机器学习辅助转录组学分析揭示良性神经鞘瘤新型免疫相关靶点

本研究针对良性神经鞘瘤诊断和治疗靶点匮乏的难题，通过整合机器学习（ML）、转录组学（GSE108524数据集）和单细胞测序（scRNA-seq）技术，筛选出ANGPTL1、IL17RC等5个关键免疫相关生物标志物，并构建AUC=0.67的预测模型。实验验证发现这些靶点分别抑制或促进肿瘤增殖迁移，为临床分层诊疗提供了新策略，成果发表于《Neuroscience》。

　　

研究背景与意义
神经鞘瘤作为起源于施万细胞（Schwann cells）的良性肿瘤，虽无恶性特征，但其生长常导致周围神经压迫，引发疼痛和功能障碍。当前诊断依赖影像学（MRI/CT）和侵入性活检，而SOX10突变等分子机制的研究仍存在空白。更棘手的是，NF2基因缺失型肿瘤缺乏有效靶向疗法。传统治疗以手术切除为主，但术后复发和神经功能损伤风险居高不下。这一临床困境亟需通过多组学整合和人工智能技术破解。

河北医科大学第三医院团队在《Neuroscience》发表的研究，首次将机器学习算法与多组学数据融合，系统解析了良性神经鞘瘤的免疫特征。研究人员通过GSE108524数据集筛选关键靶点，结合NF2^-/-小鼠模型验证功能，不仅发现了调控肿瘤进程的双向免疫分子开关，还构建了首个临床预测模型，为精准诊疗提供了全新工具。

关键技术方法
研究采用27例神经鞘瘤和4例正常神经组织的转录组数据（GSE108524），通过KNN算法填补缺失值后，运用LASSO、SVM和随机森林进行特征筛选。免疫浸润分析采用CIBERSORT，单细胞测序解析靶点空间分布。功能验证包括qPCR、Western blot、流式细胞术（FACS）及NF2^-/-小鼠体内实验，关键指标通过AUC、F1-score等评估。

研究结果

1. 免疫亚型与浸润特征
   基于GSE108524的免疫分型揭示肿瘤微环境中T细胞和巨噬细胞显著富集。差异表达分析筛选出137个免疫相关基因，其中ANGPTL1在抗肿瘤亚型中高表达，而OLR1在促瘤亚型中上调。

2. 机器学习驱动标志物发现
   LASSO回归联合随机森林鉴定出5个核心基因：ANGPTL1、IL17RC（抑制因子）与LTBR、OLR1、TGFBR1（促进因子）。Nomogram模型显示联合检测AUC达0.67，敏感性81.5%。

3. 单细胞空间定位
   scRNA-seq证实ANGPTL1主要定位于CD4⁺ T细胞，TGFBR1在CD163⁺肿瘤相关巨噬细胞（TAMs）中高表达，提示免疫细胞亚群功能异质性。

4. 体内外功能验证
   NF2^-/-小鼠模型中，ANGPTL1过表达使肿瘤体积缩小42%（p<0.01），而TGFBR1敲除抑制迁移能力达67%。ELISA检测显示IL17RC与炎症因子IL-17A呈负相关。

结论与展望
该研究通过多模态分析揭示了神经鞘瘤免疫微环境的双刃剑机制：ANGPTL1/IL17RC构成抑瘤屏障，而LTBR/OLR1/TGFBR1通路驱动恶性表型。所建模型弥补了现有标志物（NF2、SOX10、S100B）的不足，尤其对非前庭神经鞘瘤的分型具有独特价值。未来可探索BET/FAK抑制剂与免疫靶向的联合疗法，推动神经鞘瘤进入精准医疗时代。