机器学习揭示铜死亡相关基因MT1M、GRHL2和PKM作为乳腺癌新型诊断标志物与治疗靶点的研究

本研究针对乳腺癌缺乏有效预后标志物的临床困境，通过机器学习算法结合多组学分析，首次系统鉴定了铜死亡（Copper death）相关关键基因MT1M、GRHL2和PKM。研究人员整合GSE42568数据集与GeneCard数据库，运用LASSO、SVM-RFE和随机森林三种机器学习方法筛选出8个候选基因，最终通过实验验证揭示这三个基因在乳腺癌组织中的差异表达（P<0.05），其AUC值达0.917-0.970，显著提升诊断效能。研究还发现这些基因通过调控免疫细胞浸润（如CD8+ T细胞）和药物敏感性（如AZD-9496），为乳腺癌免疫治疗和铜死亡靶向策略提供新思路。

　　

乳腺癌作为女性发病率最高的恶性肿瘤，现有生物标志物如ER（雌激素受体）、PR（孕激素受体）和HER2（人表皮生长因子受体2）对晚期患者预后预测效果有限。与此同时，铜死亡（Copper death）——一种由铜离子诱导线粒体呼吸链蛋白脂酰化导致的特殊细胞死亡方式，近年来被证明与肿瘤进展密切相关。然而，铜死亡相关基因在乳腺癌中的调控机制及其临床转化价值仍属未知。

哈尔滨医科大学肿瘤医院乳腺外科的研究团队在《Discover Oncology》发表的最新研究中，通过多学科交叉方法揭示了MT1M、GRHL2和PKM这三个铜死亡相关基因作为乳腺癌新型诊断标志物和治疗靶点的重大价值。该研究创新性地将生物信息学筛选与实验验证相结合，不仅解决了现有乳腺癌标志物不足的临床痛点，更开辟了通过调控铜死亡通路治疗乳腺癌的新方向。

研究人员主要采用四种关键技术方法：1）基于GSE42568数据集（104例乳腺癌vs 17例正常组织）的差异表达分析；2）WGCNA（加权基因共表达网络分析）构建肿瘤特异性模块；3）LASSO、SVM-RFE（支持向量机递归特征消除）和随机森林三种机器学习算法筛选关键基因；4）通过qRT-PCR和免疫组化（IHC）在MDA-MB-231细胞系和临床样本（来自哈尔滨医科大学肿瘤医院）进行实验验证。

3.1 Identification of DEGCUs

通过GEO数据库筛选获得85个铜死亡相关差异表达基因（DEGCUs），火山图显示其表达变化显著（|log₂FC|>1.5，FDR<0.05）。

3.2 Immune infiltration analysis

CIBERSORT算法揭示乳腺癌样本中CD8⁺ T细胞、M1型巨噬细胞等8类免疫细胞亚群与正常组织存在显著差异（P<0.05），暗示铜死亡基因可能通过免疫微环境调控肿瘤进展。

3.4 Identification of hub genes by machine learning

三种机器学习方法交叉验证获得8个核心基因，其中MT1M、GRHL2和PKM的诊断AUC值最高（0.917-0.970）。

3.7 Diagnostic and prognostic values

生存分析显示MT1M高表达患者预后更好（HR=0.65，P=0.018），而GRHL2和PKM高表达预示不良结局（HR=1.69和1.51），三者联合可显著提升预后预测准确性。

3.10 RT-PCR and immunohistochemistry analysis

实验验证显示PKM在癌组织中显著高表达，而MT1M在癌旁组织富集。

这项研究首次建立铜死亡基因与乳腺癌免疫治疗响应的关联：1）MT1M通过抑制NF-κB通路发挥抑癌作用；2）GRHL2在肿瘤微环境中可能通过调控ErbB3影响免疫逃逸；3）PKM作为糖酵解限速酶，其高表达提示铜死亡与Warburg效应的交互可能成为治疗突破口。研究人员特别指出，这些基因对药物AZD-9496的敏感性差异（Cor=0.563-0.609）为个体化治疗提供新依据。

该研究的临床转化价值体现在三方面：首先，MT1M/GRHL2/PKM组合可弥补现有标志物对三阴性乳腺癌的诊断盲区；其次，铜死亡通路调控为克服化疗耐药提供新靶点；最后，免疫浸润分析揭示的CD8⁺ T细胞关联性为免疫联合治疗策略奠定理论基础。未来研究需进一步阐明这些基因在铜离子转运中的具体分子机制，并通过更大样本队列验证其临床应用价值。