《MEDIATORS OF INFLAMMATION》：TUG1 and H19 lncRNAs Can Predict Anti-TNF Unresponsiveness in Patients With Ulcerative Colitis: A Machine Learning–Based Approach
编辑推荐：
本研究通过机器学习方法揭示，在抗肿瘤坏死因子-α（anti-TNF-α）治疗前，长链非编码RNA H19和牛磺酸上调基因1（TUG1）在溃疡性结肠炎（UC）无应答者（UCN）的血液和炎症组织中呈现特征性差异表达，与炎症指标（如CRP、ESR）及疾病活动性显著相关。基于三折交叉验证的逻辑回归模型证实二者可高精度（组织样本中H19和TUG1的准确率分别为90%和93%）预测治疗应答，是潜在的、用于指导UC个体化治疗和监测疾病活动的生物标志物。
1. 引言
溃疡性结肠炎（Ulcerative Colitis, UC）是一种以直肠至近端结肠黏膜炎症、直肠出血、缓解与复发交替为特征的炎症性肠病。尽管抗肿瘤坏死因子-α（anti-TNF-α）单克隆抗体（如阿达木单抗、英夫利西单抗）已成为治疗中重度UC的重要药物，但仍有约三分之一患者对此疗法无应答。因此，在治疗前识别能够预测疗效的生物标志物，对于优化个体化治疗、避免无效治疗带来的时间延误和潜在副作用至关重要。
长链非编码RNA（long noncoding RNAs, lncRNAs）是长度超过200个核苷酸的转录本，在基因表达的表观遗传调控、转录、转录后等多个层面发挥重要作用。已有研究表明，某些lncRNAs的表达变化与UC的进展、肠道屏障功能调节及炎症因子（如TNF-α）的表达调控相关。本研究旨在探讨包括H19、TUG1在内的五种lncRNAs在预测UC患者对抗-TNF治疗应答、监测疾病活动性和炎症状态方面的潜力。
2. 材料与方法
2.1. 研究设计与参与者
本研究是一项前瞻性队列研究。在发现队列中，纳入了42名未曾接受过抗-TNF药物治疗、诊断为中重度活动性UC的患者。所有患者开始接受阿达木单抗生物类似物（CinnoRa）治疗，并在基线（W0）和治疗第14周（W14）采集全血和炎症组织活检样本。根据W14时的内镜下Mayo评分变化、组织学结果和临床改善情况，将患者分为治疗应答者（UCR，n=22）和无应答者（UCN，n=20）。此外，另招募了22名UC患者（12名UCR，10名UCN）作为验证队列。
2.2. 组织学与内镜检查
通过结肠镜检查评估炎症程度，发现UCN患者在W14时仍存在严重炎症，而UCR患者黏膜已愈合。苏木精-伊红染色显示，基线时两组患者均存在中性粒细胞浸润、隐窝脓肿等病理特征，而W14时仅在UCR患者中观察到组织学愈合。
2.3. RNA提取与实时定量PCR
使用TRIzol试剂从组织和全血样本中提取总RNA，并反转录为cDNA。通过实时定量PCR检测五种候选lncRNA（H19、TUG1、GAS5、CDKN2B-AS1、CRNDE）的表达水平，以GAPDH作为内参基因，采用2-ΔΔCt法计算相对表达量。
2.4. 机器学习与统计分析
为了评估lncRNAs的预测性能，采用基于三折交叉验证的逻辑回归模型，以单个lncRNA（H19或TUG1）的表达作为特征，区分UCR和UCN。通过受试者工作特征曲线（ROC）及曲线下面积（AUC）评估模型的判别能力。此外，采用斯皮尔曼相关性检验分析lncRNA表达与临床指标（如ESR、CRP、内镜Mayo评分等）的相关性。组间比较采用非配对t检验，治疗前后比较采用配对t检验。
3. 结果
3.1. lncRNAs在UCN与UCR患者中的差异表达模式
在基线时，对炎症组织的检测发现，与UCR患者相比，UCN患者的H19表达显著上调，而TUG1表达显著下调。其余三种lncRNA（GAS5、CDKN2B-AS1、CRNDE）的表达在两组间无显著差异。相关性分析表明，H19的表达与C反应蛋白、红细胞沉降率水平呈显著正相关，且H19和TUG1的表达均与内镜Mayo评分正相关。
在W14时，UCN患者的H19表达仍显著高于UCR患者，而TUG1的表达在两组间已无差异。这表明H19的高表达可能与对抗-TNF治疗的无应答状态持续相关。
3.2. 抗-TNF治疗对UC患者结肠lncRNA表达的影响
在UCR患者中，与基线相比，W14时结肠组织中的H19和TUG1表达均显著下调，这提示这两种lncRNA的表达降低可能与抗-TNF治疗诱导的炎症消退和疾病缓解有关。然而，在UCN患者中，H19和TUG1的表达在治疗前后均未发生显著变化。
3.3. lncRNAs在患者全血样本中的差异表达
在基线时，UCN患者全血中的H19和TUG1表达均显著高于UCR患者。值得注意的是，血液中TUG1的表达模式（在UCN中上调）与组织中的模式（在UCN中下调）相反。在W14时，血液中H19和TUG1在UCN中的高表达状态依然持续。
3.4. lncRNAs在预测抗-TNF治疗应答中的显著性能
机器学习分析显示，在发现队列中，H19在组织和血液样本中预测治疗无应答的准确率分别为90%和85%。TUG1在组织样本中表现出极高的预测性能，准确率达93%，但在血液样本中准确率较低（60%）。ROC曲线分析表明，TUG1在组织中的AUC为0.88，H19在组织和血液中的AUC分别为0.84和0.83，显示出良好的判别能力。
在独立验证队列中，H19和TUG1的表达差异趋势得以重现。逻辑回归模型在验证集上依然表现良好：H19在血液样本中预测准确率达85%，TUG1在组织中准确率达92%，在血液中甚至达到94%。这进一步证实了TUG1（组织）和H19（血液）作为预测生物标志物的稳健性。
4. 讨论
本研究发现，在抗-TNF治疗前，H19在UCN患者的组织和血液中均持续高表达，且与炎症标志物正相关，治疗后仅在应答者中表达下降，提示H19可能作为一个促炎lncRNA，参与介导对抗-TNF治疗的无应答。大量文献支持H19能通过诸如核因子κB等信号通路促进TNF-α等炎症因子的产生。
TUG1的表达模式则更为复杂，其在UCN患者组织中低表达而在血液中高表达。已有研究报道TUG1可通过调控微小RNA网络来抑制TNF-α诱导的肠上皮细胞凋亡和炎症因子产生。因此，TUG1的表达失调可能通过影响肠上皮稳态和炎症反应，导致对抗-TNF治疗的不同应答。
本研究创新性地将机器学习方法应用于lncRNA表达数据，成功构建了高预测精度的模型。所识别的H19和TUG1标志物具有从组织（侵入性）和血液（非侵入性）两种样本来源进行检测的潜力，为临床转化提供了灵活性。尽管现有临床预测指标（如CRP、粪便钙卫蛋白）存在局限性，但本研究发现的lncRNAs展现出更高的预测特异性。
5. 结论
综上所述，lncRNA H19和TUG1的表达变化与UC患者的疾病活动性、炎症水平以及对抗-TNF治疗的应答密切相关。其中，H19可作为监测治疗反应和疾病活动的潜在指标，而TUG1（组织）和H19（血液）则展现出作为预测抗-TNF治疗无应答的新型生物标志物的巨大前景。这些发现有助于推动UC的个体化精准治疗，未来需要在更大规模的多中心队列中进行验证，并深入探索其发挥作用的分子机制。
