Comparación del desempeño de métodos de deconvolución para la identificación de la composición celular y su asociación con la supervivencia en muestras de cáncer de ovario seroso de alto grado a partir de datos de RNA-seq

Abstract

El conocimiento del microambiente tumoral ha mostrado un papel importante en pronóstico y respuesta a tratamientos del cáncer. El cáncer de ovario seroso de alto grado (HGSOC) se caracteriza por su heterogeneidad, quimioresistencia y mal pronóstico. La caracterización de su composición celular mediante métodos experimentales es compleja y costosa. Mediante análisis de deconvolución es posible estimar el contenido celular a partir de datos genómicos de tejido completo. El objetivo de este trabajo fue comparar el desempeño de métodos de deconvolución para la identificación de la composición celular y su asociación con la supervivencia en muestras de HGSOC a partir de datos de RNAseq. Se construyeron pseudobulks a partir de scRNA-seq de HGSOC y se evaluaron con los métodos de deconvolución CIBERSORTx, TOAST, Linseed y CDSeqR. Posteriormente, se analizaron datos bulk de TCGA-OV (n = 150) considerando únicamente tumores serosos primarios, estadios FIGO IIIC/IV, pacientes blancos, mayores de 20 años y con supervivencia > 365 días. En la comparación de pseudobulk, CIBERSORTx obtuvo la mayor precisión (r=0.91, MAE=0.039, RMSE=0.061), seguido de TOAST (r=0.63, MAE=0.065, RMSE=0.091). En el análisis de supervivencia, TOAST identificó que a mayor proporción de células plasmáticas mayor supervivencia global, mientras que a una mayor proporción de células T y NK menor sobrevida. Con CIBERSORTx se encontró que a mayor proporción de células plasmáticas mayor sobrevida. En conclusión, CIBERSORTx fue el método más robusto y preciso, mientras que TOAST ofreció mayor sensibilidad para la asociación con supervivencia. Los métodos reference-free resultaron poco confiables en tumores heterogéneos. (Texto tomado de la fuente)

Knowledge of the tumor microenvironment has shown an important role in cancer prognosis and treatment response. High-grade serous ovarian cancer (HGSOC) is characterized by heterogeneity, chemoresistance, and poor prognosis. The characterization of its cellular composition through experimental methods is complex and costly. From a bioinformatics perspective, it is possible to use existing bulk genomic data available in public repositories. The objective of this study was to compare the performance of deconvolution methods for identifying cellular composition and their association with survival in HGSOC samples using RNA-seq data. Pseudobulks were constructed from HGSOC scRNA-seq and evaluated with the deconvolution methods CIBERSORTx, TOAST, Linseed, and CDSeqR. Subsequently, bulk RNA-seq data from TCGA-OV (n = 150) were analyzed, considering only primary serous tumors, FIGO stage IIIC/IV, white patients, age > 20 years, and overall survival > 365 days. In pseudobulk comparisons, CIBERSORTx achieved the highest accuracy (r = 0.91, MAE = 0.039, RMSE = 0.061), followed by TOAST (r = 0.63, MAE =0.065, RMSE = 0.091). In the survival analysis, TOAST identified that a higher proportion of plasma cells was associated with better overall survival, whereas higher proportions of T and NK cells were associated with worse outcomes. With CIBERSORTx, a higher proportion of plasma cells was also associated with improved survival. In conclusion, CIBERSORTx was the most robust and accurate method, whereas TOAST showed greater sensitivity in detecting survival associations. Reference-free methods proved unreliable in heterogeneous tumors.