《Cancer Science》：Machine Learning-Derived Immune Gene Signature Predicts Prognosis and Therapeutic Vulnerabilities in Multiple Myeloma
编辑推荐：
免疫微环境（immune microenvironment）对多发性骨髓瘤（multiple myeloma，MM）的生物学和临床异质性有重要贡献，但具有可重复预后价值的免疫相关分子生物标志物仍然有限。研究人员使用整合机器学习框架开发了一个12基因免疫相关基因
免疫微环境（immune microenvironment）对多发性骨髓瘤（multiple myeloma，MM）的生物学和临床异质性有重要贡献，但具有可重复预后价值的免疫相关分子生物标志物仍然有限。研究人员使用整合机器学习框架开发了一个12基因免疫相关基因特征（immune-related gene signature，IRGS），并在多个MM队列中评估其预后性能。IRGS持续对总生存（overall survival，OS）进行分层，并在校正已建立临床协变量后仍与结局独立相关。其预后区分能力与IFM15相当，且在所评估验证数据集中通常超过MRCIX6和线粒体自噬相关特征。单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）进一步显示12基因模块活性存在显著细胞类型依赖变异，浆细胞（plasma cells）中活性较低，多个非浆细胞区室中活性较高，表明该批量表达衍生的IRGS反映多细胞骨髓转录背景，而非仅恶性浆细胞内源程序。体细胞突变分析发现IRGS定义组间突变模式不同，低IRGS组DIS3突变相对富集，高IRGS组MUC16突变相对富集，且低IRGS患者肿瘤突变负荷（tumor mutational burden，TMB）略高。基于转录组的药物反应预测提示高、低IRGS组在凋亡、DNA损伤、BET、检查点及复制应激相关药物中存在不同治疗脆弱性。综上，这些发现将IRGS定义为MM预后分层的互补性免疫相关分子生物标志物，并提供将预后与多细胞转录背景、体细胞突变特征及候选治疗脆弱性联系的框架。
《Cancer Science》刊发的该项研究以多发性骨髓瘤（multiple myeloma，MM）为对象。MM以骨髓内恶性浆细胞克隆增殖为特征，是第二大常见血液系统恶性肿瘤。尽管蛋白酶体抑制剂、免疫调节剂、单克隆抗体及嵌合抗原受体T细胞（chimeric antigen receptor T-cell，CAR-T）疗法改善了疗效，MM仍因生物学异质性、频繁复发和治疗耐药而无法治愈。国际分期系统（International Staging System，ISS）和修订ISS（revised ISS，R-ISS）等临床风险分层对个体化治疗决策支持有限，因此亟需可细化风险评估的稳健预后特征。研究人员整合Gene Expression Omnibus（GEO）与MMRF-CoMMpass队列及免疫相关基因集，开发免疫相关基因特征（immune-related gene signature，IRGS），旨在捕获免疫相关转录异质性，并判断其能否在多队列中提供可重复预后分层，同时关联体细胞突变、单细胞分布和转录组药物敏感性。
作者为开展研究使用的主要关键技术方法如下：数据来自MMRF-CoMMpass RNA-seq队列、GEO微阵列队列GSE2658、GSE24080、GSE136337、GSE57317及单细胞队列GSE271107；以单样本基因集富集分析（single-sample Gene Set Enrichment Analysis，ssGSEA）量化28种免疫细胞浸润并用CIBERSORT、xCell、EPIC、ESTIMATE交叉验证；共识聚类识别免疫亚型；加权基因共表达网络分析（weighted gene co-expression network analysis，WGCNA）筛选免疫相关模块；10种机器学习算法与101种组合在留一交叉验证（leave-one-out cross-validation，LOOCV）下构建IRGS；单细胞用Seurat、Harmony、inferCNV、CytoTRACE与UCell刻画12基因模块细胞分布；体细胞突变用Fisher精确检验和OncoPrint；药物敏感性用oncoPredict映射GDSC细胞系模型预测IC50。
3.1 基于免疫浸润的共识聚类亚型识别与表征：研究人员以ssGSEA量化MMRF队列28种免疫细胞浸润，共识聚类确定k=2最稳定，分为免疫热（immune-hot）与免疫冷（immune-cold）亚型，ESTIMATE免疫评分在两组间显著差异，多种算法验证稳健。
3.2 免疫浸润模式来源的功能基因模块识别：WGCNA构建无标度共表达网络，识别五个模块，MEblue模块与免疫簇负相关最强，含164个枢纽免疫相关基因，GO富集于白细胞迁移、趋化、炎症调控等免疫通路。
3.3 免疫相关基因特征的构建与定义：单因素Cox从164基因筛出47个预后候选，机器学习集成中随机生存森林（random survival forests，RSF）联合survival-SVM平均C-index最高（0.605），最终确定SLA、SIGLEC5、ADAM8、MMD、CA2、FN1、UPP1、CLEC7A、EMP1、SELE、TLR8、BTNL8共12基因；高分者OS更长，多因素Cox校正年龄、性别、ISS后仍为独立预后因素；IRGS评分与免疫评分及多数免疫细胞浸润呈中度负相关。
3.4 IRGS模型的验证与评估：在GSE136337外部队列高分者OS显著更好，多因素分析仍独立；GSE136337中无进展生存（progression-free survival，PFS）、GSE24080中事件自由生存（event-free survival，EFS）均可被分层；既往治疗MM队列GSE57317中同样分出不同OS。
3.5 与已有预后特征比较：IRGS与IFM15区分能力相当，在多个验证集中C-index通常高于MRCIX6和线粒体自噬相关特征；IFM15与MRCIX6在GSE136337中未显著分层，IRGS跨数据集更稳定。
3.6 IRGS定义预后组的体细胞突变特征：MMRF中725例有匹配突变，低IRGS组303/323差异基因突变更频；高IRGS组MUC16最常突变，低IRGS组DIS3最常突变；低IRGS组TMB略高，IRGS评分与TMB弱负相关。
3.7 IRGS基因模块的单细胞细胞分布表征：GSE271107经质控得119099个细胞，分八类主要骨髓群体；12基因模块活性在浆细胞最低，单核吞噬细胞（mononuclear phagocytes，MPs）和红系细胞较高；inferCNV定义恶性浆细胞模块活性更低；跨疾病阶段下行趋势在线性混合模型下不显著；与CytoTRACE干性评分弱负相关，属探索性。
3.8 IRGS定义组间预测药物敏感性模式：oncoPredict显示高IRGS组对ABT737、Nutlin-3a、oxaliplatin等39化合物预测IC50更低，低IRGS组对环磷酰胺、JQ1、AZD7762、MK-8776、AZD6738等42化合物预测IC50更低；IRGS评分与ABT737预测IC50弱负相关，与环磷酰胺、JQ1预测IC50弱正相关。
讨论部分指出，IRGS捕获MM免疫相关预后维度，但中等C-index说明仅解释部分异质性，应作为互补分子生物标志物而非替代ISS/R-ISS。单细胞结果支持IRGS反映多细胞骨髓转录背景而非纯浆细胞程序；DIS3突变影响RNA外切酶与B细胞活化后DNA双链断裂和IGH易位，MUC16突变或增强新抗原与免疫识别，与高IRGS免疫炎症背景相符。药物预测仅生成假设，未考虑药代、微环境及体内耐药，需实验与前瞻队列验证。局限包括批量样本纯度影响、单细胞个体少、小效应量属探索、回顾计算研究缺功能与前瞻验证。
结论部分译为：综上，IRGS捕获MM的免疫相关预后维度。其与不同体细胞突变模式及预测药物反应谱的关联，进一步提供具有生物学和治疗学意义的病人分层假设。这些发现将IRGS确立为在MM中将免疫背景与预后整合的潜在信息框架，并为未来临床-分子建模与功能验证奠定基础。
