结合批量和单细胞测序数据构建基于机器学习的肝癌免疫原性细胞死亡预后模型.pdfVIP

现代肿瘤医学２０２５年０４月第３３卷第０４期ＭＯＤＥＲＮＯＮＣＯＬＯＧＹꎬＡｐｒ.２０２５ꎬＶＯＬ３３ꎬＮｏ０４５５７

结合批量和单细胞测序数据构建基于机器学习的肝癌免疫原性

细胞死亡预后模型

杜亚楠ꎬ王艺璇ꎬ谢丽ꎬ李茹恬

南京大学医学院附属鼓楼医院肿瘤科ꎬ江苏南京２１０００８

【摘要】目的:为肝细胞癌(ｈｅｐａｔｏｃｅｌｌｕｌａｒｃａｒｃｉｎｏｍａꎬＨＣＣ)患者开发一种新的免疫原性细胞死亡相关特征

(ｉｍｍｕｎｏｇｅｎｉｃｃｅｌｌｄｅａｔｈｒｅｌａｔｅｄｓｉｇｎａｔｕｒｅｓꎬＩＣＤＲＳ)预后模型ꎮ方法:分别从ＴＣＧＡ、ＧＥＯ和ＩＣＧＣ数据库下载

ＲＮＡ－ｓｅｑ表达数据和临床数据ꎮ使用ＡｄｄＭｏｄｕｌｅＳｃｏｒｅ、单样本基因集富集分析(ｓｉｎｇｌｅ－ｓａｍｐｌｅｇｅｎｅｓｅｔｅｎ￣

ｒｉｃｈｍｅｎｔａｎａｌｙｓｉｓꎬｓｓＧＳＥＡ)和加权基因共表达网络分析(ｗｅｉｇｈｔｅｄｇｅｎｅｃｏ－ｅｘｐｒｅｓｓｉｏｎｎｅｔｗｏｒｋａｎａｌｙｓｉｓꎬＷＧＣＮＡ)筛

选免疫原性细胞死亡(ｉｍｍｕｎｏｇｅｎｉｃｃｅｌｌｄｅａｔｈꎬＩＣＤ)相关基因ꎮ基于ＩＣＤ相关基因使用１０种机器学习算法、７９

种组合构建一致的ＩＣＤＲＳ预后模型ꎮ采用受试者工作特征(ｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃꎬＲＯＣ)曲线评价预

后模型ꎬ并使用单因素和多因素回归分析判断ＩＣＤＲＳ的独立预后价值ꎮ同时评估不同风险组的基因组变异

格局、肿瘤突变负荷(ｔｕｍｏｒｍｕｔａｔｉｏｎａｌｂｕｒｄｅｎꎬＴＭＢ)、免疫细胞浸润、免疫逃避能力ꎮ最后评估不同风险组对

药物的敏感性ꎮ结果:通过一系列分析ꎬ我们构建了含有６种ＩＣＤ相关基因(包括ＹＷＨＡＢ、ＥＨＤ１、ＴＵＢＡ４Ａ、

ＳＲＩ、ＳＬＣ１６Ａ３、ＦＹＮ)的ＩＣＤＲＳ模型ꎮ模型将患者分为高风险组或低风险组ꎬ而且通过分析得出高风险组患者

的预后比低风险组差ꎮ该模型在预测ＨＣＣ预后和临床转化方面具有较好的性能ꎬ且ＩＣＤＲＳ是ＨＣＣ患者ＯＳ

的独立预后因素ꎮ此外ꎬ两组ＴＭＢ差异无统计学意义ꎬ但较高风险组而言ꎬ低风险组患者具有更丰富的免疫

细胞浸润和较低的ＴＩＤＥ评分ꎬ表明低风险组可能对免疫治疗的反应更好ꎮ我们还发现高风险组对奥沙利

铂、米托蒽醌和索拉菲尼等药物敏感性更高ꎬ而低风险组从西地尼布、长春新碱和多西他赛等药物中获益更

多ꎮ结论:该研究结合了ＩＣＤ相关基因ꎬ使用生物信息学和机器学习构建了ＨＣＣ的预后特征ꎮ可帮助临床医

生为不同风险的ＨＣＣ患者选择个性化的治疗策略ꎮ

【关键词】肝细胞癌ꎻ机器学习ꎻ免疫原性细胞死亡ꎻ预后ꎻ加权基因共表达网络分析

【中图分类号】Ｒ７３５.７【文献标志码】ＡＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１６７２－４９９２.２０２５.０４.００３

【文章编号】１６７２－４９９２(２０２５)０４－０５５７－１０

Ｃｏｍｂｉｎｉｎｇｂｕｌｋａｎｄｓｉｎｇｌｅ－ｃｅｌｌｓｅｑｕｅｎｃｉｎｇｄａｔａｔｏｄｅｖｅｌｏｐａｐｒｏｇｎｏｓｔｉｃｍｏｄｅｌｏｆｉｍ￣

ｍｕｎｏｇｅｎｉｃｃｅｌｌｄｅａｔｈｉｎｈｅｐａｔｏｃｅｌｌｕｌａｒｃａｒｃｉｎｏｍａｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ

ＤＵＹａｎａｎꎬＷＡＮＧＹｉｘｕａｎꎬＸＩＥＬｉꎬＬＩＲｕｔｉａｎ

ＤｅｐａｒｔｍｅｎｔｏｆＯｎｃｏｌｏｇｙꎬＮａｎｊｉｎｇＤｒｕｍＴｏｗｅｒＨｏｓｐｉｔａｌꎬｔｈｅＡｆｆｉｌｉａｔｅｄＨｏｓｐｉｔａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙＭｅｄｉｃａｌＳｃｈｏｏｌꎬＪｉａｎｇｓｕＮａｎｊｉｎｇ

２１０００８ꎬＣｈｉｎａ.

【Ａｂｓｔｒａｃｔ】Ｏｂｊｅｃｔｉｖｅ:Ｔｏｄｅｖｅｌｏｐａｎｅｗｐｒｏｇｎｏｓｔｉｃｍｏｄｅｌｏｆｉｍｍｕｎｏｇｅｎｉｃｃｅｌｌｄｅａｔｈｒｅｌａｔｅｄｓｉｇｎａｔｕｒｅｓ(ＩＣＤＲＳ)

ｆｏｒｈｅｐａｔｏｃｅｌｌｕｌａｒｃａｒｃｉｎｏｍａ(ＨＣＣ)ｐａｔｉｅｎｔｓ.Ｍｅｔｈｏｄｓ:ＲＮＡ－ｓｅｑｅｘｐｒｅｓｓｉｏｎｄａｔａａｎｄ