配体-受体互作谱作为黑色素瘤抗PD-1治疗响应的预测性生物标志物

《Clinical and Experimental Medicine》：Ligand–receptor interaction profiling as a predictive biomarker for anti-PD-1 therapy response in melanoma

本研究针对黑色素瘤患者抗PD-1疗法响应率低（仅30-40%）的临床挑战，通过整合2705对配体-受体（LR）互作表达数据，构建了随机森林预测模型。模型在训练集（准确率0.885）和外部验证队列（Gide队列准确率0.727，Riaz队列0.734）均表现稳健，并筛选出9个关键LR对（如WNT1-FZD5、CXCL9-DPP4等）。这些LR对显著富集于MAPK/PI3K-AKT等肿瘤相关通路，且优于传统TIDE预测模型。该研究为免疫治疗耐药患者提供了新型生物标志物和潜在联合治疗靶点。

　　

在皮肤癌的诸多类型中，黑色素瘤以其高度侵袭性和易转移特性，成为全球公共卫生领域的重大挑战。尽管发病率相对较低，但其死亡率却居高不下，尤其当病情进展至晚期阶段时，传统治疗手段往往收效甚微。近年来，免疫检查点抑制剂，特别是针对程序性死亡蛋白-1（PD-1）的抗体药物（如帕博利珠单抗和纳武利尤单抗），为晚期黑色素瘤患者带来了革命性的治疗希望。这类药物的作用机制是通过阻断T细胞表面的PD-1与肿瘤细胞表面的PD-L1（PD-1的配体）之间的相互作用，从而解除肿瘤对T细胞的抑制，恢复其杀伤肿瘤细胞的能力。

然而，现实的临床实践揭示了一个严峻的问题：抗PD-1疗法并非对所有患者都有效，其总体响应率仅在30%至40%之间。这意味着超过半数的患者无法从中获益，却可能承受免疫相关不良反应的风险。因此，在治疗开始前精准预测哪些患者可能对治疗产生响应，成为黑色素瘤免疫治疗领域亟待解决的核心问题。现有的生物标志物，如肿瘤突变负荷（Tumor Mutational Burden, TMB）或PD-L1蛋白表达水平，其预测准确性仍有局限。

问题的根源可能深藏于复杂的肿瘤微环境（Tumor Microenvironment, TME）之中。肿瘤微环境是一个由多种细胞组成的“生态系统”，包括免疫细胞（如T细胞、B细胞、自然杀伤（NK）细胞、巨噬细胞）、癌症相关成纤维细胞（Cancer-Associated Fibroblasts）、内皮细胞等。这些细胞之间通过成千上万的配体-受体（Ligand-Receptor, LR）相互作用进行着频繁而精细的通信。这些相互作用如同细胞间的“对话”，共同调控着免疫反应的启动、执行和终止。例如，CXCL8（又称IL-8）与其受体CXCR1/CXCR2的结合可促进肿瘤相关炎症和血管生成；CD40配体（CD40L）与CD40的结合对于树突状细胞激活和后续的T细胞活化至关重要。可以想象，除了PD-1/PD-L1这一对众所周知的“对话”之外，肿瘤微环境中必然存在着大量其他重要的LR“对话”，它们共同决定了免疫治疗最终的成败。

基于此，来自韩国首尔松石大学（Soongsil University）生物信息与生命科学系的Se Yeon Seo、Dong-Yeon Nam、Hyun Ji Lee和Je-Keun Rhee教授团队开展了一项创新性研究。他们假设，对肿瘤样本中LR互作表达模式进行系统性地全景式分析，能够更准确地预测抗PD-1疗法的响应情况。该研究团队开发了一种基于机器学习的方法，旨在破解黑色素瘤肿瘤微环境中的细胞“对话”密码，并将其与治疗响应联系起来。研究成果发表在《Clinical and Experimental Medicine》期刊上。

为了开展这项研究，研究人员整合运用了几项关键技术。首先，他们从公共数据库获取了多个黑色素瘤患者队列的RNA测序（RNA-seq）数据，这些样本均采集于抗PD-1治疗前。患者根据疗效被划分为应答者（R，包括完全缓解CR、部分缓解PR和轻微缓解MR）和无应答者（NR，包括疾病进展PD和疾病稳定SD）。核心训练队列（Liu等人队列）包含121个样本。研究从CellTalkDB数据库中提取了2705对LR互作信息。对于每个样本，通过将配体和受体基因的标准化表达值（TPM+0.1）相乘，来量化每一对LR的相互作用强度，从而构建了一个LR表达矩阵。随后，他们利用随机森林分类器（Random Forest Classifier, RFC）构建预测模型，并将数据集按8:2比例划分为训练集和测试集。模型性能还在两个独立的外部验证队列（Riaz队列和Gide队列）上进行了评估。此外，研究还结合单细胞RNA测序（scRNA-seq）数据分析了关键LR对在特定细胞类型中的表达情况，并进行了京都基因与基因组百科全书（KEGG）通路富集分析，以探索其生物学功能。作为对比，研究还运行了目前常用的免疫治疗预测工具TIDE（Tumor Immune Dysfunction and Exclusion）。

LR pairs enable prediction of anti-PD-1 response

研究人员首先使用包含2705个LR对的全特征集构建了随机森林模型。该模型在训练集上达到了0.885的准确率，在测试集上也保持了0.800的准确率，同时敏感性和特异性均为0.800，表明模型具有良好的预测能力且未出现严重过拟合。与其他机器学习算法（如K近邻、支持向量机等）相比，随机森林在此高维数据场景下表现最优。随机森林模型的内在特性允许计算特征重要性得分。分析结果显示，有9个LR对的特征重要性得分显著高于其他对（>0.05），它们被确定为最具预测力的关键互作对。这些关键LR对包括WNT1-FZD5、CXCL9-DPP4、TGFB1-SMAD3、FADD-FAS等，其中一些与癌症侵袭、转移或T细胞招募和免疫调节已知相关，而另一些则是新发现的潜在相互作用。为了探究这些关键互作的细胞来源，研究人员分析了黑色素瘤的单细胞RNA测序数据。发现例如WNT1主要在CD8⁺ T细胞中表达，而其受体FZD5则在内皮细胞、NK细胞和恶性细胞中高表达，提示这些LR对可能介导了不同类型细胞之间的通信。值得注意的是，使用仅包含这top 9 LR对的简化特征集重新构建的模型，在测试集上仍达到了0.760的准确率，证明这有限的互作对包含了预测治疗响应的核心信息。

External validation confirms robust performance of LR-based prediction model

模型的泛化能力是其临床实用性的关键。研究团队在两个独立的黑色素瘤患者队列（Gide队列和Riaz队列）上对模型进行了外部验证。结果显示，基于全特征集（2705对LR）的模型在Gide和Riaz队列中分别取得了0.727和0.734的准确率。而仅使用top 9 LR对的简化模型在两个外部验证队列中同样表现稳定，准确率分别为0.682（Gide）和0.714（Riaz），其受试者工作特征曲线下面积（AUROC）分别为0.709和0.814。这一结果证实了基于LR互作表达的预测模型在不同患者群体中具有稳健的预测性能。

Top-ranked LR pairs reveal tumor-related signaling pathways

为了理解这9个关键LR对的生物学意义，研究人员对其包含的基因进行了KEGG通路富集分析。结果发现这些基因显著富集于多个重要的肿瘤相关信号通路，其中最突出的包括MAPK信号通路和PI3K-AKT信号通路。这两种通路在细胞增殖、存活、侵袭和转移中发挥核心作用，它们的异常激活与多种癌症的发生发展密切相关。这一发现表明，研究模型所捕获的预测信号并非随机噪声，而是与肿瘤生物学和免疫调节密切相关的关键分子事件。此外，一个有趣的发现是，在Gide和Riaz队列中进行的差异表达基因（DEG）分析显示，这9个关键LR对中的单个基因本身并未被鉴定为在应答者和无应答者之间存在显著表达差异。这凸显了将配体与受体作为“功能对”进行整合分析的独特价值——其预测能力源于相互作用的整体水平，而非单个组分的表达变化。

LR-Based model outperforms previous prediction model

研究人员将他们的top 9 LR模型与目前广泛使用的免疫治疗预测算法TIDE进行了比较。在Gide和Riaz验证队列中，TIDE的预测准确率分别为0.636和0.633，F1分数分别为0.556和0.633。而本研究提出的top 9 LR模型在相同队列中的准确率（0.682和0.667）和F1分数（0.714和0.730）均高于TIDE。这一比较结果表明，基于LR互作表达谱的分析方法能够捕获TIDE等现有模型可能忽略的、与治疗响应相关的生物学信号，提供了更优的预测性能。

综合以上研究结果，可以得出以下结论：通过系统分析肿瘤微环境中的配体-受体互作表达谱，能够有效构建预测黑色素瘤患者抗PD-1治疗响应的机器学习模型。该模型性能稳健，在独立验证队列中表现良好，且优于现有预测工具TIDE。研究筛选出的9个关键LR互作对，不仅具有强大的预测能力，而且其生物学功能与已知的肿瘤相关信号通路（如MAPK、PI3K-AKT）紧密相连，揭示了潜在的机制。尤为重要的是，这种分析方法能够发现传统差异表达分析所无法识别的新颖生物标志物（即LR功能对），其中一些可能代表了超越PD-1/PD-L1轴的新治疗靶点。

当然，这项研究也存在一些局限性，例如样本量相对有限，未来需要在更大规模的前瞻性队列中进行验证。基于bulk RNA-seq的方法无法解析LR互作在特定细胞类型间的空间位置关系，整合单细胞转录组学、空间转录组学乃至蛋白质组学数据将是未来的方向。此外，这些预测性的LR互作对尚需通过共培养等实验手段进行功能验证，以确认它们究竟是单纯的生物标志物，还是确实参与调控治疗响应的功能性介质。

尽管存在这些挑战，本研究的意义是深远的。它首次大规模地证明了整合LR互作分析在预测免疫检查点抑制剂疗效方面的临床潜力。所识别的关键LR对为开发针对免疫治疗耐药患者的联合治疗策略提供了新的线索。从临床转化角度看，基于少数关键LR对开发靶向诊断面板（如通过qPCR或靶向RNA-seq）更具成本效益和可行性，便于在未来推广应用于临床实践中的患者分层。总之，这项研究为个性化癌症免疫治疗提供了新的视角和工具，是向着更精准、更有效的黑色素瘤治疗迈出的重要一步。