机器学习联合多组学鉴定免疫相关LncRNA特征作为预测乳腺癌预后的生物标志物

本研究针对乳腺癌预后预测的临床挑战，通过整合多组学数据和机器学习算法，构建了基于9个免疫相关长链非编码RNA（lncRNA）的预后特征模型（IRLS）。研究人员利用TCGA和GEO数据库的转录组数据，结合WGCNA和ImmuLncRNA算法筛选出72个免疫相关lncRNA，并通过101种机器学习组合优化出具有高预测效能的IRLS评分系统。验证显示该模型能显著区分患者生存风险（P<0.05），预测性能优于95个已发表模型，并可指导化疗（如紫杉醇）和免疫检查点抑制剂（如atezolizumab）的个性化治疗选择。该研究为乳腺癌精准医疗提供了新型分子标志物。

　　

乳腺癌已超越肺癌成为全球发病率最高的恶性肿瘤，其分子异质性和治疗后复发转移仍是临床重大挑战。现有21基因检测等工具主要适用于激素受体阳性患者，而免疫相关lncRNA在乳腺癌预后预测中的作用尚未充分探索。南京明基医院联合国内外多家机构的研究团队在《Scientific Reports》发表研究，通过整合机器学习与多组学数据，开发了基于免疫相关lncRNA的预后特征模型（IRLS），为乳腺癌精准治疗提供新策略。

研究采用TCGA和GEO数据库中2,607例患者数据，通过ssGSEA算法量化免疫浸润并分型，结合WGCNA和ImmuLncRNA算法筛选出72个关键lncRNA。利用10种机器学习算法构建101种组合，最终确定由Lasso回归和StepCox反向筛选的9-lncRNA特征（含PRKAR1B-AS1等核心分子）。技术路线涵盖转录组重注释、免疫细胞浸润评估（TIMER/xCell等6种算法）、共识聚类和机器学习模型优化。

免疫浸润亚型鉴定
通过ssGSEA将患者分为免疫富集型（C1）和免疫贫乏型（C2），C1组显示更高的CD8⁺T细胞浸润和ESTIMATE免疫评分（P<0.0001）。

关键lncRNA筛选
WGCNA绿色模块（|MM|>0.8）与免疫特征高度相关，而ImmuLncRNA分析揭示1278个lncRNA主要调控"细胞因子受体"和"抗原提呈"通路，两者交集确定72个候选分子。

模型构建与验证
IRLS风险评分=0.215×C22orf34表达量+(-0.153)×DBH-AS1表达量+...。在17个独立队列中，高风险组总生存期（OS）显著缩短（HR=2.31，P<0.001），5年OS预测AUC达0.744-0.792。与AJCC分期联合使用时，C-index提升至0.792（P<0.05）。

治疗预测价值
紫杉醇应答者的IRLS评分更高（AUC=0.814-0.850），而免疫治疗队列中低IRLS组对atezolizumab响应率提升（AUC=0.625）。机制上，低风险组呈现更高的CD8A、PD-L1表达及TMB（r=-0.42，P<0.01）。

该研究创新性地建立了首个整合免疫相关lncRNA与机器学习的乳腺癌预后系统。IRLS模型不仅超越传统临床指标和现有分子标志物的预测效能，还能指导化疗药物选择和免疫治疗获益人群筛选。特别是发现PRKAR1B-AS1等lncRNA与免疫激活显著相关，为三阴性乳腺癌的免疫治疗提供了新靶点。研究局限性在于尚未开展lncRNA功能实验，未来需通过类器官模型等进一步验证其调控机制。这项成果标志着乳腺癌预后评估进入多组学智能预测时代，为临床决策提供了可靠的计算生物学工具。