Language
La selección inmune determina la antigenicidad del tumor e influye en la respuesta a los inhibidores de puntos de control
HogarHogar > Blog > La selección inmune determina la antigenicidad del tumor e influye en la respuesta a los inhibidores de puntos de control
ÚLTIMAS NOTICIAS

La selección inmune determina la antigenicidad del tumor e influye en la respuesta a los inhibidores de puntos de control

Aug 09, 2023

Nature Genetics volumen 55, páginas 451–460 (2023)Cite este artículo

13k Accesos

4 citas

121 altmétrico

Detalles de métricas

En el cáncer, las fuerzas evolutivas seleccionan clones que evaden el sistema inmunológico. Aquí analizamos más de 10,000 tumores primarios y 356 metástasis tratadas con puntos de control inmunológico utilizando dN/dS inmune, la proporción de mutaciones no sinónimas y sinónimas en el inmunopeptidoma, para medir la selección inmune en cohortes e individuos. Clasificamos los tumores como inmunes editados cuando las mutaciones antigénicas se eliminaron mediante selección negativa y el sistema inmune escapó cuando la antigenicidad fue encubierta por una modulación inmune aberrante. Sólo en los tumores inmunoeditados la depredación inmune se relacionó con la infiltración de células T CD8. Las metástasis inmunes experimentaron la mejor respuesta a la inmunoterapia, mientras que los pacientes inmunoeditados no se beneficiaron, lo que sugiere un mecanismo de resistencia preexistente. De manera similar, en una cohorte longitudinal, el tratamiento con nivolumab elimina los neoantígenos exclusivamente en el inmunopeptidoma de pacientes no inmunes, el grupo con la mejor respuesta de supervivencia general. Nuestro trabajo utiliza dN/dS para diferenciar entre tumores inmunoeditados y inmunes escapados, midiendo la antigenicidad potencial y, en última instancia, ayudando a predecir la respuesta al tratamiento.

El sistema inmunitario da forma a los genomas tumorales seleccionando clones empobrecidos en neoantígeno (inmune editados) o clones con una estrategia de evasión inmunitaria que permite la acumulación de neoantígeno ("inmune escapado")1,2,3. Los inhibidores de puntos de control inmunológico (ICI) actúan reactivando la depredación inmune contra células malignas al eliminar la "capa de invisibilidad" proporcionada por la sobreexpresión de vías de puntos de control inmunológico, como PD1 y CTLA-4. Los ICI se han aplicado ampliamente para tratar el cáncer, especialmente el melanoma, donde los estudios muestran una extraordinaria tasa de respuesta objetiva del 30%4. Sin embargo, las bajas tasas de respuesta para algunos tipos de tumores y los efectos secundarios altamente tóxicos de los costosos tratamientos ICI han impulsado la búsqueda de mejores biomarcadores predictivos. Hasta la fecha, los biomarcadores aprobados por la Administración de Alimentos y Medicamentos de EE. UU. son la carga de mutación tumoral (TMB), la inestabilidad de microsatélites (MSI) y la expresión de PDL1. Sin embargo, la TMB tiene limitaciones técnicas, incluido un bajo poder predictivo para algunos tumores, la ausencia de un umbral universal para predecir la respuesta y una fuerte dependencia de la tecnología de secuenciación y la profundidad5,6,7,8. La respuesta asociada a MSI y la expresión de PDL-1 también han sido cuestionadas, ya que los pacientes con microsatélites estables (MSS) y PDL-1 negativos también pueden mostrar un beneficio clínico con el tratamiento con ICI9,10. Como estas métricas ignoran la dinámica evolutiva del tumor subyacente, planteamos la hipótesis de que estratificar a los pacientes según la selección inmune mejorará el manejo del paciente.

Una métrica evolutiva11,12 comúnmente utilizada para detectar la selección en estudios de cáncer es la relación de mutaciones no sinónimas a sinónimas, dN/dS13,14,15,16,17. dN/dS se ha utilizado para detectar genes impulsores18, medir coeficientes selectivos en diferentes tamaños de clones19 y mostrar una selección positiva durante las expansiones subclonales20,21. Como las mutaciones no sinónimas también pueden generar neoantígenos al transformar autopéptidos, que no provocan una respuesta inmune debido a la tolerancia central22, en no autopéptidos, que potencialmente pueden iniciar una reacción inmune, planteamos la hipótesis de que la selección inmune se puede medir calculando dN/dS en el autoinmunopeptidoma13. El autoinmunopeptidoma se puede definir como todas las regiones genómicas que generan péptidos expuestos de forma nativa al sistema inmunológico a través del complejo mayor de histocompatibilidad (MHC) individual. A pesar de la abundante literatura sobre selección inmune contra neoantígenos23,24,25,26,27, pocos estudios han cuestionado la aplicación de predicciones basadas en MHC para detectar la selección inmune28, lo que plantea la importante pregunta de si la selección negativa está realmente ausente29, es ineficiente durante la evolución somática30 o es computacional. Las predicciones de los péptidos fijadores del MHC son deficientes31. Más allá de estas posibilidades, el impacto de la evasión inmune en las señales de selección inmune sigue sin explorarse.

Aquí, calculamos dN/dS dentro del inmunopeptidoma, dN/dS inmune, para validar la asociación entre la selección inmune y la infiltración de células T en tumores primarios editados inmunes. Demostramos que el escape inmunológico permite la acumulación de neoantígenos neutros y, en última instancia, enmascara la selección en las estimaciones de cohortes. Planteamos la hipótesis y demostramos que los tumores inmunoeditados no responden a las inmunoterapias mediante el análisis de 356 cánceres metastásicos tratados con inmunoterapia. Finalmente, en un conjunto longitudinal de tumores metastásicos tratados con ICI, mostramos que el dN/dS inmune en combinación con el estado de escape predice la respuesta de ICI mejor que la TMB clonal. Nuestro estudio destaca la importancia de considerar la dinámica evolutiva de los tumores para el futuro de la medicina personalizada.

Para medir la selección utilizando datos genómicos, desarrollamos SOPRANO (selección en regiones anotadas de proteínas), un algoritmo que calcula el contexto de trinucleótidos corregido dN/dS dentro (ON objetivo o ON-dN/dS) y fuera (OFF objetivo o OFF-dN/dS ) cualquier región genómica objetivo. SOPRANO permite realizar dN/dS específicos de cohortes y de pacientes, lo que permite realizar comparaciones entre individuos individuales o múltiples (Fig. 1a). Nuestro método utiliza mutaciones puntuales (variantes sin sentido y/o truncadas de un solo nucleótido) en inmunopeptidomas diana formados por (1) un único alelo HLA (es decir, HLA-A0201), (2) un alelo proto-HLA que consta de 6 haplotipos HLA o (3) los seis alelos HLA de clase I específicos de un paciente (Fig. 1b). Aplicamos SOPRANO en diferentes entornos para cuantificar la selección inmune (Fig. 1c y Tabla 1) y determinar el impacto de la evasión inmune (Fig. 1d).

a, Las estimaciones se pueden realizar a nivel de cohorte o a nivel individual. b, en cada caso, es posible estimar la selección inmune en un solo alelo HLA (es decir, HLA-A0201), una combinación genérica de alelos HLA (proto-HLA) o el inmunopeptidoma HLA específico de la línea germinal. c, la selección inmune determina las trayectorias evolutivas del crecimiento clonal; Los tumores completamente inmunoeditados con fuertes señales de selección inmune pueden transitar hacia tumores completamente inmunes donde las señales están ausentes. d, modelo de juguete que mezcla tumores inmunes editados y inmunes escapados. Es posible estimar el dN/dS inmunológico agregando todas las mutaciones y generando una estimación de cohorte única o estimando una distribución de valores por paciente. En ambos casos, planteamos la hipótesis de que mezclar tumores escapados con tumores editados conduce a la pérdida de señales de selección inmune reflejadas por valores inmunes de dN/dS más cercanos a uno (representados como líneas discontinuas rojas en la figura).

Primero, aplicamos SOPRANO a 33 tipos de cáncer del Atlas del Genoma del Cáncer (TCGA) (Tablas complementarias 1 y 2 y Figuras complementarias 1a-c) utilizando dos inmunopeptidomas: HLA-A0201, el alelo más común, y un proto-HLA28 compuesto de los seis alelos HLA más frecuentes (HLA-A01:01, HLA-A02:01 HLA-B07:02, HLA-B08:01, HLA-C07:01 y HLA-C07:02). Utilizamos la relación entre ON-dN/dS y OFF-dN/dS (ON/OFF) para demostrar de forma conservadora la selección inmune específica y la definimos como inmune dN/dS. Cáncer de vejiga (BLCA; intervalo de confianza (IC) del 95 %, 0,71–0,98), adenocarcinoma de pulmón (LUAD; IC del 95 %, 0,61–0,84), carcinoma de células escamosas de pulmón (LUSC; IC del 95 %, 0,70–0,98), melanoma ( SKCM; IC 95 %, 0,75–0,92) y carcinoma de cuerpo uterino y endometrio (UCEC; IC 95 %, 0,85–0,98) mostraron un agotamiento no sinónimo significativo dentro del inmunopeptidoma HLA-A0201 (Fig. 2a), y carcinoma de células escamosas de cabeza y cuello. (HNSC; IC 95 %, 0,85–0,95), carcinoma de células escamosas de cuello uterino (CESC; IC 95 %, 0,88–0,99), LUAD (IC 95 %, 0,84–0,93) y LUSC (IC 95 %, 0,86–0,95) dentro el proto-HLA (Fig. 2b). Los neoantígenos editados variaron de 0 a 151 (Tabla complementaria 1) cuando se calcularon por cohortes dentro del inmunopeptidoma HLA-A0201 y de 0 a 2113 cuando se calcularon por paciente, lo que sugiere que las estimaciones de cohortes pueden enmascarar la selección inmune a nivel individual. UCEC (cuatro) y cáncer colorrectal (CCR) (dos) fueron los tipos de tumores con el mayor número de neoantígenos editados por paciente. Confirmamos la solidez de nuestros hallazgos al volver a muestrear mutaciones e individuos (Figura complementaria 1d, e) y al estimar dN / dS inmune con mutaciones de diferentes llamadores somáticos (Figura complementaria 1f). En general, los resultados fueron consistentes entre las diferentes personas que llamaron y, por lo tanto, utilizamos solo llamadas de MuTect2. El colangiocarcinoma, el mesotelioma y el carcinoma de esófago también tenían rastros de selección inmune, pero con IC grandes debido a la baja carga de mutaciones (Figura complementaria 1c).

a,b, dN/dS inmunológico (relación ON-dN/dS/OFF-dN/dS) en múltiples tipos de tumores utilizando un inmunopeptidoma curado basado en HLA-A0201 (a) o un proto-HLA que consta de los haplotipos HLA más comunes en la población (b). Las barras de error indican un intervalo de confianza del 95% para la estimación puntual obtenida con SOPRANO y el número de muestras para cada tipo de tumor se describe en la Tabla complementaria 1. c, dN/dS inmune a proto-HLA de SOPRANO versus HBMR normalizado con proto-HLA informado anteriormente28. d, e, dN/dS inmune en HLA-A0201 (d) y HBMR en la infiltración de células T CD8 proto-HLA versus mediana, incluidos tumores ricos en microsatélites inestables (MSI) (e). f,g, dN/dS inmune en HLA-A0201 (f) y HBMR en la infiltración de células T CD8 proto-HLA versus mediana, excluyendo tumores ricos en MSI (g). Supusimos que los tumores ricos en MSI también son tumores ricos en escape. Los valores de p y los coeficientes de correlación se calcularon utilizando la correlación de Pearson (prueba t bilateral). Las áreas sombreadas en gris representan bandas de error que indican el intervalo de confianza del 95%. Las líneas discontinuas rojas indican dN/dS neutral en uno. h, log2 dN/dS versus -log10 (valor P) de genes de escape seleccionados (Tabla complementaria 3) utilizando mutaciones sin sentido y truncadas. i, modelo lineal mixto que utiliza dN/dS como variables dependientes y todas las métricas inmunes como variables independientes. El eje x muestra los coeficientes B. La selección del modelo utilizando el AIC reveló que el dN/dS inmune está fuertemente asociado con la abundancia media de células T CD8. Ninguna subpoblación inmune se asoció significativamente con OFF-dN/dS. Para ON-dN/dS, R2 ajustado = 0,927, estadístico F = 18,8 en 10 y 4 grados de libertad, P = 0,00617. Para OFF-dN/dS, R2 ajustado = 0,898, estadístico F = 13,3 en 10 y 4 grados de libertad, P = 0,0117 (los códigos de significancia se describen como '***' para P < 0,001, '**' P < 0,01, '*' P < 0,05 y NS, para no significativo P > 0,05). APC, célula presentadora de antígeno; FDR: tasa de descubrimiento falso; pDC, células dendríticas plasmáticas. R indica el coeficiente de correlación r de Pearson.

A continuación, comparamos la selección inmune de cohorte entre dN/dS inmune de SOPRANO y una relación de mutación de unión a HLA (HBMR) publicada28. Hubo una correlación significativa entre dN/dS inmune y HBMR para el proto-HLA (Pearson r o r = 0,77, P = 0,00054; Fig. 2c), pero no cuando se comparó HLA-A0201 con el inmunopeptidoma proto-HLA (r = 0,37, P = 0,15; figura complementaria 1g). Se esperaba que esta última correlación fuera menor dado que el proto-HLA incluye una región genómica más grande donde la selección inmune podría no actuar en pacientes sin esos alelos HLA. Ambas métricas utilizaron una carga similar de mutaciones no sinónimas dentro (Figura complementaria 1h, r = 0,93) y fuera del inmunopeptidoma (Figura complementaria 1i, r = 0,98). Al explorar inmunopeptidomas alternativos basados ​​en pacientes con HLA-A0201, la selección inmune fue más débil (dN/dS inmune ~ 1) al incluir regiones no expresadas o aglutinantes débiles, mientras que en ambos casos, OFF-dN/dS permaneció igual. Una evaluación comparativa adicional del inmunopeptidoma reveló la selección inmune más fuerte cuando se utilizan datos específicos del paciente (Figura 2 complementaria). En general, estos resultados sugieren que pueden surgir discrepancias en la selección inmune debido a diferentes inmunopeptidomas, especialmente si se incluyen péptidos de unión a MHC falsos o no expresados.

Nuestra hipótesis es que la selección inmune débil se debe a que los tumores inmunes escapan y enmascaran la señal. Comparamos la asociación entre la selección inmune, medida por dN/dS inmune y HBMR, y los infiltrados inmunes al incluir o excluir tres tipos de tumores con una alta frecuencia de casos de microsatélites inestables (MSI) y, por lo tanto, una alta frecuencia de mecanismos de evasión: CCR , adenocarcinoma de estómago (STAD) y UCEC32. Para minimizar posibles sesgos de los métodos de deconvolución de células en masa, obtuvimos estimaciones de infiltración inmune de tres estudios TCGA diferentes26,33,34. Al comparar todos los tipos de tumores con HBMR disponibles, la puntuación media de abundancia de células T CD8 se correlacionó negativamente con dN/dS inmune en el inmunopeptidoma HLA-A0201 (r = −0,7, P = 0,0035; Fig. 2d), pero no con HBMR en el proto-HLA (r = −0,38, P = 0,16; Fig. 2e). Al excluir CRC, STAD y UCEC, la correlación de las células T inmunes dN/dS y CD8 aumentó la importancia para ambos inmunopeptidomas, lo que respalda nuestra hipótesis de escape inmunológico que enmascara la selección inmune (HLA-A0201: r = −0,78, P = 0,0017, Fig. 2f; proto-HLA: r = −0,61, P = 0,028, Fig. 2g). Además, se observaron resultados similares cuando se utilizaron estimaciones inmunitarias alternativas, como la actividad citolítica (Figura complementaria 3a), la infiltración de células T CD8 de un estudio diferente33 (Figura complementaria 3b) y la puntuación de infiltración de linfocitos34 (Figura complementaria 3c), pero no cuando en comparación con TMB (Figura complementaria 3d). Al incluir los 33 tipos de tumores, también confirmamos que la infiltración inmune se correlacionaba con ON-dN/dS y dN/dS inmune, pero no con OFF-dN/dS (Figuras complementarias 4a-c).

Luego ejecutamos SOPRANO en un subconjunto de 6.858 tumores primarios no tratados de TCGA con al menos una única mutación en el inmunopeptidoma utilizando los seis alelos HLA de cada paciente, y clasificamos a cada individuo en escapado (escapado+) o no escapado (escapado-) según una mutación sin sentido o truncada en un gen de "escape" preseleccionado asociado a la maquinaria presentadora de antígeno (Tablas complementarias 3 a 5). Entre 88 genes de escape preseleccionados, encontramos una selección positiva significativa en mutaciones sin sentido en 40 genes, incluidos los genes HLA-B, B2M, IFNG y KIR, y en mutaciones truncadas en ocho genes, incluidos B2M, HLA-A, B y C. (Fig. 2h y Tabla complementaria 6). A continuación, comparamos el dN/dS inmunitario y la carga de mutaciones entre estratos de escape para diferentes categorías inmunitarias34. Aunque la infiltración inmune dN/dS y de células T CD8 específica del paciente no se correlacionaron, encontramos una TMB significativamente mayor en los tumores escapados+ en todas las categorías (Figura complementaria 4d), mientras que el dN/dS inmune fue significativamente mayor para los tumores escapados+ en C1 y C2. categorías, caracterizadas por alta proliferación y alta heterogeneidad intratumoral, y no fue diferente en C3, caracterizada por baja proliferación, y C4, caracterizada por ausencia de linfocitos (Figura complementaria 4e). Además, los tumores escapados+ albergaban más mutaciones de empalme, parada de pérdida y sin sentido (Fig. 5a complementaria) y más amplificaciones y eliminaciones (datos obtenidos de un estudio previo35; Fig. 5b complementaria) que los tumores escapados. Hubo una correlación significativa entre la distancia inmune dN / dS a la neutralidad y TMB en los tumores escapados + (P = 2.4e-12), pero no en los tumores escapados (Figura complementaria 5c), lo que respalda la hipótesis de que las mutaciones neoantigénicas se acumulan de manera neutral en los tumores escapados +. Curiosamente, tal efecto no se observó cuando se consideraron eliminaciones o amplificaciones en genes de escape (Figura complementaria 5d). Es importante destacar que el aumento de la carga de mutaciones se debió específicamente a mutaciones sin sentido o truncadas y no a eventos sinónimos en los mismos genes de escape (Figura 6 complementaria).

Para determinar qué subpoblaciones inmunes se asociaron con la selección inmune, aplicamos un modelo lineal mixto para determinar su contribución a dN/dS inmune, ON y OFF, incluyendo (Fig. 7a complementaria) o excluyendo CRC, STAD y UCEC (Fig. .2i). El modelo de mejor rendimiento para predecir dN/dS inmune (R2adj = 0,89, criterio de información de Akaike (AIC) = −83, P = 0,01) tenía células T CD8 como la variable explicativa más significativa. Es importante destacar que ninguna variable pudo explicar OFF-dN/dS, y siete de cada diez variables inmunes analizadas se asociaron significativamente con ON-dN/dS. Además, al expandirnos a más tipos de tumores con puntuaciones de células inmunes disponibles, encontramos una asociación significativa entre dN/dS inmune y la infiltración de leucocitos en tumores escapados (Figura complementaria 7b, sin mutaciones truncadas: P = 0,007; Figura complementaria 7c, sin sentido erróneo/truncado: P = 0,011), pero no en tumores escapados+ (Figura complementaria 7d, sentido erróneo/truncado: P = 0,58; Figura complementaria 7e, truncado: P = 0,25). Estos resultados se confirmaron en un modelo multivariado al controlar la fracción estromal (Figura complementaria 7f) o al incluir muchos otros estados celulares (Figura complementaria 7g). Curiosamente, la expresión de PD1 y PDL1 se asoció con la selección inmune en un análisis univariante (Figura complementaria 7h, i PD1 P = 0,021, PDL1 P = 0,057), pero no en un modelo lineal mixto que incluía células T CD8 (Figura complementaria 7j ,k), destacando los linfocitos de células T CD8 como el principal impulsor de la selección inmune.

Para caracterizar mejor las diferencias genéticas entre los tumores escapados y editados, nos centramos en 879 CCR, STAD y UCEC32 primarios no tratados previamente seleccionados. Estos tumores tenían múltiples mecanismos de escape anotados, incluida la inhibición del punto de control inmunológico derivada de la secuenciación de ARN, la pérdida de heterocigosidad de los genes HLA y el estado del número de copias (CN) para los genes de escape (Figura complementaria 8). En los tres tipos de tumores, TMB (Figura complementaria 9a) y dN/dS inmune (Figura complementaria 9b) fueron significativamente mayores en los subtipos MSI y PolE mutados (POLE) en comparación con los tumores MSS. Al estratificar por estado de escape, los tumores escapados+ tenían una TMB significativamente mayor que los tumores escapados- (MSS: P = 0,0018 y MSI: P = 0,00027, Fig. 3a), y un dN/dS inmunológico más cercano a uno (Fig. 3b), lo que sugiere que la mayoría de las mutaciones posteriores al escape se acumulan de forma neutral.

Análisis de un conjunto seleccionado de individuos de tres tipos de tumores ricos en MSI. Análisis específico de cada paciente de cáncer colorrectal (CCR), de estómago (STAD) y de útero/endometrio (UCEC) primario no tratado (n = 879) con mecanismos de escape anotados obtenidos de Lakatos et al.32. a,b, TMB (a) y dN/dS inmune (b) para diferentes subtipos de cánceres, incluidos MSS escapado- (MSS-, n = 130) y escapado+ (MSS+, n = 144), microsatélite inestable escapado- ( MSI−, n = 53) y escaparon+ (MSI+, n = 125) y mutantes POLE (n = 38). c, dN/dS inmune versus TMB para grupos de MSS inmunes y editados inmunes que utilizan todas las mutaciones (MSS− n = 107, MSS + n = 133). d, Comparación inmune dN/dS entre tumores escapados y escapados+ utilizando mutaciones clonales (MSS-, n = 93, MSS+, n = 94) o todas (MSS-, n = 130, MSS+, n = 144). e, Comparación inmune dN/dS entre mutaciones clonales versus todas en tumores MSS escapados y escapados+. Valores de P informados de la prueba de rangos con signo de Wilcoxon de dos caras y dos muestras pareadas después de una corrección de prueba múltiple utilizando el método de Holm. f, Relación entre el dN/dS inmune y la infiltración de células T CD8 informada para los escapados- y escapados+ en tumores MSS y MSI. Los diagramas de caja representan la mediana, el percentil 25 y el percentil 75, y los bigotes corresponden a 1,5 veces el rango intercuartil. CRC, círculo; STAD, triángulo; UCEC, plaza. Para comparaciones de dos muestras, los valores de P se calcularon utilizando una prueba U de Mann-Whitney bilateral no paramétrica. Para las correlaciones lineales, los valores de P y los coeficientes se calcularon utilizando la correlación de Pearson (prueba t bilateral). Las líneas discontinuas rojas indican dN/dS inmune neutral = 1.

Para probar si las mutaciones antigénicas se acumulan "inmunes" de manera neutral después del escape (ausencia de selección inmune), comparamos la carga de mutaciones y el dN/dS inmunológico. De hecho, solo en los tumores con MSS escapados+, TMB y dN/dS inmune se correlacionaron significativamente (P = 0,0001; Fig. 3c), lo que sugiere que la selección inmune todavía estaba activa en los pacientes con MSS escapados. Para descartar que esta asociación fuera impulsada por tumores con alto TMB escapado+, excluimos a los individuos con una carga de mutaciones por encima del TMB máximo observado en MSS escapado- y confirmamos la correlación considerando todas las mutaciones (P = 0,0092; Figura complementaria 9c) y clonales. mutaciones (P = 0,032; figura complementaria 9d). La selección inmune no se asoció con TMB en tumores MSI / POLE escapados + o escapados (Figura complementaria 9e). Este hallazgo sugiere que los mecanismos de evasión en estos subtipos de tumores se desarrollan temprano en la carcinogénesis, lo que hace que los tumores sean inmunes neutrales, altamente antigénicos y, por lo tanto, potencialmente más sensibles a las inmunoterapias. De hecho, se sabe que los pacientes con subtipos MSI o POLE tienen las mejores tasas de respuesta clínica a los inhibidores de puntos de control36. Corroboramos estos resultados utilizando al menos tres mutaciones sinónimas en el inmunopeptidoma para minimizar el riesgo de que los pacientes fueran clasificados incorrectamente como editados (P = 2,8 × 10-5; figura complementaria 9f).

A continuación, preguntamos si en los tumores MSS las mutaciones clonales contienen señales de selección inmune mientras que las mutaciones subclonales no, ya que pueden acumularse libremente cuando están presentes mecanismos de escape. El dN/dS inmune clonal fue similarmente menor que uno para los tumores MSS escapados+ y escapados- (Fig. 3d; 0,67 versus 0,68 dN/dS inmune). Al incluir mutaciones subclonales (es decir, todas las mutaciones), solo los tumores escapados+ tenían un dN/dS inmune más cercano a uno, mientras que los tumores escapados retuvieron señales de selección inmune (0,89 versus 0,69, P = 0,0035; Fig. 3d). Para demostrar que este efecto no se debió a individuos con TMB alto de tumores escapados+, sino más bien impulsado por variantes subclonales, comparamos dN/dS clonales versus todos inmunes dentro de cada paciente. Los tumores escapados tenían dN/dS inmunes similares usando mutaciones totales o clonales (todas las mutaciones: 0,61 versus clonales: 0,59 dN/dS inmunes, Fig. 3e), mientras que los tumores escapados+ tenían un dN/dS inmune significativamente mayor al incluir mutaciones subclonales (0,70 versus 0,55 dN/dS inmune, P = 1,2 × 10-4; Fig. 3e), lo que demuestra la adquisición temporal de mutaciones inmunoneutrales en tumores escapados+ y proporciona evidencia de una selección inmune sostenida en tumores escapados- (tumores editados inmunes) .

Para validar aún más que la fuerza de la selección inmune depende de la vigilancia inmune, comparamos el dN/dS inmune específico del paciente con la infiltración de células T CD8 en tumores inmunes editados que escaparon. Las células T inmunes dN/dS y CD8 se correlacionaron en tumores primarios con MSS inmunes editados, pero no en tumores con MSS inmunes escapados (P = 0,018; Fig. 3f y Fig. Suplementaria 10a, u otras métricas de CD8 de Danaher et al.33 ( P = 0,011, Bonferroni α = 0,025), figura complementaria 10b), lo que valida que el inmunopeptidoma mantiene una fuerza selectiva mediada por células T CD8. El estado de escape en los tumores MSI y POLE no marcó una diferencia en la infiltración inmune, lo que sugiere que, además de un posible mecanismo de escape desconocido, una alta tasa de mutación puede enmascarar una selección negativa débil, como se propuso recientemente30.

Para abordar la importancia clínica de la evasión inmune y la dN/dS inmune como sustituto de la antigenicidad tumoral, analizamos 308 casos metastásicos sometidos a inmunoterapia con ICI de la cohorte de la Hartwig Medical Foundation37 (Fig. 4a). Los pacientes fueron secuenciados antes del tratamiento y clasificados en respuesta completa y respuesta parcial y en enfermedad progresiva o enfermedad estable siguiendo las pautas RECIST1.1. Se registraron 79 respondedores (respuesta parcial y respuesta completa) y 229 no respondedores (enfermedad progresiva/enfermedad estable). Estimamos el dN / dS inmunológico específico de la cohorte y del paciente utilizando el inmunopeptidoma HLA-A0201 (Fig. 4b) o los seis alelos HLA de cada individuo (Fig. 4c), respectivamente. Los que no respondieron tuvieron una fuerte edición inmunológica (dN/dS inmune < 1) en comparación con los que respondieron para ambos inmunopeptidomas (P = 0,034). Un total de 17 de 154 personas que no respondieron tenían dN / dS de inmunidad alta (dN / dS> 2), lo que supuestamente indica una selección positiva en el inmunopeptidoma (Fig. 4c). Sin embargo, nuestras simulaciones sugieren que los pacientes con dN / dS con inmunidad alta pueden surgir artificialmente al portar menos mutaciones sinónimas en el inmunopeptidoma que el resto de la cohorte (Figura complementaria 11a) y al mismo tiempo tener el mismo TMB general (Figura complementaria 11b). En particular, el dN/dS inmunológico para quienes no respondieron se mantuvo significativamente más bajo que uno cuando se eliminaron individuos con menos de dos, tres o cuatro mutaciones sinónimas en el inmunopeptidoma, respectivamente (Figura complementaria 11c).

a, Un total de 308 pacientes con respuesta clínica a la inmunoterapia según RECIST1.1, incluidos los que responden (R) y los que no responden (NR). Los pacientes fueron tratados principalmente con ipilimumab (Ipi), nivolumab (Nivo), pembrolizumab (Pembro) o una combinación de ipilimumab más nivolumab (IPI/nivo). b, La cohorte de dN/dS inmunitario para los que responden (n = 79) y los que no responden (n = 229) que utilizan un inmunopeptidoma HLA-A0201 común revela un dN/dS inmunitario inferior a 1 para los que no responden, lo que coincide con una antigenicidad tumoral general baja. c, Comparación de dN/dS inmune individual para los que responden (mediana = 1,05, n = 67) y los que no responden (mediana = 0,77, n = 154) utilizando inmunopeptidomas HLA específicos del paciente (P = 0,034). d, Proporción de tumores escapados+ (NR n = 81, R n = 48) y escapados- (NR n = 148, R n = 31) clasificados por respuesta clínica. Los respondedores se enriquecieron en mecanismos de escape genéticos (χ2 P = 8 × 10−5). e, TMB para tumores escapados (NR+ n = 69, R+ n = 43) y escapados- (NR- n = 85, R- n = 43) clasificados por estado de respuesta muestran que los tumores escapados+ tienen significativamente más mutaciones que los tumores inmunoeditados . f, dN/dS inmune específico del paciente reveló un agotamiento significativo de mutaciones no sinónimas solo en el inmunopeptidoma de los que escaparon y no respondieron (NR-, mediana = 0,69, P = 0,0012). Prueba de rango con signo de Wilcoxon unilateral de una muestra con mu = 1 (NR− n = 85, NR+ n = 69, R− n = 24, R+ n = 43). Los diagramas de caja representan la mediana, el percentil 25 y el percentil 75, y los bigotes corresponden a 1,5 veces el rango intercuartil. g, cohorte dN/dS para genes impulsores (196 genes de Martincorena et al.14), genes de escape (Tabla complementaria 3), todo el exoma (dN/dS global) y el inmunopeptidoma (dN/dS inmune). Todas las barras de error incluyen la estimación puntual más el intervalo de confianza del 95 % calculado con el paquete SOPRANO. h, curvas de Kaplan-Meier de supervivencia general para respondedores y no respondedores agrupados por estado de escape (rango logarítmico P = 1,4 × 10-6). i, curvas de Kaplan-Meier de supervivencia general para individuos clasificados según dN/dS inmune y estado de escape (-, escapó-; +, escapó+) (rango logarítmico P = 0,0025). Las líneas discontinuas rojas indican dN/dS inmunoneutro = 1.

Siguiendo nuestra clasificación de escape basada en una lista de genes de escape (Figura 12 complementaria), encontramos que los que respondieron escaparon con mayor frecuencia que los que no respondieron (chi-cuadrado P = 8 × 10-5; Fig. 4d). Los que respondieron también tuvieron un TMB significativamente más alto que los que no respondieron antes del tratamiento (Figura complementaria 13a; P = 1,4 × 10-4). Los tumores escapados+ también tuvieron una TMB significativamente mayor en comparación con los pacientes escapados (Figura complementaria 13b; P = 2,5 × 10−18). Sin embargo, dentro del grupo escapado+ y escapado-, TMB no fue diferente entre los que respondieron y los que no respondieron, lo que sugiere que TMB es insuficiente para predecir la respuesta clínica cuando se considera el estado de escape (Fig. 4e). Nuestra hipótesis es que dN / dS inmune <1 y la ausencia de escape indican tumores fuertemente editados inmunes resistentes a las inmunoterapias. Los dN/dS inmunitarios específicos del paciente para los que respondieron y los que no respondieron separados por el estado de escape fueron significativamente diferentes (P = 0,008), y los que no respondieron y escaparon tuvieron un dN/dS inmunitario significativamente menor que uno al filtrar a los pacientes con cero (Fig. 4f; P = 0,001), una, dos o tres mutaciones sinónimas en el inmunopeptidoma (Figura complementaria 13c).

Para determinar si otras métricas de dN/dS se vieron afectadas por nuestra estratificación, restringimos nuestras estimaciones de cohorte a solo genes conductores (dN/dS conductor), genes no conductores (dN/dS global), genes de escape (dN/dS de escape) y el inmunopeptidoma (dN/dS inmune) en cuatro grupos de pacientes (Fig. 4g). El controlador dN/dS fue positivo para tumores escapados y neutro para tumores escapados+. El escape dN/dS fue mayor que uno para los pacientes escapados+, y se esperaba que cero para los pacientes escapados-, dada la ausencia de mutaciones en estos genes. Se esperaba que el dN/dS global fuera cercano a uno para todos los grupos, ya que la mayoría de las mutaciones somáticas en el genoma son neutrales14. El dN/dS inmunológico fue inferior a 1 solo para los tumores que no respondieron o escaparon, lo que corrobora nuestra hipótesis de resistencia primaria en pacientes inmunoeditados.

Para evaluar la importancia clínica de TMB, el estado de escape y la dN/dS inmune, investigamos su impacto en la supervivencia general en pacientes tratados con ICI. Inicialmente, solo el estado de escape se asoció significativamente con el resultado clínico (Cox univariado, prueba de índice de verosimilitud logarítmica (LRT) de TMB, P = 0,51, LRT de escape P = 0,006, LRT inmune dN/dS P = 1). Los pacientes escapados+ mostraron una supervivencia general significativamente más larga en comparación con los pacientes escapados (P = 0,0023; Fig. complementaria 14a), especialmente en el grupo que no respondió (P = 1 × 10−6; Fig. 4h). Como previamente observamos un subgrupo que no respondió con dN/dS de inmunidad alta, no esperábamos una asociación lineal con el resultado clínico. Para tener en cuenta esto, clasificamos a los pacientes en inmunidad baja, neutral y alta según límites inmunes predefinidos de dN/dS (Métodos) y eliminamos los tumores de alta inmunidad dN/dS que probablemente no se escaparon genéticamente (Figura complementaria 14b). Los individuos escapados+ no editados tuvieron una supervivencia general significativamente mejor en comparación con los pacientes escapados editados (P = 0,0025; Fig. 4i), lo que valida estas categorías como marcadores predictivos de la respuesta ICI. Alternativamente, para evitar la exclusión de pacientes y utilizar puntos de corte predefinidos, estimamos la distancia absoluta a la neutralidad (inmune delta (d-inmune) dN/dS). Demostramos que los individuos con dN/dS altamente inmunes pueden editarse pero tienen un dN/dS alto debido a una baja carga de mutaciones. En un análisis de regresión de Cox multivariado, el estado de escape, la edad y el dN/dS inmune se asociaron significativamente con la supervivencia general, mientras que la TMB no fue un pronóstico (Figura complementaria 14c). Es importante destacar que los individuos con dN/dS inmune alto que escaparon tuvieron el peor pronóstico, mientras que los dN/dS inmunes bajos que escaparon tuvieron el mejor pronóstico (Fig. 14d complementaria), lo que valida aún más que los tumores escapados+ no editados (inmune-neutrales) son los mejores candidatos para el tratamiento ICI. Sorprendentemente, en diferentes modelos multivariados que incluyen métricas publicadas recientemente38 (TMB clonal y subclonal, recuento de indel, expresión de CXCL9 y CD274), el estado de escape y el dN/dS inmune siguieron siendo factores significativos (AIC 448, rango logarítmico P = 1 × 10- 6; Figura complementaria 14e).

Para validar aún más el dN/dS inmunológico como biomarcador predictivo para la inmunoterapia, analizamos una cohorte longitudinal clínicamente anotada (cohorte de Riaz) de 68 pacientes con melanoma metastásico, secuenciados antes (Pre) y durante (ON) la terapia con ICI (Fig. 5a). Aplicamos SOPRANO utilizando cada genotipo HLA-I específico de cada paciente para obtener dN/dS inmune para 48 pacientes que tenían al menos una mutación sinónima en el inmunopeptidoma (Figura complementaria 15a). Comparamos la presión selectiva que actúa sobre el inmunopeptidoma antes y durante la terapia para los respondedores (R, respondedores completos o respondedores parciales) y los que no responden (NR, enfermedad estable o enfermedad progresiva). El tratamiento redujo la carga de mutaciones (Fig. 15b complementaria) y el dN/dS inmune (Fig. 15c complementaria) solo en los respondedores y solo dentro del inmunopeptidoma (ON P = 0,024, OFF P = 0,95), lo que respalda una reducción en el volumen del tumor directamente relacionada con selección inmune (Fig. 5b).

a, Se obtuvo de Riaz et al.39 una cohorte clínicamente anotada de 48 pacientes con datos de secuenciación antes (Pre) y después (On) de recibir ICI. b, distribuciones dN/dS para los que no respondieron (n = 36) y los que respondieron (n = 12) antes y después de la terapia. Estimamos OFF-dN/dS (izquierda), ON-dN/dS (centro) y dN/dS inmune (derecha) utilizando los seis alelos HLA de cada paciente. Los valores de P se calcularon utilizando la prueba de suma de rangos de Wilcoxon bilateral y se corrigieron utilizando Benjamini-Hochberg. c, Mutaciones y su prevalencia en genes clasificados como escapados en la cohorte de Riaz. Los individuos también se clasificaron según: estado de homocigocidad (Hom, homocigoto; Het, heterocigoto), pérdida somática de heterocigocidad HLA (N, no; Y, sí) y su categoría inmune dN/dS (N, neutral; L, baja; H , alto). d, dN/dS inmunitario previo a la terapia para cohortes de escapados y escapados+ clasificadas como respondedores (R) y no respondedores (NR). Los que escaparon que no respondieron fueron el único grupo con un dN/dS inmune de cohorte menor que 1. Todos los tumores escapados+ antes de la terapia mostraron un dN/dS inmune igual a uno. e, Distribución inmune dN/dS para tumores escapados aleatorios. La estimación puntual para los pacientes que escaparon y que no respondieron fue significativamente menor que la media de los valores inmunes aleatorios de dN/dS (p exacto = 0,019). f, curvas de Kaplan-Meier de supervivencia general entre pacientes con TMB alta y baja. Los pacientes con TMB alta tuvieron una supervivencia general significativamente más larga (rango logarítmico P = 0,031) que los individuos con TMB baja. g, curvas de Kaplan-Meier de supervivencia general entre inmune neutral (escape+ y dN/dS inmune neutro) e inmune editado (escape- y dN/dS de baja inmunidad). La asociación entre la supervivencia general y la dN/dS inmune fue más significativa que con TMB (rango logarítmico P = 0,015). Las líneas discontinuas rojas indican dN/dS inmunoneutro = 1.

A continuación, evaluamos si el dN/dS inmune refleja la antigenicidad tumoral en el contexto de respuesta y escape en esta cohorte longitudinal. Clasificamos a los pacientes según la lista de genes de escape más la pérdida de heterocigosidad de HLA y el estado de la línea germinal de HLA. Un total de 42 de los 88 genes de escape se encontraron mutados en 30 individuos, y la mayoría de las mutaciones eran sin sentido; Cinco pacientes adicionales tuvieron pérdida de heterocigosidad/homocigosidad en la región HLA, lo que resultó en 35 pacientes escapados+ frente a 13 pacientes escapados (Fig. 5c). La cohorte de dN/dS inmune reveló que en las muestras previas al tratamiento, los pacientes escapados+ mostraron un dN/dS inmune promedio de ~1 independientemente de la respuesta, mientras que los pacientes escapados que no respondieron fueron editados inmunes (dN/dS inmune = 0,6, IC 95). , 0,44, 0,82) (Figura 5d). Es importante destacar que solo los pacientes que respondieron escaparon + mostraron una disminución inmune de dN / dS durante la terapia, mientras que los pacientes que no respondieron escaparon mantuvieron señales de selección inmune después del tratamiento (Figura complementaria 15b). Para controlar si la selección inmune observada se debió a un sesgo en la carga de mutaciones, aleatorizamos la misma cantidad de genes encontrados mutados en la cohorte y recalculamos el dN/dS inmunológico para los escapados+ y los escapados- 10,000 veces. El dN/dS inmunológico observado para los pacientes que escaparon fue significativamente menor que la distribución aleatoria (Fig. 5e; P exacto = 0,019).

Finalmente, para probar el poder predictivo de dN/dS inmune independientemente del estado de escape, comparamos la supervivencia general utilizando TMB y dN/dS inmune antes de la terapia como variables independientes. Como se demostró previamente en esta cohorte39, los pacientes con TMB alto mostraron una respuesta significativamente mejor que los pacientes con TMB bajo (rango logarítmico P = 0,031; Fig. 5). Clasificamos a los pacientes en dN/dS inmune bajo (dN/dS inmune <0,82) y neutros (Fig. 5f). También excluimos los tumores inmunes altos debido a los altos intervalos de confianza (Figura complementaria 15e) y pocas mutaciones sinónimas en el inmunopeptidoma (Figura complementaria 15f). En general, identificamos una diferencia predictiva significativa entre los grupos al incluir el grupo con inmunidad alta (rango logarítmico P = 0,026; Figura complementaria 16a) o al excluirlo (rango logarítmico P = 0,015; Figura 5g). Los tumores inmunoneutrales mostraron la mejor respuesta y los tumores dN/dS de baja inmunidad tuvieron la peor supervivencia general en comparación con los tumores neutros. Además, el dN / dS inmune d también fue pronóstico (Figura complementaria 16b). Los tumores inmunoneutrales (dN/dS inmunes bajos) mostraron la mejor supervivencia general. Un modelo multivariado de riesgo de Cox con TMB, estado de escape y dN/dS d-inmune demostró que los pacientes inmunoneutrales tenían el índice de riesgo más bajo (HR = 0,25 (0,077–0,82), P = 0,023), mientras que TMB no fue pronóstico ( Figura complementaria 16c: HR = 0,84 (0,35–2,02), P = 0,7). Al combinar la cohorte HMF y Riaz, corroboramos que los pacientes inmunoeditados, aquellos con dN/dS inmune bajo y sin mecanismos de escape, tienen peor pronóstico después de recibir inmunoterapia, al filtrar por uno, dos o al menos tres sinónimos. mutaciones en el inmunopeptidoma (Figura complementaria 16d).

Aunque la inmunoedición es ampliamente reconocida como un proceso evolutivo dirigido por nuestro sistema inmunológico que selecciona clones poco antigénicos o escapados, su dinámica durante la carcinogénesis y la respuesta al tratamiento no se conocen bien. Durante la última década, la TMB se ha considerado una métrica de inmunogenicidad ampliamente utilizada para inscribir pacientes para el tratamiento con ICI. Sin embargo, TMB no captura la dinámica evolutiva inmune al tumor y una gran proporción de pacientes no responde a las inmunoterapias a pesar de su estado de TMB. Además, un estudio reciente ha demostrado que los cánceres colorrectales con TMB bajo también pueden lograr una respuesta clínica a los ICI9. La creciente evidencia que respalda el papel de la inmunidad adaptativa en la escultura del genoma del cáncer40 y las limitaciones de los biomarcadores predictivos para el tratamiento con ICI resaltan la necesidad de métricas precisas que reflejen la historia evolutiva del tumor subyacente.

Aquí, proponemos que la relación de mutaciones no sinónimos a sinónimas, o dN/dS, estimada en el autoinmunopeptidoma, se pueda utilizar para diferenciar entre tumores inmunoeditados y tumores inmunes, lo que permite predecir la respuesta al tratamiento. Nuestra hipótesis es que los tumores metastásicos con un mecanismo de escape evolucionado acumulan neoantígenos y que la inmunoterapia desenmascara su antigenicidad acumulada. Por el contrario, los tumores inmunoeditados tienen una antigenicidad tumoral baja en general y tendrán menos probabilidades de responder a los ICI. Esta hipótesis fue corroborada por nuestro análisis de la respuesta de ICI en más de 300 tumores metastásicos. Nuestros hallazgos demuestran la importancia de las métricas conscientes de la evolución sobre el TMB estándar como biomarcadores predictivos para el tratamiento con ICI.

Es importante destacar que durante la inmunoedición, las células en crecimiento están bajo selección inmune. Sin embargo, la selección negativa en el cáncer ha sido un tema controvertido28,29,41. Aunque algunos estudios han demostrado una asociación entre la actividad inmune y las presiones selectivas2,13,24,42,43, otros han afirmado que existe evidencia limitada para demostrar esta relación28,44. Como varios estudios han aplicado dN/dS como métrica de selección en cáncer y tejido normal13,14,45,46,47,48, nuestro objetivo fue comprender la dinámica inmune de dN/dS para explicar la falta de señales de selección en el cáncer. Más allá de las explicaciones propuestas, demostramos que al no clasificar a los individuos en editados y escapados, se pierden las señales de selección inmune. El bajo número de tipos de tumores con una fuerte selección inmune sugiere que la mayoría tiene algún mecanismo de escape inmune no detectado, que en última instancia será posible detectar usando dN/dS inmunológico.

Se desconoce exactamente qué genes y alteraciones genéticas conducen a la evasión o reconocimiento inmunológico. El escape o la variación antigénica pueden surgir en ciertos contextos debido a otros eventos genéticos como alteraciones del CN27, fusiones de genes49 o eventos de cambio de marco50. El descubrimiento y la elaboración de perfiles de transcripciones no canónicas derivadas de virus o isoformas de empalme aberrantes solo han sido posibles recientemente gracias a las nuevas tecnologías (es decir, la secuenciación de lectura larga). Además, la ausencia de selección inmune en tumores sin escape genético sugiere que también pueden existir otros mecanismos que imitan la evasión; es decir, clones de tumores en tejidos inmunes privilegiados que crecen bajo una dinámica inmunoneutral. Otra limitación para detectar la selección inmune proviene del inmunopeptidoma personal elegido; las variantes de la línea germinal, el estado de expresión, las predicciones incorrectas de unión al MHC o las mutaciones que reducen la afinidad nativa pueden afectar la precisión de la selección inmune, es decir, los inmunopeptidomas predichos con un exceso de péptidos que no están realmente unidos al MHC enmascararán las señales de selección. Todas estas limitaciones hacen que las métricas de selección inmune sean muy conservadoras y resaltan la necesidad urgente de una mejor comprensión de la inmunidad natural durante la progresión del tumor.

Un mayor refinamiento del inmunopeptidoma y los genes de escape, mediante la mejora de los métodos de predicción de unión al MHC y la evaluación del impacto funcional de los eventos de escape, y el descubrimiento de antígenos derivados no humanos/alternativos deben ser una prioridad para revelar todas las interacciones posibles y funcionales entre el tumor y el sistema inmune durante evolución del cáncer.

Se obtuvieron llamadas de mutaciones somáticas de 10,202 muestras en 33 tipos de tumores del consorcio TCGA a través del portal GDC (https://portal.gdc.cancer.gov/) para cuatro personas que llamaron: MuTect2, VarScan2, MuSE y SomaticSniper. Comparamos nuestros resultados entre las personas que llamaron y utilizamos MuTect2 para todos los análisis restantes. GDC tiene un proceso unificado con control de calidad múltiple que incluye un panel de normalidad para filtrar llamadas somáticas falsas positivas51 (es decir, contaminación de la línea germinal). Los archivos MAF se convirtieron a VCF y se volvieron a anotar usando ensemblVEP (v89) usando la opción flag –pick (mejor transcripción de conjunto). Solo se consideraron mutaciones puntuales clasificadas como mutaciones sinónimas, sin sentido, con pérdida inicial, con parada de ganancia, con parada de pérdida o con cambio de marco.

Se obtuvieron puntuaciones inmunes normalizadas para múltiples subpoblaciones de células de tres estudios diferentes (Rooney et al.26, Danaher et al.33 y Thorsson et al.34). Para el análisis de cohortes, las puntuaciones inmunitarias medianas por tipo de tumor se calcularon en función de los datos disponibles (puntuaciones normalizadas en z, puntuaciones de tipo celular basadas en la expresión de genes específicos o puntuaciones de grupos de expresión inmunitaria de Thorsson).

Las métricas de selección inmune definidas como HBMR y HBMR simuladas se obtuvieron de un estudio previo28, disponibles para 19 tipos de tumores. El acrónimo CRC comprende muestras de adenocarcinoma de colon y adenocarcinoma de recto.

Se obtuvo información de alelos HLA de seis dígitos para 9.736 muestras de los archivos de acceso controlado de Thorsson et al.34, todos depositados en https://gdc.cancer.gov/about-data/publications/panimmune.

Los datos de expresión y CN por gen se descargaron de la API GDCquery disponible en el paquete R TCGAbiolinks. Normalizamos los valores de expresión dividiendo los fragmentos del cuantil superior por kilobase de exón por millón de fragmentos mapeados (FPKM) por gen por muestra por el valor máximo observado en cada muestra y luego aplicando una transformación logarítmica. Para determinar si un individuo escapó según el estado de CN, estimamos el número mediano de eliminaciones (CN = 1 o CN = 0) y el número mediano de ganancias (CN > 2) para un subconjunto de 1.097 pacientes con estado de CN e inmunidad. dN/dS disponible (mínimo 1). Los individuos con un número superior a la mediana de genes de escape eliminados se clasificaron como "Del escapados". Se utilizó un enfoque similar para las ganancias fugadas.

Para determinar el impacto de los eventos de truncamiento/sin sentido en la carga de CN, obtuvimos la puntuación de aneuploidía para eliminaciones y amplificaciones de la Tabla complementaria 2 en un artículo publicado anteriormente35.

SOPRANO (http://github.com/luisgls/SOPRANO) se creó en base a nuestro método original publicado en Zapata et al.13 para calcular la selección en archivos anotados de predictores de efectos variantes. Calcula la relación entre la tasa de mutación no sinónima y sinónima (dN/dS) dentro (dN/dS objetivo ON) y fuera (dN/dS fuera del objetivo) de una región objetivo utilizando una corrección de contexto de 192 trinucleótidos (SSB192). SOPRANO toma dos archivos de entrada: (1) un archivo anotado del predictor de efectos variantes con mutaciones puntuales somáticas y (2) un archivo de cama de coordenadas de proteínas objetivo. Deben incluirse mutaciones sin sentido y sinónimas. Otras mutaciones puntuales, como el truncamiento (stop-loss/stop-wine) o variantes de empalme, se pueden incluir como eventos no sinónimos. Se descartarán el resto de tipos de mutaciones, excepto las mutaciones intrónicas. SOPRANO puede utilizar mutaciones intrónicas para mejorar la tasa de mutación de fondo estimada a partir de las regiones OFF-dN/dS dividiendo el número observado de mutaciones intrónicas por la longitud de las regiones intrónicas del gen (estimada a partir del genoma hg19). Luego se promedia la tasa de mutación resultante con OFF-dN/dS.

SOPRANO puede calcular dN/dS utilizando datos de mutaciones somáticas de un solo paciente o una cohorte en cualquier región de interés. SOPRANO permite excluir genes conductores y/o aleatorizar la región objetivo. SOPRANO utiliza un conjunto de identificadores de transcripción Ensembl y su respectivo archivo FASTA, lo que permite estimar dN/dS en cualquier genoma, independientemente de la versión. Una limitación importante de SOPRANO es la incapacidad de estimar la selección inmune cuando no hay mutaciones presentes dentro del inmunopeptidoma. En estos casos, no es posible diferenciar entre inmunoedición o escape.

En este trabajo, la selección inmune se estimó en múltiples niveles (descrito en la Tabla 1). Para el análisis de cohortes, utilizamos predicciones basadas en HLA-A0201 o proto-HLA. Para el análisis específico de cada paciente, construimos un autoinmunopeptidoma basado en todos los péptidos que se predice que se unirán al menos a uno de los seis alelos de la línea germinal HLA como región objetivo. Definimos el dN/dS inmunológico como la relación entre dN/dS dentro (dN/dS objetivo ON) y fuera del inmunopeptidoma (dN/dS fuera del objetivo) para corregir artefactos técnicos (contaminación de la línea germinal, sobrefiltración o llamadas somáticas falsas positivas). ) que puede sesgar el neutro dN/dS (~1). El dN/dS inmunológico es una métrica normalizada de selección inmune que supone que la mayoría de las mutaciones somáticas codificantes fuera del inmunopeptidoma no son antigénicas. Esta suposición está respaldada por el hecho de que sólo el 10% de las mutaciones sin sentido conducen a neoantígenos con alta probabilidad de reconocimiento; por lo tanto, la mayoría de las mutaciones fuera del inmunopeptidoma (excluyendo los genes impulsores) deben estar bajo una dinámica neutral (dN/dS ~ 1). Probamos diferentes inmunopeptidomas y demostramos que en múltiples condiciones OFF-dN/dS se aproxima a uno (Figura complementaria 2).

Como ejemplo, un dN/dS inmunológico de 0,6 indica que el 40% de las mutaciones no sinónimas (na) se eliminaron con respecto al número observado de eventos sinónimos (ns) multiplicado por la proporción de tasas de mutación no sinónimas (μa) y sinónimas (μs). ) (Ecuación 1).

Esta fórmula también nos permite calcular el número de neoantígenos eliminados por selección dentro del inmunopeptidoma de cada individuo utilizando:

donde \(n_{a_{edited}}\) es el número de mutaciones no sinónimas eliminadas del tumor según el número observado de mutaciones no sinónimas (\(n_{a_{obs}}\)) y la expectativa neutral (\( \frac{{\mu _a}}{{\mu _s}}\)) Este número representa un límite inferior para el número de mutaciones editadas inmunemente dado que las mutaciones fuera del inmunopeptidoma también podrían haber sido editadas por selección inmune (no sinónimo en regiones no propias que transforman un péptido no de unión en un péptido de unión).

Para construir un inmunopeptidoma humano, descargamos transcripciones codificadas con el símbolo HGNC y la identificación de la transcripción Ensembl de Ensembl Biomart (genes v90). Obtuvimos todas las longitudes de transcripción y ejecutamos makewindows bedtools (V2.26) para obtener todos los 9-mers superpuestos posibles. Luego obtuvimos la secuencia FASTA para cada uno de estos 11.060.000 9 unidades y ejecutamos netMHCpan4.0 (y netMHCpan4.1) utilizando una lista de alelos HLA (resolución de 4 dígitos para HLA-A, -B y -C). Esta lista se restringió a los 70 alelos HLA principales que tienen más del 1% de frecuencia poblacional en una lista de 1277 muestras de la cohorte del Proyecto 1000 Genomas52. Seleccionamos todos los péptidos posibles con un rango% <0,5 (aglutinantes fuertes o SB) como nuestro inmunopeptidoma sin filtrar.

Para aumentar la especificidad de nuestras estimaciones, filtramos el conjunto de datos cruzando péptidos aglutinantes fuertes con una lista de péptidos de ensayo positivos para células T de Immune Epitope Database, IEDB (http://iedb.org, consultado el 02/05/2018). . El péptido se mantuvo si la secuencia de 9 unidades tenía una coincidencia exacta dentro de cualquier péptido positivo para IEDB de longitud 9 o más. Mantuvimos transcripciones con expresión media y/o mediana de más de 1 FPKM (genes expresados ​​globalmente) calculadas en 33 tipos de tumores TCGA obtenidos del Human Protein Atlas. La lista de aglutinantes fuertes intersectada con ensayos positivos de IEDB se puede obtener del repositorio de GitHub (github.com/luisgls/SOPRANO) como un archivo de cama: allhlaBinders_exprmean1.IEDBpeps.bed. Para obtener un inmunopeptidoma HLA-A0201, filtramos esta lista por regiones asociadas a HLA-A0201. Para obtener un proto-HLA, realizamos el mismo filtrado pero filtrando para A0201, A0101, B0702, B0801, C0701 y C0702.

Para generar un inmunopeptidoma específico del paciente, buscamos en la base de datos de inmunopeptidomas precalculada (es decir, allhlaBinders_exprmean1.IEDBpeps.bed) los seis alelos HLA coincidentes utilizando un script proporcionado en el repositorio. Creamos un archivo de cama que contiene una identificación de transcripción de Ensembl y el inicio y el final del conjunto combinado de péptidos de unión a HLA previstos.

Para comparar SOPRANO, calculamos ON, OFF y dN/dS inmune utilizando múltiples inmunopeptidomas (Figura 2 complementaria) de un conjunto aleatorio de 1000 individuos HLA-A0201. Comparamos los aglutinantes fuertes predichos usando netMHCpan4.0 o netMHCpan4.1 (disponibles en el repositorio de github). Comparamos (a) aglutinantes fuertes (% de rango <0,5 definido) y (b) aglutinantes débiles (% de rango <2 definido como SB + WB, figura complementaria 2, inmunopeptidoma C y E). Para determinar el impacto de la expresión específica del paciente, se eliminaron todas las transcripciones no expresadas (FPKM = 0) de cada individuo TCGA (grupo C, E y G en la figura complementaria 2).

Obtuvimos dN/dS inmune por cohorte (Tabla complementaria 2) y por paciente (Tabla complementaria 4) en 33 tipos de tumores utilizando SOPRANO. Excluimos cohortes con menos de 10 mutaciones en el inmunopeptidoma, utilizamos el modo ExonicIntronic y el método de corrección SSB192. Para el análisis de un solo individuo, utilizamos el modo ExonicOnly y mantuvimos a los individuos con al menos una única mutación sinónima en el inmunopeptidoma. Para el análisis de correlación se utilizaron los paquetes Ggpubr y ggstatsplot de R disponibles en el repositorio CRAN (29 de febrero de 2020). Ejecutamos SOPRANO para pacientes que no escaparon excluyendo tumores con mutaciones sin sentido o truncadas en uno de los genes etiquetados como genes de escape (etiquetados como escapados +).

Para determinar el mejor modelo de regresión lineal, verificamos la colinealidad y comparamos SOPRANO ON, OFF y dN/dS inmune (ON/OFF) de cohortes y por paciente de tumores con datos de infiltrado inmune disponibles. Como dN/dS es una variable de resultado continua, y nuestro objetivo era identificar qué métricas inmunes, con efectos aleatorios desconocidos, explican dN/dS, utilizamos modelos mixtos lineales generalizados. Seleccionamos el modelo de mejor rendimiento utilizando la función stepAIC y comprobamos la normalidad y la heterocedasticidad utilizando el paquete gvlma. TMB se definió como el logaritmo en base 10 del número de mutación puntual. Cuando se agregó TMB al modelo, violó los supuestos de regresión lineal. Comparamos los niveles de expresión de PD1 y PDL1 en un modelo univariado y multivariado con células T CD8.

Obtuvimos una lista de genes de la maquinaria de presentación y procesamiento de antígenos (hsa04612) descargada de KEGG. Incluimos genes de escape utilizados en Rosenthal et al.2 que no estaban presentes en esta lista, como ERAP1, ERAP2, IRF1 y PDIA3. También agregamos FAS y MEX3B, ambos genes asociados a la respuesta inmune53,54. La lista final constaba de 88 genes (Tabla complementaria 4). Luego clasificamos a cada individuo como escapado+ si había un sentido erróneo o una mutación truncada en uno de estos genes de escape. Para determinar si estos genes estaban bajo selección positiva en la cohorte TCGA, ejecutamos dndscv14 con parámetros predeterminados utilizando solo genes de escape (Tabla complementaria 6).

Obtuvimos un subconjunto de alta calidad de tumores ricos en MSI, CRC, UCEC y STAD. En este conjunto de datos, estaban disponibles datos seleccionados para otros mecanismos de escape y el estado de MSI (Lakatos et al.32). Se excluyeron aquellos pacientes que no tenían asignado un fenotipo de escape o no tenían asignado un subtipo molecular (MSS, MSI o POLE). También exploramos las alteraciones de los CN en los genes de escape y determinamos el estado de escape del paciente en función del número medio de CNA presentes en cada tipo de tumor. Las mutaciones clonales y subclonales de estos pacientes se obtuvieron de nuestro estudio anterior.

Las llamadas somáticas y los metadatos de Hartwig se obtuvieron de la Hartwig Medical Foundation bajo el acuerdo de licencia DR-078. Seleccionamos 308 pacientes metastásicos que se sometieron a inmunoterapia después de la biopsia y tuvieron una respuesta clínica registrada en la columna "primera respuesta" de los metadatos. Sólo se incluyeron los tipos de mutación clasificados como sinónimos, sin sentido, pérdida de inicio, ganancia de parada, pérdida de parada o cambio de marco. Solo usamos llamadas somáticas con la bandera PASS, eliminamos indeles y volvemos a anotar SNV usando ensemblVEP (v90, referencia Grch37) con la opción –pick (mejor transcripción por gen). Usamos VATools V1.0.0 para analizar la entrada de SOPRANO.

HMF proporcionó los datos clínicos brutos y aún deben realizarse las comprobaciones finales de coherencia. Las evaluaciones de respuesta no se realizaron como parte de un ensayo clínico y el momento de las evaluaciones fue variable. Los pacientes se clasificaron como respondedores y no respondedores según la primera respuesta registrada después de iniciar el tratamiento utilizando los criterios de respuesta RECIST1.1. Los respondedores fueron todos aquellos etiquetados como respuesta completa (1 caso) o respuesta parcial (78 casos). Los pacientes con enfermedad estable (98 casos) o enfermedad progresiva (131 casos) se clasificaron como no respondedores. Hubo 79 pacientes sin datos, 2 clasificados como progresión clínica, 4 clasificados como no determinados y 3 casos clasificados como respuesta no completa/enfermedad no progresiva que no fueron incluidos en el análisis. No se incluyó el tiempo transcurrido desde la biopsia hasta la respuesta. No se realizaron más clasificaciones. Utilizamos el mismo conjunto de 88 genes de 'escape' para clasificar a los pacientes en escapados+ y escapados-.

Debido a la disponibilidad de secuencias del genoma completo en el HMF, utilizamos MOBSTER20 para realizar la deconvolución clonal/subclonal y determinar el estado clonal versus subclonal de las mutaciones somáticas. Incluimos mutaciones con VAF> 8% y asumimos estados clonales de CN 1:0, 1:1, 2:0, 2:1 y 2:2. El resto de parámetros estaban por defecto.

Obtuvimos 308 datos de secuenciación del genoma completo de la línea germinal en formato de archivo FASTQ o CRAM del depósito de Google Cloud. Los archivos CRAM se procesaron previamente utilizando samtools (v1.11) para convertirlos en archivos fastq. Los archivos Fastq se alinearon con el genoma utilizando Yara Mapper55 frente a una referencia de HLA predeterminada, lo que generó la entrada para OptiType56 para obtener el tipo de HLA de 4 dígitos para cada paciente. Las referencias se basan en la versión 3.14.0 de IMGT/HLA, de julio de 2013, y se procesaron como se describe en la publicación de OptiType.

Para realizar el análisis de supervivencia en la cohorte HMF se utilizó la diferencia entre la fecha de la biopsia respecto a la fecha de muerte para obtener la variable tiempo de aquellos pacientes que fallecieron. Para los pacientes clasificados como vivos, restamos la última fecha registrada en la cohorte como fecha máxima de la fecha de la biopsia. Los pacientes se clasificaron como vivos si no tenían una fecha de muerte registrada en los metadatos clínicos. Los individuos neutrales fueron aquellos con dN/dS inmunológico entre 1,22 y su recíproco, 0,82, según el cuartil superior del valor dN/dS inmunológico. Estos valores están en concordancia con el análisis realizado en la cohorte metastásica longitudinal. También exploramos la asociación entre dN/dS inmune, definida como la distancia absoluta a uno, con la supervivencia general.

Para determinar el controlador, el escape y el dN/dS global, ejecutamos SSB192 (http://github.com/luisgls/SSB-dNdS) con parámetros predeterminados en cada subgrupo de la cohorte HMF. Calculamos el controlador dN/dS utilizando la lista de 196 genes proporcionada por Martincorena et al.14. Calculamos el escape dN/dS utilizando la lista de 88 genes utilizados en este estudio. dN/dS global son los valores de dN/dS en todo el exoma considerando todas las mutaciones puntuales. Inmunopeptidoma dN/dS es el valor obtenido de SOPRANO.

Las pruebas estadísticas se realizaron utilizando la prueba de suma de rangos de Wilcoxon para dos distribuciones o la prueba de Kruskal-Wallis cuando había más de dos distribuciones utilizando el paquete R ggstatsplot, a menos que se indique explícitamente en el artículo. La corrección de pruebas múltiples para el análisis univariado de coxph se realizó utilizando Bonferroni. Para el análisis de supervivencia, utilizamos el paquete ggsurv y aplicamos corrección de pruebas múltiples para comparaciones por pares utilizando Benjamini-Hochberg, a menos que se indique lo contrario.

Obtuvimos los datos de mutaciones somáticas de Riaz et al.39, una cohorte de melanoma que fue secuenciada antes y durante la inmunoterapia. Los autores proporcionaron la clasificación RECIST1.1 y los resultados clínicos. Obtuvimos SOPRANO (github.com/luisgls/SOPRANO) ON, OFF y dN/dS inmune utilizando un inmunopeptidoma específico del paciente que consta de péptidos que se predice que se unen al MHC nativo (seis alelos HLA). Clasificamos a los individuos según su dN/dS inmunológico como bajo (<0,82), neutral (0,82–1,21) o alto (>1,21).

Utilizamos el mismo conjunto de 88 genes de escape del análisis anterior para clasificar a los pacientes en escapados+ y escapados- según la presencia de mutaciones de parada de pérdida, cambio de marco, parada de ganancia, pérdida de inicio y sin sentido. Además, clasificamos a los pacientes como escapados+ si tenían pérdida de heterocigosidad o eran completamente homocigotos en la región HLA. Para el análisis de cohorte final, seleccionamos 48 pacientes que tenían más de 10 mutaciones a nivel global, al menos una mutación sinónima en el inmunopeptidoma y tenían datos de respuesta clínica.

Realizamos la comparación estadística entre las distribuciones dN / dS de muestras de tratamiento previo (Pre) y posterior (On) utilizando la prueba de Wilcoxon Mann-Whitney. Para el análisis de cohorte, mezclamos todas las muestras para cada estrato y recalculamos el dN/dS inmune en función de los recuentos observados de mutaciones y sitios no sinónimos y sinónimos. Para validar que el dN/dS inmune del grupo que escapó que no respondió no fue un artefacto de la selección de genes de escape, tomamos muestras de 10.000 veces 42 genes (equivalente al número de genes mutados en nuestra lista de 88 genes) de todos los genes y dN / dS recalculado para cada uno de los cuatro grupos (NR−, NR+, R−, R+). Comparamos la estimación media obtenida de la cohorte observada (NR-) con la distribución aleatoria de dN/dS para NR-.

Para el análisis de supervivencia, primero realizamos una regresión de Cox en TMB y dN/dS inmune. Para seleccionar un punto de corte óptimo, utilizamos la función surv_cutpoint del paquete R survminer. Esta función nos permitió dividir variables numéricas en variables categóricas para TMB y dN/dS inmune. En nuestra primera clasificación de categorías inmunitarias, utilizamos 0,82 como límite máximo para pacientes con inmunidad editada y el recíproco, 1,21, como valor mínimo para pacientes con inmunidad alta. Comparamos el tamaño de los intervalos de confianza para cada paciente con el dN/dS inmunológico. Para comparar solo pacientes inmunoneutrales e inmunes editados, se filtraron muestras con intervalos de confianza altos (IC > 5) y dN/dS inmune superiores a 1,21 para el análisis de supervivencia. Los valores de P se obtuvieron utilizando la función ggsurvplot del paquete R ggsurv.

Usamos nuestro paquete disponible gratuitamente (https://github.com/luisgls/dNdSSimulator) para simular dN/dS inmunológico en dos condiciones extremas: sistema inmunológico completamente activo y sin capacidad de respuesta inmune (parámetro 'pattack' establecido en 1 versus 0 ). La descripción detallada de cómo ejecutar el simulador se encuentra en el sitio web. En cada condición, simulamos 1000 tumores a partir de un conjunto inicial de cinco células, una probabilidad de reconocimiento inmunológico del 10% (1 de cada 10 neoantígenos será reconocido en cada división celular con una probabilidad establecida de atacar). Las simulaciones se ejecutaron hasta la generación número 100, a menos que alcanzaran la capacidad de carga antes (número de celdas > 2000). En cada simulación, en el momento final, se registró el tamaño de la población y el número de mutaciones sinónimas/sinónimas en el inmunopeptidoma, y ​​se descartaron las mutaciones presentes en menos del 1% de las células. Solo se utilizaron simulaciones con más de 1000 células para estimar el dN/dS inmune y los resultados se cargaron en el repositorio de GitHub (dNdSSimulator).

Más información sobre el diseño de la investigación está disponible en el Resumen del informe de Nature Portfolio vinculado a este artículo.

Los datos de TCGA se obtuvieron del portal GDC (https://portal.gdc.cancer.gov/) y se procesaron como se describió anteriormente21. Los valores de selección de HBMR en el inmunopeptidoma se obtuvieron del material complementario en Van Den Eynden et al.28. Las puntuaciones normalizadas para la infiltración de células inmunitarias se obtuvieron de Rooney et al.26, Danaher et al.33 y Thorsson et al.34. Los genes implicados en la maquinaria presentadora de antígenos se obtuvieron de la vía KEGG hsa04612 (//www.genome.jp/pathway/hsa04612). Lakatos et al.32 obtuvieron una lista recopilada de mecanismos de escape para el adenocarcinoma de colon, el adenocarcinoma de recto y STAD y UCEC. Las llamadas de variantes somáticas de 308 muestras de Hartwig Medical Foundation se descargaron del Hartwig Data Portal bajo el acuerdo de licencia DR-075 (https://database.hartwigmedicalfoundation.nl/). Hartwig Medical Foundation Los datos somáticos y de la línea germinal de todo el genoma a nivel del paciente (archivos BAM sin procesar y datos de llamadas de variantes anotadas) se consideran sensibles a la privacidad y están disponibles a través de un mecanismo de acceso controlado. Las llamadas somáticas, la información clínica y de los alelos HLA de 68 pacientes con enfermedad metastásica secuenciadas antes y durante el tratamiento inmunoterapéutico se obtuvieron de los autores de Riaz et al.39 y se depositaron en Zenodo (https://doi.org/10.5281/zenodo.7546705). . Los resultados de SOPRANO para cada tipo de tumor y paciente están disponibles como tablas complementarias. Los datos analizados, el código y los archivos de rebajas R para reproducir cifras sin procesar están disponibles en Zenodo (https://doi.org/10.5281/zenodo.7416627).

SOPRANO está disponible gratuitamente en github.com/luisgls/SOPRANO. El simulador del proceso de ramificación estocástica para inmunoedición está disponible en http://github.com/luisgls/dNdSSimulator. Se puede acceder al código para estimar la selección positiva en genes de escape desde https://github.com/im3sanger/dndscv. El código para estimar el controlador, global y dN/dS del controlador se puede obtener en http://github.com/luisgls/SSB_selection. Utilizamos el lenguaje de programación R (entorno 3.63, 2020-02-29) y paquetes estándar de R disponibles en repositorios como CRAN (2020-02-29) y Bioconductor 3.12. Los paquetes de código y R necesarios para las cifras sin procesar están disponibles como archivos de rebajas de R (https://doi.org/10.5281/zenodo.7416627). Se necesitan Bedtools 2.26 y R para que SOPRANO funcione. Para generar archivos de entrada para SOPRANO se ha utilizado ensemblVEP v89. El software producido/utilizado para esta publicación se describe completamente en la sección Métodos. El tutorial para ejecutar SOPRANO está disponible en http://github.com/luisgls/SOPRANO. Se utilizó samtools (v1.11) para convertir archivos fastq. Se utilizó Yara Mapper (https://www.seqan.de/apps/yara.html) para el mapeo de lectura. Se utilizó OptiType v1.3.3 para obtener los alelos HLA. Las referencias se basan en la versión 3.14.0 de IMGT/HLA, de julio de 2013. Se utilizó netMHCpan4.0 y 4.1 para predecir la unión de MHC.

McGranahan, N. y col. Pérdida de HLA específica de alelo y escape inmunológico en la evolución del cáncer de pulmón. Celda 171, 1259-1271 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Rosenthal, R. y col. Escape inmunológico dirigido por neoantígenos en la evolución del cáncer de pulmón. Naturaleza 567, 479–485 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Chowell, D. y col. La divergencia evolutiva del genotipo HLA clase I afecta la eficacia de la inmunoterapia contra el cáncer. Nat. Medicina. 25, 1715-1720 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Robert, C. y otros. Tratamiento anti-receptor de muerte programada 1 con pembrolizumab en melanoma avanzado refractario a ipilimumab: una cohorte aleatorizada de comparación de dosis de un ensayo de fase 1. Lanceta 384, 1109-1117 (2014).

Artículo CAS PubMed Google Scholar

Jardim, DL et al. Los desafíos de la carga mutacional tumoral como biomarcador de inmunoterapia. Célula cancerosa 39, 154-173 (2021).

Artículo CAS PubMed Google Scholar

Sesma, A. et al. De la carga mutacional tumoral al receptor de células T en sangre: buscando el mejor biomarcador predictivo en el cáncer de pulmón tratado con inmunoterapia. Cánceres 12, 2974 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Gurjao, C. et al. Evidencia limitada de carga mutacional tumoral como biomarcador de respuesta a la inmunoterapia. Preimpresión en bioRxiv https://doi.org/10.1101/2020.09.03.260265 (2020).

Anagnostou, V. et al. Las características genómicas multimodales predicen el resultado del bloqueo de los puntos de control inmunológico en el cáncer de pulmón de células no pequeñas. Nat. Cáncer 1, 99–111 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Chalabi, M. y col. La inmunoterapia neoadyuvante conduce a respuestas patológicas en cánceres de colon en etapa temprana con MMR competente y deficiente en MMR. Nat. Medicina. 26, 566–576 (2020).

Artículo CAS PubMed Google Scholar

Wendel Naumann, R. et al. Seguridad y eficacia de la monoterapia con nivolumab en el carcinoma de cuello uterino, vaginal o vulvar recurrente o metastásico: resultados del ensayo de fase I/II CheckMate 358. J.Clin. Oncol. 37, 2825–2834 (2019).

Artículo PubMed Google Scholar

Nei, M. & Gojobori, T. Métodos simples para estimar el número de sustituciones de nucleótidos sinónimas y no sinónimas. Mol. Biol. Evolución. 3, 418–426 (1986).

CAS PubMed Google Académico

Kryazhimskiy, S. & Plotkin, JB La genética de poblaciones de dN/dS. PLoS Genet. 4, e1000304 (2008).

Artículo PubMed PubMed Central Google Scholar

Zapata, L. et al. La selección negativa en la evolución del genoma tumoral actúa sobre funciones celulares esenciales y el inmunopeptidoma. Genoma Biol. 19, 67 (2018).

Artículo PubMed PubMed Central Google Scholar

Martincorena, I., Raine, KM, Davies, H., Stratton, MR y Campbell, PJ Patrones universales de selección en cáncer y tejidos somáticos. Celda 171, 1029–1041.e21 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Van den Eynden, J. & Larsson, E. Las firmas mutacionales son fundamentales para la estimación adecuada de las presiones de selección purificadoras en los datos de mutaciones somáticas del cáncer cuando se utiliza la métrica dN/dS. Frente. Gineta. 8, 74 (2017).

Artículo PubMed PubMed Central Google Scholar

Persi, E., Wolf, YI, Leiserson, MDM, Koonin, EV y Ruppin, E. Criticidad en la evolución del tumor y resultado clínico. Proc. Acad. Nacional. Ciencia. Estados Unidos 115, E11101–E11110 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Pyatnitskiy, M., Karpov, D., Poverennaya, E., Lisitsa, A. y Moshkovskii, S. Derribando aviones contra el cáncer: búsqueda de proteínas hipomutadas esenciales en el melanoma de la piel. MÁS UNO 10, e0142819 (2015).

Artículo PubMed PubMed Central Google Scholar

Zapata, L. et al. Las firmas de selección positiva revelan un papel universal de los modificadores de la cromatina como genes impulsores del cáncer. Ciencia. Rep. 7, 13124 (2017).

Artículo PubMed PubMed Central Google Scholar

Williams, MJ y cols. Medir la distribución de los efectos de la aptitud en la evolución somática combinando dinámica clonal con relaciones dN/dS. Elife 9, e48714 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Caravagna, G. et al. Reconstrucción subclonal de tumores mediante aprendizaje automático y genética de poblaciones. Nat. Gineta. 52, 898–907 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Heide, T. y col. Responder a '¿Evolución neutra del tumor?'. Nat. Gineta. 50, 1633-1637 (2018).

Artículo CAS PubMed Google Scholar

Klein, L., Kyewski, B., Allen, PM y Hogquist, KA Selección positiva y negativa del repertorio de células T: lo que ven (y no ven) los timocitos. Nat. Rev. Immunol. 14, 377–391 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Marty, R. y otros. El genotipo MHC-I restringe el panorama mutacional oncogénico. Celda 171, 1272-1283 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Marty, R., Thompson, WK, Salem, RM, Zanetti, M. y Carter, H. Presión evolutiva contra las mutaciones del cáncer de unión al MHC de clase II. Celda 175, 416–428 (2018).

Artículo CAS Google Scholar

Łuksza, M. et al. Un modelo de aptitud de neoantígeno predice la respuesta tumoral a la inmunoterapia de bloqueo de puntos de control. Naturaleza 551, 517–520 (2017).

Artículo PubMed PubMed Central Google Scholar

Rooney, MS, Shukla, SA, Wu, CJ, Getz, G. y Hacohen, N. Propiedades moleculares y genéticas de los tumores asociados con la actividad citolítica inmune local. Celda 160, 48–61 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Davoli, T., Uno, H., Wooten, EC y Elledge, SJ La aneuploidía tumoral se correlaciona con marcadores de evasión inmunitaria y con una respuesta reducida a la inmunoterapia. Ciencia 355, eaaf8399 (2017).

Artículo PubMed PubMed Central Google Scholar

Van den Eynden, J., Jiménez-Sánchez, A., Miller, ML y Larsson, E. Falta de señales detectables de agotamiento de neoantígenos en el genoma del cáncer no tratado. Nat. Gineta. 51, 1741-1748 (2019).

Artículo PubMed PubMed Central Google Scholar

Bakhoum, SF & Landau, DA Evolución del cáncer: no hay lugar para la selección negativa. Celda 171, 987–989 (2017).

Artículo CAS PubMed Google Scholar

Tilk, S., Tkachenko, S., Curtis, C., Petrov, DA y McFarland, CD La mayoría de los cánceres conllevan una carga nociva sustancial debido a la interferencia de Hill-Robertson. Elife 11, e67790 (2022).

Artículo PubMed PubMed Central Google Scholar

Wells, DK y col. Los parámetros clave de la inmunogenicidad de los epítopos tumorales revelados mediante un enfoque de consorcio mejoran la predicción de neoantígenos. Celda 183, 818–834 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Lakatos, E. y col. Dinámica evolutiva de neoantígenos en tumores en crecimiento. Nat. Gineta. 52, 1057–1066 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Danaher, P. y col. Marcadores de expresión génica de leucocitos infiltrantes de tumores. J. Inmunotro. Cáncer 5, 1-15 (2017).

Artículo de Google Scholar

Thorsson, V. y col. El panorama inmunológico del cáncer. Inmunidad 48, 812–830.e14 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Taylor, AM y cols. Enfoques genómicos y funcionales para comprender la aneuploidía del cáncer. Célula cancerosa 33, 676–689 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Yarchoan, M., Johnson, BA, Lutz, ER, Laheru, DA y Jaffee, EM Dirigirse a neoantígenos para aumentar la inmunidad antitumoral. Nat. Rev. Cáncer 17, 209–222 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Priestley, P. y col. Análisis del genoma completo del cáncer de tumores sólidos metastásicos. Naturaleza 575, 210–216 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Litchfield, K. y col. Metaanálisis de los mecanismos intrínsecos de sensibilización a la inhibición de los puntos de control de células T y tumores. Celda 184, 596–614 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Riaz, N. et al. Evolución del tumor y del microambiente durante la inmunoterapia con nivolumab. Celda 171, 934–949 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Martín, TD y cols. El sistema inmunológico adaptativo es un importante impulsor de la selección para la inactivación del gen supresor de tumores. Ciencia 373, 1327-1335 (2021).

Artículo CAS PubMed Google Scholar

López, S. et al. Interacción entre la duplicación del genoma completo y la acumulación de alteraciones nocivas en la evolución del cáncer. Nat. Gineta. 52, 283–293 (2020).

Artículo PubMed PubMed Central Google Scholar

Angelova, M. et al. Evolución de metástasis en el espacio y el tiempo bajo selección inmune. Celda 175, 751–765 (2018).

Artículo CAS PubMed Google Scholar

Zhang, AW y cols. Interfaces de dinámica clonal maligna e inmunológica en el cáncer de ovario. Celda 173, 1755-1769 (2018).

Artículo CAS PubMed Google Scholar

Claeys, A., Luijts, T., Marchal, K. y Van den Eynden, J. Baja inmunogenicidad de mutaciones comunes en puntos calientes del cáncer que dan como resultado falsas señales de selección inmunogénica. PLoS Genet. 17, e1009368 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Lee-Six, H. et al. El panorama de la mutación somática en las células epiteliales colorrectales normales. Naturaleza 574, 532–537 (2019).

Artículo CAS PubMed Google Scholar

Muyas, F., Zapata, L., Guigó, R. & Ossowski, S. La tasa y el espectro de mutaciones en mosaico durante la embriogénesis reveladas por la secuenciación de ARN de 49 tejidos. Genoma Med. 12, 1-19 (2020).

Artículo de Google Scholar

Benvenuto, M. et al. Heterogeneidad de antígenos tumorales y neoantígenos dirigidos a la respuesta inmune en el cáncer de mama. Semín. Biol del cáncer. 72, 65–75 (2021).

Artículo CAS PubMed Google Scholar

Zacharakis, N. y col. Reconocimiento inmunológico de mutaciones somáticas que conducen a una regresión completa y duradera en el cáncer de mama metastásico. Nat. Medicina. 24, 724–730 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Frankiw, L., Baltimore, D. y Li, G. Empalme alternativo de ARNm en inmunoterapia contra el cáncer. Nat. Rev. Immunol. 19, 675–687 (2019).

Artículo CAS PubMed Google Scholar

Yang, W. y col. Los neoantígenos inmunogénicos derivados de fusiones de genes estimulan las respuestas de las células T. Nat. Medicina. 25, 767–775 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Zhang, Z. y col. Análisis uniforme de datos genómicos en NCI Genomic Data Commons. Nat. Comunitario. 12, 1-11 (2021).

Google Académico

Consorcio del Proyecto 1000 Genomas. Un mapa de la variación del genoma humano a partir de la secuenciación a escala poblacional. Naturaleza 467, 1061-1073 (2010).

Artículo de Google Scholar

Zhu, J. y col. Resistencia a la inmunoterapia contra el cáncer mediada por la apoptosis de linfocitos infiltrantes de tumores. Nat. Comunitario. 8, 1404 (2017).

Artículo PubMed PubMed Central Google Scholar

Huang, L. y col. En relación con la proteína de unión a ARN mex3b media la resistencia a la inmunoterapia contra el cáncer al regular negativamente la expresión de HLA-a. Clínico. Res. Cáncer. 24, 3366–3376 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Siragusa, E., Weese, D. & Reinert, K. Mapeo de lectura rápida y precisa con semillas aproximadas y múltiples retrocesos. Ácidos nucleicos res. 41, e78 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Szolek, A. y col. OptiType: tipificación HLA de precisión a partir de datos de secuenciación de próxima generación. Bioinformática 30, 3310–3316 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

LZ cuenta con el apoyo del programa de investigación e innovación Horizonte 2020 de la Unión Europea en el marco del programa de becas de investigación Marie Skłodowska-Curie (846614). AS y TAG cuentan con el respaldo de Wellcome Trust (202778/B/16/Z y 202778/Z/16/Z, respectivamente) y Cancer Research UK (A22909 a AS, A19771 y DRCNPG-May21_100001 a TAG). Reconocemos la financiación del Instituto Nacional de Salud (subvención del Instituto Nacional del Cáncer U54 CA217376) a AS y TAG. Este trabajo también fue apoyado por un premio Wellcome Trust al Centro para la Evolución y el Cáncer (105104/Z/14/Z) y por un Premio Acelerador AIRC/CRUK/FC a AS (CRUK: A26815, AIRC: 2279). Agradecemos a M. Punta y C.-A. Garin por su apoyo y discusión. Agradecemos a S. Quesada y E. Ghorani por sus importantes conocimientos sobre el proyecto. Esta publicación y el estudio subyacente fueron posibles en parte gracias a los datos que la Fundación Médica Hartwig y el Centro de Tratamiento Personalizado del Cáncer pusieron a disposición del estudio. Las figuras 1 y 5a fueron creadas con Biorender.com. GC reconoce la financiación de AIRC bajo MFAG 2020-ID. Proyecto 24913—PI Caravagna Giulio.

Centro para la Evolución y el Cáncer, Instituto de Investigación del Cáncer, Londres, Reino Unido

Luis Zapata, Giulio Caravagna, Khalid Abdul Jabbar, Chela James, Trevor A. Graham y Andrea Sottoriva

Laboratorio de Ciencias de Datos sobre el Cáncer, Departamento de Matemáticas y Geociencias, Universidad de Trieste, Trieste, Italia

Julio Caravagna

Oncología Computacional, Departamento de Epidemiología y Bioestadística, Memorial Sloan 10 Kettering Cancer Center, Nueva York, NY, EE. UU.

Marc J. Williams

Centro de Genómica y Biología Computacional, Barts Cancer Institute, Barts y la Escuela de Medicina y Odontología de Londres, Universidad Queen Mary de Londres, Londres, Reino Unido

Eszter Lakatos, Benjamin Werner y Trevor A. Graham

Instituto de Inmunología de Precisión Marc y Jennifer Lipschultz, Escuela de Medicina Icahn en Mount Sinai, Nueva York, NY, EE. UU.

Diego Chowell

Departamento de Ciencias Oncológicas, Instituto del Cáncer Tisch, Facultad de Medicina Icahn de Mount Sinai, Nueva York, NY, EE. UU.

Diego Chowell

Centro de Investigación en Biología Computacional, Human Technopole, Milán, Italia

Chela James, Salvatore Milite y Andrea Sottoriva

Instituto de Genética de la UCL, Departamento de Genética, Evolución y Medio Ambiente, University College London, Londres, Reino Unido

Lucie Gourmet

Departamento de Ciencias Biológicas, Universidad Técnica de Medio Oriente, Universiteler Mah, Ankara, Turquía

Ahmet Acar

Departamento de Oncología Radioterápica, Memorial Sloan Kettering Cancer Center, Nueva York, NY, EE. UU.

Nadeem Riaz

Centro de Inmunoterapia e Inmunoncología de Precisión, Cleveland Clinic, Cleveland, OH, EE. UU.

Timothy A. Chan

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

LZ concibió, diseñó, implementó y realizó todos los análisis. GC, MJW, EL, AA y BW brindaron apoyo con el análisis. KAJ, DC, CJ, LG y SM brindaron apoyo bioinformático. DC, TAC y NR generaron datos de secuenciación e información de muestra para la cohorte de melanoma. TAG y AS supervisaron el proyecto. LZ escribió el primer borrador del artículo. LZ, AS y TAG escribieron la versión final del artículo con la ayuda de todos los autores.

Correspondencia a Luis Zapata, Trevor A. Graham o Andrea Sottoriva.

TAC es cofundador de Gritstone Oncology y posee acciones. TAC posee acciones en An2H. TAC reconoce la financiación de subvenciones de Bristol Myers Squibb, AstraZeneca, Illumina, Pfizer, An2H y Eisai. TAC ha trabajado como asesor de Bristol Myers, MedImmune, Squibb, Illumina, Eisai, AstraZeneca y An2H. TAC y DC poseen la propiedad intelectual sobre el uso de la carga mutacional tumoral para predecir la respuesta a la inmunoterapia, con una patente pendiente, que se ha otorgado bajo licencia a PGDx. Los demás autores no declaran tener intereses en conflicto.

Nature Genetics agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores pares están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Higos suplementarios. 1–16.

Tablas complementarias 1 a 6,

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Zapata, L., Caravagna, G., Williams, MJ et al. La selección inmune determina la antigenicidad del tumor e influye en la respuesta a los inhibidores de los puntos de control. Nat Genet 55, 451–460 (2023). https://doi.org/10.1038/s41588-023-01313-1

Descargar cita

Recibido: 27 de octubre de 2021

Aceptado: 25 de enero de 2023

Publicado: 09 de marzo de 2023

Fecha de emisión: marzo de 2023

DOI: https://doi.org/10.1038/s41588-023-01313-1

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

La naturaleza revisa la genética (2023)

Medicina de la naturaleza (2023)