基于线粒体相关基因的新型特征构建：预测肾透明细胞癌生存及评估肿瘤免疫微环境

本综述系统构建并验证了一个基于MICALL2、FKBP10和ACADSB基因的线粒体相关风险模型，该模型可有效预测肾透明细胞癌（ccRCC）患者的预后及免疫治疗反应。研究通过生物信息学分析揭示高风险组与肿瘤免疫微环境（TME）中免疫细胞浸润、免疫检查点分子（如PDL1/PDL2）表达及TIDE评分显著相关，为ccRCC的精准治疗提供了新的生物标志物和理论依据。

　　

1 引言

线粒体在肿瘤发生发展中扮演重要角色，其功能涉及细胞能量供应、信号转导、代谢调控、自噬、衰老及肿瘤生成等多个生物学过程。肿瘤微环境（TME）通过影响免疫细胞逃逸或抑制以及恶性肿瘤耐药性，与肿瘤细胞线粒体功能存在密切相互作用。肾透明细胞癌（ccRCC）表现出明显的线粒体质量减少，同时伴随线粒体DNA（mtDNA）拷贝数及RNA转录水平的降低。部分ccRCC样本中酰基肉碱显著升高，提示线粒体β氧化过程存在特异性紊乱。尽管酪氨酸激酶抑制剂（TKIs）所促进的缺氧背景可能通过改变肿瘤微环境增强免疫细胞对肿瘤的识别，从而改善肾细胞癌的治疗反应，且靶向线粒体的抗癌药物逐渐成为肾细胞癌治疗的新策略，但目前仍缺乏基于线粒体相关基因（MRGs）的可靠ccRCC预后模型。

2 材料与方法

2.1 流程图与主要步骤

研究首先通过TCGA数据库识别ccRCC肿瘤与正常样本间的差异表达基因（DEGs），并将其与线粒体相关基因（MRGs）取交集，获得共有的DEGs。进一步利用Lasso回归分析筛选关键基因，并构建预后相关的线粒体基因特征。依据风险评分将TCGA ccRCC样本划分为低风险组与高风险组，随后进行基因本体（GO）和京都基因与基因组百科全书（KEGG）通路富集分析，最后对两组肿瘤微环境及免疫治疗反应进行预测评估。

2.2 数据收集

从GDC数据门户下载TCGA训练队列的RNA测序数据及临床信息，共纳入521例ccRCC肿瘤样本。验证队列E-MTAB-1980包含101例ccRCC样本，数据来自ArrayExpress数据库。线粒体相关基因列表（共2030个）来源于已发表研究及MitoCarta 3.0数据库和基因集富集分析（GSEA）。蛋白表达数据及免疫组化（IHC）图像来自CPTAC和HPA数据库。

2.3 差异表达基因识别

使用R包“DESeq2”识别正常与肿瘤样本或高低风险组间的DEGs，筛选标准为|Log₂倍变化|>1且校正后P值<0.05。同时利用GEPIA2数据库通过ANOVA方法获取另一组DEGs，取两者交集并通过Venn图展示。最终筛选出164个与线粒体相关的共同DEGs，并进一步选取|Log₂倍变化|>2的41个基因进行后续分析。

2.4 预后性线粒体基因特征的构建与验证

通过Lasso回归及多变量Cox回归分析，最终筛选出MICALL2、FKBP10和ACADSB三个基因用于构建预后模型。风险评分计算公式为：风险评分 = 0.3089 × MICALL2 + 0.1995 × FKBP10 ? 0.4429 × ACADSB。以中位风险评分作为分界，将患者分为低风险组与高风险组，利用Kaplan-Meier（K-M）生存曲线和ROC曲线评估模型预测性能，并在独立队列E-MTAB-1980中进行验证。

2.5 GO与KEGG通路分析

将高低风险组间的484个DEGs输入DAVID数据库进行GO和KEGG通路富集分析，结果通过R包“ggplot2”和“GOplot”可视化。

2.6 肿瘤微环境分析与免疫治疗反应预测

使用“estimate”R包计算基质评分、免疫评分和ESTIMATE评分，并估算肿瘤纯度。通过CIBERSORT算法评估22种肿瘤浸润免疫细胞（TIICs）的丰度，利用Wilcoxon检验进行组间比较。从已有研究中获取79个免疫检查点基因（ICGs），分析其中39个在两组间表达差异显著的基因。采用TIDE评分预测免疫治疗反应，并通过小提琴图和条形图展示结果。

2.7 统计分析

使用R软件（4.3.2版）进行所有统计分析。采用t检验、Pearson卡方检验和Spearman相关分析等方法，P值<0.05视为具有统计学显著性。

3 结果

3.1 线粒体相关差异表达基因的识别

在TCGA训练队列中，通过“DESeq2”分析共获得3111个DEGs（986个下调，2125个上调）。与GEPIA2数据库结果取交集后获得1658个共同DEGs，进一步与2030个MRGs取交集，得到164个共同基因。从中筛选出41个|Log₂倍变化|>2的基因进行Lasso回归分析，最终确定MICALL2、FKBP10、ACADSB和ALDH6A1四个候选基因。多变量Cox回归分析进一步筛选出MICALL2、FKBP10和ACADSB三个基因用于构建预后模型。这三个基因在RNA和蛋白水平在肿瘤与正常样本间均呈现显著表达差异。

3.2 预后性线粒体基因特征的构建与验证

通过多变量系数索引值构建风险评分模型，并按中位值将患者分为低风险组与高风险组。K-M生存曲线显示高风险组患者总生存期显著缩短，ROC曲线证实模型具有良好的预测性能。在独立验证队列E-MTAB-1980中，模型同样表现出稳定的预测能力。临床特征分析显示，高风险组中男性、T3+T4分期、M1分期、III+IV期及死亡患者比例更高。多变量Cox回归分析证实，分期IV和高风险分组与不良预后显著相关。

3.3 GO与KEGG通路分析

GO分析显示，差异表达基因显著富集于细胞外相关功能、免疫相关功能及细胞因子介导的信号通路。KEGG分析提示，ECM-受体相互作用、焦点粘连、JAK-STAT、PI3K-Akt、NF-κB和HIF-1信号通路等与肿瘤侵袭、微环境及免疫治疗反应密切相关的通路被激活。

3.4 肿瘤微环境分析与免疫治疗反应预测

高风险组具有更高的基质评分、免疫评分和ESTIMATE评分，以及更低的肿瘤纯度，风险评分与这些评分呈正相关。CIBERSORT分析显示，高风险组中调节性T细胞（Treg）、M0巨噬细胞和CD8⁺T细胞浸润较多，而M1巨噬细胞、M2巨噬细胞和单核细胞在低风险组中更丰富。39个免疫检查点基因（ICGs）中有39个表达存在显著组间差异，其中PDL1和PDL2在高风险组中表达较低。TIDE预测显示，高风险组具有更高的TIDE评分和功能障碍评分，更低的微卫星不稳定性（MSI）评分，以及更低的免疫治疗应答率，提示其免疫治疗反应较差。

4 讨论

MICALL2作为细胞运动促进因子，其过表达可促进ccRCC细胞增殖、迁移和侵袭。FKBP10敲低可引起细胞周期G0/G1期阻滞，并减少细胞增殖、侵袭和迁移能力，可能通过调控I型胶原合成及促进LDHA磷酸化参与ccRCC进展及HIF2α阻断敏感性调节。ACADSB参与脂肪酸和支链氨基酸代谢，在多种癌症中发挥重要作用。本研究构建的基于MICALL2、FKBP10和ACADSB的线粒体相关基因特征具有良好的预后预测价值，高风险患者预后较差。差异表达基因富集于细胞外功能、免疫相关通路及细胞因子信号途径，这些通路与肿瘤侵袭、微环境、免疫治疗反应及代谢重塑密切相关。肿瘤微环境分析提示高风险组免疫细胞和基质细胞浸润更显著，但Treg细胞增多、M1巨噬细胞减少及PDL1/PDL2低表达可能导致其免疫治疗反应不佳。进一步的单细胞数据分析可能提供更深入的信息。

5 结论

该研究构建的基于MICALL2、FKBP10和ACADSB的线粒体相关基因特征可作为ccRCC可靠的预后生物标志物，并能预测患者对免疫治疗的反应。风险评分与肿瘤微环境特征及免疫细胞浸润程度密切相关，为ccRCC的个体化治疗提供了新的理论依据和潜在靶点。