多组学与机器学习驱动的血小板相关预后模型构建及其在多发性骨髓瘤风险分层中的应用

《Annals of Hematology》：A Multi-Omics and machine learning platelet-related prognostic signature in multiple myeloma

为解决多发性骨髓瘤(MM)中血小板功能异常与疾病预后关系不清的临床问题，研究人员整合了单细胞测序、多中心队列数据与机器学习算法，首次系统构建并验证了一个包含13个基因的血小板相关预后特征(PRGs)。该研究不仅揭示了功能失调的血小板可促进肿瘤细胞增殖并抑制凋亡的机制，其建立的模型在独立队列中展现出优异的生存预测能力，为MM患者的精准风险分层提供了新工具，并揭示了血小板活性与肿瘤微环境交互的新见解。

　　

多发性骨髓瘤（Multiple Myeloma, MM）是骨髓浆细胞恶性增殖导致的血液系统肿瘤。它有一个令人担忧的临床特征：患者常常处于一种“高凝状态”，这意味着他们体内的血液更容易形成血栓，而这与不良的预后密切相关。长期以来，我们都知道血小板是血栓形成的关键“执行者”，但它在MM这个特定的肿瘤内部，除了促成凝血，还在扮演什么角色？是简单的“旁观者”，还是推动疾病进展的“帮凶”？更重要的是，我们能否从血小板身上找到一些线索，来更精准地预测患者的生存结局？尽管血小板在多种实体肿瘤的发生、血管生成和转移中已被证明是“活跃分子”，但在MM这个起源于骨髓的血液肿瘤中，其具体作用及作为预后标志物的潜力，仍然是一个未被充分探索的领域。

为了回答这些问题，一项题为“A Multi-Omics and machine learning platelet-related prognostic signature in multiple myeloma”的研究在《Annals of Hematology》上发表。该研究巧妙地结合了实验室功能实验和大规模生物信息学分析，系统揭示了功能失调的血小板如何促进MM进展，并成功开发了一套基于血小板相关基因的精准预后评估工具。

研究团队综合运用了单细胞RNA测序(scRNA-seq)分析骨髓微环境、多中心批量转录组学数据整合、流式细胞术与酶联免疫吸附试验(ELISA)检测血小板活化状态、肿瘤细胞-血小板共培养功能实验，以及基于116种算法组合的机器学习建模与验证等关键技术方法。研究样本整合了来自TCGA-MMRF-COMPASS、GEO（GSE124310、GSE6477、GSE4581、GSE24080、GSE136337）等公共数据库的多个队列数据，并纳入了来自山东大学齐鲁医院的新诊断MM患者、完全缓解患者及健康捐献者的外周血和骨髓样本。

Identification of dysfunctional erythroid-megakaryocyte components in multiple myeloma by scRNA-Seq

通过对骨髓单细胞图谱的分析，研究人员发现，在MM患者中，红细胞-巨核细胞谱系出现了异常的转录组特征。与健康对照相比，从MM患者中分离出的该谱系细胞存在大量差异表达基因，功能富集分析表明这些基因与免疫激活、抗原呈递以及细胞间通讯和粘附等过程密切相关，提示了骨髓微环境中巨核细胞及其衍生物（血小板）的潜在功能异常。

Activated platelet promotes myeloma cell proliferation

为了验证功能异常，研究人员首先在临床样本中证实了血小板确实处于过度激活状态。流式细胞术显示，活动期MM患者外周血血小板表面的激活标志物CD62P（又称P-选择素）表达显著升高，且其血浆和骨髓液中的可溶性P-选择素(sP-selectin)水平也明显上调。为了探究这种过度激活的血小板对肿瘤细胞的影响，研究人员建立了血小板与MM细胞系（RPMI8226和MM.1_S）的共培养模型。结果发现，与血小板共培养显著促进了MM细胞的增殖，并抑制了细胞凋亡。进一步的机制探索显示，血小板可能通过上调抗凋亡蛋白BCL-2的表达，从而打破BCL-2/BAX的平衡，帮助肿瘤细胞抵抗死亡。

Development and external validation Platelet-Associated risk signature

基于功能实验的发现，研究团队决定从基因组学层面寻找可用于临床的风险标志。他们从GSEA数据库收集了480个血小板相关基因(PRGs)，并在MM患者数据中筛选出115个差异表达的PRGs。随后，研究团队利用机器学习的力量，在116种算法组合中进行系统性筛选，最终发现“前向逐步Cox回归(StepCox [forward])结合Ridge回归”模型具有最佳的预测性能。该模型从115个基因中筛选出13个关键基因（包括KIF22, PCYOX1L, PFN1, MAFF, KIF21B, RAPGEF4, FLNA, HBD, ORM1, DGKE, KIF3B, QSQX1, PHF21A），构建了一个血小板相关预后特征。该风险评分模型能够将MM患者有效划分为高危和低危组。在训练集（TCGA）和三个独立的外部验证集（GSE24080, GSE4581, GSE136337）中，高危组患者的总生存期均显著短于低危组。该模型在预测1年、3年和5年生存率时，也展现出稳定且良好的区分能力（ROC曲线下面积AUC值在多个队列中表现稳健）。通过与已发表的其他预后特征（如Yu¹⁸、Huang¹⁹、Wang²⁰等人的模型）进行比较，本研究构建的血小板相关风险特征显示出具有竞争力的、甚至更显著的生存差异区分能力。此外，分析还发现高危组患者的肿瘤免疫微环境具有独特特征，如髓系来源的抑制性细胞(MDSC)和2型辅助T细胞(Th2)浸润更显著，且血小板活化、生长因子信号等通路活性上调。

Construction and validation of the combined nomogram

为了提升模型的临床实用性，研究人员将新建立的血小板相关风险评分与临床常规指标（性别、年龄、国际分期系统[ISS]分期）相结合，构建了一个动态的列线图(Nomogram)。多因素Cox回归分析证实，血小板相关风险评分是MM患者总生存的独立预后因素。决策曲线分析(DCA)表明，整合了风险评分的列线图模型，在预测1年、2年和3年生存率时，能为临床决策带来更高的净获益，其预测准确性显著优于仅使用ISS分期等传统指标。

总而言之，这项研究通过整合实验与计算，系统阐明了血小板在多发性骨髓瘤中的促肿瘤作用。研究不仅证实了功能失调的血小板通过促进增殖和抑制凋亡直接驱动肿瘤进展，更重要的是，基于大规模数据分析和机器学习，成功构建并验证了一个由13个基因组成的血小板相关预后特征。这个特征能够有效地区分高危及低危的MM患者，并与独特的肿瘤免疫微环境相关联。最终，结合临床指标形成的列线图为个体化预后评估提供了实用的工具。这项工作的意义在于，它将血小板的生物学功能与疾病的临床预后直接联系起来，为理解MM的发病机制开辟了新视角，同时也为开发新的风险分层策略和潜在的靶向血小板-肿瘤相互作用治疗途径提供了理论基础和数据支持。尽管研究存在回顾性数据分析和部分机制细节有待深入等局限性，但它无疑为多发性骨髓瘤的精准医疗贡献了一个新颖且强有力的分子工具。