シングルセルRNA-seqとバルクRNA-seqの統合解析により、腫瘍の不均一性に加えて、TNBCにおけるM2様の腫瘍関連マクロファージ浸潤と攻撃性が解明された

Integrated analysis of single-cell RNA-seq and bulk RNA-seq unravels tumour heterogeneity plus M2-like tumour-associated macrophage infiltration and aggressiveness in TNBC.

• Xuanwen Bao
• Run Shi
• Tianyu Zhao
• Yanfang Wang
• Natasa Anastasov
• Michael Rosemann
• Weijia Fang

抄録

三陰性乳癌（TNBC）は、腫瘍間および腫瘍内の広範な不均一性を伴う、より侵攻性の高い臨床経過が特徴である。単細胞とバルク組織のトランスクリプトームプロファイリングを組み合わせることで、腫瘍の不均一性を特徴づけることができ、免疫学的背景と臨床転帰との関連を明らかにすることができる。我々は、単一細胞の分解能で腫瘍間および腫瘍内の異質性を同定した。腫瘍細胞は、TNBCにおける幹細胞化、血管新生、およびEMTの間に高い相関関係を共有していた。EMT、幹機能、血管新生が同時に高い細胞のサブセットが単細胞レベルで同定された。腫瘍に浸潤する免疫細胞の中で、M2様腫瘍関連マクロファージ（TAM）がマクロファージの大部分を占め、免疫抑制的な特徴を示した。癌ゲノムアトラス（TCGA）のバルク組織トランスクリプトームファイル中のM2様TAMの豊富さを推定するためにCIBERSORTを適用した。M2様TAMはTNBC患者の予後不良と関連していた。TAMに関連する遺伝子シグネチャーは、予後や免疫療法への反応を予測するための有望なマーカーとして機能する。一般的に使用されている2つの機械学習法、ランダムフォレストとSVMを適用し、遺伝子シグネチャの中からM2様TAMの密度と主に関連している遺伝子を見つけた。TAM関連遺伝子シグネチャに基づくニューラルネットワークベースのディープラーニングフレームワークは、免疫療法応答の予測において高い精度を示した。

Triple-negative breast cancer (TNBC) is characterized by a more aggressive clinical course with extensive inter- and intra-tumour heterogeneity. Combination of single-cell and bulk tissue transcriptome profiling allows the characterization of tumour heterogeneity and identifies the association of the immune landscape with clinical outcomes. We identified inter- and intra-tumour heterogeneity at a single-cell resolution. Tumour cells shared a high correlation amongst stemness, angiogenesis, and EMT in TNBC. A subset of cells with concurrent high EMT, stemness and angiogenesis was identified at the single-cell level. Amongst tumour-infiltrating immune cells, M2-like tumour-associated macrophages (TAMs) made up the majority of macrophages and displayed immunosuppressive characteristics. CIBERSORT was applied to estimate the abundance of M2-like TAM in bulk tissue transcriptome file from The Cancer Genome Atlas (TCGA). M2-like TAMs were associated with unfavourable prognosis in TNBC patients. A TAM-related gene signature serves as a promising marker for predicting prognosis and response to immunotherapy. Two commonly used machine learning methods, random forest and SVM, were applied to find the genes that were mostly associated with M2-like TAM densities in the gene signature. A neural network-based deep learning framework based on the TAM-related gene signature exhibits high accuracy in predicting the immunotherapy response.