基于CNV负荷的骨肉瘤单细胞分型、恶性特征预后模型构建及OPN3关键靶点验证

《Biological Procedures Online》：The Malignant Feature-Based Prognostic Signature: A Machine Learning-Based Model Predicting Clinical Outcomes and Unveiling OPN3 as a Novel Therapeutic Target Candidate in Osteosarcoma

摘要

骨肉瘤是儿童和青少年中最常见的原发性恶性骨肿瘤，以高度侵袭性、早期转移和频繁复发为特征，这些特征在很大程度上由基因组拷贝数变异（CNVs）驱动。然而，现有的基于bulk RNA测序的预后模型受限于肿瘤内异质性，无法反映恶性细胞固有的特性。基于单细胞转录组数据，我们根据CNV负荷将成骨细胞分为高恶性度和低恶性度亚群，并鉴定了与恶性特征相关的基因（MFGs）。我们采用整合机器学习算法构建了基于恶性特征的预后签名（MFPS）预后模型，并在独立队列中进行了验证。随后，我们分析了MFPS相关的免疫微环境、药物敏感性和生物机制，并筛选了关键基因。最后，我们在骨肉瘤细胞系中进行了敲低实验，评估了增殖、细胞周期、迁移、侵袭以及转录组变化。高级恶性成骨细胞（HG-MOB）亚群表现出高CNV负荷、增强的增殖和细胞间通讯以及低分化。由11个MFGs构成的MFPS模型在多个队列中表现稳健，优于大多数已报道的模型。高MFPS患者的总生存期更短，转移和复发风险更高。高MFPS组表现出免疫抑制微环境，包括CD8? T细胞和NK细胞减少、M2巨噬细胞富集、免疫调节分子下调以及mTORC1、缺氧和糖酵解通路的激活。在MFGs中，OPN3被优先筛选。OPN3敲低适度降低增殖，但显著阻滞G?/S期转换并抑制迁移和侵袭。RNA测序揭示了PI3K-Akt、TNF和细胞因子-细胞因子受体通路的扰动，以及与血管生成和缺氧相关的基因集下调。本研究鉴定了由CNV定义的HG-MOB亚群，并建立了MFPS作为反映肿瘤侵袭性和免疫异质性的有价值预后工具。OPN3被验证为骨肉瘤恶性程度的关键驱动因素，可能通过PI3K-Akt轴及下游血管生成和代谢通路发挥作用，是一个新型候选治疗靶点。