大家好，今天跟大家分享为一篇题为Pharmaco-proteo genomic charac teriza tion of liver cancer organoids for precision oncology（用于精确肿瘤学的癌症类器官的药物-基因组学特征）原发性肝癌是全球第三大癌症死亡原因，其中肝细胞癌(HCC)约占85%，其次是肝内胆管癌(ICC)和肝细胞胆管癌(CHC)。类器官模型有可能重现亲本肿瘤的生物学和药型特征。
研究背景
类器官模型具有概括亲本肿瘤的生物学和药理学特征的潜力。然而，目前仍缺乏针对药物反应特征的综合药物-蛋白质基因组学分析和用于肝癌患者精准治疗的生物标志物研究。我们建立了一个患者来源的肝癌类器官生物库（LICOB），该生物库全面代表了通过多组学分析确定的各种肝癌类型的组织学和分子学特征，包括基因组学、表观基因组学、转录组学和蛋白质组学分析。
LICOB 的蛋白质基因组学分析确定了与患者预后相关的增殖和代谢类器官亚型。高通量药物筛选揭示了每种亚型的不同反应模式，这些反应模式与特定的多组学特征相关。通过对LICOB药物蛋白质基因组学数据的综合分析，我们确定了与药物反应相关的分子特征，并预测了个性化患者治疗的潜在药物组合。
mTOR抑制剂替西罗莫司和多靶点酪氨酸激酶抑制剂仑伐替尼的协同抑制作用在类器官和患者来源的异种移植物模型中得到验证。我们还提供了一个用户友好的门户网站，以帮助服务于生物医学研究社区。我们的研究为研究肝癌生物学和药理学依赖性提供了丰富的资源，可能有助于实现功能性精准医疗。
图一
LICOB的建立以及与原发性肝癌的比较。
图一
（A） 肝癌类器官药物蛋白质基因组学分析的工作流程示意图。
（B） LICOB中类器官模型的数量。
（C） LICOB的代表性明场图像（比例尺，100 μm）。
（D） 类器官、异种移植物及其亲本肿瘤的代表性苏木精和伊红 （H&E） 染色（比例尺，50 μm）。
（E 和 F） LICOB 中指示标记物的免疫荧光 （E） 和免疫组织化学 （F） 分析（比例尺，50 μm）。
（G） LICOB 和配对癌组织的突变景观（n = 48 对）。
（H） 不同组学中类器官与成对或未成对组织的 Spearman 相关系数。（CNV， n = 48 对;RNA-seq，n = 43 对; RRBS，n = 30 对; 蛋白质组学，n = 22 对）（Wilcoxon 秩和检验）。
图二
LICOB的分子亚型。
图二
（A）基于多组学数据的共识聚类揭示了四种亚型。每列代表一个类器官样本，行表示分子特征。
（B） 每个LICOB多组学簇和每种组学数据中选定基因集的ssGSEA评分（*FDR < 0.05，Wilcoxon秩和检验）。
（C） LICOB 中 HCCO 亚型与患者 HCC 组织的先前亚型结果的比较（Fisher 精确检验）。
（D） 根据类器官亚型的多组学特征（log-rank 检验）聚类的 CPTAC HCC 队列总生存期的 Kaplan-Meier 曲线。GSEA丰富了癌症标志的通路。
（E） 象限图描绘了与 L-DM 相比，L-LM 中转录组和蛋白质组同时检测到的 6,729 个基因的改变。
（F） L-LM和L-DM差异表达基因的基因本体（GO）富集分析。
图三
G6PD作为L-DM癌症类器官的潜在药物靶点。
图三
（A） LICOB亚型中潜在药物靶点的差异蛋白表达。
（B） L-LM 与 L-DM 中 G6PD 蛋白和 mRNA 表达（Wilcoxon 秩和检验）。
（C） 基于 CPTAC HCC 数据集中 G6PD 蛋白的下分位数和上分位数表达的总生存期 Kaplan-Meier 曲线（log-rank 检验）。
（D） LICOB集群间指示通路的ssGSEA评分。
（E）糖酵解途径的ssGSEA评分。
（F） 每个LICOB样品中PPP和糖酵解相关基因的mRNA表达。
（G） G6PD 表达与每种指示蛋白之间的 Pearson 相关性。
（H） 使用 G6PD 沉默 （sh-G6PD） 或对照 （sh-NT） 对 L-DM 的 HCCO8 和 HCCO12 中 G6PD 进行蛋白质印迹分析。
（I） 指示类器官的增殖（双向方差分析）。
（J） 指示类器官的区域（学生 t 检验）。类器官数量（shNT 与 sh-G6PD）：HCCO8（n = 1049 对 n = 3496）;HCCO12（n = 476 对 n = 897）。
（K） 显示指示类器官中指示代谢物的箱线图（Student’s t 检验）。
（L） L-LM 和 L-DM 类器官的 G6PD 抑制剂量反应曲线（Wilcoxon 秩和检验）。
（M） LICOB亚型中选定的多组学特征。
（N） MYC CNV 与糖酵解（蓝点）和 PPP 通路（红点）蛋白表达之间的 Spearman 相关性，这些蛋白标记的基因具有显着相关性。
（O） 描绘 G6PD 在 L-DM 代谢通量转移中的功能的示意图。
见图四
LICOB 类器官中的异质性药物反应。
图四
（A） 76种筛选药物的已知作用机制。
（B） 每种药物类别的 HBV 阳性和 HBV 阴性患者的类器官之间的平均 AUC 值（Wilcoxon 秩和检验）。
（C） 具有共同分子靶点的药物AUC值的代表性散点图（Pearson相关性）。颜色与（A）中的颜色相对应。
（D） 76 种药物的 4 种亚型之间的平均 AUC 值。AUC 值是 Z 分数 – 按行归一化。
（E） 四种亚型之间化疗药物的 AUC 值比较（Student’s t 检验）。
（F） 4 种亚型中 Reactome 细胞周期有丝分裂通路的 ssGSEA 评分（Wilcoxon 秩和检验）。
（G） 与 FGFR 抑制剂（BGJ398 和 PD173074）或 MET 抑制剂（tivantinib）反应相关的多组学特征。条形图显示了药物的 AUC 与每个聚类中的特征值之间的 Spearman 相关性。BGJ398和PD173074的相关系数均取平均值。
（H） S-ICCOs和R-ICCOs之间平均AUC值的分布（Wilcoxon秩和检验）。
（I） 基于 L-ICC 簇特征的 CPTAC 队列总生存期 Kaplan-Meier 曲线（log-rank 检验）。
（J） 使用 CPTAC 队列中报告的代表性途径比较 L-ICCO 中 R-ICCO 和 S-ICCOs 集群。
（K） 与阿法替尼反应相关的多组学特征。
（L） 基于蛋白质组学数据的S-ICCOs或R-ICCOs指示基因集的ssGSEA评分。
见图五
LICOB中的药物蛋白质基因组学分析。
图五
（A） Circos 图显示了 76 种药物中每种药物的弹性网络预测模型。第一个内圈代表每个 LICOB 样品的灵敏度;蓝色和粉红色分别代表最敏感和耐受的样品。第二个内圈表示每个类器官模型中特定药物反应的 AUC 值。第三个内圈表示显示最佳预测精度的多组学或单组学数据类型，最外层的圆圈表示每个预测模型中的特征数量。（B） 通过余弦相似性和 MSE 评估的药物预测精度的比较。
（C） 预测的 AUC 值与指示药物的 LICOB 测试集中测量的 AUC 之间的 Spearman 相关性。
（D）索拉非尼预测精度最佳的多组学特征。左侧的条形图显示了模型中特征的系数。
（E） 由代表索拉非尼耐药性的多组学特征富集的通路（超几何检验，Benjamini-Hochberg 校正）。
（F） GDSC 中仑伐替尼预测的 AUC 值与测量的 AUC 之间的 Spearman 相关性。
（G） 乐伐替尼预测准确度最高的多组学特征。左侧的条形图显示了模型中特征的系数。
（H 和 I） 指示通路活性与 LICOB 模型对乐伐替尼的 AUC 值之间的 Pearson 相关性。
见图六
LICOB中的药物组合预测和验证。
图六
（A）药物联合预测的工作流程。
（B） 仑伐替尼的药物通路网络图谱。橙色节点表示与乐伐替尼联合用药效率较高的预测药物，节点大小表示与乐伐替尼联合用药的评分。绿色节点表示连接每对药物组合的通路。
（C） 仑伐替尼与其他药物联合使用的预测评分。点大小代表不同组学数据贡献的分数。
（D） 乐伐替尼和替西罗莫司组合对所有 LICOB 样本的预测分数。
（E） 热图显示用指定药物处理的类器官中磷酸化位点的归一化丰度。
（F） 显示 HCCO31 中乐伐替尼-替西罗莫司联合剂量反应矩阵的热图。
（G） MEK-ERK 级联和 AKT 激活的蛋白质印迹分析。
（H 和 I） HCCO31 异种移植模型 （H） 和乐伐替尼耐药 PDX 模型对肿瘤生长的药效 （I）。显示了治疗结束时的代表性肿瘤异种移植图像（比例尺，1cm）和每组的肿瘤生长曲线（数据是SEM±平均值，双向方差分析）。
2
研究结果
总之，我们的研究为注释患者来源的类器官和评估药物反应提供了一个框架，补充了 TCGA、CPTAC 等的大规模临床肝癌分析。我们证明，分子特征的系统表征与生物网络一起可以高精度地预测药物反应，并为个性化治疗提供潜在的药物组合。我们的交互式和用户友好的门户网站为肿瘤学界提供了丰富的资源来进行调查，从而有利于临床实用性。
