定义乳腺癌亚型来指导治疗方式的优先级，实现疗效最大化：10种肿瘤治疗策略中有预测作用的标志物
一．研究背景
尽管乳腺癌治疗在过去几十年中有所改善，但仅在美国，每年就有超过40000名女性死亡。以乳腺和淋巴结无侵袭性疾病为定义的新辅助治疗后获得病理完全应答（pCR）的患者具有良好的长期疗效。通过提高早期疾病的pCR率，可以降低随后转移性疾病和乳腺癌死亡的风险。I-SPY2试验是一项针对高危早期乳腺癌的多中心II期新辅助平台试验设计用于快速确定新的治疗方法和治疗组合，与标准治疗方法相比，疗效更高。
肿瘤亚型模式的价值在于它在对患者进行有效治疗分层方面的实用性。众所周知，HR /HER2分型非常适合预测内分泌和HER2靶向药物的反应。然而，乳腺癌靶向治疗的前景正在扩大。乳腺癌治疗目前包括铂类药物、聚（ADP-核糖）聚合酶（PARP）抑制剂、磷脂酰肌醇3-激酶催化亚单位α（PIK3CA）抑制剂、雷帕霉素（mTOR）抑制剂的哺乳动物靶点、双重HER2靶向方案以及针对特定HR/HER2定义亚型的免疫治疗。
现在临床上所有对乳腺癌可行的治疗方式所依赖的生物学机制已经远远超过激素受体和HER2表达的解释范围。因此作者猜测，整合激素受体和HER2以外更多的机制，能够定义出可以对每个病人提供个性化药物治疗方式的分子分型，这些类别将更好地为个体患者选择新药物提供信息，并在整个治疗人群中最大限度地提高疗效。
二．研究方法
利用I-SPY2新辅助治疗临床试验（NCT01042379）的治疗前基因表达、蛋白/磷蛋白和临床数据，识别了新的乳腺癌亚型可以更好地预测药物反应。并且该临床试验评估了接受了针对不同生物学的10种方案治疗的约990名患者。从中探索了超过11个亚型模式，并确定了治疗亚型对，最大限度地提高了人群的病理完全反应率（pCR）。表现最好的模式包括免疫、DNA修复和HER2/Luminal表型。使用基于HR/HER2的治疗选择，后续治疗分配将总体pCR率从51%提高到63%。从重新分类和改进患者选择中获得的pCR率在HR 亚群中最高（>15%）。随着新治疗方法的引入，亚型模式决定了显示疗效所需的最小反应。该数据平台提供了前所未有的资源，并支持使用基于反应的子类型来指导未来治疗方式的优先级。
三．研究结果
1、I-SPY2-990临床试验 mRNA /RPPA数据来源
本次分析包括来自10组I-SPY2的987名患者（210个对照组样本（Ctr）；71个veliparib/carboplatin （VC）；114个neratinib（N）；93个MK2206；106个ganitumab；94个ganetespib；134个trebananib；52个TDM1/pertuzumab（TDM1/P）；44个pertuzumab；69个pembrolizumab（Pembro））（图1A、1B）。其中有38%的HR HER2-肿瘤，37% HR-HER2-（TN）和25%的HER2 （9%HR-和16%HR ）。总的来说，49%被归类为MP2级，51%被归类为MP1级。其中六个试验臂在一个或多个受体亚型内分级，三个试验臂在未分级的情况下达到最大累积。本文所考虑10个试验臂的HR /HER2受体亚型的估计pCR率之前已有报道，并在图1C中进行了总结。即使在疗效最高的治疗组，70%的HR HER2-，40%的TN，54%HR HER2 ， 26%的HR-HER2 患者没有实现pCR，进一步激发了对更好的生物标记物和亚型模式的需求。I-SPY2-990队列包含基因表达，蛋白质/磷蛋白和患者的临床数据（图1D）。所有患者都有治疗前的完整转录组表达数据共计检测到约19000个基因。共736名患者（除ganitumab和ganetespib外的所有用药组）有139种关键信号蛋白/磷蛋白的LCM-RPPA数据。临床数据包括HR，HER2、MP状态、反应（pCR或无pCR）和I-SPY2-990队列数据在GEO数据库可以查询到（GSE194040中存放mRNA数据和GSE196093中存放RPPA数据）。
图1：临床实验设计与数据资源
2. 基于10个试验臂建立预测性生物标志物
基于27种基因表达和蛋白质/磷蛋白特征构成了生物标记物。其中，每个预先指定的生物标记物可以预测一个或多个标准受体亚型中特定臂的反应。图2显示了合格生物标记物表达水平的无监督聚类热图。生物标志物与生物途径相关（图2）。虽然患者资料主要是按受体亚型分类的各组之间存在混合现象，这突出表明，对于这些患者来说，HR/HER2信号以外的生物特征是一个更强大的共同点。此外，HR/HER2亚群的特征似乎是免疫高（图2；C4、C6、C7）和免疫低（图2；C1-3和C5）信号，但免疫高比例因亚型而异（TN：58%；HER2 ：41%；HR HER2-：19%）。雌激素受体（ER）/孕酮受体（PGR）、增殖和细胞外基质（ECM）特征的变化也很明显。
图2：10个臂生物标记物的作用机制聚类热图
随后，使用logistic回归测试了这27个生物标志物与10个试验臂、整个队列和受体亚型中pCR的相关性（图3）。27种生物标记物中，跨药物类别具有最广泛预测功能的生物标志物来自免疫、增殖和激素受体/管腔通路（图3）。根据受体亚型和药物类别，不同的免疫生物标记物是最具预测性的。例如，在HER2 亚群中，B_cells特征预测对MK2206、N和对照化疗的反应，但在其他组中预测性较差（图3）。而在TN亚型中，对于Pembro 和 ANG1/2 inhibitor trebananib药物应答最具预测性的免疫生物标记物是dendritic_cells，STAT1_sig和chemokine12_score特征（图3）。增殖生物标记物也广泛预测较高的pCR总体水平（7/10臂），以及HR HER2-（5/8臂）和HR HER2 亚型（3/6臂）（图3），但在TN或HR-HER2 中没有很好的预测作用。管腔/激素受体生物标记物预测HR HER2-亚型对多种治疗的耐药性（5/8臂：Pembro、Ctr、N、trebananib和VC；图3）。在HR HER2 和HER2 亚型中，它们也与仅HER2靶向臂（Ctr（曲妥珠单抗 紫杉醇）、N、Pertuzumab和TDM1/P）中的无反应相关。
图3：10个试验臂生物标记物的作用机制聚类热图
3. 识别反应预测类型模式，用于确定治疗的优先级
在TN中，67%被归类为DRD ，63%被归类为Immune （图4A和4B）。Immune TN患者对Pembro的pCR率较高（89%；图4A），而DRD TN患者对VC的pCR率较高（75%；图4B）。在这一亚群患者中，免疫和DRD生物标记物状态之间有很大的重叠：56%的TN对这两种生物标记物都很高，7%是Immune / DRD-，11% Immune-/DRD ，26% Immune-/DRD-（图4C）。无论是VC还是Pembro，Immune / DRD 类的pCR率都非常高（图4C）。相反，Immune / DRD-对Pembro的pCR率最高（图4C），而Immune-/DRD 对VC的pCR最高（图4C）。26%的Immune-/DRD- TN患者，对Pembro和VC的反应率都很低（图4C）。
对HR HER2-采用了与TN一样的策略，并检查Immune和DRD之间的重叠，其中，19% 是Immune / DRD ，20%是Immune / DRD-，10% Immune-/DRD ，51% Immune-/DRD-（图4D）。虽然这些比例与TN中观察到的比例不同，但pCR率模式相似。
在HER2 亚型中，由于观察到BP-Luminal index或ER-related gene signature的高表达与靶向HER2药物组中缺乏pCR相关（即Ctr[曲妥珠单抗]、N、THP和TDM1/P）（图3），重新定义了HER2 /Luminal表型，并使用BP亚型通过Luminal signaling对HER2 患者进行重新分类（图4E）。HR HER2 的患者几乎均匀地分为HER2 /BP Luminal和HER2 /BP-HER2或BP Basal两类，而几乎所有HR-HER2 癌是HER2 /BP-HER2或BP Basal，几乎没有任何BP Luminal型。对于HER2 /BP-HER2或BP Basal型患者，pertuzumab组的pCR率为78%，而MK2206组为48%，对照组为39%。在HER2 /BP Luminal类中，60%的患者在MK2206组中实现了pCR，而在Pertuzumab组和对照组中实现了pCR，尽管很少有患者接受了MK2206，这一发现需要进一步验证。
图4： 基于临床反应的生物标志物亚群
4. 结合免疫、DRD、HER2和BP_subtype表型的综合治疗反应创建RPS-5模型
结合上述预测生物学，将所有患者纳入一个分类模式。如果在标准TN（图4C）,HR /HER2-（图4D）和HER2 （图4E）状态中添加Immune、DRD和BP_Luminal /HER2_or_Basal生物标记物，将产生10个亚型。对于10个亚型，有些仅包括少数患者，在试验环境中很难进行统计评估。考虑到这一实际考虑，我们将HR HER2-和TN亚型中的所有Immune 患者合并到转化为单一的HER2-/ Immune （图4F），因为两个亚群共享Pembro作为相同的最佳（最高pCR）试剂（图4C）。我们还结合了TN/ Immune-/DRD 和HR HER2-/Immune-/DRD 患者进入HER2-/ Immune /DRD （图4F），因为这些亚群共享VC作为最高pCR臂（图4C）。利用该模式，创建了RPS-5反应预测子类型模式的子类型（图4E和4F）：HER2-/Immune-/DRD-, HER2-/Immune-/DRD , HER2-/ Immune ,
HER2 /BP-HER2_or_Basal以及HER2 /BP-Luminal五个亚型。
图5A显示了I-SPY2数据中标准受体亚型与RPS-5亚型模式之间的关系。受体亚型及其患病率显示在左侧（从38%的HR HER2-、37%的TN、16%的HR HER2 、9%的HR-HER2 ），该图说明了受体亚型如何“流入”右侧的RPS-5亚型（分为29%的HER2-/Immune-/DRD-、38%的HER2-/Immune 、8%的HER2-/Immune-/DRD 、19%的HER2 /BP-HER2_or_Basal，以及6%的HER2 /BP-Luminal）。标准受体亚型和RPS-5亚型左侧条形图显示了各亚型中药物臂的pCR率。
使用标准HR/HER2受体亚型对患者进行分类表明，pCR率最高的臂包括Pembro治疗下，HR HER2-和TN亚型的pCR率分别为30%和66%；pertuzumab治疗下，HR-HER2 亚型具有80%pCR率；TDM1/P治疗下，HR HER2 亚型具有51%pCR。使用RPS-5新标准，最好的药物是Pembro治疗下，HER2-/Immune 具有79%pCR率；VC治疗下，HER2-/Immune-/DRD 有60%pCR率；以及 MK2206治疗下，HER2-/Immune-/DRD-具有20%pCR率，尽管所有的臂在该亚型中的低pCR表现相似。在HER2 肿瘤中，pertuzumab治疗HER2 /BP-HER2_or_Basal的效果最好，pCR阳性率为78%；MK2206用于HER2 /BP-Luminal治疗也具有60%pCR。
图5：结合免疫、DRD、HER2和BP_subtype表型的综合治疗反应创建RPS-5模式
5. 分类模式对患者pCR率和患者药物治疗疗效最大化的影响
反应预测亚型模式的主要目标是提高人群中的pCR率，并最大限度地提高单个患者的pCR概率。为了检验RPS-5模式的影响，进行了一项模拟实验。在I-SPY2的Ctr对照组中观察到的总pCR率为19%（图5B）。在9个实验组中，实际观察到的总pCR率为35%，比对照组增加了16%（图5B）。如果根据标准受体亚型将患者进行分组，则实验组的总体pCR率估计为51%，再增加16%（图5B）。最后，如果使用RPS-5模型对患者进行分组，联合实验组的总pCR率将为58%，进一步提高7%（图5B）。然而，与在HR/HER2亚型之间观察到的差异相似，RPS-5亚型之间的相对生存率也不同，HER2-/Immune-/DRD ,HER2-/Immune ,以及HER2 /BP-HER2_or_Basal亚型均与患者的生存显著相关（图5C）。
6. 使反应预测子类型模式适应快速发展的治疗环境
图6A-6E总结了RPS-5、RPS-7和9个其他亚型模式的特征和相对pCR率。例如，RPS-5创建了由HER2、免疫、DRD和管腔状态（图6B）定义的五个类别（图6A），如果用于按类别划分治疗组的优先级，将选择Pembro, pertuzumab、MK2206和VC（图6C）在I-SPY2人群中的pCR率为58%（图6D），比受体状态亚型增加7%（图6E）。
RPS-7和HER2 3-state模式也表明，当引入一类新药物（如HER2低抑制剂）时，提高pCR率在很大程度上取决于所测试的生物标记物子集。在RPS-7中HER2 low子集可能包括所有HER2-low或HR /HER2-low等（图7A）。如果在HR /HER2-low/Immune-/DRD-组中，HER2低剂量药物必须达到仅20%的pCR率，才能超过目前为止试验中任何药物可达到的最大反应（图7B）。
图6：模式的响应预测子类型模式特征图
图7：亚型模式对新试剂最低要求功效的影响（HER2-low示例）
四、总结
该研究结果发现生物标志物可以预测对各种不同作用机制的药物反应，并提出了一个识别反应预测亚型模式的框架，以确定治疗的优先顺序。并在此框架内，提出了一个临床相关的乳腺癌分类模式，该模式结合了免疫、DRD、管腔样生物表型和HER2受体状态的特征，根据该模式可以改善个体患者的药物治疗优先顺序，并提高患者的pCR率。
该文章进一步提示我们，可以整合多生物标志物或者多组学数据对药物治疗应答率或者预后进行预测，那么特定癌症的相关研究案例有哪些呢？接下来，小编给展示一些适合我们的研究案例：
案例一：Integrative analysis reveals distinct subtypes with therapeutic implications in KRAS-mutant lung adenocarcinoma，文章整合了多个组学的数据进行分子分型，最后落到药物预测。
案例二：A new thinking: extended application of genomic selection to screen multiomics data for development of novel hypoxia-immune biomarkers and target therapy of clear cell renal cell carcinoma，该文章应用基因组学数据筛选肾透明细胞癌新的缺氧-免疫标志物和靶向治疗标志物，结合SNV,SNP以及甲基化等进行整合分析。
将多组学数据分析预测药物治疗应答以及预后的策略，换到其他癌种中，照样适用哦！赶紧行动起来！
END
联系客服
