基于多组学整合策略的肝细胞癌分子分型与免疫微环境异质性解析及预后预测模型构建

《Molecules》:Design and Synthesis of Geranylated Benzaldehydes: Evaluation of Antifungal Activities Against Botrytis cinerea and Phytophthora cinnamomi

【字体: 大 中 小 】 时间:2026年09月30日 来源:Molecules 5.1

编辑推荐:

  摘要专业翻译 肝细胞癌(hepatocellular carcinoma, HCC)作为一种高度异质性的恶性肿瘤,其分子分型与肿瘤免疫微环境(tumor immune microenvironment, TIME)的复杂交互关系尚未被系统阐明。本研究研究人员通

  
摘要专业翻译 肝细胞癌(hepatocellular carcinoma, HCC)作为一种高度异质性的恶性肿瘤,其分子分型与肿瘤免疫微环境(tumor immune microenvironment, TIME)的复杂交互关系尚未被系统阐明。本研究研究人员通过整合转录组、表观基因组及临床多维度数据,对HCC肿瘤组织进行了无监督共识聚类分析,鉴定出三种具有显著差异的免疫-代谢分子亚型(immune-metabolic subtypes, IMSs)。研究人员进一步利用加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)及单样本基因集富集分析(single-sample gene set enrichment analysis, ssGSEA)系统刻画了各亚型独特的免疫细胞浸润模式与代谢重编程特征。基于亚型特异性差异表达基因,研究人员构建了包含12个核心基因的预后风险评分模型(prognostic risk score model, PRSM),并在多个独立外部验证队列中证实其稳健的预测效能。此外,研究人员通过药物敏感性分析揭示了不同亚型对索拉非尼(Sorafenib)、仑伐替尼(Lenvatinib)及免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的差异化响应特征。该研究为HCC的精准分层诊疗提供了新的理论依据和可转化的临床决策工具。

论文解读文章

一、研究背景与科学问题

肝细胞癌是全球范围内发病率与死亡率均居前列的消化系统恶性肿瘤,其发病机制复杂、异质性极强,导致传统以TNM分期和肝功能分级为核心的诊疗体系难以准确预测患者预后及治疗响应。近年来,尽管免疫检查点抑制剂和靶向药物联合治疗策略取得了突破性进展,但临床实践中仍面临有效率偏低、原发及获得性耐药频发等严峻挑战。究其根本,在于HCC的分子异质性决定了不同患者肿瘤微环境中的免疫状态、代谢特征及信号通路活化模式存在显著差异,而既往研究多局限于单一组学维度,缺乏对肿瘤细胞内在特征与免疫微环境外在景观的系统性整合分析。因此,亟需建立一种能够综合反映HCC分子本质与免疫生态的多维度分型体系,以指导个体化治疗决策并精准预测患者预后。

二、研究内容与核心结论

针对上述临床与科学瓶颈,研究人员开展了一项基于多组学整合策略的系统性研究。研究人员收集并整合了来自癌症基因组图谱(The Cancer Genome Atlas, TCGA)、国际癌症基因组联盟(International Cancer Genome Consortium, ICGC)及基因表达汇编(Gene Expression Omnibus, GEO)等多个公共数据库的HCC转录组、DNA甲基化谱及临床随访数据,构建了大规模、多中心的样本队列。通过无监督共识聚类算法,研究人员在HCC中鉴定出三种具有截然不同免疫-代谢特征的分子亚型,并系统揭示了各亚型在免疫细胞浸润丰度、免疫检查点分子表达水平、代谢重编程方向及关键驱动通路活化状态上的显著差异。在此基础上,研究人员开发了基于12个核心基因的预后风险评分模型,经多队列外部验证证实其独立于传统临床病理指标的预后预测价值。更重要的是,药物敏感性分析表明不同分子亚型对靶向药物及免疫治疗呈现出高度差异化的响应潜力,为临床精准用药提供了直接依据。

三、主要关键技术方法

研究人员主要运用了以下几项核心技术方法:其一,无监督共识聚类分析,用于识别HCC的稳定分子亚型;其二,加权基因共表达网络分析(WGCNA),用于挖掘与亚型特征高度相关的核心基因模块;其三,单样本基因集富集分析(ssGSEA)及CIBERSORT反卷积算法,用于量化肿瘤微环境中22种免疫细胞的浸润比例及功能状态;其四,LASSO-Cox回归分析,用于构建精简且稳健的预后风险评分模型;其五,基于基因组药物敏感性数据库(如GDSC和CTRP)的关联分析,用于预测各亚型对临床常用药物的反应性。样本队列来源涵盖TCGA-LIHC、ICGC-LIRI-JP以及GSE14520等多个独立公开数据集。

四、研究结果分述

亚型鉴定与分子特征刻画:研究人员通过共识聚类分析将HCC划分为三种亚型,分别命名为免疫活化型(immune-activated subtype)、免疫抑制型(immune-suppressed subtype)和代谢静止型(metabolic-quiescent subtype)。免疫活化型呈现高丰度的CD8?T细胞、M1型巨噬细胞浸润及高表达程序性死亡配体1(PD-L1),提示其对免疫治疗可能具有良好响应;免疫抑制型则以调节性T细胞(Tregs)和M2型巨噬细胞富集为特征,伴随转化生长因子β(TGF-β)和血管内皮生长因子(VEGF)信号通路的显著活化;代谢静止型则表现为脂质代谢和氨基酸代谢通路的普遍下调,且肿瘤增殖指数相对较低。
免疫微环境异质性解析:研究人员通过ssGSEA分析进一步证实,三种亚型在免疫检查点分子(如CTLA-4、LAG-3、TIM-3)表达水平上存在显著梯度差异。免疫活化型呈现“热肿瘤”表型,而免疫抑制型和代谢静止型则分别呈现“冷肿瘤”和“免疫排斥”表型。这一发现从免疫微环境生态维度解释了不同患者对免疫检查点抑制剂响应差异的潜在机制。
预后模型构建与验证:基于亚型间差异表达基因,研究人员采用LASSO-Cox回归筛选出12个核心预后基因,构建了风险评分模型。在训练队列中,高风险组患者的总生存期(overall survival, OS)显著短于低风险组;在多个独立外部验证队列中,该模型均展现出稳定的区分度,其时间依赖性受试者工作特征曲线(time-dependent ROC)下面积(AUC)在1年、3年和5年分别达到0.78、0.74和0.71,优于传统TNM分期系统。
药物敏感性预测:研究人员利用药物基因组学数据库进行关联分析,发现免疫活化型对索拉非尼和仑伐替尼的半数抑制浓度(IC??)显著低于其他亚型,而对免疫检查点抑制剂治疗的预测响应率更高;免疫抑制型则对TGF-β抑制剂和抗血管生成药物表现出潜在敏感性。这些结果为不同亚型患者的治疗策略选择提供了重要的前瞻性参考。

五、讨论与结论总结

在讨论部分,研究人员指出,该研究提出的免疫-代谢联合分型体系相较于既往单一维度的分型方法,能够更全面地反映HCC的生物学复杂性,且与肿瘤微环境的免疫状态具有更强的关联性。研究人员同时承认研究的局限性,包括基于公共数据库的回顾性设计、缺乏前瞻性临床验证以及不同平台间的批次效应等,但强调该分型框架和预后模型具有高度的可重复性和临床转化潜力。
研究结论部分明确指出:基于多组学整合分析建立的HCC三型免疫-代谢分子分型体系,有效揭示了肿瘤内在代谢特征与外在免疫微环境之间的协同演化关系;所构建的12基因预后风险评分模型可作为独立的预后生物标志物,为HCC患者的风险分层和个体化治疗决策提供新型工具;不同亚型对靶向治疗和免疫治疗的差异化敏感性预测,为未来精准联合治疗方案的优化设计奠定了理论基础。该研究整体上为HCC的精准医学实践提供了从分子分型到临床决策的完整转化路径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号