基于机器学习与多组学整合分析揭示黑色素瘤T细胞与肿瘤细胞亚群预后标志物

《Hormones & Cancer》：Identification of prognostic biomarkers associated with T and melanoma cell subpopulations in melanoma through integrating machine learning and multiomics

本研究针对黑色素瘤预后评估难题，通过整合单细胞RNA测序(scRNA-seq)和转录组数据，首次鉴定出MITF+T细胞和M2黑色素瘤细胞亚群与预后显著相关。研究人员利用108个预后基因将患者分层为不同预后亚型，并采用72种机器学习算法组合构建了包含11个基因的预后风险评分(PRS)模型。该模型在TCGA-SKCM和GSE65904队列中均显示出卓越的预测性能(AUC达0.713-0.768)，为黑色素瘤精准医疗提供了新的生物标志物和决策工具。

　　

黑色素瘤作为一种起源于黑色素细胞的恶性皮肤肿瘤，以其早期转移性强、侵袭性高和预后差著称。尽管仅占皮肤癌的4%，却导致了高达75%的皮肤癌相关死亡。随着发病率在全球范围内持续上升，特别是白种人群，开发有效的预后评估工具成为临床实践的迫切需求。

传统治疗方法包括手术、放疗和化疗，虽然手术联合免疫治疗和靶向治疗显著提高了患者生存率，但由于黑色素瘤的高度异质性，相当比例患者预后仍不理想。肿瘤免疫微环境(TIME)在黑色素瘤进展中扮演关键角色，其中T细胞和黑色素瘤细胞的相互作用不仅影响患者预后，还可能改变对免疫治疗的反应。

研究团队通过整合多组学数据，对黑色素瘤的细胞异质性和预后机制进行了深入探索。利用来自基因表达综合数据库(GEO)的单细胞RNA测序数据(GSE200218和GSE215121)，以及TCGA-SKCM和GSE65904的基因表达数据，研究人员旨在揭示影响黑色素瘤预后的关键细胞亚群及其分子特征。

关键技术方法

研究采用单细胞RNA测序(scRNA-seq)技术分析17个黑色素瘤脑转移样本和10个初治颅外转移样本，运用Seurat软件进行细胞聚类和注释。通过Scissor算法将单细胞数据与生存数据关联，识别预后相关细胞亚群。利用机器学习算法组合(包括随机森林、LASSO COX、GBM等72种组合)构建预后风险评分模型，并在独立队列中验证模型性能。

3.1 单细胞分析鉴定细胞亚群

研究人员对GSE200218数据集的139,073个细胞进行聚类分析，识别出36个细胞簇，注释为9种细胞类型，包括NK/T细胞、B细胞、树突状细胞/巨噬细胞等。GSE215121数据集分析发现28个细胞簇，分为8种细胞类型。两种数据集均显示样本间无显著批次效应，证实了数据分析的可靠性。

3.2 T细胞亚群鉴定与分析

通过对15,537个NK/T细胞的深入分析，研究团队发现了7种T细胞亚型，包括CD8⁺Exh、CD8⁺RRM2、CD4⁺CXCL13等。值得注意的是，本研究首次报道了MITF⁺T细胞亚群的存在，该群体在预后不良细胞中比例显著较高。Scissor分析显示522个细胞与良好预后相关，104个细胞与不良预后相关。

3.3 黑色素瘤细胞亚群鉴定

对95,450个黑色素瘤细胞的聚类分析揭示了5个亚群(M0-M4)。M2亚群在不良预后细胞中比例显著较高，而M1亚群在良好预后细胞中更丰富。基因集变异分析(GSVA)显示M2亚群主要富集于细胞周期相关通路，如G2/M检查点和E2F靶标。

3.4 基于预后基因的亚型分类

研究识别出108个预后相关标志基因，将TCGA-SKCM患者分为两个亚型。聚类2患者表现出更好的预后、更高的免疫细胞和基质细胞评分。免疫细胞浸润分析显示聚类2中NK活化细胞、CD8⁺T细胞等抗肿瘤免疫细胞更丰富，而M2巨噬细胞在聚类1中更常见。

3.5 11基因标志的构建与验证

通过540个差异表达基因筛选出174个与总生存期显著相关的基因，采用机器学习算法构建了包含11个基因的预后风险评分(PRS)模型。该模型在TCGA队列中预测1年、3年、5年生存率的AUC值分别为0.713、0.768、0.717，在验证队列中表现稳定。多变量Cox分析证实PRS是独立预后因素。

免疫特征比较

高风险PRS组与低风险组在ESTIMATE评分、免疫评分和基质评分方面存在显著差异。免疫细胞浸润分析显示嗜酸性粒细胞、M1巨噬细胞等细胞比例在两组间差异显著。大多数HLA基因、免疫检查点基因和免疫相关基因的表达也存在组间差异。

讨论与结论

本研究首次系统鉴定了黑色素瘤中MITF⁺T细胞和M2黑色素瘤细胞亚群与预后的关联，揭示了这些细胞亚群通过调节细胞周期和免疫应答影响疾病进展的机制。构建的11基因PRS模型不仅具有优异的预测性能，还反映了肿瘤免疫微环境的异质性。

研究的创新性在于整合单细胞和批量转录组数据，克服了传统研究的局限性，为黑色素瘤预后评估提供了新的视角。然而，研究存在依赖公共数据库数据、缺乏实验验证等限制，未来需要通过临床样本和功能实验进一步验证发现。

该研究为黑色素瘤的精准医疗提供了重要的生物标志物和评估工具，对改善患者临床管理和治疗决策具有重要意义。发现的细胞亚群和基因标志物不仅有助于预后预测，还为开发新的治疗靶点提供了线索，推动了黑色素瘤个体化治疗的发展。