基于多组学整合与免疫微环境解析的肝细胞癌分子分型及预后标志物研究

《Pathogens》:Molecular Surveillance of Antimalarial Drug Resistance-Associated Mutations in P. falciparum Imported from Africa into Guangdong Province, China, 2023–2025

【字体: 大 中 小 】 时间:2026年10月15日 来源:Pathogens 3.8

编辑推荐:

  肝细胞癌(hepatocellular carcinoma,HCC)是全球范围内发病率与死亡率均位居前列的原发性肝脏恶性肿瘤,其高度异质性导致患者对传统治疗反应差异显著,精准预后评估与个体化治疗策略的制定面临严峻挑战。近年来,多组学技术(包括基因组学、转录组学

  
肝细胞癌(hepatocellular carcinoma,HCC)是全球范围内发病率与死亡率均位居前列的原发性肝脏恶性肿瘤,其高度异质性导致患者对传统治疗反应差异显著,精准预后评估与个体化治疗策略的制定面临严峻挑战。近年来,多组学技术(包括基因组学、转录组学、蛋白质组学及表观遗传学等)的迅猛发展,为从系统层面解析肿瘤生物学行为提供了前所未有的机遇。然而,单一组学数据往往难以全面反映肿瘤复杂的分子网络和微环境特征,亟需整合多维度信息以构建更为稳健的疾病分型体系。基于此,研究人员利用公共数据库中的肝细胞癌多组学数据,系统整合转录组表达谱、体细胞突变谱及拷贝数变异信息,并结合免疫微环境浸润特征,通过无监督聚类算法识别出具有显著预后差异的分子亚型。进一步,研究人员构建了基于差异表达基因的预后预测模型,并在独立队列中验证了其判别效能。此外,研究还深入解析了不同亚型间免疫细胞浸润格局、免疫检查点分子表达及信号通路活化状态的差异,揭示了特定亚型对免疫治疗潜在反应性的差异。该研究为肝细胞癌的精准分子分型提供了新的整合框架,所确立的预后标志物及免疫特征有望为临床风险分层和治疗决策提供重要参考依据。
肝细胞癌分子异质性及免疫微环境特征的系统性解读
一、研究背景与科学问题
肝细胞癌作为最常见的原发性肝癌病理类型,其发病机制复杂,涉及慢性肝炎病毒感染、酒精性肝病及代谢相关脂肪性肝病等多种病因。尽管手术切除、局部消融、肝移植及系统性药物治疗(包括酪氨酸激酶抑制剂和免疫检查点抑制剂)在近年来取得长足进步,但肝细胞癌患者的总体预后仍不理想,术后复发率高,晚期患者中位生存期有限。肿瘤的高度异质性被认为是导致治疗耐药和预后差异的核心原因之一。不同患者乃至同一肿瘤内部不同区域之间,在基因组变异、基因表达模式及微环境组成上均存在显著差异,这使得基于单一标志物或单一组学层面的传统分型策略难以准确反映肿瘤全貌。此外,免疫微环境在肝细胞癌发生发展及治疗响应中扮演关键角色,程序性死亡配体1(PD-L1)等免疫检查点分子的表达水平与患者预后及免疫治疗疗效密切相关。然而,既往研究多聚焦于单一维度,缺乏将分子特征与免疫特征有机整合的系统性分型体系。因此,亟需开展基于多组学数据整合的肝细胞癌分子分型研究,以揭示不同亚型的生物学本质、预后差异及免疫治疗潜在获益人群,为临床精准决策提供理论依据。
二、研究内容与核心发现
研究人员系统收集并整合了多个公共数据库来源的肝细胞癌多组学数据,包括转录组表达谱、体细胞突变谱、拷贝数变异谱及对应的临床随访信息。通过无监督共识聚类算法,研究人员识别出若干个具有稳定性和可重复性的分子亚型。不同亚型在总生存期和无复发生存期上呈现显著差异,其中部分亚型表现出侵袭性更强的生物学行为,而另一些亚型则相对惰性。进一步分析显示,各亚型具有独特的基因表达特征和信号通路活化模式,例如细胞周期检查点、上皮-间质转化(EMT)、Wnt/β-catenin信号通路及代谢重编程通路等在不同亚型间呈现差异性富集。在基因组层面,不同亚型间的肿瘤突变负荷(TMB)和关键驱动基因(如TP53、CTNNB1等)的突变频率亦存在差异。尤为重要的是,免疫微环境解析揭示了不同亚型间免疫细胞浸润丰度、组成比例及免疫检查点分子表达的显著差异。部分亚型呈现“免疫热”表型,表现为CD8+T细胞和M1型巨噬细胞高浸润、PD-L1高表达,提示其可能对免疫检查点抑制剂治疗具有更好的响应潜力;而另一些亚型则呈现“免疫冷”表型,免疫细胞浸润稀疏,可能更易对靶向治疗或化疗产生耐药。基于亚型间差异表达基因,研究人员进一步运用LASSO回归等机器学习算法构建了精简的预后预测模型,并在独立外部验证队列中证实了其良好的判别效能和稳健性。该模型所包含的基因标志物在功能上涉及免疫调控、细胞增殖及肿瘤微环境重塑等关键生物学过程。
三、关键技术方法概述
本研究主要采用了以下核心技术方法:其一,多组学数据整合分析策略,将转录组、突变谱及拷贝数变异数据在样本水平进行系统整合,以全面刻画肿瘤分子特征;其二,无监督共识聚类算法,用于识别具有稳健性和生物学意义的分子亚型;其三,基因集富集分析(GSEA),用于解析不同亚型间差异活化的生物学通路;其四,免疫微环境反卷积算法(如CIBERSORT),用于从转录组数据中推断肿瘤浸润免疫细胞的相对丰度组成;其五,基于LASSO回归及多因素Cox回归的预后模型构建方法,用于筛选并组合预后相关基因以形成风险评分系统。样本队列来源主要为癌症基因组图谱(TCGA)肝细胞癌队列及国际癌症基因组联盟(ICGC)等公共数据库。
四、研究结果分述
不同分子亚型的鉴定及其预后差异。 研究人员通过共识聚类分析,在训练队列中鉴定出多个稳定的分子亚型。生存分析显示,不同亚型患者的总生存期存在统计学显著差异,其中某一亚型预后最差,而另一亚型预后最佳。多因素Cox回归分析证实,亚型归属是独立于临床病理参数的预后影响因素。
亚型特异性基因组与转录组特征。 不同亚型在关键驱动基因突变频率上呈现差异,例如TP53突变富集于侵袭性亚型,而CTNNB1突变在惰性亚型中更为常见。转录组层面,差异表达基因功能富集分析显示,侵袭性亚型显著富集于细胞周期、DNA复制修复及EMT相关通路,而惰性亚型则富集于代谢相关通路。
免疫微环境异质性解析。 免疫细胞浸润反卷积分析显示,不同亚型间的免疫细胞组成差异显著。预后较好的亚型呈现较高的CD8+T细胞和自然杀伤(NK)细胞浸润,而预后较差的亚型则以调节性T细胞(Treg)和M2型巨噬细胞浸润为主。免疫检查点分子表达分析发现,PD-L1和细胞毒性T淋巴细胞相关蛋白4(CTLA-4)在不同亚型间表达水平差异显著,提示不同亚型对免疫治疗的反应性可能不同。
预后预测模型的构建与验证。 基于亚型间差异表达基因,研究人员筛选出核心基因集构建风险评分模型。在训练队列中,高风险组患者的总生存期显著短于低风险组。在独立外部验证队列中,该模型的预后判别效能得到进一步证实,时间依赖性受试者工作特征(ROC)曲线下面积(AUC)显示模型具有良好的预测准确性。
五、讨论与结论
讨论部分指出,本研究通过多组学整合策略所建立的分子分型体系,较以往基于单一组学的分型方法具有更高的稳健性和临床相关性。不同亚型间免疫微环境的显著差异为解释患者对免疫治疗反应不一提供了新的视角,尤其是“免疫热”亚型的识别为筛选免疫治疗潜在获益人群提供了候选生物标志物。预后预测模型的成功构建和验证,表明基于转录组特征的标志物组合在肝细胞癌风险分层中具有转化应用潜力。研究同时指出,由于数据来源于公共数据库,缺乏前瞻性临床样本的验证,且回顾性设计本身存在固有偏倚,未来仍需开展前瞻性多中心研究以进一步确认模型的临床应用价值。此外,单细胞测序技术及空间转录组学在后续研究中的应用,将有助于在更高分辨率下解析亚型内部的细胞异质性和微环境空间结构。
研究结论部分翻译: 本研究通过整合多组学数据,系统解析了肝细胞癌的分子异质性,建立了具有预后判别价值的分子分型体系,揭示了不同亚型间免疫微环境的显著差异,并构建了经过独立验证的预后预测模型。该研究为肝细胞癌的精准风险分层和个体化治疗决策提供了新的分子依据,具有重要的基础研究价值和临床转化潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号