机器学习辅助多维转录组分析揭示细胞骨架相关分子在肝细胞癌预后评估中的关键作用及治疗新策略

本研究针对肝细胞癌(HCC)预后评估和治疗靶点匮乏的临床难题，通过机器学习整合TCGA-LIHC、ICGC和CHCC-HBV多组学数据，构建了基于ARPC1A/CCNB2/CKAP5/DCTN2/TTK五基因的细胞骨架相关预后模型（AUC达0.77-0.91）。结合单细胞测序(scRNA-seq)和空间转录组技术，揭示该特征基因群与TP53突变、免疫抑制微环境的关联，并通过分子 docking 筛选出伊立替康-索拉非尼联合治疗方案，体内外实验证实其显著抑制肿瘤生长。为HCC精准诊疗提供了新型生物标志物和联合治疗策略。

　　

肝细胞癌(HCC)是全球癌症相关死亡的主要原因之一，每年导致约83万人死亡。这种侵袭性肿瘤具有诊断延迟、化疗耐药和易转移复发的特点，五年生存率不足20%。尽管手术切除仍是首选疗法，但超过70%的患者确诊时已失去手术机会。近年来，细胞骨架的动态调控在肿瘤进展中的作用备受关注——从维持细胞形态到参与迁移、侵袭和有丝分裂，微管蛋白(tubulin)等细胞骨架成分的异常与多种癌症的恶化密切相关。然而，细胞骨架相关基因在HCC预后评估和治疗靶点开发中的潜力尚未被充分挖掘。

中山大学附属第三医院的研究团队在《Scientific Reports》发表了一项突破性研究。他们运用LASSO回归和随机森林(RF)两种机器学习算法，对TCGA-LIHC等三大数据库的转录组数据进行深度挖掘，首次建立了细胞骨架相关基因的HCC预后模型。通过单细胞测序和空间转录组技术揭示了关键基因的时空表达特征，并结合药物筛选和分子 docking 开发出新型联合治疗方案。

研究采用多组学整合分析技术路线：1) 从TCGA-LIHC数据集筛选细胞骨架相关差异表达基因(DEGs)；2) 采用LASSO-stepwise COX和随机森林算法构建预后模型；3) 利用ICGC LIRI-JP和CHCC-HBV队列进行外部验证；4) 通过scRNA-seq和空间转录组解析基因功能；5) 基于DSigDB数据库筛选靶向药物并进行分子 docking；6) 采用CCK-8、裸鼠成瘤实验等验证治疗方案。

核心发现如下：

细胞骨架相关DEGs的鉴定
分析鉴定出110个与总生存期(OS)相关的细胞骨架DEGs，PPI网络显示这些基因主要富集于细胞骨架结构、纺锤体形成等通路。

预后模型构建
LASSO回归筛选出ARPC1A、CCNB2、CKAP5、DCTN2和TTK五基因模型，在训练集(TCGA)中3年OS预测AUC达0.74。随机森林模型虽在训练集表现更优(AUC 0.89)，但外部验证显示LASSO模型更具泛化性。

临床转化价值验证
将模型整合为临床列线图(nomogram)，C-index达0.721。高风险组患者伴有更多TP53突变和免疫抑制细胞(CAFs、MDSCs)浸润。

单细胞与空间解析
scRNA-seq显示五基因在恶性肝细胞中高表达，与PD-L1等免疫检查点分子正相关。空间转录组证实其在转移灶中的特异性富集。

治疗靶点开发
分子 docking 锁定TTK为关键靶点，体外实验证实伊立替康联合索拉非尼可协同抑制PLC/PRF/5细胞增殖(CCK-8检测p<0.01)，裸鼠实验显示联合组肿瘤体积较单药组减少44%。

这项研究开创性地将细胞骨架调控网络与HCC预后评估相结合，其五基因模型为临床分层提供了新工具。特别值得注意的是，TTK作为核心靶点的发现为克服索拉非尼耐药提供了新思路——该激酶不仅调控有丝分裂，还通过PD-L1等分子塑造免疫抑制微环境。研究者提出的伊立替康-索拉非尼联合方案，巧妙利用了已获批药物的协同效应，具有显著的临床转化潜力。

从更广阔的视角看，该研究为"细胞骨架靶向治疗"这一新兴领域提供了重要证据。正如微管靶向药物(如紫杉醇)在乳腺癌治疗中的成功，靶向ARPC1A等肌动蛋白调控因子可能成为抑制HCC转移的新策略。未来研究可进一步探索这些基因表观遗传调控机制，如甲基化水平与表达量的关系，或开发针对CREB1等共同转录因子的干预手段。

这项研究的局限性在于回顾性数据的使用，未来需要前瞻性临床试验验证模型的临床效用。此外，细胞骨架相关基因的种族差异、与现有免疫治疗方案的协同效应等问题，也有待更深入探索。总体而言，该成果为改善HCC这一"癌王"的预后带来了新的希望。