基于液-液相分离特征基因的机器学习与单细胞测序策略构建儿童肝母细胞瘤风险预后评分模型

本研究针对儿童肝母细胞瘤(HB)缺乏精准预后评估工具的临床难题，创新性整合液-液相分离(LLPS)理论、机器学习算法与单细胞RNA测序(scRNA-seq)技术。研究人员通过WGCNA模块分析与SVM-RFE特征筛选，鉴定出ZCCHC12、CDH13、CDKN2A三个关键基因，构建的LlpsHBScore风险评分系统可准确预测患者2/5年生存率，并揭示其与CD8+T细胞浸润的显著相关性，为HB分子分型与免疫治疗提供新靶点。

　　

儿童肝母细胞瘤(HB)作为婴幼儿最常见的肝脏恶性肿瘤，虽然低风险患者生存率可达90%，但转移性或化疗耐药病例的生存率骤降至不足50%。当前临床依赖的病理分期和AFP检测难以精准预测个体预后，而传统转录组研究又未能揭示肿瘤异质性的深层机制。更棘手的是，这种罕见肿瘤的样本稀缺性严重阻碍了靶向治疗的研发进程。

近年来，液-液相分离(LLPS)现象的发现为肿瘤研究开辟了新视角。这种生物大分子通过相变形成无膜细胞器的过程，已被证实与多种癌症的耐药性和免疫逃逸密切相关。特别是在肝癌中，糖原通过LLPS阻碍Hippo信号通路的发现，为理解肿瘤发生提供了全新机制。然而，LLPS在HB中的作用仍是未解之谜。

为解决这一科学难题，国内研究人员开展了一项跨学科研究。他们创新性地将机器学习与单细胞技术相结合，从GEO数据库获取的四个独立数据集（GSE133039、GSE75271、GSE81928、GSE132037）中筛选出124个HB特异性差异表达基因。通过WGCNA构建的基因共表达网络，研究人员从11,757个模块基因中锁定3,612个LLPS相关基因，最终经随机森林和SVM-RFE算法筛选出ZCCHC12、CDH13和CDKN2A三个核心基因。

关键技术方法包括：从GEO获取的81例HB和32例正常组织RNA-seq数据作为训练集；WGCNA模块分析（软阈值功率24，R²=0.9）；LASSO回归构建风险评分公式：Risk Score = ?12.373912 + 1.301690×CDH13 + 1.455665×CDKN2A + 1.804106×ZCCHC12；CIBERSORT等四种算法解析免疫浸润；GSE186975单细胞数据集验证。

【Identifying DEGs and functional enrichment analysis in pediatric HB】
研究发现HB样本中92个基因显著上调，28个下调。GSEA分析揭示Wnt信号通路和微管运动异常活跃，而LLPS相关基因富集于DNA修复和染色质重塑通路，这为理解HB的化疗耐药机制提供了线索。

【Discussion】
ZCCHC12作为锌指蛋白家族成员，其相分离特性可能影响肿瘤干细胞干性维持；CDH13的异常表达与细胞粘附缺陷相关；而CDKN2A的激活则可能通过p53通路促进基因组不稳定性。特别值得注意的是，LlpsHBScore与PD-L1表达呈正相关，这解释了为何高分患者对免疫治疗反应较差。

【Conclusion】
该研究不仅建立了首个基于LLPS的HB预后模型，其开发的可视化列线图工具更可直接用于临床决策。发现CD8⁺T细胞浸润与评分的负相关性，为联合免疫治疗提供了理论依据。这些发现突破了传统病理分型的局限，从相分离角度为HB精准医疗开辟了新途径。

这项发表于《Computers in Biology and Medicine》的研究，通过多组学整合分析揭示了LLPS在HB中的核心作用，其构建的LlpsHBScore实现了从分子机制到临床应用的转化，为改善高危患儿预后提供了创新性解决方案。