利用BRIDGE从肿瘤转录组学和组织病理学预测乳腺癌新辅助治疗效果

《Annals of Oncology》：Predicting neoadjuvant breast cancer therapy response using BRIDGE from tumor transcriptomics and histopathology

　　

背景(Background)：尽管基于基因表达的特征可指导乳腺癌(Breast Cancer, BC)的辅助治疗，但目前尚无获批的分子生物标志物用于新辅助(Neoadjuvant)治疗场景，而早期疗效预测可指导治疗决策。肿瘤内异质性(Intratumoral Heterogeneity)使这一挑战更加复杂，同一肿瘤内常共存多种恶性亚型并影响治疗敏感性。方法(Methods)：研究人员开发了BRIDGE(BReast Intra-tumoral Deconvolution of Gene Expression)，一种通过计算去卷积新辅助治疗前大块肿瘤(Bulk)转录组以评估分子亚型组成并预测病理完全缓解(Pathological Complete Response, pCR)的计算框架。BRIDGE在10个转录组数据集上训练，并在涵盖不同亚型的24个独立多中心队列上测试。此外，研究人员分析了6个含新辅助治疗前HE染色切片及疗效应答数据的额外数据集以评估基于组织学(Histopathology)的预测性能。结果(Results)：分析实测转录组时，BRIDGE在ER+/HER2?肿瘤中优于已建立商业特征(Oncotype DX, MammaPrint, ROR-S)的替代实现，在HER2+及三阴性乳腺癌(Triple-Negative Breast Cancer, TNBC)中也超越其他转录组预测因子。ER+/HER2?患者中获得ROC-AUC为0.84，高优势比(Odds Ratio, OR = 8)；HER2+疾病AUC为0.77 (OR = 8.3)；TNBC中AUC为0.73 (OR = 3.1)。研究人员进一步开发了BRIDGE-Slide，通过深度学习推断肿瘤转录组将BRIDGE应用于新辅助治疗前组织病理切片，其表现优于直接的切片至疗效(Slide-to-Response)模型，证明其作为首类快速低成本生物标志物的潜力。探索性留一数据集(Leave-One-Dataset-Out, LODO)分析提示其对免疫检查点抑制剂(Immune Checkpoint Blockade, ICB)治疗的ER+/HER2?肿瘤具可推广性，有待大队列验证。空间转录组显示BRIDGE推导的亚型赋值形成与经典分子特征吻合的空间连贯区域，强化了其生物学可解释性。结论(Conclusions)：BRIDGE是用于乳腺癌新辅助治疗疗效预测的具有生物学依据(Biologically Grounded)框架，经丰富患者队列验证。其基于组织病理学版本开启了新辅助治疗场景中快速低成预测之门，待进一步前瞻性测试与验证。

论文解读：利用BRIDGE从肿瘤转录组学和组织病理学预测乳腺癌新辅助治疗效果

本研究发表于《Annals of Oncology》。目前乳腺癌新辅助化疗(NAT)或靶向治疗后的病理完全缓解(pCR)率在不同临床亚型内差异显著，而现有的基因表达检测如Oncotype DX和MammaPrint主要用于辅助治疗的复发风险判断，尚无获FDA批准的分子生物标志物专门用于新辅助治疗前的疗效预测。此外，传统PAM50等分类将肿瘤归为单一内在亚型，忽略了肿瘤内存在多种恶性细胞亚群混合（肿瘤内异质性）的现象，而这种异质性被认为与治疗敏感或耐药密切相关。大多数现有计算去卷积方法仅关注免疫和基质成分，将恶性区室视为均质，未充分探索恶性细胞自身的转录异质性对治疗反应的贡献。为此，研究人员开展了BRIDGE（BReast Intra-tumoral Deconvolution of Gene Expression）研究，旨在通过对治疗前大块肿瘤转录组进行恶性细胞亚型特异性去卷积来量化肿瘤内亚型组成，并基于此预测新辅助治疗pCR，进一步扩展至利用深度学习从常规H&E切片推断表达谱以实现低成本预测。研究结果显示BRIDGE在多中心外部验证中超越既有分子标志物，BRIDGE-Slide亦展现良好组织学预测能力。该研究为乳腺癌新辅助治疗个体化决策提供了具生物学可解释性的新型计算框架。

主要关键技术方法

研究人员基于8个单细胞(scRNA-seq)乳腺癌队列共236,363个细胞的恶性细胞表达谱，分别构建基于经典PAM50亚型（Luminal A/LUMA、Luminal B/LUMB、HER2-enriched/HER2、Basal-like/BASAL，518个标记基因）的BRIDGE-PAM50参考矩阵，及基于TNBC特有6亚型（BL1、BL2、Mesenchymal/M、Luminal Androgen Receptor/LAR、Mesenchymal Stem-Like/MSL、Immunomodulatory/IM，975个标记基因）的BRIDGE-TNBC参考矩阵。利用ν-支持向量回归(ν-SVR)从治疗前Bulk RNA-seq去卷积推断各亚型丰度，再将丰度输入Logistic Regression预测pCR。训练集为各临床亚型最大的3个数据集（共10个数据集n=716），外部测试为24个独立数据集（n=932）。针对无RNA-seq场景，串联Path2Omics深度学习模型（从全切片H&E图像推断全基因组表达）与BRIDGE流程形成BRIDGE-Slide，无需重新训练。性能评估采用ROC-AUC、优势比(OR)及分层pCR率，并使用伪大块(Pseudo-bulk)模拟、TCGA-BRCA与METABRIC队列、10x Genomics Visium空间转录组进行生物学验证。

研究结果

BRIDGE accurately reconstructs subtype composition uncovering tumor heterogeneity in breast cancer

研究人员通过在模拟伪大块数据集上留一数据集交叉验证，证实BRIDGE去卷积精度（Spearman ρ=0.78，绝对误差0.09）高于CIBERSORTx和MuSiC。应用于TCGA-BRCA队列时，BRIDGE-PAM50推断的亚型比例与标准PAM50分类高度一致（AUC=0.93），且在PAM50定义为Luminal A的肿瘤中识别出更高Luminal B丰度者伴更高增殖及拷贝数负荷，证明BRIDGE能揭示超出单标签分类的肿瘤内异质性。

BRIDGE improves prediction of response to NAT in ER⁺/HER2^?and HER2⁺patients over existing biomarkers

在ER⁺/HER2^?患者（8个独立队列n=321），BRIDGE中位AUC达0.84，在6/8队列居首，超越MammaPrint、ROR-S、Oncotype DX替代版及PAM50重心相关模型（p<0.05），OR=8；高分vs低分组pCR率29% vs 5%。调整年龄、分期、淋巴结状态后OR仍保持8.2–15.1。五分位分析见Luminal→Basal样丰度递增伴随pCR由1%升至32%，其中Basal样丰度是最强单预测因子(AUC=0.72)。在HER2⁺患者（9个独立队列n=284），BRIDGE中位AUC=0.77（6/9队列最优），超HER2 mRNA表达(AUC=0.72)、PAM50重心模型及监督模型，OR=8.3（PAM50 HER2-enriched分类OR=3.9）；高分vs低分pCR率75% vs 27%；五分位见Luminal A→HER2-enriched主导转换且pCR由17%升至77%；HER2-enriched丰度单独预测AUC=0.75。

BRIDGE-TNBC robustly predicts response in triple-negative breast cancer

TNBC中用BRIDGE-PAM50预测力有限（中位AUC=0.55），改用BRIDGE-TNBC后中位AUC提升至0.73（5/7队列最优或并列最优），OR=3.1（PAM50 Basal vs非Basal OR=1.6）；高分组pCR率50% vs低分组21%。五分位分析示最低分富集LAR亚型(pCR 16%)，最高分富集BL1亚型(pCR 52%)；BL1丰度单独AUC=0.63。BRIDGE-TNBC超越Ki67表达(AUC=0.54)及肿瘤浸润淋巴细胞(TIL)特征(AUC=0.55)。

BRIDGE-Slide enables cost-effective response prediction directly from standard pathology slides

Path2Omics推断的表达经BRIDGE处理得亚型组成，与实测转录组BRIDGE结果呈Pearson r=0.64，响应评分r=0.55。在6个独立WSI数据集：ER⁺/HER2^?AUC≥0.92(OR>10)；HER2⁺AUC 0.71–0.77(OR 2.6–6.6)；TransNeo TNBC AUC=0.70(OR=2.65)；IMPRES TNBC AUC=0.61。在有匹配RNA-seq的数据集中BRIDGE-Slide与Bulk BRIDGE平均ΔAUC=0.045。BRIDGE-Slide超越直接端到端WSI→pCR深度学习模型及TILScout（TNBC中跨队列更稳健）。

Exploratory evaluation of BRIDGE across additional neoadjuvant treatment settings

探索性LODO分析显示，ER⁺/HER2^?接受ICB治疗队列AUC 0.74–0.89(OR>7.4)，响应关联高Basal低Luminal丰度；TNBC接受ICB在2/3队列AUC 0.67–0.73，BRIDGE-Slide在独立TNBC H&E队列AUC=0.71；新辅助内分泌治疗ER⁺患者表现较温和(AUC 0.61–0.66)。化疗不响应ER⁺/HER2^?患者中21.7%被ICB模型划为潜在ICB响应者。

BRIDGE identifies spatially cohesive molecular subtypes in breast cancer

对3例10x Visium空间转录组（ER⁺/HER2^?、ER⁺/HER2⁺、TNBC）恶性区室斑点应用BRIDGE，亚型赋值符合临床亚型（如ER⁺/HER2⁺富集HER2-enriched斑点），且形成空间连贯区域(Moran's I均值0.3, p<0.01)，Luminal B斑点高增殖签名、HER2-enriched斑点高ERBB2表达、MSL斑点高基质签名，与已知生物学一致；斑点平均组成与伪大块去卷积结果吻合(平均绝对差0.1)。

讨论与结论总结

讨论指出肿瘤内异质性是治疗障碍，BRIDGE通过建模恶性细胞转录异质性在跨多中心外部测试中具稳健泛化性。其在ER⁺/HER2^?超越Oncotype DX等替代版，在HER2⁺超越HER2 mRNA及PAM50，在缺乏标志物的TNBC也表现良好；五分位分层与已知化疗敏感性生物学相符。BRIDGE兼容AI推断H&E表达(BRIDGE-Slide)，提供较直接影像预测更佳可解释性；空间转录组佐证其亚型具空间凝聚性与分子特征一致性。局限性包主要建模恶性区室对ICB场景免疫信号捕捉有限，ICB及内分泌治疗分析因数据集少属探索性，对比商业试剂盒用研究替代实现。需前瞻性验证确立临床整合价值。

结论(Conclusions)：BRIDGE是用于预测乳腺癌新辅助治疗反应的具生物学依据的框架，经多独立患者队列验证。其基于组织病理学的版本(BRIDGE-Slide)为在新辅助治疗场景中开展快速、低成本的亚型知情治疗分层打开了大门，有待进一步前瞻性测试与验证。