《International Journal of Genomics》：Advancing Prognosis Prediction and Immunotherapy Efficacy in Lung Adenocarcinoma Through Machine Learning: Novel Insights From Anoikis Regulator Patterns in Single-Cell Multiomics
编辑推荐：
本文通过整合单细胞多组学数据与10种机器学习算法，构建了肺腺癌失巢凋亡相关标志物（Anoikis.Sig），系统解析了上皮细胞异质性空间特征，证实该标志物可精准预测患者预后、免疫微环境特征及免疫治疗响应，为肺腺癌精准治疗提供新型分子分型工具。
单细胞转录组图谱揭示肺腺癌失巢凋亡调控模式
通过整合GSE189357和GSE131907两个单细胞RNA测序（scRNA-seq）数据集，研究团队成功构建包含159,588个细胞的肺腺癌（LUAD）单细胞图谱。利用经典细胞标记基因鉴定出13种主要细胞类型，包括上皮细胞、T细胞、B细胞等。通过GO和KEGG功能注释验证细胞分型准确性，并发现上皮细胞和内皮细胞具有最高的失巢凋亡相关基因富集分数。
上皮细胞异质性及失巢凋亡相关细胞鉴定
研究人员进一步聚焦上皮细胞，通过谐波算法消除批次效应后鉴定出12个上皮亚群。结合inferCNV拷贝数变异分析，将上皮细胞精确注释为10个功能亚型，其中AT2样上皮细胞（AT2-like Epi）被证实为最具失巢凋亡特征的亚群。通过CytoTRACE算法和Monocle 3拟时序分析，揭示CRABP2+恶性细胞具有干细胞特性，而AT2样上皮细胞处于分化终末阶段。
空间转录组解析上皮亚型分布特征
基于GSE189487空间转录组数据，研究采用RCTD反卷积技术和CellTrek空间图谱构建方法，发现AT2样上皮细胞与内皮细胞、B细胞和NK细胞存在最近空间距离。细胞通讯分析显示成纤维细胞通过SERPING1_LRP1配体-受体对与AT2样上皮细胞密切互动，而巨噬细胞主要与CRABP2+恶性细胞通讯。
机器学习构建Anoikis.Sig预后模型
研究团队整合101种机器学习算法组合，通过留一交叉验证（LOOCV）框架筛选出最佳预后模型。随机生存森林（RSF）算法构建的Anoikis.Sig在7个LUAD队列中表现出最高C-index（0.691）。时间依赖性ROC曲线显示5年总生存期（OS）的AUC值达0.986（训练集）和0.683（验证集），校准曲线和决策曲线分析（DCA）证实模型具有优良的临床适用性。
免疫微环境与突变特征全景分析
通过8种免疫算法评估发现，低风险组患者具有更丰富的免疫细胞浸润和更高的免疫检查点基因表达。肿瘤突变负荷（TMB）分析显示高风险组虽具有更高TMB趋势，但低TMB高风险患者预后最差（p< 0.0001）。CNV分析发现SNX22基因缺失频率最高，S100A10基因扩增频率最显著。
单细胞水平验证模型效能
通过Scissor算法将RNA-seq表型映射至scRNA-seq数据，成功鉴定出与临床风险状态对应的Scissor+/-细胞亚群。拟时序分析显示高风险上皮细胞呈现更原始的分化状态，inferCNV分析证实其具有更显著的拷贝数变异。
实验验证核心基因生物学功能
对Anoikis.Sig关键基因LDHA和KRT7进行实验验证，qRT-PCR证实两者在肿瘤组织中显著高表达（p< 0.01）。生存分析显示高表达患者预后较差，蛋白质组学数据进一步验证其在CPTAC数据库中的异常表达。这些发现提示LDHA和KRT7可能作为肺腺癌潜在治疗靶点。
该研究通过多组学整合分析构建的Anoikis.Sig模型，为肺腺癌预后预测和免疫治疗疗效评估提供了新的生物标志物体系，为临床个体化治疗策略制定提供了重要理论依据。
