《Stem Cells International》：Integrative Multiomics Analysis Reveals a Cancer Stem Cell–Driven Prognostic Signature and Nominates Belinostat for Targeted Therapy in Hepatocellular Carcinoma
编辑推荐：
背景：肝细胞癌（HCC）因显著的分子异质性和高复发率而预后不良，这些挑战与癌症干细胞（CSC）生物学密切相关，且缺乏有效的干细胞相关预后生物标志物。识别CSC相关预后生物标志物和治疗靶点对于改善患者预后至关重要。
方法：研究人员整合了差异表达分析、加权基因
背景：肝细胞癌（HCC）因显著的分子异质性和高复发率而预后不良，这些挑战与癌症干细胞（CSC）生物学密切相关，且缺乏有效的干细胞相关预后生物标志物。识别CSC相关预后生物标志物和治疗靶点对于改善患者预后至关重要。
方法：研究人员整合了差异表达分析、加权基因共表达网络分析（WGCNA）和CSC基因数据库，以识别由干性机制驱动的核心预后基因。利用多种机器学习算法，在癌症基因组图谱（TCGA）和基因表达综合数据库（GEO）队列中建立并验证了一个稳健的预后模型。通过受试者工作特征曲线（ROC）、生存分析及与肿瘤分期的关联评估了该特征的临床相关性。采用单细胞RNA测序（scRNA-seq）和计算药物重定位结合分子对接，探索机制见解和治疗候选药物。
结果：交集分析识别出12个富集于CSC相关通路的核心基因。最优的CoxBoost模型在内部、外部和荟萃分析中均展现出对总生存期（OS）的优越预测性能。该特征的单样本基因集富集分析（ssGSEA）评分显示出高诊断准确性，与晚期肿瘤分期相关，并实现了有效的风险分层。单细胞分析揭示DARS2在M1型巨噬细胞中富集，提示CSC在调节肿瘤免疫微环境中的作用。通过药物特征数据库（DSigDB）筛选，组蛋白去乙酰化酶（HDAC）抑制剂贝利司他（belinostat）被优先识别，并经分子对接验证为靶向CSC相关特征的候选药物。
结论：本研究建立了一个新的CSC相关基因特征用于HCC的诊断和预后，并提名贝利司他作为靶向干性相关通路的再定位候选药物，为个性化治疗提供了有前景的策略。
**论文解读：整合多组学分析揭示肝细胞癌中癌症干细胞驱动的预后特征及贝利司他的靶向治疗潜力**
**研究背景**
肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一，其发病机制复杂，涉及遗传和表观遗传的异质性改变，导致肿瘤侵袭性强、复发率高，尤其在晚期阶段治疗疗效有限。当前一线靶向治疗药物（如索拉非尼和仑伐替尼）仅带来有限的生存获益，客观缓解率低于30%且几乎普遍出现获得性耐药，凸显了紧迫的临床需求。尽管监测和治疗手段有所进步，但HCC患者的预后仍不理想，因此亟需可靠的预后生物标志物以指导风险分层和个体化治疗决策。高通量转录组学技术和生物信息学的兴起使得系统发现癌症分子特征成为可能，然而许多现有HCC预后模型存在局限性，包括缺乏稳健验证、生物学背景不足以及临床可转化性差。最关键的是，大多数模型未能明确纳入癌症干细胞（CSC）视角，往往忽视了干性在肿瘤起始、进展和耐药中的核心驱动作用。区分庞大转录组变化中的核心驱动基因与乘客改变是一项特殊挑战。为解决这些问题，研究人员采用了一种整合的多步骤生物信息学方法：首先通过差异表达分析描绘HCC的全转录组变化，然后利用加权基因共表达网络分析（WGCNA）识别与临床特征高度相关的共表达基因模块，进而整合CSC基因集，通过三者的交集筛选高度相关且稳健的基因集。本研究的主要目标包括：(1) 通过该整合流程识别HCC核心预后基因；(2) 利用多种机器学习算法构建并严格验证预后模型；(3) 全面评估该特征的诊断价值和临床相关性；(4) 通过药物重定位和计算验证探索其治疗含义。该论文发表在《Stem Cells International》。
**主要关键技术方法**
研究人员从NCBI基因表达综合数据库（GEO）获取基因表达数据，其中GSE101685数据集用于差异分析，肿瘤相关干细胞基因从GENECARDS数据库获取。利用R语言“limma”包进行差异表达分析，筛选出错误发现率（FDR）校正后p<0.05且绝对对数倍数变化（abs(log FC)）>0.585的差异表达基因（DEGs）。采用WGCNA包构建基因共表达网络，选择中位绝对偏差（MAD）>1的前5000个基因，通过软阈值选择构建无尺度网络，利用动态树切分法识别模块，并计算模块特征基因（ME）评估与表型相关性。随后，整合CSC基因、DEGs和WGCNA模块基因的交集，得到12个核心基因。采用多种机器学习算法（包括Lasso回归、弹性网络、岭回归、逐步Cox回归和CoxBoost）构建预后模型，通过时间依赖性ROC曲线和AUC值评估模型性能，最终选择CoxBoost作为最优算法。基于TCGA-LIHC和GEO队列进行内外部验证及荟萃分析。单细胞RNA测序（scRNA-seq）分析来自公共数据库的HCC相关数据，通过图论聚类和经典谱系标志基因注释细胞亚群，解析12个基因的细胞类型特异性表达。药物重定位利用药物特征数据库（DSigDB）进行基因集富集分析（GSEA），筛选出与预后特征显著重叠的化合物，并通过AutoDock Vina进行分子对接验证，靶点蛋白包括AURKA、BIRC5、CDK1、CDK4和PARP1等。
**研究结果**
**3.1 差异表达分析揭示肝癌与对照组织间的显著转录组差异**
在肝癌与对照组织间共鉴定出2933个DEGs，其中绿色三角表示下调基因，红色三角表示上调基因，黑色圆点表示非显著基因。热图显示样本聚类清晰分离HCC组与对照组，基因聚类将DEGs归为协调表达簇，反映了潜在的功能连贯性，表明HCC存在深刻的转录组重编程。
**3.2 WGCNA鉴定与肝癌临床特征相关的核心模块**
通过WGCNA建立了稳健的共表达网络，软阈值β=7时达到无尺度拓扑拟合度0.86，平均连接度约789.47。基因聚类树和模块颜色条将基因分配到不同模块，模块-性状热图显示深石板蓝（darkslateblue）模块与目标临床特征呈最强正相关（R=0.66）。该模块包含419个基因，模块成员度（MM）与基因显著性（GS）的散点图验证了正相关关系（以KRT88为例，p=1.3e-05），表明这些基因协调驱动HCC恶性行为。
**3.3 预后肿瘤干细胞相关核心基因筛选及预后模型算法评估**
通过维恩图展示CSC相关基因、DEGs和WGCNA模块基因的交集，得到12个重叠核心基因作为候选。不同算法构建的预后模型平均AUC热图显示，CoxBoost算法在大多数时间点（1、3、5年）和队列（TCGA-LIHC-OS、GSE14520-OS）中表现出最高的预测准确性（最深红色阴影）。系数热图展示了12个基因在不同算法模型中的系数，CoxBoost模型有效筛选了关键基因，为后续验证奠定基础。
**3.4 12个基因在多种免疫/造血细胞类型中的单细胞表达谱**
通过单细胞转录组分析，在14种免疫和造血细胞类型（包括B细胞、初始CD4
+T细胞、中央记忆CD8
+T细胞、MAIT细胞、耗竭CD8
+T细胞、M1型巨噬细胞、I型经典树突状细胞、2型固有淋巴细胞、肥大细胞、单核细胞、自然杀伤细胞、浆细胞、增殖性T细胞和调节性T细胞）中，小提琴图显示DARS2仅在M1型巨噬细胞中特异性表达，提示其可能参与M1巨噬细胞极化的代谢调控。PARP1呈广谱表达，而POLD1、NRAS和FANCG在所有细胞类型中表达水平普遍较低，未显示显著细胞类型特异性富集。
**3.5 多队列荟萃分析预后风险评分及生存验证**
基于CoxBoost模型的风险评分在多队列荟萃分析中被证实为显著的独立预后因子（森林图显示合并风险比）。Kaplan-Meier生存曲线显示，高风险组患者的总生存期（OS）显著低于低风险组（log-rank检验p<0.001），表明该模型能有效进行患者风险分层，且具有临床相关性。
**3.6 预后基因集的表达、诊断价值及其与临床分期的关联**
在TCGA-LIHC队列中，12个候选基因（POLD1、CDK4、NRAS、EZH2、CDC73、BUB1B、AURKA、DARS2、PARP1、BIRC5、FANCG、CDK1）在肝癌组织中的表达均显著高于癌旁组织。基于这些基因构建的ssGSEA评分在肿瘤组织中显著升高，且区分肝癌与癌旁组织的ROC曲线下面积（AUC）高达0.983（95% CI: 0.972-0.992），显示出极高的诊断效能。此外，晚期（TNM III-IV期）患者的ssGSEA评分显著高于早期（I-II期）患者（p=0.002），表明该评分与肿瘤恶性进展程度正相关。
**3.7 基于ssGSEA的预后特征在多队列中的验证**
在内部TCGA队列中，高ssGSEA评分患者的OS显著短于低评分患者。多队列荟萃分析进一步证实该评分是稳健的独立预后因子。在GEO外部验证队列中，该特征同样有效实现了患者风险分层，表明基于12个基因的ssGSEA评分能在不同数据集中一致量化生物学活性并预测预后。
**3.8 基于药物特征数据库的药物重定位及分子对接验证**
通过DSigDB查询，筛选出FDA批准的HDAC抑制剂贝利司他（belinostat）作为与预后特征显著重叠的候选化合物。分子对接显示贝利司他与5个关键预后基因蛋白产物（CDK4、EZH2、KRT88、CCNA2和PCNA）均展现出有利的结合自由能及特异性相互作用（包括氢键和疏水相互作用），为其调节该特征核心驱动因子提供了结构证据。
**讨论与结论**
讨论部分总结了三个主要发现：识别了12基因CSC驱动预后特征；该特征在区分HCC与癌旁组织时具有近乎完美的诊断准确性（AUC=0.983）且与晚期肿瘤分期显著相关；通过计算药物重定位提名了贝利司他。研究逻辑从全局转录组到共表达网络、干性过滤基因集、预后模型、临床验证、细胞分辨率再到治疗提名，形成整合性假设驱动叙事。WGCNA的深石板蓝模块与HCC临床特征强相关，且与CSC基因集和DEGs的交集精准定位了12个核心基因，增强了特征的生物学合理性。CoxBoost算法在模型构建中表现最优，且模型的预后稳健性通过内外部验证和荟萃分析得到证实。ssGSEA评分在晚期HCC中的显著升高提示干性相关转录程序在肿瘤进展中动态放大，可能驱动侵袭行为和耐药。单细胞分析中DARS2在M1巨噬细胞的特异性富集提示其参与免疫代谢调控。贝利司他的分子对接结果提供了强机制假设，未来需在特征高表达的HCC模型中验证其抑制干细胞标志物及在PDX模型中的疗效。研究局限性包括TCGA队列以早期可切除HCC为主，需在晚期队列验证；计算预测需实验验证；DARS2-巨噬细胞假说需功能测试；差异表达分析依赖单一数据集，但多队列验证部分缓解了此担忧。
**结论**：研究人员的整合分析建立了一个新颖且稳健的12基因特征，能有效诊断HCC、分层患者预后并反映肿瘤进展。通过将该特征与FDA批准的药物贝利司他关联，为将这些生物信息学见解转化为潜在治疗策略提供了可操作的路线图，最终更接近HCC患者个性化肿瘤学的目标。未来研究应探索贝利司他在以高12基因特征评分为特征的HCC患者亚组中的疗效，特别是与其他方式（如免疫治疗或靶向药物）联合使用。
