基于机器学习的免疫逃逸特征谱预测胃腺癌预后及免疫治疗获益

本研究通过整合10种机器学习算法构建胃腺癌免疫逃逸特征谱（IES），该四基因特征（KLF16、ANXA5、TAP1、DOT1L）能有效预测患者预后，揭示低IES评分群体具有更高免疫细胞浸润（CD8+ T细胞、树突细胞）和免疫治疗响应率，为STAD个体化治疗提供新工具。

　　

背景

胃腺癌（STAD）仍是全球癌症相关死亡的主要因素之一。尽管免疫治疗取得进展，但由于肿瘤固有的免疫逃逸机制，仅部分STAD患者能从免疫检查点抑制剂中获益。因此，亟需可靠的预测性生物标志物来指导预后评估和治疗决策。

材料与方法

研究从TCGA数据库获取325例STAD患者的转录组数据和临床信息，并从GEO数据库获取多个验证队列（GSE84437、GSE62254等）。通过整合10种机器学习算法（包括随机生存森林、LASSO等）构建101种预测模型，依据验证数据集中的一致性指数（C-index）选择最优模型。采用生存分析、免疫浸润反卷积及多种免疫治疗响应指标评估IES的预后和免疫学意义。关键基因通过qPCR、免疫组化和体外功能实验进行验证。

结果

鉴定STAD中预后相关的免疫逃逸基因

共鉴定出2962个STAD与正常组织间的差异表达基因（DEGs），与已知免疫逃逸相关基因（IRGs）交集后获得40个候选基因。单变量Cox回归分析进一步揭示8个与总生存期显著相关的IRGs（KLF16、ANXA5、TAP1、DOT1L等），作为后续模型构建的候选生物标志物。

利用机器学习开发IES

通过LASSO算法构建的四基因IES（KLF16、ANXA5、TAP1、DOT1L）在TCGA和多个外部队列中表现出最优预测性能（平均C-index=0.82）。根据最佳截断值（0.035）将患者分为高风险和低风险组，Kaplan-Meier分析显示高风险组在所有验证队列中总生存期显著较差。时间依赖性ROC曲线证实IES对1年、3年和5年生存率具有优异预测准确性。

IES对临床结局的预测能力

与传统临床因素（年龄、性别、分期）相比，IES在所有数据集中均显示更高的C-index。多变量Cox回归分析确认IES是STAD预后的独立风险因素。结合IES和临床参数构建的预后列线图显示出预测与实际生存结果间的高度一致性。

IES相关的免疫景观

通过七种反卷积算法评估免疫细胞浸润特征，发现IES风险评分与免疫浸润（包括CD8⁺ T细胞和树突细胞）呈负相关，而与免疫抑制性M2巨噬细胞呈正相关。低风险组患者在免疫细胞（如iDCs、肥大细胞、NK细胞）和免疫相关功能（如细胞溶解活性、T细胞共刺激）方面表现出更高富集分数，同时具有显著更高的免疫评分、基质评分和ESTIMATE评分，表明其免疫微环境更为活跃。

IES与免疫治疗响应的关联

低IES组患者显示免疫检查点分子和HLA基因表达增加，PD1与CTLA4免疫表型评分升高，以及更高的肿瘤突变负荷（TMB）评分。这些患者同时具有显著较低的TIDE评分、免疫逃逸评分和肿瘤内异质性（ITH）评分，提示免疫逃逸潜力较低。在三个独立免疫治疗队列（GSE91061、GSE78220、IMvigor210）中，低IES评分一致与更好的响应率和改善的生存结果相关。

基于IES的药物敏感性分析

低IES风险评分患者对多种化疗药物（如顺铂、奥沙利铂、多西他赛、吉西他滨）和靶向治疗（如拉帕替尼、厄洛替尼、达沙替尼、阿法替尼）表现出显著较低的半抑制浓度（IC50）值，表明对常规治疗更具敏感性。

IES与癌症相关生物学通路

功能富集分析显示高风险患者中 hallmark癌症通路激活增强，包括mTORC1信号、缺氧、NOTCH信号、糖酵解、血管生成、IL2-STAT5信号、G2M检查点和hedgehog信号，表明其肿瘤表型更具侵袭性。

KLF16在STAD中的表达和功能验证

免疫组化证实KLF16在STAD组织中过表达，RT-qPCR显示其在多数STAD细胞系中mRNA水平升高。KLF16敲低显著抑制STAD细胞增殖，支持其致癌作用。

讨论

本研究通过整合机器学习框架开发了新型IES，能准确预测STAD的预后和免疫治疗响应。该模型基于免疫逃逸相关基因，在多个队列中表现出强大预后价值，且优于传统临床病理特征。低IES评分与增强的抗肿瘤免疫（包括CD8⁺ T细胞和树突细胞浸润增加、HLA基因表达上调）相关，提示这些患者可能从免疫检查点阻断治疗中获益更多。相反，高IES评分与免疫抑制环境（M2巨噬细胞主导）相关，可能导致免疫治疗抵抗和不良生存结局。研究还发现高IES评分与致癌通路（如mTOR、糖酵解、EMT）激活相关，为高风险患者的不良预后提供了生物学依据。KLF16作为IES中的代表基因，其过表达和促增殖功能进一步验证了模型的生物学基础。

局限性

研究存在若干局限性：排除诊断后3个月内死亡的患者可能引入选择偏倚；缺乏独立临床或前瞻性队列验证限制结果普适性；LASSO构建的IES可能约束模型复杂性；KLF16在免疫逃逸生物学中的作用未明确，需后续研究探索。

结论

研究结果强调了免疫逃逸在塑造STAD临床结局中的重要性。IES不仅有助于患者风险分层，还有望指导免疫治疗决策，并识别可能从替代或联合治疗中获益的患者。