通过肿瘤RNA测序文件检测抗EBV TCR CDR3序列，与更好的胰腺腺癌治疗结果相关

《Human Immunology》：Better pancreatic adenocarcinoma outcomes linked to anti-EBV TCR CDR3 detection via tumor RNAseq files

EB病毒通过增强T细胞免疫活性影响胰腺癌预后，检测抗EBV TCR CDR3序列可作为生物标志物并提示免疫治疗潜力。

　　

Madeline C. Baker | Srijit Paul | Genesis V. Lewis | Nandini Goel | Taha I. Huda | Tushar Singh | Joanna J. Song | George Blanck

美国南佛罗里达大学莫尔萨尼医学院分子医学系，坦帕，FL 33612

摘要

尽管Epstein-Barr病毒（EBV）与多种癌症类型有关，但其在胰腺癌发生和发展中的潜在作用仍不甚明了。在这项研究中，从两个独立的胰腺腺癌数据集的肿瘤来源RNAseq文件中分离出了T细胞受体（TCR）互补决定区3（CDR3）。在两个数据集中，那些具有与抗EBV TCR CDR3完全匹配的患者表现出更好的总体生存率和无病生存率。例如，在一个数据集中：91例具有抗EBV TCR CDR3的患者的总体生存期中位数为22.27个月，而43例没有抗EBV TCR CDR3的患者的总体生存期中位数为14.95个月（logrank p值=0.0195）。具有抗EBV TCR CDR3的病例中，代表T细胞功能的免疫标志基因表达显著更高，这表明这些患者的抗病毒免疫活性可能得到了增强。这些发现还表明，本报告中研究的几个免疫标志基因可以作为胰腺腺癌的新生物标志物，并可能对预后具有临床价值。此外，基因组异常评估显示，抗EBV CDR3阳性的样本突变数量显著较低，这与EBV在支持胰腺腺癌发展中的作用比之前认为的更为重要。这些发现为根据患者的EBV状态和肿瘤突变负担进行分层提供了依据。此外，针对胰腺腺癌的EBV靶向免疫疗法也可以考虑用于临床试验。

引言

胰腺癌的死亡率很高，预后较差，过去二十年来其发病率和死亡率都在上升[1,2]。此外，由于非特异性症状、晚期诊断以及缺乏针对常见基因突变的有效靶向疗法，患者常常面临严重的健康问题[3,4]。虽然CA 19–9是一种细胞表面抗原，是胰腺癌最常用的肿瘤标志物，但它对于早期检测或筛查的实用性有限[5]。

大多数胰腺癌被认为是散发性的，其风险因素尚未明确。然而，病毒在胰腺腺癌发展中的潜在作用是一个新兴的研究领域。尽管这一联系正在被研究，但仍然知之甚少[6]。先前的卵巢癌和淋巴瘤研究表明，检测抗Epstein-Barr病毒（EBV）T细胞受体（TCR）互补决定区3（CDR3）氨基酸（AA）序列与更好的预后相关。这些序列是通过从基因组测序文件中翻译重组读段来识别的[7,8]。目前尚不清楚胰腺癌是否存在类似的关联。本研究旨在通过从肿瘤来源的RNAseq文件中翻译TCR重组测序读段，来评估抗EBV TCR CDR3 AA序列在胰腺腺癌患者中的相关性。除了生存分析外，该研究还比较了具有和没有可检测到抗EBV TCR CDR3的病例之间的mRNA表达水平和基因组异常。

方法

RNAseq文件和TCR重组读段。 根据美国国立卫生研究院（NIH）的基因型和表型数据库（NIH dbGaP）批准协议编号31752，获取了Clinical Proteomic Tumor Analysis Consortium（CPTAC，phs001287）-胰腺腺癌RNAseq文件。根据NIH dbGaP批准协议编号6300，获取了The Cancer Genome Atlas-胰腺腺癌（TCGA-PAAD，phs000173）原发肿瘤样本的RNAseq文件。（这些批准……）

结果

研究概述。 根据RNAseq文件中恢复的抗EBV TCR CDR3，将CPTAC-胰腺腺癌和TCGA-PAAD数据集分为抗EBV TCR CDR3阳性和阴性两组。详细内容见表1。进一步的评估在后续的“结果”小节中详细说明。

通过RNAseq文件检测到抗EBV TCR（TRA + TRB）CDR3与更好的预后相关。

讨论

本研究旨在评估通过肿瘤样本RNAseq文件检测到抗EBV TCR CDR3是否与胰腺腺癌患者的预后相关。对两个胰腺腺癌数据集中的抗EBV TCR CDR3序列进行了精确的AA序列匹配。在CPTAC-胰腺腺癌和TCGA-PAAD数据集中，检测到抗EBV TCR CDR3与改善的总体生存期（OS）和无病生存期（DFS）概率相关。

伦理批准

对指定数据集的访问是通过“方法”部分中提到的NIH dbGaP批准编号获得的。

CRediT作者贡献声明

Madeline C. Baker：写作 – 审稿与编辑、撰写初稿、可视化、方法学、概念化。 Srijit Paul：软件、方法学、正式分析。 Genesis V. Lewis：方法学、正式分析、概念化。 Nandini Goel：写作 – 审稿与编辑、正式分析。 Taha I. Huda：软件、方法学、正式分析。 Tushar Singh：软件、方法学、正式分析。 Joanna J. Song：软件、方法学、正式分析。 George Blanck：

资助

不适用。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者感谢USF研究计算部门；感谢Lindsey Dickerson女士在数据集访问方面的行政支持；以及佛罗里达州的纳税人。献给Craig和Eileen。