基于O-糖基化基因的多组学机器学习模型重构肝癌分子分型与精准预后预测平台

本研究针对肝细胞癌(HCC)预后评估中O-糖基化(O-glycosylation)研究空白，通过整合WGCNA网络分析与10种聚类算法，首次构建了高分辨率HCC分子分型系统。研究发现CS1亚型具有显著基因组变异和中等免疫浸润，CS2亚型呈现免疫热表型且对免疫治疗敏感，CS3亚型则表现出基因组不稳定但对索拉非尼等化疗药物响应良好。研究团队创新性采用59种机器学习方法构建的CMLS预后特征，为HCC精准治疗决策提供了重要依据。

　　

O-连接糖基化(O-glycosylation)作为关键的蛋白质翻译后修饰，通过调控蛋白质结构功能参与多种生理病理过程。这项开创性研究首次从bulk转录组和单细胞两个维度，系统解析了O-糖基化基因在肝细胞癌(HCC)中的表达特征与功能机制。研究人员运用加权基因共表达网络分析(WGCNA)筛选关键糖基化相关多组学数据，结合10种先进聚类算法成功绘制了高精度HCC分子分型图谱。

研究揭示三种特征鲜明的癌症亚型：CS1亚型展现显著基因组变异和适度免疫浸润；CS2亚型患者预后最佳，具有稳定基因组结构和免疫热表型(immune-hot)，对PD-1/PD-L1等免疫检查点抑制剂敏感；而预后最差的CS3亚型虽呈现免疫冷表型(immune-cold)和基因组不稳定性，但对索拉非尼(sorafenib)、顺铂(cisplatin)等化疗药物表现出独特敏感性。

为提升个体化预后预测效能，研究团队史无前例地整合59种机器学习算法，构建出具有强泛化能力的共识机器学习驱动预后标志物(CMLS)。微阵列数据证实，参与HCC分层的糖基化枢纽基因在癌组织中显著上调。该研究不仅重新定义了HCC分子分型标准，更搭建起融合多组学数据和人工智能的临床决策平台，为HCC患者的精准分层、治疗方案优化和生存预测提供了革命性工具。