《Frontiers in Cell and Developmental Biology》：Dual molecular and clinical machine-learning prognostic modeling in pancreatic ductal adenocarcinoma: a chaperone-mediated autophagy–based framework integrating multi-cohort molecular signatures and a single-center clinical nomogram
编辑推荐：
摘要翻译：背景：胰腺导管腺癌（PDAC）以显著的分子、细胞和临床异质性为特征。伴侣蛋白介导的自噬（CMA）支持对代谢和环境应激的适应，但其在PDAC中的细胞类型特异性分布及预后相关性尚不清楚。方法：分析GSE212966的单细胞RNA测序数据，以表征PDAC及
摘要翻译：背景：胰腺导管腺癌（PDAC）以显著的分子、细胞和临床异质性为特征。伴侣蛋白介导的自噬（CMA）支持对代谢和环境应激的适应，但其在PDAC中的细胞类型特异性分布及预后相关性尚不清楚。方法：分析GSE212966的单细胞RNA测序数据，以表征PDAC及癌旁非肿瘤组织中CMA相关转录状态。利用TCGA-PAAD的批量转录组数据进行差异表达分析、加权基因共表达网络分析及分子模型构建，同时以ICGC PACA-CA和PACA-AU作为独立验证队列。比较多种生存机器学习方法以建立CMA相关预后模型。评估风险组间的Hallmark通路活性、免疫浸润及预测药物敏感性。选择权重最高的模型基因KRT19进行体外验证。同时，使用八种生存机器学习方法分析一个包含468例患者的独立单中心队列，以确定临床预后因素并构建列线图。结果：CMA相关转录活性在不同细胞类型间存在差异，其中巨噬细胞显示出显著得分，且PDAC来源的巨噬细胞较癌旁组织来源的巨噬细胞具有更高的CMA得分。整合TCGA差异表达分析和WGCNA共鉴定出105个候选基因。StepCox[forward]联合随机生存森林模型总体表现良好，在TCGA、PACA-CA和PACA-AU队列中的C指数分别为0.903、0.678和0.733。高分子风险与增强的糖酵解、增殖及细胞周期相关信号、M0巨噬细胞增加、CD8+ T细胞减少及差异预测药物敏感性相关。KRT19过表达促进PDAC细胞增殖、集落形成、迁移和侵袭。在单中心队列中，N分期、CA125、血管瘤栓及总胆红素在加权预后重要性中排名最高。临床列线图预测1年和3年总生存率的AUC分别为0.661和0.750。结论：本研究鉴定了CMA相关的细胞异质性，建立了在两个独立验证队列中保持预后判别能力的分子预后模型，证明了KRT19的功能相关性，并开发了一个独立的临床预测工具。这些分子和临床模型为PDAC预后提供了互补视角，并需要在匹配的前瞻性队列中进一步评估。
论文解读：
研究背景：胰腺导管腺癌（PDAC）是消化系统最具侵袭性和致死性的恶性肿瘤之一。其早期症状隐匿，多数患者确诊时已处于局部晚期或转移阶段，治疗反应有限，长期生存率低。尽管手术技术、化疗方案、分子靶向药物及免疫治疗不断改进，PDAC患者的生存获益仍十分有限。PDAC的高度恶性生物学行为与KRAS驱动的分子改变、显著的促结缔组织增生性基质、血管灌注不良、缺氧和营养限制、代谢重编程以及免疫抑制性肿瘤微环境密切相关。传统的TNM分期和常规临床病理指标虽能提供疾病范围和预后信息，但无法充分解释临床表现相似患者间的显著结局异质性。分子特征可能捕捉常规临床评估未反映的生物学过程，而机器学习整合易获取的临床病理变量可能提高现有临床信息的预后利用价值。伴侣蛋白介导的自噬（CMA）是一种选择性溶酶体降解过程，依赖热休克蛋白家族A成员8（HSPA8/HSC70）识别底物蛋白中的KFERQ样基序，并通过溶酶体相关膜蛋白2A（LAMP2A）介导底物转位进入溶酶体降解。CMA参与蛋白质质量控制、代谢调节、肿瘤细胞存活、应激适应、治疗耐药及免疫微环境重塑。PDAC组织常暴露于缺氧、营养剥夺和炎症刺激，肿瘤细胞及周围免疫和基质细胞可能依赖自噬和溶酶体相关程序维持功能状态。然而，CMA相关基因表达程序在PDAC微环境各细胞类型中的分布及其与患者预后和免疫组成的关系尚未充分研究。单细胞RNA测序（scRNA-seq）可在单细胞分辨率解析肿瘤组织，明确特定转录信号来源的细胞群体。TCGA和ICGC等大型数据库提供了开发生存模型所需的样本深度和长期随访数据。WGCNA可识别与目标性状相关的共表达基因模块，生存导向的机器学习方法可进一步筛选具有真实预后权重的基因。同时，常规收集的临床病理和实验室变量是临床实践中获取预后信息最直接的来源。基于此，研究人员建立了互补的分子与临床框架，以研究PDAC的预后异质性。
主要技术方法：研究人员使用GSE212966单细胞RNA测序数据集表征CMA相关转录状态的细胞分布；利用TCGA-PAAD队列进行差异表达分析和WGCNA；使用ICGC PACA-CA和PACA-AU作为独立外部验证队列。采用多种生存机器学习算法（包括RSF、StepCox、CoxBoost、Lasso、Ridge、Elastic Net、GBM、plsRcox、SuperPC、survival-SVM）构建和比较分子预后模型。对TCGA-PAAD样本进行GSVA、ssGSEA、CIBERSORT免疫浸润分析和pRRophetic药物敏感性预测。在BxPC-3细胞中进行KRT19过表达的功能实验。同时，对包含468例PDAC患者的单中心临床队列（来源于青岛市中心医院，康复大学附属医院）采用八种生存机器学习方法进行临床预后建模。
研究结果：
3.1 单细胞图谱显示PDAC中CMA相关转录活性具有显著细胞特异性：通过对GSE212966数据集进行tSNE降维和细胞注释，鉴定出腺泡细胞、巨噬细胞、成纤维细胞、NKT细胞、癌细胞、中性粒细胞、胰腺α细胞、内皮细胞、CD8T细胞、浆细胞、B细胞、肥大细胞、Treg细胞和平滑肌细胞。CMA得分在不同细胞群间呈现明显异质性，巨噬细胞、中性粒细胞、成纤维细胞、内皮细胞、Treg细胞和平滑肌细胞显示相对较高得分，而腺泡细胞和浆细胞得分较低。PDAC组织来源的巨噬细胞平均CMA得分显著高于癌旁组织（P=0.048）。巨噬细胞中PDAC与癌旁组织的差异表达基因分析显示，NUPR1、CTSD和TMEM176B在PDAC来源巨噬细胞中显著上调，而PNLIP和CTRB1等胰腺外分泌相关基因下调。
3.2 通过TCGA差异表达和共表达网络分析缩小CMA相关候选基因范围：TCGA-PAAD队列中177例PDAC肿瘤样本与4例正常样本的比较鉴定出2,368个差异表达基因。WGCNA分析中，黑色模块与CMA得分相关性最强（r=0.57，P<0.0001），并与CMA分组显著正相关（r=0.53，P<0.0001）。该模块包含464个基因，与TCGA差异表达基因交叉后获得105个候选基因，其中6个在PDAC中上调，99个下调。
3.3 通过比较机器学习筛选建立并跨队列验证CMA相关风险模型：以105个候选基因为特征，在TCGA队列中训练多种生存模型，并在ICGC加拿大和澳大利亚队列中验证。StepCox[forward]+RSF表现最佳，平均C指数为0.771，TCGA、ICGC加拿大、ICGC澳大利亚队列的C指数分别为0.903、0.678和0.733。Kaplan-Meier分析显示三个队列中高风险组生存期均显著较差（P<0.001）。1、2、3年时间依赖性ROC的AUC值在TCGA队列为0.930、0.903和0.909；ICGC加拿大队列为0.738、0.753和0.757；ICGC澳大利亚队列为0.753、0.850和0.794。KRT19在模型中变量重要性最高，其次为IL10RA、HCST、HMOX1、RASAL3、POU2F2、ABI3等。
3.4 CMA相关风险评分与临床特征及核心模型基因表达模式的关联：生存状态是唯一在风险组间呈显著不平衡的临床变量，死亡患者更多集中于高风险组。风险评分在不同T分期和临床分期之间无显著差异。ROC分析显示风险评分区分有无远处转移的能力较弱（AUC=0.522），提示风险评分捕获的预后信息与M分期分类能力不同。
3.5 CMA风险评分的独立预后贡献及其与Hallmark通路活性的关联：单因素Cox回归显示风险评分与总生存期显著相关（HR=5.53，P<0.001），多因素Cox回归中风险评分仍保持独立预后意义（HR=4.55，P<0.001）。GSVA显示高风险组中糖酵解、MTORC1信号、有丝分裂纺锤体、G2M检查点、E2F靶点和MYC靶点等增殖、代谢和细胞周期相关通路显著富集。缺氧、胆固醇稳态、TGF-β信号、干扰素α反应等12条Hallmark通路的高活性与较差总生存期相关。
3.6 CMA相关风险评分与免疫微环境特征的关联：ssGSEA的28种免疫细胞亚群分析显示，低风险组大多数T细胞、NK细胞、B细胞和树突状细胞亚群得分较高，高风险组仅中性粒细胞和MDSCs略高。CIBERSORT分析显示高风险组M0巨噬细胞比例增加，CD8
+ T细胞比例减少。风险评分与M0巨噬细胞丰度正相关，与CD8
+ T细胞、单核细胞、浆细胞和初始B细胞负相关。核心模型基因与免疫细胞分数间呈现基因特异性的相关模式。
3.7 CMA相关风险组提示潜在的药物敏感性差异：高风险组对MP470、TL-2–105、EHT 1864、SB52334和navitoclax显示出较高的预测药物反应得分，即相对较低的预测敏感性；而对拉帕替尼、曲美替尼、毒胡萝卜素、17-AAG和紫杉醇显示出较低的预测药物反应得分，即相对较高的预测敏感性。
3.8 KRT19过表达促进PDAC细胞增殖、迁移和侵袭：Western blot证实KRT19过表达成功。CCK-8实验显示过表达KRT19的BxPC-3细胞增殖速度加快，集落形成实验显示集落数量增加。划痕愈合实验和Transwell实验均显示KRT19过表达显著增强细胞迁移和侵袭能力。
3.9 机器学习分析在独立单中心队列中识别临床可及的预后因素：对468例PDAC患者采用100次7:3训练-测试划分评估八种生存预测模型，CoxBoost、逐步Cox回归和RSF表现较好。N分期在所有三个模型中都显示高重要性，加权重要性排名依次为N分期、CA125、血管瘤栓和总胆红素。单因素Cox回归显示N分期、肿瘤大小、血管瘤栓、总胆红素、CA125、高密度脂蛋白胆固醇和甘油三酯与OS显著相关；多因素分析中N分期、肿瘤大小、血管瘤栓和总胆红素保持独立关联。基于这些变量构建的临床列线图预测1年和3年OS的AUC分别为0.661和0.750。
讨论与结论：本研究从分子和临床两个互补角度探讨了PDAC的预后异质性。单细胞分析揭示了CMA相关转录状态的细胞类型特异性，巨噬细胞是突出的CMA相关细胞群，PDAC来源的巨噬细胞表现出更高的CMA得分及NUPR1、CTSD、TMEM176B等应激反应和溶酶体相关基因的上调。分子预后模型由同时与CMA共表达模式和恶性组织状态相关的基因构建，降低了无关转录组信号的贡献。高风险肿瘤表现出增强的增殖、细胞周期和代谢通路活性，M0巨噬细胞增加和CD8
+ T细胞减少。预测的药物敏感性差异提示了潜在的治疗意义，但仍需进一步验证。KRT19在模型中的重要性最高，其过表达促进PDAC细胞增殖、集落形成、迁移和侵袭，支持其与侵袭性肿瘤行为的关联。单中心临床队列分析表明，反映淋巴结受累、肿瘤负荷、血管侵袭和全身状态的临床变量对预后预测有重要贡献。该研究存在以下局限性：分子模型基于回顾性公共数据集，需前瞻性多中心验证；TCGA-PAAD中正常样本仅4例，差异表达分析稳健性受限；单中心队列缺乏配对的转录组数据，分子与临床模型的关系只能推断；CMA得分未直接测量功能性CMA活性，KRT19验证仅限于单一细胞系的过表达实验。
结论部分翻译：本研究表征了PDAC中CMA相关的细胞异质性，并建立了一个在两个独立验证队列中保持预后判别能力的分子预后模型。KRT19被确定为一个关键模型基因，并在PDAC细胞中促进恶性表型。同时，单中心临床模型和列线图为临床可及的预后评估提供了一种补充方法。
