Estimation of immune infiltration in tumours using proteomics data

Abstract

Introduction: There is a shortcoming in current breast cancer treatment, where some patients get overtreated leading to unnecessary side effects and others will not respond to the indicated treatment. Immune infiltration appears to have potential to become an important parameter when predicting how the tumour will respond to certain treatments, prognosing the survival rates in different subgroups and to personalise patient care. One approach is the CIBERSORTx algorithm that can estimate cell type abundance and thus immune infiltration from bulk transcriptomes using genes overexpressed in immune cells. Since there is additional information in proteomics, compared with transcriptomics, using such an algorithm with proteomics could potentially give better predictions regarding patient care.

Objective: To estimate immune infiltration in breast tumours using proteomics data.

Method: Proteomic breast cancer cohort data were translated to gene names used in the CIBERSORTx immune cell reference matrix. Duplicates were filtered and different imputation and scaling techniques were tested for the missing values in the proteomic data. CIBERSORTx cell type fraction estimation was performed with the transcriptomic breast cancer cohort data and 4 different processing approaches of the proteomic data, all compared with both Pearson and Spearman correlation.

Results: We discovered that most genes from the reference matrix used for estimation of cell types contained missing values in the proteomic data and different imputation techniques used on the missing values affected the deconvolution results. Most cell subsets correlated poorly between the proteomic and transcriptomic data. However, the cell subsets with the highest correlations were Plasma cells, T-cells CD8 and Mast cells with correlation coefficients between 0.5 and 0.7.

Discussion and conclusions: Further analyses, including orthogonal validation of the immune cell infiltration are needed. The idea of using proteomics combined with transcriptomics within immune infiltration and deconvolution seem to be promising to develop even further.

Popular Abstract (Swedish)

Framtidens digitalisering av tumöranalyser för bättre behandling och prognos

Läkarkonsten är på väg att få fler redskap för att individanpassa cancerbehandlingar och få en bättre patientöverlevnad. Intressant nog kan vi i framtiden komma till att förutsäga tumörers svar på behandling utifrån en matematisk algoritm som med hjälp av uppmätta gen- och proteinnivåer skattar halten av olika immunceller i tumören. Antalet och vilka typer av immunceller som finns i tumören har nämligen en stor inverkan på patientens tumörtillväxt och prognos.

1 av 3 människor drabbas av cancer idag och allt fler spås drabbas i framtiden. Bröstcancer är den cancerform som både drabbar flest kvinnor och som flest kvinnor dör av i hela världen. Trots att överlevnaden har förbättrats något i Sverige med hjälp av framsteg inom tidigare upptäckt och effektivare behandlingar, så finns det brister i dagens bröstcancerbehandlingar. Vissa patienter överbehandlas och får onödiga biverkningar medan andra inte svarar på den indicerade behandlingen och dör. Det krävs alltså bättre redskap till att förutsäga och individanpassa behandlingar för att vi ska förbättra patientöverlevnaden i bröstcancer.

Lösningen tycks dock vara nära. Under det senaste årtiondet har det utvecklats flertalet matematiska algoritmer till att förutsäga vilka typer av immunceller som förekommer i tumörprover utifrån endast uppmätta gennivåer. Detta möjliggör att det på ett billigare sätt skulle kunna gå att ta reda på prognosen av olika behandlingsalternativ för bröstcancer, eftersom immunceller är starkt kopplade till patienters tumörtillväxt och prognos i vissa typer av bröstcancer. Den uppskattade mängden immunceller i tumören i kombination med kliniska parametrar skulle vara en del av det tänkta verktyget för den nya behandlings- och prognosbestämningen. Immunceller fungerar dessutom som mål och/eller budbärare för vissa behandlingar och är viktiga att analysera för att hitta fler framtida behandlingsalternativ.

Den här studien testade en av de bästa av de matematiska algoritmerna som framtagits för att förutsäga typer av immunceller i tumörprov. Det användes både gen- och proteindata från samma bröstcancerprover för att se om proteindatan kunde bidra med kompletterande information. Proteiner fungerar nämligen både som cellens byggstenar och maskineri och är därför viktiga för utvecklingen av cancer. Om endast gendata studeras, så förloras tyvärr en del information om proteinernas aktivitet. Proteindata korrelerar inte alltid med de uppmätta gennivåerna och att använda sig av både proteindata och gendata kan därmed ofta ge en kompletterande helhetsbild.

Mycket mätvärden saknades i proteindatan och algoritmens resultat påverkades om dessa saknade värden ändrades till andra värden. De flesta av de immuncellerna som utvanns från gen- och proteindatan med algoritmen, korrelerade dåligt med varandra, trots att datan kom från samma tumörprover. Förbättringspotential fanns dock gällande att införa en större variationsbredd på referensdatan, ta fram referensdata specifikt för proteiner, testa om andra matematiska algoritmer fungerar bättre för proteindata samt att använda sig av tumörprover där den verkliga cellkompositionen är känd från tidigare experiment.

Slutligen så krävs det mer forskning i framtiden inom området, innan det går att förutsäga tumörers svar på behandling utifrån digital bestämning av immunceller genom en matematisk algoritm. Idén att använda en kombination av gen- och proteinanalys inom området verkar dock lovande att utveckla ytterligare.

• author: Hallgren, Isabelle
• supervisor: Fredrik Levander; Sergio Mosquim Junior
• organization: Department of Immunotechnology
• alternative title: Skattning av immuninfiltration i tumörer med hjälp av proteomikdata
• course: KIMM05 20222
• year: 2023
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: Immune infiltration, breast cancer, cancer proteomics
• language: English
• id: 9107144
• date added to LUP: 2023-01-17 11:45:10
• date last changed: 2023-01-17 11:45:10