To cite this paper use one of the standards below:
Please log in to watch the video
Log inINTRODUCTION AND OBJECTIVES: Ovarian cancer (OC) is the major cause of death related to gynecological tumors, with high-grade serous ovarian cancer (HGSOC) being the most common subtype of this disease accounting for the majority of deaths. The elevated mortality rates of HGSOC have been reported to be related to the interconnected signaling networks, cellular composition, and spatio-temporal localization of cells within the tumor microenvironment (TME). Therefore, the aim of this project is to characterize the tumor microenvironment, integrating bulk and single-cell transcriptomics of HGSOC and investigate the impact of different subpopulations in patients’ outcome. MATERIAL AND METHODS: Single-cell RNA sequencing data (scRNA-seq) from public datasets were analyzed using the Seurat R package (version 3.2.0), in which quality control, normalization, clustering, differential gene expression analysis, and the annotation of the resulting clusters into cell types were performed. Also, a thorough review of gene markers was made to support defining the populations. For a comprehensive assessment of the TME subpopulations' roles in a larger cohort, we used CIBERSORTx, a deconvolution tool named by the authors an "in silico cytometry", which employs machine-learning to calculate the abundance of cell types in bulk RNA-seq data based on a reference signature matrix, in this case, derived from is the scRNA-seq. Subsequently, survival analyses using Survival (version 3.2-3) and Survminer (version 0.4.7) R packages were performed to assess the prognostic values of each cell type. RESULTS AND CONCLUSION: In total, the scRNA-seq data resulted in 26,786 cells from 5 patients, and the approach revealed a heterogeneous TME in HGSOC divided into 24 clusters with distinct profiles within malignant, immune, and stromal major populations relevant to HGSOC. The cell types identified in the analysis comprised not only commonly observed subpopulations related to cancer, e.g. T CD4 and T CD8, but also more rare ones, e.g. pericytes and adipogenic fibroblasts. Finally, in silico cytometry with bulk RNA-Seq data of 454 patients from The Cancer Genome Atlas and International Cancer Genome Consortium databases revealed that cancer-associated fibroblasts, endothelial cells, and malignant cells were the most abundant subpopulations in HGSOC patients. When analyzing the hazard ratios, T CD8 was displayed as a meaningfully important subpopulation regarding the impact on a good prognosis, which corroborates with the high lymphocyte density as a common indicator of good prognosis at different stages of disease in many malignancies, including HGSOC. Our approach to explore the HGSOC TME will provide insights into how intratumoral content besides cancer cells can operate as a prevalent factor in the patient's prognosis, as well as offer potential diagnostic biomarkers and therapeutic targets in future clinical practice.
Vitor Hugo Luna Rocha de Almeida
Gostaria que os autores explicassem com mais detalhes a "citometria in silico"
Vitor Hugo Luna Rocha de Almeida
Os autores mostraram o valor prognóstico positivo do infiltrado de células T CD8, indicando maior sobrevida global das pacientes com câncer de ovário seroso em estadiamentos mais avançados.
Os autores também observaram impacto prognóstico no infiltrado de células T CD4?
Uma vez que a literatura mostra papéis opostos entre linfócitos Th1 e Th2/Treg, a citometria in silico é capaz de identificar os subtipos de linfócitos T CD4 no microambiente tumoral?
Giovanna Resk Maklouf
Sim! Foi possível observar impacto de células T CD4 no prognóstico, um impacto protetivo como o de T CD8. Essa observação também corrobora com a litetura, onde diversos estudos indicam que a infiltração de T CD4 se relaciona com melhores desfechos em pacientes com câncer de ovário. Apesar desse tipo celular geralmente não ser citotóxico, T CD4 podem ajudar a ativar a resposta de células T CD8, contribuindo para a resposta anti-tumor. É possível verificar esse resultado no último tópico (Assessment of the hazard ratios related to subpopulations) de "Results" no poster.
Sobre os subtipos de T CD4, a citometria in silico é capaz sim de identificar esses estados, basta que tenhamos o perfil de expressão gênica de referência de cada um, como respondi na outra pergunta sobre a ferramenta. No momento, estamos investigando e adicionando mais dados para ser possível inferir diferentes fenótipos que são menos sensíveis a técnica e mais complexos de serem detectados, e teremos essa inferência logo logo.
Muito obrigada pela pergunta!
Vitor Hugo Luna Rocha de Almeida
Parabéns pelo trabalho, achei muito bom!
Luciana Rangel
Olá! Parabéns pelo trabalho e pela apresentação!
Gostaria de saber como você acredita que esses dados obtidos podem contribuir para a avaliação do prognóstico de pacientes de câncer de ovário, especificamente. Quais achados podem ser correlacionados?
Obrigada!
Giovanna Resk Maklouf
Olá Luciana, muito obrigada pelos seus comentários e ótima pergunta! Com os meus dados de transcriptômicas (tanto de célula única quanto de bulk/massa do tumor), foi possível inferir as proporções de tipos celulares presentes no microambiente tumoral e que o enriquecimento das supopulações T CD8 e T CD4 têm um impacto positivo no prognóstico das pacientes com câncer de ovário.
Além disso, acredito que compreender as interações do TME e entender a resposta imunológica das pacientes ao câncer é pavimentar o caminho para tecnologias inovadoras e impulsionar, por exemplo, imunoterapias mais eficazes, num tipo tumoral como o de ovário em que respostas à monoterapia anti-PD1/ PD-L1 são tão baixas, não excedendo 8%... Pensando em possíveis projeções que esta análise exploratória pode ter como desfecho ao explorar o TME, podemos ter no futuro opções viáveis de modulação da presença ou ausência de certos tipos celulares para complementar imunoterapias mediadas por células T. Existem algumas intenções de abordagens como esta para melanoma, por exemplo.
Apesar de ser o primeiro ano desta pesquisa (temos ainda muito a ser investigado!), utilizando diversos métodos computacionais a nosso favor, tenho esperança que encontraremos resultados promissores.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper
Giovanna Resk Maklouf
Oi Vitor Hugo, claro! É possível inferir o conteúdo de células imunes, tumorais e de estroma de um tumor sólido a partir de seu perfil de expressão gênica em massa (RNA-Seq bulk) utlizando perfis de expressão gênica de referência de cada subtipo celular (do inglês, reference gene expression profiles - RGEPs). Matematicamente, este processo é conhecido como deconvolução e muitos métodos computacionais para inferir estas proporções de subpopulações foram desenvolvidos nos últimos anos. A ferramenta CIBERSORTx, chamada pelos autores de "citometria in silico" é um desses métodos que permite que transcriptomas de tipos de células individuais sejam "purificados" digitalmente a partir de misturas de RNA em massa sem isolamento físico. O apelido criado pelos autores da ferramenta se dá principalmente porque a deconvolução pode ser "feita" experimentalmente usando citometria de fluxo ou sequenciamento de RNA de célula única. Fazendo essa analogia, então, temos a "citometria in silico" ou "citometria digital".
No meu projeto, usamos a deconvolução como uma abordagem que permitisse entender melhor os tipos celulares que encontramos com a análise de sequenciamento de célula única (single-cell RNA-Seq), pois como tínhamos dado de single-cell apenas para cinco pacientes com câncer de ovário seroso de alto grau, a deconvolução foi importante para observar os padrões (presença/ausência) relacionados a esses tipos celulares numa coorte muito maior, de 454 pacientes que tinham os dados de RNA-Seq bulk disponíveis, juntamente com os dados clínicos.
Giovanna Resk Maklouf
Caso algo não tenha ficado claro, pode falar!
Vitor Hugo Luna Rocha de Almeida
Excelente! Muito bem explicado. Obrigado!