兴奋毒性相关基因在胶质瘤预后中的作用：新型生物标志物与预后模型的构建

《Hormones & Cancer》：The role of genes related to excitotoxicity in glioma prognosis

本研究针对胶质瘤预后差、异质性高的临床挑战，聚焦兴奋毒性相关基因（ERGs）开展生物信息学分析。研究人员基于TCGA数据库，构建并验证了一个包含5个ERGs的预后风险模型，该模型在1、3、5年的AUC值分别达0.858、0.915和0.855，显示出卓越的预测性能。研究进一步通过GO/KEGG富集分析、GSEA、免疫浸润（CIBERSORT）和药物反应分析，揭示了ERGs通过神经活性配体-受体相互作用、细胞因子信号通路及肿瘤微环境免疫细胞浸润（如M0/M1/M2巨噬细胞、CD8+ T细胞）影响预后的机制，并筛选出CCL5、CXCL10等8个枢纽基因作为潜在治疗靶点。该研究为胶质瘤的预后评估和个性化治疗提供了新的分子标志物和理论依据。

　　

胶质瘤是中枢神经系统最常见的原发性恶性肿瘤，占所有脑肿瘤的60%以上，其侵袭性强、复发率高，患者预后普遍较差。尽管当前的治疗手段包括手术、放疗和化疗，但肿瘤的异质性和治疗抵抗性常常导致治疗效果不佳。因此，深入探索胶质瘤发生发展的分子机制，寻找可靠的预后生物标志物和新的治疗靶点，是神经肿瘤领域亟待解决的关键科学问题。在这一背景下，兴奋毒性（excitotoxicity）——一种由过量兴奋性神经递质（如谷氨酸）引发神经元损伤的病理过程——逐渐进入研究者的视野。已有研究表明，胶质瘤细胞自身会释放谷氨酸，通过激活NMDA受体和AMPA受体等途径，不仅导致周围神经元死亡，也为自身增殖和侵袭创造有利条件。然而，兴奋毒性相关基因（ERGs）在胶质瘤预后中的系统研究尚属空白。为此，赵强和杜昆鹏在《Discover Oncology》上发表了他们的最新研究成果，系统揭示了ERGs在胶质瘤预后评估中的重要价值。

研究人员主要运用了生物信息学分析方法。他们从TCGA数据库获取了695例胶质瘤样本的RNA测序数据和临床信息，并将其按7:3的比例随机分为训练集和验证集。关键分析步骤包括：利用GeneCards数据库筛选ERGs；通过单变量Cox回归和LASSO回归分析构建预后风险模型；使用DESeq2进行差异表达基因（DEGs）分析；通过GO和KEGG进行通路富集分析；采用GSEA探索通路差异；利用CIBERSORT算法评估肿瘤微环境中22种免疫细胞的浸润水平；借助STRING数据库和Cytoscape软件构建蛋白质-蛋白质相互作用（PPI）网络并筛选枢纽基因；最后，结合CellMiner数据库分析枢纽基因表达与药物敏感性的关联。

3.1 5个ERGs与胶质瘤预后相关

研究首先从GeneCards数据库筛选出与“兴奋毒性”相关的蛋白编码基因，设定相关性分数>2，获得初始基因列表。通过对训练集进行单变量Cox回归分析（p < 0.05），初步筛选出21个与预后显著相关的ERGs。为进一步精炼模型、防止过拟合，研究采用了LASSO回归分析，并选择lambda.1se作为临界值，最终确定了5个具有非零回归系数的ERGs用于构建预后模型。主成分分析（PCA）图清晰显示，基于这5个ERGs的表达，患者可被明显区分为低风险和高风险两组，表明这组基因具有强大的区分能力。时间依赖性一致性指数（C-index）图进一步证实了模型在生存分析中的有效性。

3.2 预后预测模型的建立与评估

研究人员根据5个ERGs的表达构建了一个风险评分公式，并设定最佳风险截断值为-1.6254，将患者分为低风险组和高风险组。生存分析显示，在训练集、验证集以及合并的总队列中，高风险组患者的总生存期（OS）均显著低于低风险组（p < 0.001）。模型表现出色，在训练集中，1年、3年和5年OS的受试者工作特征曲线下面积（AUC）分别达到0.858、0.915和0.855；在验证集中分别为0.840、0.857和0.758；在合并队列中分别为0.850、0.892和0.815。这些结果一致表明，基于5个ERGs构建的风险模型具有优异的预测准确性和稳健性。

3.3 风险评分的独立预后意义

为了评估风险评分是否独立于其他临床病理因素，研究进行了单变量和多变量Cox回归分析。分析结果显示，风险评分、年龄、组织学类型和IDH突变状态均是胶质瘤患者OS的独立预后因素（p < 0.05）。基于这些独立预后因素，研究构建了一个列线图（Nomogram），用于定量预测患者1年、5年和10年的生存概率。校准曲线表明，列线图的预测概率与实际观察结果高度一致，显示出良好的预测性能。限制性立方样条图直观展示了风险评分与风险比（HR）之间的非线性关系。

3.4 DEGs及其功能通路富集分析

研究对高风险组和低风险组之间的基因表达进行了差异分析，共识别出1214个DEGs（|log2倍变化| > 2，错误发现率FDR < 0.05），其中在高风险组中上调基因878个，下调基因336个。GO富集分析表明，DEGs主要富集在化学突触传递调控、突触膜、被动跨膜转运体活性等生物学过程。KEGG富集分析揭示，DEGs显著参与神经活性配体-受体相互作用、细胞因子-细胞因子受体相互作用等信号通路。对上调和下调基因的分别分析进一步细化了对这些生物学功能差异的理解。

3.5 PPI网络构建、模块分析和枢纽基因筛选

为了探索DEGs之间的相互作用，研究利用STRING数据库构建了PPI网络，并使用Cytoscape软件中的MCODE插件识别出网络中最显著的模块（包含52个节点和579条边）。进一步，通过CytoHubba插件的7种方法（如MCC、Degree）筛选枢纽基因，最终确定了8个核心枢纽基因，包括CSF2、CCL5、CXCL10、IL10、CCR2、CXCR3、CCL2和FCGR3A。表达水平分析显示，这些枢纽基因在高风险组中的表达均显著高于低风险组。对枢纽基因的GO/KEGG富集分析表明，它们主要参与趋化因子和细胞因子信号通路。

3.6 枢纽基因对胶质瘤预后的影响

森林图分析显示，所有8个枢纽基因的风险比（HR）均大于1（p < 0.001），表明它们的高表达与不良预后相关。ROC曲线分析进一步证实，这8个枢纽基因对胶质瘤患者1年、3年和5年的生存预后均具有显著的预测价值（AUC值均较高），提示它们可作为潜在的预后生物标志物。

3.7 与预测模型相关的特定信号通路

GSEA被用来揭示高低风险组之间差异表达的潜在生物学通路。结果显示，高风险组患者的基因表达谱在多个与神经系统和突触功能相关的通路上显著富集，包括神经元系统、突触处的蛋白质-蛋白质相互作用、化学突触传递、突触小泡循环、神经活性配体-受体相互作用以及细胞外基质（ECM）相关的matrisome等。这些发现与GO/KEGG富集分析结果相互印证，强调了神经信号传导和免疫调节在胶质瘤进展中的交织作用。

3.8 免疫细胞浸润评估

利用CIBERSORT算法对肿瘤微环境中的免疫细胞浸润进行分析发现，高风险组和低风险组的免疫细胞浸润模式存在显著差异。具体而言，M0、M1、M2型巨噬细胞以及CD8⁺ T细胞在高风险组中浸润更多（p < 0.01），而单核细胞、活化肥大细胞和活化NK细胞则在低风险组中更丰富（p < 0.01）。相关性分析进一步揭示了不同免疫细胞类型之间，以及枢纽基因（如CSF2、CXCL10、CCL2）表达与特定免疫细胞浸润水平之间的显著关联，提示这些基因可能在调节胶质瘤免疫微环境中扮演重要角色。

3.9 枢纽基因及其相互作用网络

研究通过NetworkAnalyst在线工具构建了枢纽基因与microRNAs（miRNAs）以及转录因子（TFs）的调控网络。枢纽基因-miRNA互作网络显示，某些miRNA（如has-miR-155-5p, has-miR-106a-5p）与多个枢纽基因相连，表明它们可能是关键的调控节点。枢纽基因-TF互作网络则识别出一些高度连接的转录因子（如CBFB, SPI1），它们可能协同调控枢纽基因的表达，进而影响胶质瘤的生物学行为。

3.10 基因表达与药物反应

通过分析CellMiner数据库中的药物敏感性数据，研究发现枢纽基因的表达与多种化合物的敏感性存在关联。例如，CXCR3、CXCL10、IL10和CCL5的高表达与对某些化合物（如抗炎药colchicoside）的敏感性增加相关（p < 0.05），提示这些基因可能作为预测化疗反应的生物标志物。相反，CCR2和CXCR3的高表达则与对抗癌化合物irofulven和demethyltylophorinine的耐药性相关（p < 0.05）。这些发现为基于基因表达的个性化用药提供了线索。

本研究成功构建并验证了一个基于5个兴奋毒性相关基因（ERGs）的胶质瘤预后风险模型，该模型展现出强大的预测性能。研究深入揭示了ERGs影响预后的潜在机制，包括调控神经活性配体-受体相互作用、细胞因子信号通路以及重塑肿瘤免疫微环境。研究筛选出的8个枢纽基因（如CCL5、CXCL10）不仅是潜在的预后生物标志物，其与药物敏感性的关联也为个性化治疗提供了新思路。这些发现将兴奋毒性这一传统上与神经元损伤相关的概念，与胶质瘤的肿瘤生物学和免疫微环境紧密联系起来，拓宽了对疾病机制的理解。尽管研究存在缺乏湿实验验证、样本量相对有限以及仅使用TCGA内部数据验证等局限性，但其结果为后续的功能实验和临床转化研究奠定了坚实的基础。未来，整合多组学数据（如单细胞测序、空间组学）并利用更先进的机器学习方法，有望进一步推动胶质瘤的精准医疗，最终改善患者的生存结局。