基于细胞因子基因的乳腺癌分子分型与免疫微环境特征：预后预测及治疗响应的新视角

本文综述系统分析了乳腺癌中细胞因子（Cytokine）的表达模式，通过转录组与临床数据整合，建立了基于细胞因子的分子分型系统，并开发了细胞因子衍生风险评分（Risk Score）。研究揭示了三种具有独特免疫浸润特征和临床预后的亚型，证实低风险患者具有更强的免疫细胞浸润（如CD8+ T细胞、NK细胞）和更好的免疫治疗及化疗响应。该分类系统为乳腺癌的个体化治疗和免疫治疗策略提供了新的生物标志物和理论依据。

　　

1. 引言

乳腺癌是全球女性中最常见且致死率较高的恶性肿瘤，具有高度异质性。传统的分子分型（如激素受体状态、HER2表达）虽改善了患者分层，但未能完全捕捉影响肿瘤进展和治疗反应的免疫异质性。细胞因子作为肿瘤微环境（TME）中免疫调节的关键介质，在肿瘤-免疫相互作用中扮演核心角色，但其在乳腺癌中的系统分析尚未深入探索。本研究旨在通过全面分析细胞因子表达，建立基于细胞因子的分子分类，并评估其预后预测及治疗响应价值。

2. 材料与方法

2.1. 数据获取与预处理

从TCGA-BRCA队列获取RNA测序（RNA-seq）和突变数据，包括1224个样本（1108例乳腺癌患者和116例健康个体）。基因表达数据转换为TPM（Transcripts Per Million）进行标准化，独立验证数据集来自GEO（GSE15852）。

2.2. 突变景观分析

使用maftools R包分析体细胞突变（SNVs和CNVs），识别高频突变基因（如TP53和PIK3CA），并评估共突变模式。

2.3. 细胞因子基因选择与表达分析

基于公开数据库“The Dictionary of Immune Responses to Cytokines”筛选细胞因子基因，使用DESeq2进行肿瘤与正常组织的差异表达分析（调整p<0.05，|log2FC|>1），并通过热图可视化表达模式。

2.4. 基于细胞因子表达的分子分型

使用ConsensusClusterPlus R包进行共识聚类，以细胞因子表达谱将患者分为分子亚型。采用PAM（Partitioning Around Medoids）算法和Pearson相关性作为距离度量，最大聚类数k=10，通过CDF和delta area图确定最优聚类数。PCA（Principal Component Analysis）验证分类稳定性。

2.5. 免疫微环境表征

使用CIBERSORT（通过IOBR整合）估计免疫细胞比例，并通过ESTIMATE和TIMER评分验证免疫浸润水平。组间差异采用Kruskal-Wallis检验。

2.6. 差异基因表达（DEG）与通路富集分析

使用DESeq2进行亚型间DEG分析（调整p<0.01，|log2FC|>1.5），并通过clusterProfiler进行GO（Gene Ontology）和KEGG（Kyoto Encyclopedia of Genes and Genomes）通路富集分析。

2.7. 细胞因子衍生风险评分开发

采用lasso回归（glmnet R包）构建预后风险模型，风险评分计算公式为：风险评分 = ?0.451238 × TSLP ?0.8455088 × IL21 + 0.27956222 × IL27 ?0.07326518 × IL12B + 0.44877397 × IL10 ?0.02498679 × IFNG。以中位风险评分将患者分为高风险和低风险组，通过Kaplan-Meier生存分析和ROC曲线评估模型性能。

2.8. 单细胞RNA测序分析

利用单细胞RNA-seq数据（来自乳腺癌响应与非响应患者的TME比较），通过Seurat包分析单细胞转录组，并使用CellChat推断细胞-细胞通信网络。

2.9. 风险评分与治疗响应关联

分析抗PD-L1免疫治疗和化疗队列中患者的响应差异，使用Wilcoxon秩和检验评估免疫评分差异，并进行相关性分析识别免疫相关通路。

2.10. 统计分析

使用R（v4.10.2）和Python（v3.8）进行所有分析，生存差异采用Kaplan-Meier和log-rank检验，相关性采用Spearman系数，p<0.05视为显著。

3. 结果

3.1. 乳腺癌突变景观

基因组分析显示反复出现的扩增（如8q24）和缺失（如16q），TP53和PIK3CA是最常突变基因（各占34%）。共突变分析揭示TP53与NF1、SPTA1共现，PIK3CA与GATA3、MAP3K1共现，而TP53与CDH1互斥。突变谱以C>T转换为主，符合乳腺癌典型特征。

3.1.1. 细胞因子表达失调

细胞因子表达分析显示肿瘤与正常组织间显著差异，促炎细胞因子（如IL6、TNF、IL1B）在肿瘤中上调，而稳态细胞因子（如IL10、TGFB1）发生改变。火山图识别出上调（如CCL2、IL1B、CSF2）和下调（如IL7、FLT3LG）的细胞因子。网络分析显示IL6、IL1B和CCL5为调控枢纽。

3.2. 基于细胞因子的乳腺癌分子亚型识别

生存分析识别出与预后相关的关键细胞因子：TSLP、IL21、IL12B和IFNG与良好预后相关，IL27和IL10与较差预后相关。共识聚类将患者分为三个稳定亚型，PCA证实其转录组异质性。表达热图显示亚型间细胞因子模式差异，k=3为最优聚类数。

3.3. 细胞因子基亚型的免疫微环境特征

CIBERSORT分析揭示亚型间免疫浸润差异：亚型1富含活化CD4⁺ T细胞、NK细胞和树突状细胞，亚型3则以巨噬细胞和Tregs为主，表明免疫抑制环境。生存分析显示亚型1预后最佳，亚型3最差。ESTIMATE、基质和免疫评分在亚型3中最高，提示复杂TME。相关性分析显示促炎细胞因子（如IL1B、IFNG）与效应T细胞正相关，IL10与Tregs和M2巨噬细胞正相关。

3.4. 细胞因子基亚型展现独特转录程序与免疫特征

DEG分析显示亚型间显著转录差异：亚型1 vs. 2富集免疫相关基因（如IFNG、CXCL9、GBP5），亚型3上调TSLP、IL17B和ECRG4。维恩图和UpSet图显示亚型1 vs. 3有最多独特DEGs。这些结果强化了细胞因子驱动亚型的分子身份。

3.5. 细胞因子基风险模型预测乳腺癌预后

lasso回归开发的风险评分有效分层患者，高风险组预后较差（p<0.0001）。外部验证AUC=0.7395，显示稳健预测性能。Sankey图可视化从亚型到风险分组及生存状态的转换。

3.6. 高风险与低风险患者呈现差异免疫相关转录谱

DEG火山图显示高风险组独特转录景观。KEGG富集于原发性免疫缺陷、细胞因子-细胞因子受体相互作用等通路。GO分析显示DEGs参与抗原结合、免疫球蛋白复合物形成和白细胞介导免疫。弦图展示关键DEGs与免疫功能关联。

3.7. 低风险评分患者显示更强免疫浸润与免疫细胞相互作用

scRNA-seq分析揭示低风险患者免疫浸润更高（CD8⁺ T细胞、NK细胞、巨噬细胞和树突状细胞）。CellChat分析显示低风险组免疫细胞通信更强，CD8⁺ T细胞、NK细胞和巨噬细胞互动增强，表明活跃免疫环境。高风险组免疫网络较弱，提示功能受损。

3.7.1. 低风险评分患者对免疫治疗和化疗响应更佳

真实世界数据显示低风险患者对抗PD-L1免疫治疗和化疗响应更优。响应者免疫评分更高，表明“热”TME。相关性分析显示低风险与CD8⁺ T细胞、树突状细胞和巨噬细胞招募通路正相关，高风险与Tregs和MDSCs通路相关，提示免疫抑制。

4. 讨论

本研究首次系统表征乳腺癌细胞因子表达，揭示三种具有预后和治疗意义的分子亚型。低风险亚型具免疫活化微环境，响应治疗更佳；高风险亚型为免疫抑制环境，预后差。风险评分稳健预测生存和治疗响应。局限性包括批量RNA-seq的细胞异质性掩蔽、未整合miRNA等多组学数据。未来研究可结合空间转录组学和液体活检（如ctDNA）增强模型。

5. 结论

细胞因子基分类系统反映乳腺癌免疫异质性，风险评分是临床相关生物标志物，可指导个性化治疗策略。多组学方法和前瞻临床验证将进一步优化模型。