2022-03-24 21:14:37来源:医脉通阅读:12次
医脉通整理发布,未经授权请勿转载。
风险分层在
基于此,有研究者更精确的定义评估了FHR患者的标准,仅包括对治疗反应不佳或在开始诱导治疗后12个月内进展但无任何临床适用的高危遗传特征的患者。进一步将其基因组特征如DNA突变、突变标记(MS)、转录标记、拷贝数异常等与其他MM患者进行了全面比较,以分析该类结局极差的驱动原因。
研究方法
研究者们评估了CoMMpass数据集中新诊断MM(NDMM)患者的基因组测序和高通量分子检测数据,CoMMpass数据集是多发性骨髓瘤研究基金会(MMRF)的公开数据集。进一步将患者分为三组:t(4;14)或t(14;16)或TP53功能完全丧失[TP53双等位基因缺失或17p13单等位基因缺失,即del(17p13)和TP53突变]或1q21扩增和ISS分期为III期患者的基因组高危(GHR)组;FHR组为无GHR标志物但诱导治疗难治或12个月内早期复发的患者;标准风险(SR)组为不符合GHR或FHR任何标准的患者。为了将患者归类为各自的风险组,研究者使用了以下CoMMpass数据:IGH位点易位及其伴侣(使用RNA-seq数据进行典型Ig易位)、拷贝数畸变(CNAs)(使用CNA分割数据)、对一线治疗的反应(使用每例患者的治疗反应数据)、使用每例患者的综合临床信息的ISS分期信息,以及使用每例患者的生存数据的疾病进展信息。本研究采用随机森林算法预测FHR病例。在特异性、敏感性、假阴性率(FNR)、假阳性率(FPR)、准确性、F1评分和Matthews相关系数(MCC)等多个指标上评价所有6个单独模型在测试数据集上预测结果的性能。
研究结果
FHR患者具有最差的OS
在512例可评价患者中,SR组345例,GHR组106例,FHR组61例。这些患者的可用基线临床特征详见表1。与预期一致,GHR组中ISS分期为III和R-ISS分期为III期的患者更多。FHR患者没有独特的临床特征,特别是R-ISS分期为III期患者非常少。大多数患者使用PI和IMiD药物联合治疗作为一线治疗,而少数患者接受基于PI或IMiD的治疗。三组患者接受的治疗相似。FHR、GHR与SR组相比,结局显著较差,其中FHR组最差。FHR组的中位OS为27.6个月,而GHR组的中位OS为44.7个月,SR组的中位OS未达到(图1A)。当患者接受基于PI和PI/IMiD联合诱导治疗时,在三组患者中也观察到类似的预后差异(图1B–F)。
表1:入选患者基线特征
图1:CoMMpass数据集中FHR、GHR和SR MM患者的生存曲线
FHR患者通常不具有已知高风险特征
大多数FHR患者没有已建立的高危疾病的基因表达特征,包括增殖(PI)、
图2:FHR MM患者和已知的高风险标志物的关系
FHR MM患者的基因组特征
研究者们分析了CoMMpass数据中的NS突变,发现GHR组与其他组相比具有更高的突变负荷(P=0.003)。FGFR3、PRKD2和TP53等基因为GHR组中主要发生的突变;KIAA1549L、LUZP2和BMPR1B为FHR中主要发生的突变(图3)。在FHR组中,发现IL6-JAKSTAT3通路显著富集,而
471例可评价患者中,非超二倍体224例(47.6%),超二倍体247例(52.4%)。FHR组主要为超二倍体(57.9% vs 42.1%非超二倍体),而GHR组主要为非超二倍体(90.8% vs 9.2%超二倍体)。与FHR组和SR组相比,GHR组的13q缺失、1q21扩增更常见。SR组有更多的超二倍体(64.9% vs 35.1%非超二倍体)患者,与FHR组相比无统计学意义(图3)。因此,FHR患者的拷贝数特征与SR患者相似。
进一步研究发现FHR患者富集了与有丝分裂细胞周期和DNA复制、C2H2锌指和DNA修复相关的基因。
与SR组相比,FHR组在已知参与MM的多个基因集中表现出富集包括E2F Targets、G2M Checkpoint、MTORC1 signaling、Glycolysis,Unfolded protein response、Myc Target、DNA修复,而SR组未发现显著的基因集富集。对于GHR组,与SR组相比,发现5个基因集富集(雄激素反应、雌激素反应、糖酵解、UV反应和IL2STAT5信号)。
研究者们还使用SigProfiler和癌症体细胞突变目录(COSMIC)参考目录分析MS。SBS1和SBS5对SR具有高度特异性。SBS3对GHR和FHR组具有高度特异性。SBS6对GHR非常特异(图4)。因此,不存在仅针对FHR的MS。
图3:MM患者结合基因表达、拷贝数畸变、突变和基因表达特征的复合热图
图4:SR、GHR和FHR组的突变特征
研究结论
该研究表明FHR MM患者,即使没有任何高危遗传因素,结局也非常差;研究者们开发了一种基于机器学习的分类器,可以在诊断时识别MM中大部分FHR患者。
参考文献
Cinnie Yentia Soekojo, Tae-Hoon Chung, Muhammad Shaheryar Furqan, et al. Genomic characterization of functional high-risk multiple myeloma patients. Blood Cancer J. 2022 Jan 31;12(1):24.