基于cfRNA分子特征的卵巢癌诊断与化疗耐药预测模型

《Advanced Science》：Ovarian Cancer Diagnosis and Chemoresistance Prediction Model Based on cfRNA Molecular Signature

　　

背景：卵巢癌（OVCA）是一种常见且高度侵袭性的妇科恶性肿瘤，通常仅在晚期被诊断。约30%的患者出现铂类耐药，导致疾病复发和进展。目前，尚无基于血浆细胞游离RNA（cfRNA）谱的诊断或化疗耐药预测模型。方法：研究人员招募了304名参与者，并进行了血浆cfRNA测序。经过质量控制，将172名OVCA患者和70名健康对照分配到训练集，44名OVCA患者和18名对照分配到测试集。开发了一种基于DenseNet的深度学习模型来分析cfRNA特征。结果：该模型区分OVCA患者与健康对照的AUC在训练集中为0.9997，在测试集中为0.9747（95% CI: 0.9437–0.9963）。对于化疗耐药预测，其AUC分别为0.9442和0.8421（95% CI: 0.7504–0.9147）。研究人员提出的模型在两个任务中均优于对比模型，尽管在化疗耐药预测任务中的性能优势应谨慎解释，因为样本量有限。可解释性分析结合生物信息学鉴定出FLOT1、IFITM3和IFITM2作为推定的诊断性cfRNA生物标志物。结论：这种基于血浆cfRNA的深度学习模型可识别OVCA患者并预测化疗耐药，为早期诊断和治疗分层提供了一种非侵入性工具。试验注册：本研究在中国临床试验注册中心注册，注册号为ChiCTR2500099940。

卵巢癌（OVCA）是女性生殖系统常见且高度恶性的肿瘤，早期症状隐匿，超70%患者确诊时已处于晚期，导致治愈率低、预后差。铂类联合紫杉烷化疗是标准方案，但约20%–30%患者存在内在耐药，或治疗后出现获得性耐药，导致疾病复发。当前缺乏无创、可靠的早期诊断和化疗耐药预测工具。细胞游离RNA（cfRNA）检测可捕获动态基因表达信息，反映肿瘤实时状态，结合人工智能（AI）分析有望构建高性能预测模型。为此，研究人员开展了一项基于cfRNA分子特征的卵巢癌诊断与化疗耐药预测模型研究，论文发表在《Advanced Science》。

研究人员从复旦大学附属肿瘤医院招募了216例OVCA患者和88例健康对照（样本队列来源），采集血浆进行cfRNA测序，经过质量控制（排除重复率>60%、比对率<60%或线粒体核糖体RNA含量>30%的样本）后，将172例患者和70例健康对照纳入训练集，44例患者和18例健康对照纳入测试集。主要关键技术方法包括：cfRNA提取与测序文库构建（使用Illumina NovaSeq X Plus平台，PE150策略，平均深度约1400万读段/样本）；利用limma-voom方法进行差异表达分析（DEG筛选阈值：FDR < 0.05且|log2FC| > 0.5）；加权基因共表达网络分析（WGCNA，软阈值β=4，最小模块大小30）；通过STRING数据库进行马尔可夫聚类（MCL）分析；利用PROGENy网络和decoupleR包进行通路活性分析；基于CollecTRI网络的转录因子（TF）活性分析；采用DenseNet架构构建深度学习模型（GeneLLM），结合对抗训练和Focal Loss处理类别不平衡；使用SHAP（SHapley Additive exPlanations）进行模型可解释性分析；并应用决策曲线分析（DCA）评估临床效用。

研究结果如下：

**2.1 研究设计与队列特征**：通过血浆样本的cfRNA提取、建库和测序，将队列分为训练集（172例OVCA患者、70例健康对照）和测试集（44例患者、18例对照）。患者平均年龄58岁左右，多数为FIGO III/IV期，CA125和HE4水平显著升高。化疗敏感与耐药患者比例在训练集为46.51%和17.44%，测试集为43.18%和18.18%。

**2.2 卵巢癌中cfRNA谱分析**：检测到多种RNA类型（mRNA、lncRNA、miRNA等），其中miscRNA（主要为7SL RNA）在OVCA中比例显著增加。通过limma-voom鉴定出2114个差异表达基因（DEG），包括上调的IFITM2、IFITM3、FLOT1、FCGR2A，以及下调的RAB30、MAGOHB、LINC02915、VIM-AS1。RT-qPCR验证了FLOT1、IFITM2、IFITM3在OVCA中显著上调。WGCNA识别出5个共表达模块，其中黄色和蓝色模块与OVCA正相关，富集于线粒体自噬、脂质代谢、氧化磷酸化（OXPHOS）、免疫活化等通路；棕色和灰色模块负相关，涉及PDGFRA信号、NODAL信号、细胞周期等。通路活性分析显示PI3K通路激活，而TGFβ、TRAIL、雌激素、WNT、JAK-STAT、雄激素、缺氧、P53通路下调。TF分析发现SP1、NFκB、MYC在OVCA中激活。

**2.3 卵巢癌中EV相关cfRNA特征**：利用公共EV数据库（ExoCarta、Vesiclepedia、exRNA Atlas）注释，23.58%的DEG为EV相关（如FLOT1、IFITM3、IFITM2、TRIM40、TRIOBP）。MCL聚类显示上调的EV相关cfRNA富集于免疫炎症反应、脂肪酸代谢、戊糖磷酸途径；下调的富集于补体激活、胶原形成、粘附连接。GSEA验证了这些cfRNA来源于分泌囊泡，富集于能量代谢、激素信号、表观遗传调控等通路。

**2.4 基于cfRNA的OVCA诊断模型构建**：基于DenseNet的深度学习模型（GeneLLM）在训练集中AUC为0.9997，测试集AUC为0.975（95% CI: 0.9437–0.9963），敏感度90.91%，特异度100%，F1分数0.952，优于传统模型（GLM、MLP、DL、XGBoost等）。消融实验显示去除蛋白编码RNA或lncRNA后AUC大幅下降。决策曲线分析表明，在OVCA患病率1.1%的人群中，使用该模型可避免每100人中约2次不必要的干预。SHAP分析识别出FLOT1、IFITM2、IFITM3、TRIM40、FCGR2A、LINC02915等关键特征，其中前四个均为EV相关cfRNA。

**2.5 化疗耐药OVCA的cfRNA谱分析**：排除失访患者后，训练集110例（80敏感、30耐药），测试集27例（19敏感、8耐药）。敏感性分析支持数据缺失机制为完全随机缺失（MCAR）。差异表达分析鉴定了PYM1、PIWIL4、SPDYC在耐药组显著上调，RT-qPCR验证了SPDYC上调。通路活性分析显示EGFR通路在耐药患者中显著抑制（评分=-2.47，p=0.014），提示化疗敏感肿瘤可能更依赖EGFR信号。

**2.6 基于cfRNA的OVCA化疗耐药模型性能**：同一深度学习框架在化疗耐药预测任务中，测试集AUC为0.842（95% CI: 0.7504–0.9147），敏感度87.50%，特异度78.95%，F1分数0.737，优于传统模型（GLM、MLP、DL、XGBoost等）和临床标志物（CA125、HE4及其组合，AUC均<0.6）。消融实验显示去除蛋白编码RNA后AUC降至0.309，表明其重要性最大。SHAP分析显示RN7SL1、线粒体ND基因（ND1-6等）及RNY1、RNY4、TMSB4X、S100A9等为重要特征，提示线粒体重编程、炎症信号、DNA复制调控等在化疗耐药中发挥作用。

**讨论部分总结**：本研究首次基于cfRNA测序数据构建了OVCA诊断和化疗耐药预测的深度学习模型，性能优异。生物信息学分析揭示了OVCA中复杂的代谢、免疫、信号通路改变，并鉴定出EV相关cfRNA（如FLOT1、IFITM3、IFITM2）作为潜在诊断标志物。化疗耐药相关特征（PYM1、PIWIL4、SPDYC、RN7SL1、线粒体ND基因等）与已知耐药机制一致。但研究存在局限性：样本量较小（尤其化疗耐药预测任务）、单中心回顾性设计可能引入偏倚，未完全控制混杂因素（如癌症分期、溶血），EV归属基于数据库推断而非物理分离。未来需多中心前瞻性队列验证。

**研究结论翻译**：总之，我们基于cfRNA的深度学习模型能有效识别卵巢癌患者以及对铂类化疗耐药的患者，为早期筛查和及时临床干预提供了有前景的潜力。未来需要更大规模、多中心验证队列的功能性和纵向研究来验证并扩展这些发现。将其他组学数据（如基因组学、蛋白质组学）与cfRNA分析整合，可能有助于更全面地理解卵巢癌疾病进展和化疗耐药的机制。