机器学习驱动的宫颈腺癌预后枢纽基因鉴定与免疫监视增强的多靶点治疗研究

本研究针对宫颈腺癌（ECA）预后差、缺乏有效生物标志物的问题，通过整合机器学习、生物信息学和湿实验技术，分析了TCGA和GEO数据集，鉴定出CDKN2A、BIRC5等关键枢纽基因（Hub genes），并揭示其与PI3K-AKT信号通路和免疫细胞浸润的关联。研究人员筛选出伊马替尼（Imatinib）作为靶向BIRC5的高效药物，经分子对接、动态模拟和MTT实验验证其抗肿瘤活性。该成果为ECA的早期诊断和靶向治疗提供了新策略，发表于《Discover Oncology》，对提升免疫监视和个体化治疗具有重要临床意义。

　　

论文解读

宫颈腺癌（Endocervical Adenocarcinoma, ECA）作为宫颈癌中侵袭性最强的亚型，近十年发病率显著上升，占宫颈恶性肿瘤的25%，但其预后远差于鳞状细胞癌（SCC）。由于缺乏早期诊断标志物和针对性疗法，晚期患者5年生存率仅20%，手术和放化疗效果有限。人乳头瘤病毒（HPV）感染虽是主要诱因，但非HPV相关ECA更具侵袭性，且现有治疗策略未能区分ECA与SCC的分子差异，导致临床结局不佳。这一严峻现状亟需挖掘新的预后生物标志物和靶向药物，以改善免疫监视（Immunosurveillance）和患者生存。

针对这一挑战，浙江理工大学生命科学与医学学院的研究人员主导了一项创新研究，结合机器学习、多组学分析和实验验证，系统探索了ECA的分子机制和治疗靶点。研究团队利用TCGA（The Cancer Genome Atlas）和GEO（Gene Expression Omnibus）数据库的RNA-seq数据，通过机器学习管道（包括SMOTE过采样和MinMax标准化）处理高维数据，识别出11,592个差异表达基因（Differentially Expressed Genes, DEGs）。关键实验技术涵盖：差异表达分析（Limma算法）、蛋白质-蛋白质互作（PPI）网络构建（STRING和Cytoscape）、枢纽基因筛选（CytoHubba算法）、生存分析和免疫浸润评估（TIMER2.0数据库）、分子对接与动态模拟（Pyrx和iMOD工具），以及MTT细胞毒性实验验证药物活性。

研究结果

4.1 PPI网络与枢纽基因鉴定

通过STRING数据库构建高置信度（0.900）PPI网络，结合MCODE模块分析，识别出3个功能簇。其中，模块1以BUB1B和BIRC5为核心，模块2涉及TP53和CDKN2A，模块3包含MUC5B和IL1B。进一步利用CytoHubba的5种拓扑算法（MCC、Degree等）筛选出10个枢纽基因：CDKN2A、KRT5、BUB1B、BIRC5、TP53、IL1B、MYC、MUC5B（上调），以及CCR9和CALML3（下调）。

4.2 计算验证与生存分析

GEPIA2数据库验证显示，CDKN2A、BIRC5等8个基因在肿瘤组织中显著高表达，而CCR9和CALML3低表达。Kaplan-Meier生存