基于机器学习的肿瘤相关B淋巴细胞预后模型构建及其在肝细胞癌精准治疗中的应用

《Scientific Reports》：Constructing a prognostic signature of tumor-associated B lymphocytes in hepatocellular carcinoma via machine learning integration

本研究针对肝细胞癌(HCC)中肿瘤相关B淋巴细胞(TABLs)的异质性及其预后价值不明确的问题，通过整合单细胞RNA测序(scRNA-seq)与机器学习算法，构建了TABLs相关预后标志(TABLS)。研究发现SOX4/TGFBR1信号轴在促癌B细胞亚群中显著激活，体外实验证实其敲低可抑制HCC细胞增殖。TABLS在多个独立队列中展现出优于74个现有模型的预后预测性能，并能有效预测免疫治疗及化疗反应，为HCC精准治疗提供了新策略。

　　

肝细胞癌(HCC)作为全球范围内发病率和死亡率均居高不下的恶性肿瘤，尤其在亚洲地区呈现快速增长趋势。尽管早期手术切除可将五年生存率提升至75%，但多数患者确诊时已属晚期，错过了最佳治疗时机。近年来，索拉非尼(sorafenib)和仑伐替尼(lenvatinib)等靶向药物以及PD-1/PD-L1抑制剂等免疫检查点抑制剂的应用为晚期HCC患者带来了一线希望，但总体客观缓解率(ORR)仍徘徊在15-26%之间，治疗效果十分有限。这种困境促使研究人员将目光投向肿瘤微环境(TME)中的其他免疫细胞，特别是B淋巴细胞。

传统观点认为B细胞主要通过产生抗体和呈递抗原发挥抗肿瘤作用。然而，越来越多的证据表明，肿瘤中存在一类被“驯化”的B细胞亚群，它们可能通过分泌免疫抑制性细胞因子(如IL-10、TGF-β)或上调PD-L1等分子，反而促进肿瘤进展。在肝细胞癌中，这类B细胞的具体特征、作用机制及其临床意义仍不明确。能否精确识别这一特殊B细胞亚群，并在此基础上构建可靠的预后预测模型，从而指导临床治疗决策，成为了一个亟待解决的科学问题。

为此，来自南通大学附属南通市第三医院等单位的研究团队在《Scientific Reports》上发表了最新研究成果。他们巧妙地利用单细胞转录组测序技术结合多种机器学习算法，成功描绘了HCC中肿瘤相关B淋巴细胞的独特图谱，并开发了一个全新的预后标志评分——TABLS，为HCC的预后分层和治疗选择提供了有力的新工具。

本研究主要关键技术方法包括：利用公共数据库GSE162616的单细胞RNA测序(scRNA-seq)数据鉴定HCC与正常组织中的B细胞亚群；采用加权基因共表达网络分析(WGCNA)识别与特定B细胞亚群相关的模块基因；整合101种机器学习算法组合(包括RSF、plsRcox等)构建预后模型；通过TCGA、ICGC、GEO等公共队列的转录组和临床数据进行模型训练与验证；使用细胞培养、siRNA基因敲低、CCK-8细胞增殖实验等功能验证方法；利用TIDE算法和SubMap分析预测免疫治疗反应。

肿瘤相关B淋巴细胞在HCC单细胞水平上升高

研究人员首先对GSE162616数据集中的3对HCC和正常组织样本进行单细胞RNA测序分析，共获得94,139个细胞，其中包含26,698个B淋巴细胞。通过UMAP(均匀流形近似和投影)降维可视化，B细胞被进一步划分为14个亚群。令人惊讶的是，与通常认为的肿瘤中B细胞比例下降不同，Cluster 4亚群在HCC组织中显著富集。进一步分析发现，该亚群中SOX4与CCR4的相关性增强，且TGFBR1(转化生长因子β受体1)表达升高，提示Cluster 4可能具有促进肿瘤的特性。因此，研究人员将其定义为肿瘤相关B淋巴细胞(TABLs)。

HCC中肿瘤相关B淋巴细胞的细胞通讯与调控网络

深入分析显示，Cluster 4中分泌IgG(免疫球蛋白G)的B细胞(如IGHG3+、IGHG4+)和分泌IgA(免疫球蛋白A)的B细胞(如IGHA1+、JCHAIN+)均显著增加。CellChat分析揭示HCC组织中细胞间相互作用数量和强度均高于正常组织。特别值得注意的是，Cluster 4的ITGB2(整合素β2)通路传入信号增强，而CCL(趋化因子配体)和IFN(干扰素)通路传出信号活跃。SCENIC(单细胞调控网络推断)分析进一步发现，转录因子JUN和FOS在Cluster 4中活性最高，表明JUN/FOS信号可能调控该亚群的致癌特性。

SOX4和TGFBR1敲低在体外抑制多株HCC细胞系增殖

为验证SOX4和TGFBR1的功能，研究团队在三种不同TP53背景的HCC细胞系(HEP3B、Huh7和HEPG2)中进行siRNA敲低实验。qRT-PCR(实时定量PCR)证实敲低效率显著。CCK-8实验表明，敲低SOX4或TGFBR1均能显著抑制三株细胞的增殖能力，这为Cluster 4 B细胞中高表达的SOX4和TGFBR1的促癌作用提供了实验证据。

利用机器学习构建和验证TABLS预后模型

基于WGCNA筛选出的红色和黄色模块中的282个基因，研究人员采用留一交叉验证(LOOCV)框架测试了101种机器学习算法组合。结果显示，RSF(随机生存森林)与plsRcox(偏最小平方Cox回归)组合模型在TCGA、ICGC、Gao等队列中表现最佳，平均C-index(一致性指数)达0.665。生存分析表明，高TABLS组患者的总生存期(OS)和无复发生存期(RFS)均显著差于低TABLS组，且在合并所有样本的meta队列中一致。

TABLS与其他HCC预后标志物的比较

研究团队进一步将TABLS与74个已发表的HCC预后模型进行比较，这些模型涉及焦亡、铁死亡、m6A甲基化、缺氧等多种通路。结果表明，TABLS在RNA-seq数据集(TCGA、ICGC)中排名第一或第二，在微阵列数据集(GSE14520、GSE76427)中排名第五，整体表现优于大多数现有模型，显示出其强大的预测能力。

不同TABLS组HCC的突变和免疫浸润景观

基因组分析发现，TP53突变在高TABLS组中更常见，且TABLS评分在TP53突变患者中显著更高。免疫检查点分析显示，高TABLS组中PDCD1(PD-1)和CTLA4等免疫抑制分子表达更高，提示高TABLS可能与免疫抑制性微环境相关。

基于TABLS的免疫治疗反应预测

TIDE(肿瘤免疫功能障碍和排除)分析和SubMap算法显示，低TABLS组对PD-1抑制剂治疗更敏感。在多个验证队列中，TABLS预测免疫治疗反应的AUC(曲线下面积)均大于0.7，表现出良好的预测性能。

不同TABLS组间化疗反应预测

TABLS还能有效预测疾病无进展间隔(PFI)、无病间隔(DFI)和疾病特异性生存(DSS)。对于索拉非尼和TACE(经动脉化疗栓塞)治疗，TABLS也显示出预测价值(AUC>0.7)。通过PRISM和CTRP数据库筛选，研究发现低TABLS组对甲氨蝶呤(methotrexate)等药物更敏感，功能实验证实敲低TGFBR1可增强HCC细胞对甲氨蝶呤的敏感性。

本研究通过整合多组学数据与机器学习，首次系统描绘了HCC中肿瘤相关B淋巴细胞的分子特征，并构建了具有显著临床转化潜力的预后标志TABLS。该标志不仅能够准确预测HCC患者的预后，还能指导免疫治疗和化疗的选择，为实现HCC的精准医疗提供了新思路。尽管研究存在依赖于公共数据、缺乏前瞻性临床验证等局限性，但TABLS作为一个基于肿瘤免疫微环境的新型生物标志物，有望在未来HCC的个体化治疗中发挥重要作用。随着测序技术的普及和成本的降低，TABLS有望在更多HCC人群，特别是不同病因背景的患者中得到进一步验证和优化。