《Frontiers in Immunology》:Integrating proteomics to map immune landscape and protein biomarkers for risk stratification in childhood Langerhans cell histiocytosis
编辑推荐:
:
背景: 朗格汉斯细胞组织细胞增生症(Langerhans cell histiocytosis,LCH)是一种具有显著临床异质性的罕见儿科疾病。目前的风险分层依赖于器官受累范围和高危器官状态,但缺乏可靠的蛋白生物标志物用于区分LCH亚型。
方法: 研究人员
:
背景: 朗格汉斯细胞组织细胞增生症(Langerhans cell histiocytosis,LCH)是一种具有显著临床异质性的罕见儿科疾病。目前的风险分层依赖于器官受累范围和高危器官状态,但缺乏可靠的蛋白生物标志物用于区分LCH亚型。
方法: 研究人员对56例儿童LCH福尔马林固定石蜡包埋(formalin-fixed paraffin-embedded,FFPE)组织样本和10例正常皮肤对照进行了蛋白质组学分析,共定量6,914种蛋白质。研究人员将机器学习方法与加权基因共表达网络分析(weighted correlation network analysis,WGCNA)相结合,用于候选蛋白生物标志物的探索性鉴定和内部分类分析。候选标志物通过免疫组织化学(immunohistochemistry,IHC)进行验证。研究人员采用CIBERSORT反卷积算法评估免疫细胞浸润情况。
结果: 蛋白质组学分析清晰区分了LCH与对照组。研究人员在不同LCH亚型中鉴定了功能性蛋白模块和候选蛋白生物标志物。研究还观察到免疫细胞浸润的显著差异,与单系统LCH相比,多系统LCH以及伴有高危器官受累的LCH均表现出增强的固有免疫激活和细胞毒性T细胞反应。在探索性内部分类分析中,支持向量机(support vector machine,SVM)模型区分多系统与单系统LCH的准确率、曲线下面积(area under the curve,AUC)和F1分数均为1.000(95%置信区间:1.000–1.000)。对于高危器官受累的识别,K最近邻(k-nearest neighbors,KNN)模型的准确率为0.800(95%置信区间:0.500–1.000),AUC为0.880(95%置信区间:0.600–1.000)。
结论: 据研究人员所知,这是首个基于FFPE的儿童LCH大规模蛋白质组学研究,揭示了亚型特异性和风险特异性的蛋白特征及相关免疫细胞谱变化。这些发现为LCH异质性提供了新的生物学见解,并鉴定了与疾病范围和危险器官受累相关的候选蛋白生物标志物。在确定其预测或临床应用价值之前,需要在更大规模的独立队列中进行进一步验证。
一、研究背景与科学问题
朗格汉斯细胞组织细胞增生症(Langerhans cell histiocytosis,LCH)是一种罕见的儿科疾病,以CD1a?/CD207?细胞的病理性浸润为特征,年发病率约为每百万人5例,主要影响儿童。该病临床表现高度异质,从自限性孤立病灶到累及多器官的进行性疾病不等,可导致内分泌、听觉、骨骼、神经认知、肺及肝系统严重后遗症。根据受累器官数量,LCH被分为单系统LCH(single-system LCH,SS-LCH)和多系统LCH(multisystem LCH,MS-LCH),后者可进一步依据是否累及肝、脾、骨髓等高危器官分为LCH-RO(+)和LCH-RO(–)亚组。MS-LCH患者,尤其是伴高危器官受累者,疾病相关死亡率显著高于SS-LCH患者。
当前的风险分层主要依赖器官受累范围和高危器官状态,但LCH病变在组织学上高度一致,病理学家无法仅凭活检标本判断患者属于单系统还是多系统疾病,也无法评估其中等风险或高风险状态。因此,开发用于LCH风险分层的额外生物标志物具有重要的临床意义。既往研究已发现BRAF V600E突变及IL-6、IL-10、IL-18、TNF-α、可溶性CD25(sCD25)等细胞因子作为预后生物标志物,但可靠的蛋白标志物仍缺乏。基于此,研究人员开展了这项大规模FFPE蛋白质组学研究,旨在系统描绘LCH不同临床亚型的分子特征,鉴定与疾病范围和风险器官受累相关的候选蛋白生物标志物。
二、研究设计与关键方法
研究人员收集了广州市妇女儿童医疗中心56例经病理确诊的儿童LCH FFPE组织样本及10例正常皮肤对照样本,采用液相色谱-串联质谱(LC-MS/MS)技术进行蛋白质组学分析,共定量6,914种蛋白质。研究通过limma包进行差异蛋白分析,采用加权基因共表达网络分析(WGCNA)鉴定功能性蛋白模块,利用LASSO回归、支持向量机递归特征消除(SVM-RFE)和随机森林(RF)三种机器学习算法筛选核心候选蛋白标志物,并运用CIBERSORT反卷积算法评估22种免疫细胞亚型的浸润比例。候选标志物通过免疫组织化学(IHC)和H-score半定量分析进行验证。此外,研究人员比较了七种机器学习算法(逻辑回归、SVM、RF、XGBoost、朴素贝叶斯、KNN、多层感知机)在内部分类分析中的表现。
三、研究结果
3.1 儿童朗格汉斯细胞组织细胞增生症患者的蛋白质组学特征
主成分分析(PCA)显示LCH样本与正常皮肤对照在整体蛋白表达谱上清晰分离。与对照组相比,LCH样本中1,630种蛋白上调、1,372种蛋白下调。GO功能富集分析表明,上调蛋白主要参与胞质溶胶、核质、线粒体大核糖体亚基、RNA结合和线粒体翻译等过程,与细胞内蛋白质合成激活和线粒体能量产生相关;下调蛋白则富集于皮肤表皮屏障结构和细胞外基质功能相关通路,包括含胶原的细胞外基质、角化、中间丝组织、角质化包膜和皮肤表皮结构成分。敏感性分析表明,尽管活检部位对整体蛋白质组异质性有贡献(约占11.4%),但组织匹配分析显示主要疾病相关效应在控制组织来源后基本保留。
3.2 LCH亚型间功能性蛋白模块的差异
WGCNA分析在LCH与对照比较中鉴定出18个功能性模块,其中ME2、ME3和ME8在LCH中显著富集并呈激活状态,而ME1、ME4、ME5等六个模块下调。在MS-LCH与SS-LCH比较中鉴定出16个模块,ME1、ME6和ME10在MS-LCH中显著上调,ME7、ME11、ME13和ME15显著下调。在LCH-RO(+)与LCH-RO(–)比较中鉴定出35个模块,ME2、ME11和ME12在LCH-RO(+)中显著上调。不同亚型均一致表现出表皮发育和角蛋白相关通路的激活,提示上皮角化和屏障形成相关生物学过程异常可能在LCH疾病进展中发挥重要作用。
3.3 基于机器学习的多系统与单系统LCH核心差异蛋白鉴定
将差异表达蛋白与WGCNA关键模块蛋白取交集获得727个候选特征蛋白。LASSO、RF和SVM-RFE三种算法一致鉴定出7个核心蛋白标志物:BICDL2、CD22、CLDN4、DSC3、ELP1和NOSIP在MS-LCH中显著上调,NAGLU显著下调。免疫组织化学验证证实BICDL2和DSC3在MS-LCH组织中高表达、在SS-LCH中低表达,H-score半定量分析支持这一表达模式。
3.4 基于机器学习的LCH风险分层核心差异蛋白鉴定
差异蛋白与WGCNA模块蛋白交集获得602个候选特征。三种算法一致鉴定出DOK3、RPL18和IDI1三个核心蛋白标志物。DOK3和RPL18在LCH-RO(+)中下调、在LCH-RO(–)中上调,IDI1呈相反趋势。免疫组织化学验证了DOK3在LCH-RO(+)样本中低表达、在LCH-RO(–)样本中高表达,H-score分析支持该结果。
3.5 LCH亚型间免疫细胞浸润差异
CIBERSORT分析显示,MS-LCH样本中活化树突状细胞、活化NK细胞、静息记忆CD4?T细胞、CD8?T细胞、初始CD4?T细胞和初始B细胞浸润显著升高,而浆细胞、调节性T细胞(Tregs)、活化肥大细胞、嗜酸性粒细胞、静息肥大细胞和滤泡辅助T细胞显著降低。LCH-RO(+)样本中静息肥大细胞、活化NK细胞、中性粒细胞和CD8?T细胞浸润显著升高,而嗜酸性粒细胞、初始CD4?T细胞和活化肥大细胞显著降低。核心蛋白标志物与特定免疫细胞亚群存在显著相关性,提示MS-LCH和LCH-RO(+)患者呈现增强的固有免疫激活和细胞毒性T细胞反应特征。
3.6 基于候选蛋白标志物的探索性内部分类分析
在区分MS-LCH与SS-LCH的任务中,SVM模型在内部评估集中准确率、AUC和F1分数均为1.000(95% CI:1.000–1.000),模型评分显示两组完全分离。在识别风险器官受累的任务中,KNN模型准确率为0.800(95% CI:0.500–1.000),AUC为0.880(95% CI:0.600–1.000),评分显示部分分离。决策曲线分析显示模型净收益普遍高于treat-all和treat-none策略。SVM模型Brier评分为0.004,校准截距为0.120,校准斜率为14.754;KNN模型相应值为0.098、0.429和0.304。
四、讨论与结论总结
讨论部分指出,这是首个基于FFPE的儿童LCH大规模蛋白质组学研究。解剖学来源对整体蛋白质组异质性有显著贡献(约占11.4%),但分层敏感性分析显示亚型相关差异在控制组织来源后基本保留。BICDL2、CD22、CLDN4、DSC3、ELP1、NOSIP被鉴定为与疾病范围相关的候选蛋白,DOK3、RPL18、IDI1与风险器官受累相关。免疫浸润分析首次描绘了SS-LCH与MS-LCH、LCH-RO(–)与LCH-RO(+)之间的免疫细胞组成差异。研究人员明确强调,机器学习结果应视为探索性内部分类发现而非临床适用预测模型的验证,候选特征在完整发现队列中筛选后再进行模型评估存在信息泄漏风险,可能导致性能估计过于乐观,且SVM模型校准斜率异常及风险器官模型置信区间较宽均提示样本量有限相关的不稳定性。研究结论认为,这些发现为LCH异质性提供了新的生物学见解,并鉴定了与疾病范围和危险器官受累相关的候选蛋白生物标志物,但需在更大规模独立队列中进一步验证其预测或临床效用。