T细胞淋巴瘤​CpG甲基化分类器

A CpG Methylation Classifier to Predict Relapse in Adults With T-Cell Lymphoblastic Lymphoma8.911Clin Cancer Res . 2020 Mar 31. doi: 10.1158/1078-0432.CCR-19-4207. Online ahead of print.CpG甲基化分类器预测成人T细胞淋巴瘤复发状态

Abstract Purpose: Adults with T-cell lymphoblastic lymphoma (T-LBL) generally benefit from treatment with acute lymphoblastic leukemia (ALL)-like regimens, but approximately 40% will relapse after such treatment. We evaluated the value of CpG methylation in predicting relapse for adults with T-LBL treated with ALL-like regimens.   Experimental design: A total of 549 adults with T-LBL from 27 medical centers were included in the analysis. Using the Illumina Methylation 850K Beadchip, 44 relapse-related CpGs were identified from 49 T-LBL samples by two algorithms: least absolute shrinkage and selector operation (LASSO) and support vector machine-recursive feature elimination (SVM-RFE). We built a four-CpG classifier using LASSO Cox regression based on association between the methylation level of CpGs and relapse-free survival in the training cohort (n = 160). The four-CpG classifier was validated in the internal testing cohort (n = 68) and independent validation cohort (n = 321).   Results: The four-CpG-based classifier discriminated patients with T-LBL at high risk of relapse in the training cohort from those at low risk (P < 0.001). This classifier also showed good predictive value in the internal testing cohort (P < 0.001) and the independent validation cohort (P < 0.001). A nomogram incorporating five independent prognostic factors including the CpG-based classifier, lactate dehydrogenase levels, Eastern Cooperative Oncology Group performance status, central nervous system involvement, and NOTCH1/FBXW7 status showed a significantly higher predictive accuracy than each single variable. Stratification into different subgroups by the nomogram helped identify the subset of patients who most benefited from more intensive chemotherapy and/or sequential hematopoietic stem cell transplantation.   Conclusions: Our four-CpG-based classifier could predict disease relapse in patients with T-LBL, and could be used to guide treatment decision.

今天跟大家分享的是来自于Clin Cancer Res（IF: 8.911）上的一篇作者手稿，研究者首先基于LASSO Cox回归模型和SVM-递归特征消除算法开发出一个由4个 CpG位点组成的分类器，该分类器可用于预测成人T细胞淋巴瘤（T-LBL）复发风险。另外，研究者在这4个CpG位点分类器的基础上，结合LDH水平、ECOG-PS、CNS参与和NOTCH1/FBXW7状态组成的列线图联合对患者的无复发生存进行预测，联合预测效果明显优于单独的CpG分类器和临床病理因素预测，更可能识别出受益于特定治疗计划的患者子集，为医生的治疗决策提供帮助。

1.数据
本文所需福尔马林固定石蜡包埋的组织（FFPE）由广东各大医学中心于03年到15年间收集提供，其中549名患者符合实验分析，将这549名样本划分为训练集，内部测试集以及外部验证集。研究者还对另外的49（21例复发，28例无复发）例T-LBL患者的FFPE进行甲基化芯片检测，从而构建甲基化预测标志。
2.实验流程
本文流程如图1所示，研究者首先基于LASSO Cox回归模型和SVM-递归特征消除算法开发出一个由4个 CpG位点组成的分类器，该分类器可用于预测成人T细胞淋巴瘤（T-LBL）复发风险。另外，研究者在这4个CpG位点分类器的基础上，基于训练数据，结合LDH水平等临床或分子特征构建列线图模型，联合对患者的无复发生存进行预测。并且通过内部测试集和验证数据集对列线图进行验证。

图1.实验流程
3.候选CpG位点的筛选以及CpG分类器的构建
对21例复发和28例无复发患者的甲基化表达数据进行差异分析，识别出419个差异CpG位点，分别基于LASSO Cox回归模型和SVM-递归特征消除算法对这些CpG进行降维，两种算法共识别出44个复发相关CpG位点(图2A-C)。对这49例患者进行焦磷酸测序，发现CpG位点的芯片检测结果和焦磷酸测序结果一致性程度很高，从而保证芯片检测的可重复性。接着，基于对这44个候选位点的一致性聚类，将49个样本分为复发高，低风险组两类（图2D）。

图2. CpG分类器的构建
基于LASSO Cox回归模型对这44个CpG位点进行降维，构建出一个由4个CpG位点组成的复发风险预测器，复发风险分数由CpG位点焦磷酸测序定量值和相应系数共同确定，阈值由X-tile plots确定（图2E）。分别在训练数据集，内部测试集和验证数据集中对样本进行风险评估，两组样本的总体生存，无复发生存km曲线和ROC曲线如图3所示。结果表明，CpG分类器有较强的复发预测能力。

图3. CpG分类器的验证
4.基于列线图对复发状态进行预测
对CpG分类器以及常见的LDH水平等临床或分子特征进行多因素分析(图4A)，在这4个CpG位点分类器的基础上，结合LDH水平、ECOG-PS、CNS参与和NOTCH1/FBXW7状态组成列线图模型，联合对患者的无复发生存进行预测，联合预测效果明显优于单独的CpG分类器和临床病理因素预测（图4B,C）。

图4.CpG联合复发分类器（列线图）的构建
5.列线图模型可为治疗方案确定提供帮助
基于列线图分数分别将内部训练测试集以及验证数据集分成四组，四组患者无复发生存时间均存在显著差异（图5A,B）。另外，研究者还将列线图分数和四种常用治疗方案整合到一起，发现不同列线图分数的患者对四种治疗方案的响应效果不同（图4C-E）。比如对于那些列线图评分大于等于138.5的患者而言，接受HSCT治疗有更长的 RFS和OS。综上所述，列线图为临床医生治疗方案的确定提供更优选择。

图5. 列线图与治疗方案的确定

总结

今天的内容大概就是这些，无非就是开发出一个由4个 CpG位点组成的可用于预测成人T-LBL复发风险的分类器，并在该分类器的基础上，整合LDH水平等分子特征组成列线图模型，列线图分类器的预测效果更优。最后，还将列线图模型与不同方案的治疗效果进行结合，为临床医生选择最优治疗方案提供帮助。

转自生信人

分享