基于Hallmark基因集优化的HAPIR机器学习模型：精准预测癌症患者免疫治疗响应的新策略

免疫检查点抑制剂(ICIs)虽革新了癌症治疗，但仅约30%实体瘤患者获益。为解决这一临床难题，研究者开发了基于Hallmark基因集优化的HAPIR机器学习模型。通过多队列分析（n=824），该模型AUROC达0.778，显著优于PD-1/PD-L1等现有标志物，并能预测耐药靶点（如VCAM1）和增效药物（如Niclosamide），为个体化免疫治疗提供新工具。

　　

免疫治疗的困境与突破
免疫检查点抑制剂(ICIs)彻底改变了癌症治疗格局，然而约60-80%的患者对治疗无响应。PD-L1表达等现有生物标志物预测性能有限（AUROC仅0.54），且肿瘤微环境(TME)的复杂性使得单一指标难以全面评估免疫状态。这一临床痛点催生了多组学整合预测工具的研发需求。

福建的研究团队在《npj Precision Oncology》发表研究，提出HAPIR模型——一种基于7个精修Hallmark基因集（含77个差异基因）的机器学习方法。通过分析TIGER和TCGA-SKCM等6个队列（共352例样本），研究者发现KRAS信号上调、IL2-STAT5通路等基因集与治疗响应显著相关。模型在验证集中AUROC达0.745，成功预测CD8⁺
T细胞浸润水平，并鉴定出21个免疫抵抗基因（如ANXA5）和17个敏感基因（如VCAM1）。更引人注目的是，通过LINCS数据库筛选发现抗蠕虫药Niclosamide可上调VCAM1表达，为克服耐药提供新方案。

关键技术方法

1. 多中心队列设计：整合6个ICIs治疗队列（含黑色素瘤、NSCLC和STAD）的RNA-seq数据
2. 基因集精修策略：通过差异表达分析和GSEA筛选7个Hallmark基因集（FDR<0.05），保留77个核心基因
3. 机器学习建模：采用AUCell算法计算基因集活性，逻辑回归模型十折交叉验证
4. 免疫微环境解析：Quantiseq算法评估CD8⁺
   T细胞浸润，CRISPR筛选验证靶点
5. 药物预测：基于LINCS L1000数据库的32,730个化合物转录组数据

研究结果
1. 精修Hallmark基因集的发现
通过Riaz队列（20响应者vs 78无响应者）鉴定出400个差异基因，富集于7个功能通路：同种异体移植排斥、凝血补体系统、KRAS信号上调、异生物代谢、IL2-STAT5信号和上皮间质转化(EMT)。这些通路与PD-L1 mRNA稳定性调节（KRAS）和T细胞调控（IL2-STAT5）等已知机制高度吻合。

2. HAPIR模型的卓越性能
十折交叉验证显示，HAPIR的AUROC（0.778）显著优于PD-1（0.678）和13种现有标志物。在独立验证中，黑色素瘤队列AUROC达0.81（Jung et al.），且低风险组患者生存期显著延长（P=0.0002）。模型对CD8⁺
T细胞浸润（r=-0.41, P<0.001）和MHC分子表达（如HLA-DRB1, r=-0.38）的预测能力，证实其可准确反映TME特征。

3. 免疫微环境的重构
HAPIR评分与抗原呈递（MHC）、共刺激分子（CD80/CD86）和趋化因子（CXCL9/CXCL10）呈负相关，这种模式在TCGA-SKCM队列（n=472）中得到验证。特别值得注意的是，VCAM1高表达患者生存优势显著（HR=0.52, P<0.01），提示其作为联合治疗靶点的潜力。

4. 耐药靶点与药物预测
CRISPR筛选发现21个免疫抵抗基因（如ITGB3）和17个敏感基因。通过LINCS数据库预测Niclosamide可显著上调VCAM1（NES=2.1, FDR<0.0001），该结果与既往研究——Niclosamide能增强PD-1抗体对NSCLC的疗效（Luo et al., 2019）相互印证。

结论与展望
HAPIR首次将Hallmark基因集精修与机器学习相结合，突破了现有生物标志物的性能瓶颈。其创新性体现在：① 通过功能基因集整合降低转录组噪声，Jaccard指数显示基因集稳定性比单基因提高37%；② 实现治疗响应预测与TME解析的双重功能；③ 指导联合治疗策略开发，如靶向VCAM1-Niclosamide轴。

该研究的临床转化价值显著：模型所需仅77个基因的RNA-seq数据，适合现有分子检测平台推广。未来需在更大规模前瞻性队列中验证，并探索与肿瘤突变负荷(TMB)的联合预测模式。这项研究为精准免疫治疗时代提供了新的决策工具，其"预测-机制-干预"三位一体的研究范式，将为其他肿瘤治疗领域提供重要借鉴。