《Cancer Medicine》：MLMP: A Methylation-Associated lncRNA-mRNA Prognostic Signature for Endometrial Carcinoma
编辑推荐：
背景：子宫内膜癌（endometrial carcinoma，EC）是最常见的妇科恶性肿瘤之一。异常DNA甲基化（DNA methylation，DNAm）是参与癌症进展的重要表观遗传学改变。长链非编码RNA（long non-coding RNAs，LncR
背景：子宫内膜癌（endometrial carcinoma，EC）是最常见的妇科恶性肿瘤之一。异常DNA甲基化（DNA methylation，DNAm）是参与癌症进展的重要表观遗传学改变。长链非编码RNA（long non-coding RNAs，LncRNAs）在基因调控和病理过程中发挥关键作用。然而，与甲基化相关的lncRNA-mRNA配对在生物学及预后方面的意义仍不清楚。
方法：研究人员整合了来自癌症基因组图谱（The Cancer Genome Atlas，TCGA）的转录组、DNA甲基化及临床数据，构建了差异甲基化位点（differentially methylated sites，DMSs）-lncRNA-mRNA网络。将DMSs映射至其对应的差异甲基化基因（differentially methylated genes，DMGs）后，DMS介导的网络进一步被表示为DMG-lncRNA-mRNA三方网络。去除DMG节点后，构建了DMG相关的lncRNA-mRNA背景网络，并依据加权最短路径计算和基于PageRank的随机游走算法，根据拓扑重要性对关键lncRNA-mRNA配对进行优先排序。随后基于单变量Cox、LASSO Cox和多变量Cox回归分析建立甲基化相关lncRNA-mRNA配对（MLMP）模型。
结果：研究人员筛选出8个DMG相关的lncRNA-mRNA配对以构建MLMP模型。在统一分析框架下，MLMP模型在总生存期预测方面取得了高于17个已发表预后特征的曲线下面积（area under the curve，AUC）值。低MLMP组患者的总生存期显著优于高MLMP组患者。功能富集和免疫微环境分析表明，MLMP模型与免疫相关通路及独特的肿瘤免疫微环境特征相关。预测分析提示，低MLMP组患者对CTLA-4/PD-1阻断具有更高的预测应答率，并对多种治疗药物表现出差异性的预测敏感性。
结论：MLMP模型可能作为EC预后分层的一种潜在工具，并为甲基化相关的lncRNA-mRNA相互作用提供见解。与免疫治疗应答及药物敏感性相关的预测结果可能为未来治疗相关研究提供假说。在临床应用之前，这些发现仍需在独立临床队列和实验研究中进一步验证。
论文解读
一、研究背景与问题
子宫内膜癌（endometrial carcinoma，EC）是最常见的妇科恶性肿瘤之一，近年来发病率持续上升且呈现年轻化趋势。据估计，2022年中国EC新发病例约77,700例，死亡约13,500例。根据NCCN指南（2024.v1），手术、放疗、化疗、免疫治疗和激素治疗是EC的主要治疗手段，分子分型已成为EC初始评估的重要组成部分，用于指导治疗策略和预测预后。然而，由于EC的高度异质性，临床治疗仍面临巨大挑战，多模式治疗也给患者带来沉重的经济负担。因此，迫切需要探索新的预后模型以实现EC患者的风险分层和个体化治疗选择。
DNA甲基化（DNAm）是一种重要的表观遗传调控方式，异常的DNA甲基化是促进肿瘤发生和进展的主要因素之一。DNA甲基化可通过启动子甲基化直接调控长链非编码RNA（lncRNAs）的表达，而lncRNAs在癌症发展中发挥重要作用，可影响癌细胞的分化、增殖、侵袭和转移，并参与代谢重编程和肿瘤免疫微环境（TIME）重塑。然而，甲基化相关的lncRNA-mRNA相互作用在EC中的临床意义仍 largely 未被探索，预测免疫治疗和系统治疗应答的可靠生物标志物仍然有限。既往EC预后研究主要独立关注基因表达特征或DNAm生物标志物，而将DNAm模式与lncRNA-mRNA关系整合的研究仍 largely 空白。
二、研究内容与主要结论
研究人员开发并验证了甲基化相关lncRNA-mRNA配对（MLMP）模型，用于EC的预后分层。该模型基于与差异甲基化基因（DMGs）相关的lncRNA-mRNA配对构建，这些配对通过共享的差异甲基化CpG位点（DMSs）识别。根据MLMP风险评分中位数将患者分为低MLMP和高MLMP组，低MLMP组患者表现出更好的生存结局。此外，低MLMP组表现出更高的免疫治疗预测应答率和差异性的药物敏感性。研究结果表明，MLMP模型可能作为EC预后分层的潜在工具，并为未来EC治疗研究提供假说生成见解。
三、关键技术方法
研究人员整合了来自UCSC Xena数据库的DNA甲基化数据（46例正常组织和436例EC组织样本，Illumina Human Methylation 450K芯片）和来自TCGA的转录组表达及临床数据（35例正常组织和554例EC组织样本），使用ChAMP和minfi包独立鉴定DMSs（|Δβ|>0.2，FDR<0.05），利用edgeR包鉴定差异表达mRNAs和lncRNAs（FDR<0.05，|log2FC|>1）。通过Pearson相关分析构建DMS-lncRNA-mRNA关联网络，映射至DMGs后去除DMG节点构建DMG相关lncRNA-mRNA背景网络。采用加权最短路径计算和基于PageRank的随机游走算法对lncRNA-mRNA配对进行拓扑重要性排序，保留前30%关键节点。TCGA队列（425例EC患者）按2:1随机分为训练队列（n=283）和测试队列（n=142），在训练队列中依次进行单变量Cox、LASSO Cox和多变量Cox回归分析筛选预后配对并构建MLMP模型。模型性能通过Kaplan-Meier生存曲线、时间依赖性ROC曲线和C-index评估，并与17个已发表预后特征在统一分析框架下进行比较。此外还进行了独立预后分析、列线图构建、GO/KEGG/GSEA富集分析、ESTIMATE和ssGSEA免疫微环境分析、TMB分析以及基于oncoPredict的药物敏感性预测。
四、研究结果
4.1 DMG相关lncRNA-mRNA背景网络的构建：通过整合TCGA RNA-seq表达数据和UCSC Xena DNAm数据，研究人员鉴定出16,389个DMSs、5,785个DEmRNAs和2,539个DElncRNAs。相关分析鉴定出394,177个mRNA-DMS配对、100,729个lncRNA-DMS配对和100,972个lncRNA-mRNA共表达配对。整合共享DMS关联后生成2,449,347个DMS-lncRNA-mRNA三联体，最终构建了包含56,670个DMG相关lncRNA-mRNA配对的背景网络。
4.2 网络拓扑优先排序与特征构建：通过加权最短路径计算和PageRank随机游走分析，研究人员保留了前30%的关键lncRNA和mRNA节点，最终获得226个DMG相关lncRNAs、990个DMG相关mRNAs和16,111个DMG相关lncRNA-mRNA配对。将表达值乘以对应PageRank分数后求和，生成配对水平表达特征矩阵用于后续预后模型构建。
4.3 MLMP模型的构建与验证：单变量Cox回归鉴定出808个预后相关的DMG相关lncRNA-mRNA配对，经LASSO Cox和多变量Cox回归后最终筛选出8个配对构建MLMP模型，包括LINC02266-MYOM2、AC092162.2-GPRASP2、AC092162.2-DDR2、NECTIN4_AS1-ZDBF2、AL161457.2-ZNF564、AC005062.1-RERG、NECTIN4_AS1-ZEB2和CYP1B1_AS1-OSR2。训练队列中1年、3年和5年AUC分别为0.815、0.850和0.915。测试队列中C-index为0.657，1年、3年和5年AUC分别为0.679、0.730和0.728。在统一分析框架下，MLMP模型的AUC值高于全部17个已发表预后特征。
4.4 MLMP模型的临床适用性：单变量Cox分析显示MLMP风险评分与总生存期显著相关（HR=11.243，95% CI: 3.345–37.793，p<0.001），多变量Cox分析中仍保持独立预后价值（HR=7.241，95% CI: 1.894–27.679，p=0.004）。构建的列线图校准曲线显示预测与观测生存概率具有良好一致性。TCGA分子亚型分布在高、低MLMP组间存在显著差异（p<0.001），且在CN-HIGH、CN-LOW和MSI亚型中MLMP模型均保留预后价值。
4.5 MLMP模型相关的潜在生物学通路：差异表达分析鉴定出1,207个DEGs。GO富集分析显示DEGs主要富集于免疫相关生物学过程，包括适应性免疫应答和B细胞介导免疫。KEGG富集分析鉴定出T细胞受体信号通路等免疫相关通路。GSEA显示高MLMP组富集于细胞周期、错配修复和DNA复制通路，而低MLMP组富集于T细胞受体信号通路及PD-L1表达和PD-1检查点通路等免疫相关通路。
4.6 MLMP模型与肿瘤微环境的关联：ESTIMATE分析显示低MLMP组具有更低的肿瘤纯度但更高的免疫评分、基质评分和ESTIMATE评分。ssGSEA显示低MLMP组B细胞、CD8+ T细胞、TILs、Th1细胞等免疫细胞浸润水平更高，且多数免疫相关功能富集分数显著更高。免疫检查点基因表达比较显示CTLA4、PDCD1、TIGIT和CD27在低MLMP组中高表达，而BTNL9、VTCN1、PVR和CD47在高MLMP组中高表达。CIBERSORT分析进一步确认低MLMP组CD8+ T细胞、Tregs和静息树突状细胞浸润增加，而高MLMP组M0巨噬细胞和活化树突状细胞富集。
4.7 MLMP模型在免疫治疗应答和药物敏感性预测中的应用：低MLMP组具有更高的TMB，高MLMP+L-TMB组患者总生存期最差。低MLMP组在CTLA-4阻断和PD-1阻断条件下均表现出显著更高的IPS分数，提示该组患者可能具有更高的免疫检查点抑制剂获益预测概率。药物敏感性分析显示Sepantronium bromide和Acetalax在高MLMP组中预测IC50值更低，而Cisplatin、Olaparib、Ribociclib、Niraparib、Oxaliplatin、Temozolomide、Gemcitabine和Tamoxifen在低MLMP组中预测IC50值更低。
五、讨论与结论
讨论部分指出，本研究通过整合DNA甲基化和转录组谱建立了基于DMG相关lncRNA-mRNA配对的EC预后模型，网络拓扑分析优先排序了具有生物学意义的lncRNA-mRNA配对。与既往仅关注基因表达特征或DNAm生物标志物的研究相比，整合DNAm模式与lncRNA-mRNA关系可能更好地捕获生物学相关的分子特征。模型中多个mRNA（如RERG、OSR2、DDR2、ZDBF2、ZEB2）已在癌症发展中有所报道，但多数lncRNAs在EC中的功能仍 largely 未知，应被视为候选预后特征而非已确认的功能调控因子。研究存在以下局限性：初始分子网络使用全数据集构建可能引入信息泄漏；重采样分析使用预定义风险评分可能导致性能估计偏乐观；免疫治疗和药物应答预测基于计算算法而非实际临床结局；鉴定配对的生物学功能需实验验证。未来需进行完全嵌套的特征选择和独立外部队列验证，以及前瞻性多中心研究和实验研究。
研究结论：研究人员开发了一种新型的DMG相关lncRNA-mRNA配对EC预后模型。MLMP模型显示出预后分层的潜力，并可能有助于识别与免疫治疗和治疗药物预测应答相关的分子特征。然而，其预测治疗应答的能力在临床应用前需在独立临床队列和实验研究中进一步验证。总体而言，该研究为将DNAm与lncRNA-mRNA配对整合到预后建模中提供了框架，并支持未来研究验证MLMP模型在EC中的临床实用性。
