基于机器学习的识别方法及体外验证：APOBEC3B-ANLN调控轴在肾上腺皮质癌中的作用

《Endocrine》：Machine Learning-Driven Identification and In Vitro Validation of the APOBEC3B-ANLN Regulatory Axis in Adrenocortical Carcinoma

肾上腺皮质癌中APOBEC3B（A3B）基因通过调控ANLN轴影响肿瘤迁移，结合311样本的组学分析（WGCNA、机器学习）和体外实验（siRNA、迁移实验），建立了高精度预测模型，为靶向治疗提供依据。

　　

摘要

背景

肾上腺皮质癌（Adrenocortical Carcinoma, ACC）是一种罕见且具有侵袭性的恶性肿瘤，其诊断和治疗手段较为有限。APOBEC3B（A3B）已被证实是多种癌症中的突变驱动因子，但其下游作用机制仍不清楚。我们旨在利用生物信息学方法（如机器学习）来揭示A3B在肾上腺皮质癌中的作用机制，并通过体外实验对其进行深入验证和探讨。

方法

通过对311个样本进行综合分析，包括差异表达分析和加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis, WGCNA），我们利用从关键模块中提取的枢纽基因作为113种机器学习方法的分析基础。通过特征重要性和SHAP分析技术评估了具有潜在关联性的基因。体外实验包括qRT-PCR、Western blotting、siRNA介导的基因敲低、过表达拯救实验以及Transwell迁移实验，以评估这些基因对基因表达和细胞迁移能力的影响。

结果

随机森林（Random Forest）被选为最佳模型，该模型识别出以A3B和ANLN为中心的9个基因特征（AUC = 0.996）。敲除A3B基因显著降低了ANLN的mRNA和蛋白质水平（p < 0.001）。过表达ANLN能够逆转这一效应。与单独敲除A3B相比，细胞的迁移距离和迁移细胞数量均得到恢复（p < 0.001）。

结论

我们的综合组学和实验方法揭示了A3B-ANLN轴作为肾上腺皮质癌的关键作用机制，并为该疾病的早期诊断和治疗干预提供了预测模型和潜在靶点。