药物警戒数据分析
评估不同癌症类型中irAE的报告风险
从FAERS数据库提取2014-2019年接受抗PD-1/PD-L1治疗的26种癌症类型的个体安全报告，计算irAE报告比值比（ROR）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
检查点免疫治疗期间免疫相关不良事件的多组学预测
Multi-omics prediction of immune-related adverse events during checkpoint immunotherapy.
实验完整度
中研究包含药物警戒数据分析、多组学数据关联分析以及独立患者队列的免疫组化验证，但缺乏体外或动物模型的功能验证。
主要模型
FAERS药物警戒报告（26种癌症类型） TCGA及PanImmune多组学数据（26种癌症类型） 独立患者队列（28例，主要为肺癌）
重点核对
FAERS不良事件报告数量及irAE定义（基于指南术语） TCGA及PanImmune数据来源及处理（基因表达、突变等） 验证队列纳入标准（抗PD-1/PD-L1治疗、预处理FFPE样本） LCP1和ADPGK的IHC染色条件（抗体克隆、稀释度） IHC信号量化方法（Aperio ImageScope v14.3，PPCv9算法，七个20×视野）
摘要
免疫相关不良事件（irAEs）由抗PD-1/PD-L1抗体引起，可能导致暴发性甚至致死性后果，因此需要早期检测和积极管理。然而，目前缺乏一种全面的方法来识别irAE的生物标志物。在这里，我们采用了一种结合药物警戒数据和组学数据的策略，并评估了多组学因素与不同癌症类型中irAE报告比值比之间的关联。我们确定了一个由LCP1和ADPGK组成的双变量回归模型，可以准确预测irAE。我们进一步在独立患者队列中验证了LCP1和ADPGK作为生物标志物。我们的方法提供了一种利用药物警戒数据和多组学数据识别癌症免疫治疗中irAE潜在生物标志物的方法。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用多组学数据预测免疫检查点抑制剂治疗中免疫相关不良事件的风险？
- 核心机制
- LCP1和ADPGK参与T细胞活化，其表达水平与irAE风险相关，提示T细胞活化在irAE发生中起关键作用。
- 主要证据
- 基于FAERS数据的26种癌症类型分析，识别出LCP1和ADPGK的双变量模型（Rs=0.91）；在28例独立患者队列中，LCP1和ADPGK的免疫组化染色在irAE组中显著增强，且组合AUC为0.80。
- 研究意义
- 该研究提供了一种利用药物警戒和多组学数据识别irAE生物标志物的方法，并提示LCP1和ADPGK可能成为预测irAE风险的潜在指标，有助于免疫治疗患者的管理。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
多组学数据关联分析
系统筛选与irAE ROR显著相关的分子特征
整合TCGA的mRNA、miRNA、lncRNA、蛋白表达和体细胞突变数据，计算Spearman相关性，识别与irAE ROR显著相关的因素。
双变量模型构建与评估
构建并优化预测irAE的线性回归模型
基于显著相关的因素和基因，构建双变量模型，通过留一交叉验证评估预测性能，并比较模型拟合优度。
独立患者队列验证
验证LCP1和ADPGK在患者水平预测irAE的能力
收集28例接受抗PD-1/PD-L1治疗且有预处理FFPE肿瘤组织的患者（主要为肺癌），通过免疫组化检测LCP1和ADPGK表达，比较irAE组与非irAE组。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 免疫组化 | LCP1抗体 | Cell Signaling Technology | 3588 |
| ADPGK抗体 | Novus Biologicals | NBP1-91653 | |
| CD8抗体 | MXB Biotechnology | RMA-0514 | |
| 辣根过氧化物酶标记的二抗 | NeoBioscience | ANR02-1 | |
| DAB显色系统 | Dako | -- | |
| 免疫组化扫描与量化 | Aperio ScanScope扫描系统 | Leica Biosystems | -- |
| 免疫组化量化 | Aperio ImageScope软件v14.3 | Leica Biosystems | v14.3 |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 药物警戒数据分析 | FAERS数据时间范围（2014.7.1-2019.6.30）、纳入的药物（nivolumab, pembrolizumab, cemiplimab, atezolizumab, avelumab, durvalumab）、排除标准（抗CTLA-4联合治疗）、irAE定义 阅读提示：Methods部分第一段'Data analysis of individual safety report from FAERS' |
| 多组学数据关联分析 | TCGA数据类型（mRNA、miRNA、蛋白表达、突变）、PanImmune数据内容（TCR多样性、新抗原负荷等）、计算方法（GSVA、细胞溶解活性、IFNγ签名） 阅读提示：Methods部分'Data analysis from TCGA and independent datasets' |
| 双变量模型构建 | 用于构建模型的变量列表、Spearman相关阈值、FDR校正方法、交叉验证方法 阅读提示：Methods部分'Identification of biomarkers by combining omics data and real-world data' |
| 独立患者队列验证 | 患者纳入标准（癌症类型、治疗史、FFPE样本要求）、排除标准、匹配标准（癌症类型、分期、年龄、性别、治疗）、IHC条件（抗体稀释度、品牌、货号）、扫描和量化方法 阅读提示：Methods部分'Immunohistochemistry in our patient cohort'及图3图注 |