《Frontiers in Cell and Developmental Biology》：Single-cell–informed senescence programs underpin a machine-learning prognostic model robustly validated across melanoma cohorts
编辑推荐：
背景：细胞衰老（cellular senescence, CS）塑造肿瘤演进与肿瘤微环境（tumor microenvironment, TME），然而基于衰老信息的皮肤皮肤黑色素瘤（skin cutaneous melanoma, SKCM）预后模型仍然有限
背景：细胞衰老（cellular senescence, CS）塑造肿瘤演进与肿瘤微环境（tumor microenvironment, TME），然而基于衰老信息的皮肤皮肤黑色素瘤（skin cutaneous melanoma, SKCM）预后模型仍然有限。研究人员旨在通过整合单细胞与批量转录组数据及系统性机器学习筛选，开发并验证一个稳健的衰老相关预后特征。方法：在单细胞RNA测序数据集GSE115978中，采用CS-AUC评分量化衰老活性，随后进行细胞类型注释及CS-AUC相关基因优先级排序。在TCGA-SKCM中，加权基因共表达网络分析（weighted gene co-expression network analysis, WGCNA）鉴定衰老相关模块。取单细胞与批量分析共同支持的基因交集，得到100个候选基因。在TCGA中训练预后模型，并在六个独立GEO队列（GSE19234、GSE22153、GSE53118、GSE54467、GSE59455、GSE65904）中采用一致性指数（C-index）评估101种机器学习策略，选出最优算法。采用生存分析、时间依赖性受试者工作特征曲线（time-dependent ROC）及主成分分析（PCA）进行验证。通过多算法去卷积及ESTIMATE评估免疫浸润与TME关联。进一步分析关键模型基因，并在A375细胞中实验验证GPI。结果：单细胞分析揭示了CS-AUC在不同细胞类型间的显著异质性，并鉴定出CS-AUC相关基因。TCGA中的WGCNA鉴定出一个衰老相关红色模块，与单细胞来源的衰老信号取交集后得到100个基因。在101种候选策略中，基于梯度提升机（GBM）的模型在GEO队列中总体验证性能最佳。所得风险评分（riskScore）在TCGA及所有验证队列中均显著区分总生存期，并通过时间依赖性ROC显示稳定的预测准确性。高风险肿瘤呈现免疫耗竭的TME特征，表现为较低的基质/免疫评分及较高的肿瘤纯度，同时伴随癌症-免疫循环活性改变。在GBM特征中，GPI与riskScore呈最强正相关，在肿瘤中上调，预测更差生存，并经基因集富集分析（GSEA）显示与代谢/增殖程序相关。功能上，GPI敲低减少A375细胞迁移及克隆形成生长。结论：研究人员开发了一个整合性的衰老信息预后模型用于SKCM，该模型具有强外部验证、免疫/TME相关性及实验支持。GPI作为衰老相关预后框架中的关键风险相关基因及潜在治疗靶点脱颖而出。
论文解读：衰老相关预后模型在皮肤黑色素瘤中的构建与验证
一、研究背景与问题
皮肤黑色素瘤（SKCM）是侵袭性最强的皮肤恶性肿瘤之一，尽管靶向治疗和免疫检查点阻断取得了显著进展，患者临床结局仍高度异质，从长期缓解到快速进展和早期死亡不一而足。这种差异反映了肿瘤在遗传、转录、代谢及微环境层面的广泛异质性。因此，开发稳健且生物学可解释的预后模型，不仅有助于风险分层，也能揭示肿瘤演进与免疫逃逸机制。细胞衰老（CS）是一种稳定的细胞状态程序，表现为不可逆的生长停滞伴随广泛的转录重编程。衰老细胞可通过衰老相关分泌表型（SASP）重塑肿瘤微环境（TME），驱动炎症、调节免疫、增强转移潜能并参与治疗抵抗。在黑色素瘤中，免疫监视与免疫逃逸是决定患者结局的核心因素，衰老相关程序通过偶联肿瘤内在应激反应与免疫/基质重塑可能具有重要临床意义。然而，衰老并非均一的肿瘤属性，其转录特征可出现在恶性细胞及多种非恶性细胞区室中。批量转录组分析虽能提供队列规模的结果关联，但无法解析哪些细胞区室驱动衰老信号；单细胞RNA测序（scRNA-seq）虽能实现细胞类型分辨的衰老程序刻画，但缺乏大规模纵向临床终点。因此，迫切需要整合单细胞分辨率与批量队列临床效力的方法，以识别既有生物学基础又有预测价值的衰老程序。
二、研究设计与技术方法概要
研究人员整合了公共数据集：单细胞数据集GSE115978用于单细胞分析；TCGA-SKCM作为训练队列；六个独立GEO队列（GSE19234、GSE22153、GSE53118、GSE54467、GSE59455、GSE65904）作为外部验证队列。主要技术方法包括：对scRNA-seq数据使用Seurat进行质控、聚类和细胞类型注释；采用基于AUC的评分（CS-AUC）量化单细胞衰老活性；在TCGA-SKCM中实施加权基因共表达网络分析（WGCNA）鉴定衰老相关模块；通过单细胞与批量信号交集确定100个候选基因；利用101种机器学习策略（含Cox、LASSO、随机生存森林、梯度提升机GBM等）训练并仅在外部GEO队列中评估模型，以C-index选择最优模型；通过生存分析、时间依赖性ROC和主成分分析验证；采用多算法去卷积和ESTIMATE评估免疫浸润与TME；并对关键基因GPI进行体外功能实验。
三、主要研究结果
1. 单细胞衰老评分揭示黑色素瘤中异质性CS-AUC模式及衰老相关基因
利用GSE115978数据集，基于t-SNE无监督聚类鉴定出20个转录组学不同细胞簇，注释出B细胞、T细胞、NK细胞、巨噬细胞、内皮细胞、癌症相关成纤维细胞（CAFs）及恶性细胞等主要群体。CS-AUC评分显示衰老活性在细胞类型和簇间呈广泛但异质的分布。相关性排序鉴定出与CS-AUC正相关的前150个基因，关联信号极显著（p值低至10
-51至10
-150）。
2. WGCNA在TCGA中鉴定关键衰老相关模块并产生100个共享候选基因
对TCGA批量转录组数据实施WGCNA，模块-性状关系显示红色模块（MEturquoise）与衰老性状具有最强且显著的正相关，模块成员度与基因显著性相关性亦显著。将该模块基因与单细胞差异及相关性分析得到的86个候选基因取交集，最终获得42个重叠核心枢纽基因用于模型构建。值得注意的是，结果部分文字与图例描述存在细微差异（图例显示红色模块，文字提及turquoise模块），但均指向同一衰老相关模块，且最终用于建模的100个共享基因由WGCNA来源基因与单细胞支持基因取交集得到。
3. 机器学习筛选确定GBM为GEO验证队列中表现最佳的预后模型
基于100个交集基因，采用101种机器学习策略在TCGA中训练模型，并在六个GEO队列中仅以C-index评估。GBM模型总体排名第一，在GSE19234中C-index为0.712，GSE22153为0.627，GSE53118为0.606，GSE54467为0.604，GSE59455为0.588，GSE65904为0.635，平均0.629，表现出强劲且一致的判别能力。
4. GBM来源风险评分稳健分层生存并具有一致的时间依赖性预测准确性
根据GBM模型风险评分将患者分为高低风险组，Kaplan–Meier分析显示TCGA及所有外部GEO队列均呈现显著生存分离（TCGA p<0.0001；GSE19234 p=5e-04；GSE22153 p=0.0017；GSE53118 p=0.007；GSE54467 p=0.011；GSE59455 p<0.0001；GSE65904 p<0.0001）。时间依赖性ROC分析显示TCGA的1/3/5年AUC为0.82/0.85/0.88，验证队列AUC范围在0.47–0.98之间。基于特征基因的PCA也显示风险组间有清晰分离趋势。
5. CSS模型与已发表PubMed预后特征相比具有竞争力
将基于细胞衰老签名（CSS）的预后模型与PubMed中已发表的大量黑色素瘤预后特征进行比较，在TCGA及所有GEO队列中，CSS模型持续获得较高C-index，相对于大多数已发表模型排名领先，展示了稳健的泛化能力。
6. 高风险肿瘤呈现免疫冷微环境及受抑制的癌症-免疫循环活性
多算法去卷积（TIMER、CIBERSORT、CIBERSORT-ABS、quanTIseq、MCPcounter、xCell、EPIC）显示高低风险组间免疫浸润模式不同。ESTIMATE分析显示riskScore与StromalScore（r=-0.42）、ImmuneScore（r=-0.61）、ESTIMATEScore（r=-0.58）负相关，与TumorPurity（r=0.57）正相关，表明高风险组为相对免疫耗竭、纯度较高的肿瘤环境。癌症-免疫循环相关性分析显示higher riskScore与免疫激活/招募及效应过程降低相关，提示抗肿瘤免疫受损。
7. 风险评分与GBM特征基因相关，GPI呈最强正相关
riskScore与GBM特征中多个基因显著正相关，其中GPI最强（r=0.44），其次为PKMYT1（r=0.42）、PPP2R1A（r=0.42）、UQCRC1（r=0.41）、RUVBL2（r=0.40）及增殖/线粒体相关基因。同时，多个免疫相关基因与riskScore负相关，如GBP2（r=-0.58）、SRGN（r=-0.58）、AIF1（r=-0.57）、CD38（r=-0.56）等，表明该特征同时包含风险增强与风险保护成分。
8. 单基因分析凸显GPI过表达、不良预后及代谢/增殖程序富集
GPI在独立数据集肿瘤样本中显著上调（GSE46517 p=3.4e-05；GSE98394 p=3.6e-10）。跨队列Cox回归支持其多种生存终点（OS/RFS/DSS/PFS）的预后相关性。Kaplan–Meier分析显示GPI高表达组在TCGA-SKCM（p=0.0021）、GSE22153（p=0.006）、GSE59455（p=0.0021）、GSE98394（p=0.031）中总生存期较差。GSEA显示GPI高肿瘤富集氧化磷酸化、MYC/E2F靶点、DNA修复、mTORC1信号、G2M检查点、糖酵解及PI3K–AKT–mTOR信号等标志性程序，GO及KEGG富集进一步指向线粒体/能量代谢和复制/修复通路。
9. GPI敲低在体外抑制黑色素瘤细胞迁移和克隆形成生长
在A375细胞中使用两个独立shRNA敲低GPI，RT-qPCR验证敲低效率。伤口愈合实验显示sh-GPI组24小时伤口闭合明显延迟，表明细胞迁移能力降低。克隆形成实验显示GPI敲低显著减少克隆数目和大小，说明GPI对黑色素瘤细胞持续增殖和克隆形成潜能具有必要性。
四、讨论与结论总结
研究建立了一个整合单细胞衰老评分、批量共表达网络分析和规模机器学习筛选的SKCM衰老相关预后框架。该策略解决了两个常见局限：单独依赖批量转录组无法分辨衰老异质性，以及算法探索有限和外部验证不足。观察发现CS-AUC在单细胞水平呈细胞类型异质性，GPI表达主要富集于恶性细胞和巨噬细胞，提示其风险增强作用与肿瘤内在生物学和特定微环境动态紧密相关。交集筛选策略富集了既具有细胞状态相关性又保留在组织水平的基因，这可能解释了跨验证队列的性能稳定性。尽管黑色素瘤存在分子和解剖多样性，该模型在自然包含不同原发/转移比例和基因组背景的外部队列中仍显示稳健分层能力。临床相关性方面，风险评分不仅提供预后判别，还反映免疫功能状态：高风险肿瘤呈“免疫冷”微环境，与癌症-免疫循环受损一致。GPI被确定为关键风险相关基因，具有双重生物学功能：胞内作为糖酵解酶促进能量产生和代谢重编程，胞外作为自分泌运动因子（AMF）刺激迁移和侵袭信号。体外实验支持其促肿瘤角色。研究为SKCM提供了整合性、外部验证的衰老相关预后模型，并指出GPI作为生物学和临床相关驱动候选分子及潜在治疗靶点。该工作证明了将单细胞衰老分辨率、批量网络生物学与系统机器学习基准测试相结合，可产生稳健且可解释的预后工具。
