单细胞转录组学和机器学习揭示了与HPV阳性宫颈癌中的液-液相分离相关的生物标志物

《Infectious Agents and Cancer》：Single-cell transcriptomics and machine learning unveil liquid-liquid phase separation-related biomarkers in HPV-positive cervical cancer

　　

摘要

背景

液-液相分离（LLPS）的失调是肿瘤发生的关键驱动因素，但其在HPV阳性宫颈癌中的具体作用仍不明确。我们假设HPV阳性肿瘤利用不同的LLPS机制来逃避核仁应激监测，这为生物标志物的发现提供了新的途径。

方法

我们分析了70,519个单细胞转录组，涵盖了四种组织学状态（正常/癌变，HPV阳性/阴性），以研究120个与LLPS相关的基因。我们的分析框架结合了多层次差异表达建模和随机森林分类，以识别转化特异性的特征。

结果

分析显示，在HPV阳性癌症中，核糖体蛋白RPL5和RPL11受到显著抑制（log?FC ≈ ?3.4）。机器学习验证确认这些基因是最佳预测因子（变量重要性：RPL5 81.4%，RPL11 76.9%）。该集成模型的分类准确率为69.7%，预测HPV阳性恶性肿瘤的后验概率为78.4%。

结论

本研究发现了HPV特异性抑制LLPS调节因子RPL5和RPL11的现象，从机制上将病毒致癌性与核糖体应激途径的逃避联系起来。通过整合单细胞转录组学和机器学习，我们提出了一种新的、转化特异性的生物标志物组合，能够区分HPV阳性恶性肿瘤与正常感染和非病毒性癌症，为诊断精确性和治疗干预提供了新的靶点。