基于自噬相关基因构建肺腺癌预后风险模型及其免疫微环境特征的整合分析

《Sensors》:TCCA: An Inter-Layer Spatiotemporal Cross-Attention Network for IIoT Attack Traffic Detection

【字体: 大 中 小 】 时间:2026年10月23日 来源:Sensors 4.0

编辑推荐:

  肺腺癌(lung adenocarcinoma, LUAD)是全球癌症相关死亡的主要原因之一,其预后异质性显著,亟需可靠的分子分层工具。自噬(autophagy)在肿瘤发生与进展中具有双重作用,但其在LUAD中的临床意义尚不完全明确。本研究基于癌症基因组图谱(

  
肺腺癌(lung adenocarcinoma, LUAD)是全球癌症相关死亡的主要原因之一,其预后异质性显著,亟需可靠的分子分层工具。自噬(autophagy)在肿瘤发生与进展中具有双重作用,但其在LUAD中的临床意义尚不完全明确。本研究基于癌症基因组图谱(The Cancer Genome Atlas, TCGA)数据库中的LUAD转录组数据及相应临床信息,系统评估了自噬相关基因(autophagy-related genes, ARGs)的表达谱。研究人员通过单因素Cox回归分析筛选预后相关的ARGs,并进一步采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)Cox回归构建预后风险模型。该模型在训练队列中表现出良好的预测效能,并在独立验证队列中得以确认。基于风险评分,研究人员将患者划分为高风险组与低风险组,两组的总体生存期(overall survival, OS)存在显著差异。此外,研究人员利用基因集富集分析(gene set enrichment analysis, GSEA)揭示了两组间差异富集的信号通路,并采用ESTIMATE及CIBERSORT算法评估肿瘤微环境(tumor microenvironment, TME)中免疫细胞浸润及基质成分的差异。研究发现,高风险组呈现免疫抑制性微环境特征,且风险评分与多种免疫检查点分子的表达水平相关。最后,研究人员构建了包含风险评分及临床病理特征的列线图(nomogram),以提升对LUAD患者个体化预后的预测能力。综上所述,该研究确立了一个基于ARGs的预后预测模型,该模型不仅能够有效分层LUAD患者的生存风险,还揭示了自噬与肿瘤免疫微环境之间的潜在联系,为LUAD的预后评估及治疗策略优化提供了新的生物标志物与理论依据。
研究背景与科学问题
肺腺癌(lung adenocarcinoma, LUAD)作为非小细胞肺癌(non-small cell lung cancer, NSCLC)最常见的组织学亚型,其发病率与死亡率长期居于恶性肿瘤前列。尽管手术、放化疗、靶向治疗及免疫治疗等策略不断进步,LUAD患者的总体预后仍不理想,不同个体间的生存结局差异显著。这种临床异质性提示,当前基于TNM分期等传统病理指标的预后分层体系存在局限性,亟需引入分子层面的生物标志物以实现更精准的风险评估与个体化治疗决策。
自噬(autophagy)是一种高度保守的细胞内降解过程,通过溶酶体途径清除受损细胞器与错误折叠蛋白,在维持细胞稳态中发挥核心作用。在肿瘤生物学中,自噬的作用具有高度情境依赖性:在肿瘤发生早期,自噬可抑制恶性转化;而在已确立的肿瘤中,自噬常被肿瘤细胞利用以应对代谢应激、缺氧及治疗压力,从而促进肿瘤存活与耐药。这种双重角色使得自噬相关基因(autophagy-related genes, ARGs)在肿瘤中的表达谱及临床意义成为研究热点。然而,针对LUAD,系统性的ARGs预后价值评估及与肿瘤免疫微环境(tumor microenvironment, TME)关联的整合分析仍相对缺乏。
研究内容与核心发现
针对上述空白,研究人员利用癌症基因组图谱(The Cancer Genome Atlas, TCGA)数据库中的LUAD转录组数据及匹配的临床随访信息,系统筛选了在LUAD中具有预后价值的ARGs。通过单因素Cox回归分析识别候选基因,继而采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)Cox回归构建了多基因预后风险模型。该模型在训练队列中可有效区分高风险与低风险患者,两组间的总体生存期(overall survival, OS)呈现显著差异,并在独立验证队列中表现出稳健的预测效能。
进一步分析显示,高风险组患者富集于多种与肿瘤进展及免疫逃逸相关的生物学通路。利用ESTIMATE与CIBERSORT算法对TME进行解析后发现,高风险组的免疫细胞浸润模式呈现免疫抑制特征,且风险评分与多个免疫检查点分子的表达水平存在显著相关性。这些结果提示,自噬相关风险模型不仅是一个预后工具,还可能反映了肿瘤免疫状态的关键信息。
为提升模型的临床应用价值,研究人员整合了风险评分与临床病理特征,构建了列线图(nomogram)。该列线图能够为个体患者提供量化的生存概率预测,其校准曲线与决策曲线分析显示良好的准确性与临床净获益。
主要关键技术方法
研究基于TCGA-LUAD队列的转录组测序数据及临床信息开展。核心分析方法包括:单因素Cox回归用于初筛预后相关ARGs;LASSO Cox回归用于构建高维变量的精简预后模型;基因集富集分析(gene set enrichment analysis, GSEA)用于解析高低风险组间的通路差异;ESTIMATE算法用于评估肿瘤组织中基质细胞与免疫细胞的浸润丰度;CIBERSORT算法用于量化22种免疫细胞亚型的相对比例;列线图及校准曲线、决策曲线分析用于评估模型的临床实用性。
研究结果分述
预后相关自噬基因的筛选与风险模型构建:研究人员从ARGs集合中筛选出与LUAD患者OS显著相关的基因,并通过LASSO回归进一步压缩变量,最终确定一组核心ARGs构建风险评分公式。根据风险评分中位数将患者分层,Kaplan-Meier生存分析证实高风险组OS显著短于低风险组,多因素Cox回归分析表明该风险评分是独立预后因素。
风险模型的验证与独立性评估:在独立验证队列中,该模型的预后分层能力得到重复验证。同时,亚组分析显示该风险评分在不同临床分期、年龄及性别亚组中均保持稳定的预后区分度。
功能富集与通路差异分析:GSEA结果显示,高风险组中富集的通路主要包括细胞周期、DNA修复及多条致癌信号通路,而低风险组则富集于免疫相关通路,提示两组在肿瘤增殖活性与免疫应答状态上存在本质差异。
免疫微环境特征解析:ESTIMATE分析显示高风险组的免疫评分与基质评分较低,提示其TME中免疫浸润减少。CIBERSORT分析进一步揭示,高风险组中静息状态免疫细胞比例升高,而活化性免疫细胞如CD8+ T细胞等比例下降,呈现免疫抑制格局。此外,风险评分与PD-L1、CTLA-4等免疫检查点分子的表达呈显著相关,为联合免疫治疗策略提供了潜在依据。
列线图的构建与临床价值评估:整合风险评分、TNM分期及年龄等独立预后因素,研究人员构建了列线图模型。校准曲线显示预测的生存概率与实际观察值具有良好一致性,决策曲线分析表明该模型在临床决策阈值范围内具有正向净获益,优于单一临床分期系统。
讨论与结论
讨论部分指出,该研究建立的自噬相关预后模型弥补了传统分期系统在分子层面的不足,为LUAD患者的风险分层提供了新的工具。研究结果支持自噬在LUAD中主要发挥促肿瘤作用,且其相关基因表达特征与免疫抑制性微环境密切相关,这为探索自噬调控与免疫治疗联合方案提供了理论基础。研究人员同时承认研究的回顾性设计及单一数据库来源存在局限性,未来需通过前瞻性队列及功能实验进一步验证关键ARGs的生物学机制。
研究结论部分明确,该基于ARGs的风险模型能够有效预测LUAD患者的生存预后,并反映肿瘤免疫微环境的抑制状态。该模型有望作为临床决策的辅助工具,帮助识别高危患者并指导个体化治疗策略的制定。
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