整合转录组与调控网络分析揭示透明细胞肾细胞癌中具有预后意义的分子亚型

《Cancers》：Integrated Transcriptomic and Regulatory Network Analysis Reveals Distinct Molecular Subtypes with Prognostic Significance in Clear Cell Renal Cell Carcinoma

　　

背景：透明细胞肾细胞癌（clear cell renal cell carcinoma, ccRCC）表现出分子异质性，这给预后判断和治疗选择带来了困难。将上游通路活性和转录因子（transcription factor, TF）调控网络与基因表达进行整合以定义分子亚型的研究仍不充分。方法：研究人员整合了来自癌症基因组图谱（The Cancer Genome Atlas, TCGA）的483例原发性ccRCC肿瘤的转录组学和调控数据，包括基于PARADIGM算法的通路活性Z评分、基于RABIT算法的TF活性评分以及标准化mRNA表达数据。通过共识聚类识别分子亚型，利用MSigDB Hallmark基因集进行基因集富集分析（Gene Set Enrichment Analysis, GSEA）、差异通路和表达分析以及多变量Cox回归（校正年龄、性别和分期）。外部验证采用生存引导的随机森林分类器。结果：共识聚类识别出两个分子亚型（K = 2，稳定性 = 0.957）。簇0（增殖代谢型）（n = 154，31.9%）富集于E2F靶点（归一化富集分数[Normalized Enrichment Score, NES] = 2.140，错误发现率[False Discovery Rate, FDR] < 0.001）、G2-M检查点（NES = 1.548）和胆固醇稳态（NES = 1.645），其中SREBF1为主导性TF驱动因子（t = 11.53）。簇1（血管生成免疫型）（n = 329，68.1%）富集于血管生成（NES = -1.816，FDR < 0.001）、炎症反应（NES = -1.623）和上皮间充质转化（epithelial-mesenchymal transition, EMT）（NES = -1.767），由IKZF1（t = -13.15）、SPI1（t = -13.12）和FOS（t = -12.80）调控。差异表达分析鉴定出880个显著差异基因（FDR < 0.05，|Log2FC| > 1）。多变量Cox回归证实亚型分配是一个独立的预后因素（风险比[Hazard Ratio, HR] = 0.70，95%置信区间[Confidence Interval, CI] 0.51–0.96，p = 0.026），簇1与更好的总生存期相关。外部验证再现了显著的生存分层（Log-Rank p = 1.66 × 10-2）。结论：通过将调控网络与基因表达数据整合，定义了两种生物学上不同的ccRCC亚型：预后较差的增殖代谢型和生存较好的血管生成免疫型。这为基于分子分层的预后判断和治疗决策提供了一个网络指导下的转录组框架。

研究背景与科学问题

透明细胞肾细胞癌（clear cell renal cell carcinoma, ccRCC）是最常见的肾癌亚型，约占所有肾细胞癌病例的70%至80%，对全球癌症负担贡献巨大。尽管近年来治疗手段取得了进展，包括血管内皮生长因子受体酪氨酸激酶抑制剂（VEGFR tyrosine kinase inhibitor, VEGFR-TKI）和免疫检查点抑制剂（immune checkpoint inhibitor, ICI）的应用，但患者预后仍然高度可变，转移性疾病患者的五年生存率仅为12%至15%。ccRCC的特征在于Von Hippel-Lindau肿瘤抑制基因（VHL）的功能缺失突变或启动子高甲基化，导致缺氧诱导因子（hypoxia-inducible factor, HIF）稳定化、假性缺氧通路激活、广泛的代谢重编程以及HIF依赖性血管内皮生长因子介导的高度血管化。这些分子特征既促进了肿瘤进展，也被用于癌症特异性药物递送，但同时也导致了临床常用药物的耐药性。

虽然大规模基因组项目如癌症基因组图谱（The Cancer Genome Atlas, TCGA）已对肿瘤间异质性进行了广泛剖析，但传统的组织病理学分级方案未能反映肿瘤侵袭性和治疗反应的分子基础。基于转录组数据的分类已揭示了ccRCC的几个临床重要亚型，即ccA（血管生成/HIF驱动型）和ccB（增殖/细胞周期富集型），具有不同的预后。然而，尽管已有许多研究描述了ccRCC亚型，但只有少数研究采用了网络整合的转录组分析方法，并着重关注通路水平调控和转录因子（transcription factor, TF）活性。转录因子和通路失调是癌症生物学的关键方面，理解它们可以提供额外见解并更好地预测患者预后。因此，本研究旨在通过整合正常化mRNA表达数据与推断的通路活性和转录因子网络，填补这一空白，建立具有增强机制分辨率和预后效力的分子亚型。

研究方法与技术路线

研究人员从TCGA数据库获取了483例原发性ccRCC肿瘤的转录组和调控数据，具体包括PARADIGM算法推断的通路活性Z评分、RABIT算法推断的TF活性评分、正常化mRNA基因表达谱以及临床生存信息。通过共识聚类（Consensus Clustering）结合K均值算法识别稳健的分子亚型，并利用共识累积分布函数图和轮廓系数确定最佳簇数。采用基因集富集分析（Gene Set Enrichment Analysis, GSEA）评估各亚型的功能富集情况，通过Welch t检验进行差异通路、TF活性和全基因组表达分析，并使用Benjamini-Hochberg方法进行多重假设检验校正。生存分析采用Kaplan-Meier曲线和对数秩检验，多变量Cox比例风险回归模型校正年龄、性别和肿瘤分期。外部验证使用CheckMate 010和CheckMate 025研究的225例ccRCC患者队列，通过递归特征消除（Recursive Feature Elimination, RFE）筛选最关键的转录组标志物，并采用生存引导的随机森林（Random Forest）分类器进行模型训练和验证。

研究结果

内在亚型的识别

通过对483例患者的多平台整合数据进行共识聚类，确定了两个分子亚型（K = 2，稳定性指数0.957）。亚型0包含154例样本（31.9%），亚型1包含329例样本（68.1%）。无监督MeanShift算法独立确认了两个主要簇的存在，主成分分析也显示了两个表型之间的几何分离。

亚型的通路特征

GSEA分析显示，亚型0显著富集于细胞周期进程和代谢活性相关通路，包括E2F靶点（NES = 2.140, FDR < 0.001）、G2-M检查点（NES = 1.548, FDR = 0.016）和胆固醇稳态（NES = 1.645, FDR = 0.024）。亚型1则富集于基质、血管生成和免疫过程相关通路，包括血管生成（NES = -1.816, FDR < 0.001）、上皮间充质转化（NES = -1.767, FDR = 0.003）、炎症反应（NES = -1.623, FDR = 0.010）等。

特定通路活性的亚型特征

基于PARADIGM Z评分差异分析，亚型0显示呼吸电子传递（t = 22.32, p = 6.26 × 10^-63）和早期延伸复合体形成（t = 22.41, p = 2.59 × 10^-61）通路的显著增强。亚型1中显著上调的通路为Notch信号传导（t = -18.89, p = 7.18 × 10^-52）和Notch受体蛋白水解切割（t = -19.06, p = 2.42 × 10^-49）。

转录因子网络的亚型特征

RABIT分析推断出各亚型的核心转录因子。亚型0中活性显著增加的TF包括SREBF1（SREBP1; t = 11.53, p = 3.73 × 10^-26）、SP1（t = 9.25, p = 5.32 × 10^-18）、SMC3、PHF8和ZEB1，分别调控脂质代谢、HIF靶基因激活、染色质形成和上皮可塑性。亚型1中活化的TF包括IKZF1（Ikaros; t = -13.15, p = 1.81 × 10^-30）、SPI1（PU.1; t = -13.12, p = 1.09 × 10^-30）、FOS（t = -12.80, p = 2.30 × 10^-30）、TBP和STAT1，涉及淋巴样发育、髓系特化、炎症反应和干扰素应答。

差异表达与转录组特征

全基因组差异表达分析鉴定出880个差异表达基因（FDR < 0.05, |Log₂FC| > 1.0）。其中794个基因在亚型1中上调，如ITGA8（Log₂FC = 2.81）、SLC6A3（Log₂FC = 2.43）和ZNF366（Log₂FC = 2.30）；86个基因在亚型0中上调，包括线粒体呼吸链亚基编码基因COX6A1、TLCD1、UQCRQ、NDUFS8和MRPL41。

分子亚型的生存预后

Kaplan-Meier分析显示，亚型0（增殖代谢型）和亚型1（血管生成免疫型）之间存在显著的总生存期差异（对数秩p = 3.75 × 10^-4）。在晚期患者（III/IV期）中，这种生存差异依然显著（对数秩p = 3.24 × 10^-4）。多变量Cox回归分析表明，分子亚型是总生存期的独立预测因子（HR = 0.70, 95% CI: 0.51–0.96, p = 0.026），亚型1患者死亡风险更低。

外部验证与临床关联

基于30个基因特征的随机森林分类器在内部交叉验证中表现优异（准确率0.934, AUROC 0.984）。应用于CheckMate外部验证队列时，预测的亚型1患者显示出显著更优的总生存期（对数秩p = 0.017）。免疫浸润评估显示，亚型1患者肿瘤中心CD8⁺细胞较少（p = 0.039），而肿瘤边缘与中心比值更高（p = 0.022），表明其具有边缘富集的免疫表型。客观缓解率、免疫表型、极端应答者状态和总体临床获益在两组间未见统计学显著差异。

讨论与结论

本研究表明，整合PARADIGM通路活性、RABIT TF活性和mRNA表达的共识聚类方法成功将ccRCC分为两个具有明确预后和机制差异的亚型，与经典的ccA/ccB二分法一致。增殖代谢型（簇0）约占32%，表现为侵袭性强的ccB型模式，由E2F驱动的细胞周期激活和SREBF1介导的脂质代谢重编程所主导，线粒体生物能量潜力增加，总生存期较差，可能对VEGFR-TKI单药治疗具有内在耐药性，因此应考虑针对细胞周期调控（如CDK4/6抑制剂）或脂质代谢（如SREBF1靶向）的替代治疗方案。血管生成免疫型（簇1）约占68%，对应ccA型肿瘤，以经典HIF驱动的Notch依赖性血管生成和由IKZF1、SPI1维持的丰富免疫微环境为特征，生存获益显著（HR = 0.70），且外部验证显示CD8⁺ T细胞沿侵袭边缘富集，提示该亚型是一线TKI基础疗法或TKI与ICI联合治疗的理想候选对象。

研究结论：通过整合mRNA表达、PARADIGM通路活性和RABIT TF活性，对483例TCGA-KIRC ccRCC样本进行分类，发现了两个具有明确预后和机制差异的亚型。增殖代谢簇（簇0，约32%）反映了侵袭性ccB型模式，以E2F驱动的细胞周期激活和SREBF1介导的脂质代谢重编程为特征，线粒体生物能量潜力增加，总生存期较差，可能对VEGFR-TKI单药治疗具有内在耐药性，因此针对细胞周期调控或脂质代谢的替代治疗方法可能使簇0患者受益。血管生成免疫簇（簇1，约68%）对应ccA型肿瘤，以经典HIF驱动的Notch依赖性血管生成和由IKZF1和SPI1维持的丰富免疫微环境为特征，该组显示出显著生存获益（HR = 0.70）并在外部验证中证实了沿侵袭边缘的CD8⁺ T细胞富集，表明簇1是一线TKI基础疗法或TKI与ICI联合治疗的理想候选对象。生存引导的随机森林分类算法在独立数据集中验证了这些簇的生物学一致性和临床相关性。鉴于整合了更高层次的生物学过程，该方法超越了标准转录组学，为ccRCC的分子异质性和精准医学提供了可操作的生物学见解。