《International Journal of Genomics》：Integrated Transcriptomic Analysis Identifies Immune Remodeling and Prognostic Signatures in Uveal Melanoma
编辑推荐：
本研究结合单细胞与RNA测序技术，系统剖析葡萄膜黑色素瘤(UVM)原发与转移肿瘤的转录组差异，并构建了基于11个关键基因的预后风险模型。该模型在TCGA和GEO队列中均能有效分层患者预后，高风险组呈现免疫抑制微环境特征及差异化化疗药物敏感性，为理解UVM转移机制、开发新型生物标志物及优化个体化治疗策略提供了重要参考。
背景与挑战
葡萄膜黑色素瘤(Uveal Melanoma, UVM)是成人中最常见的原发性眼内恶性肿瘤，起源于虹膜、睫状体和脉络膜的黑色素细胞，年发病率约为每百万人5-7例，在白人、中老年群体中尤为高发。该病具有极强的肝转移倾向，约50%的患者在确诊后10年内发生转移，其中约95%为单纯肝转移，导致患者一旦发生转移，中位生存期仅6-12个月。UVM的治疗面临多重困境：常规化疗疗效有限；因其肿瘤突变负荷(Tumor Mutational Burden, TMB)低、缺乏新抗原、肿瘤微环境呈“冷”免疫状态以及高频发生BAP1功能缺失突变等原因，导致其对免疫检查点抑制剂(Immune Checkpoint Inhibitors, ICIs)如抗PD-1/抗CTLA-4抗体的反应极差，远逊于皮肤黑色素瘤。同时，疾病的罕见性也严重限制了临床试验的开展和药物研发投入。因此，寻找能够早期预测转移、有效评估预后并指导治疗的分子标志物成为UVM临床管理的迫切需求。
研究方法学：从单细胞到群体转录组的整合分析
为深入探究UVM的分子特征，研究者设计了一套整合分析方法。首先，利用GEO数据库中的单细胞RNA测序(Single-Cell RNA Sequencing, scRNA-seq)数据集GSE139829，纳入了来自原发和转移性UVM样本的50,933个高质量细胞。经过严格的质量控制，使用Harmony算法校正批次效应，并通过主成分分析(Principal Component Analysis, PCA)、均匀流形逼近与投影(Uniform Manifold Approximation and Projection, UMAP)进行降维可视化。基于经典标记基因的表达谱，研究者最终将细胞注释为7种主要类型：恶性细胞（标记基因：MITF, MLANA）、T/NK细胞（CD3E, CD3D）、单核/巨噬细胞（CD14, CD68, CD163, C1QA）、B细胞/浆细胞（MS4A1, CD38, SDC1）、内皮细胞（PECAM1, CD34, CLDN5）、成纤维细胞（DCN, C1R, C1S）以及光感受器细胞（RCVRN）。
在单细胞层面，研究者提取了恶性细胞并进行差异表达分析，筛选出原发与转移性恶性细胞之间的差异表达基因(Differentially Expressed Genes, DEGs)。功能富集分析（KEGG和GO）显示，转移性细胞在免疫调节、代谢重编程和蛋白质稳态相关通路中显著富集，例如白细胞跨内皮迁移、蛋白酶体通路、抗原加工与呈递、谷胱甘肽代谢，以及线粒体内膜、氧化磷酸化、ATP合成偶联的电子传递等过程。
构建与验证：一个稳健的11基因预后风险模型
为了从海量数据中提炼出关键的预后信息，研究者采用了整合策略。首先，基于癌症基因组图谱(The Cancer Genome Atlas, TCGA)的UVM队列，通过单因素Cox回归分析，筛选出900个与总生存期(Overall Survival, OS)显著相关的预后基因。接着，将这900个基因与单细胞分析中得到的恶性细胞DEGs取交集，获得候选基因集。为了避免过拟合并筛选出最稳健的预测因子，研究者应用了最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)回归分析。通过10折交叉验证选择最优正则化参数λ，最终锁定了11个UVM特异性预后基因，构建了一个多基因风险预测模型。
这11个关键基因包括：丝氨酸蛋白酶抑制剂B家族成员9(SERPINB9)、聚腺苷二磷酸核糖聚合酶家族成员8(PARP8)、程序性细胞死亡4(PDCD4)、癫痫相关6同源物样2(SEZ6L2)、KDEL内质网蛋白滞留受体3(KDELR3)、脂滴包被蛋白2(PLIN2)、干扰素刺激外切核酸酶20(ISG20)、S100钙结合蛋白A13(S100A13)、溶质载体家族45成员2(SLC45A2)、γ-氨基丁酸A型受体相关蛋白样1(GABARAPL1)和组织蛋白酶F(CTSF)。
研究者为TCGA队列中的每位患者计算了风险评分，并以中位风险评分为界，将患者分为高风险组和低风险组。模型的预测性能在多个独立数据集中得到了卓越验证。在TCGA训练集中，该模型对1年、3年和5年生存率的曲线下面积(Area Under the Curve, AUC)分别高达0.897、0.973和1.000，Kaplan-Meier生存分析显示高风险组患者的生存结局显著更差。模型在外部验证集GSE22138和GSE84976中同样表现出强大的预测能力和稳定性，证实了其良好的泛化性。
模型的独立预后价值与临床应用潜力
为了评估风险模型是否是不依赖于其他临床因素的独立预后因子，研究者进行了单因素和多因素Cox回归分析。结果显示，在多因素模型中，排除了年龄等混杂因素后，风险评分仍然是UVM患者OS的独立预后因素，其风险比(Hazard Ratio, HR)高达6.983。为了将这一模型更直观地应用于临床，研究者构建了一个整合了年龄和风险评分的列线图(Nomogram)，可以便捷地预测个体患者在1年、3年和5年的生存概率。校准曲线显示，该列线图的预测结果与实际观察到的生存率高度一致，展现了其良好的临床实用性。
免疫微环境剖析：高风险组的免疫抑制与逃逸特征
该研究进一步揭示了风险模型背后的生物学内涵，特别是肿瘤免疫微环境的差异。通过CIBERSORT算法对肿瘤浸润免疫细胞进行分析，发现高风险组患者的肿瘤微环境中，活化的CD4+T细胞、CD8+T细胞、自然杀伤(Natural Killer, NK)细胞、辅助性T细胞1(T helper 1, Th1)、调节性T细胞(Regulatory T cells, Tregs)、髓源性抑制细胞(Myeloid-Derived Suppressor Cells, MDSCs)以及多种抗原呈递细胞的浸润水平显著更高。这种看似“活跃”的免疫状态，实际上可能伴随着更强的免疫抑制和调节特性。
更关键的是，免疫检查点基因的表达谱分析显示，高风险组中多个关键的免疫抑制分子，如CD276(B7-H3)、HAVCR2(TIM-3)、LAG3、PDCD1LG2(PD-L2)和TIGIT的表达均显著上调。这强烈提示，高风险UVM患者肿瘤细胞的免疫逃逸潜力更强，可能对现有的免疫检查点阻断治疗产生不同的反应，为个性化免疫治疗策略的选择提供了线索。
药物敏感性预测：风险分层的治疗指导意义
研究还利用pRRophetic R包，基于基因表达谱预测了患者对常见化疗药物的敏感性，即半数抑制浓度(Half Maximal Inhibitory Concentration, IC50)。分析发现，高风险组患者对阿糖胞苷(cytarabine)和甲氨蝶呤(methotrexate)的预测IC50值显著更低，意味着他们可能对这些药物更敏感。相反，高风险组对丝裂霉素C(mitomycin C)的预测IC50值显著更高，表明其敏感性可能较低。这些发现提示，该风险模型不仅能预测预后，还可能为指导不同风险亚组患者的化疗药物选择提供有价值的信息。
关键基因的表达验证与功能初探
研究分别在单细胞水平和群体转录组水平验证了这11个预后基因的表达模式。单细胞数据显示，这些基因在肿瘤微环境中呈现细胞类型特异性的分布。例如，SERPINB9主要在恶性细胞中高表达，PLIN2富集于巨噬细胞，而S100A13和ISG20则在内皮细胞和B/浆细胞中表达较高。在群体水平，研究者分析了部分基因表达与临床分期的关系，发现SERPINB9的表达在III期肿瘤中升高，在IV期又有所下降，显示出与疾病进展的潜在关联；而PLIN2和S100A13在不同分期间的表达差异未达到统计学显著性。
在讨论部分，文章深入探讨了部分关键基因的已知功能及其在UVM中的潜在意义。例如，SERPINB9作为颗粒酶B的抑制剂，可通过保护肿瘤细胞免受细胞毒性T淋巴细胞(Cytotoxic T Lymphocytes, CTLs)和NK细胞的杀伤来促进免疫逃逸，是潜在的免疫治疗靶点。SLC45A2是黑色素细胞相关抗原，与黑色素合成相关，已有研究探索以其为靶点的过继性T细胞疗法治疗转移性UVM。PLIN2参与脂滴代谢，与肿瘤的免疫抑制和代谢重编程微环境相关。S100A13作为S100蛋白家族成员，参与炎症和细胞迁移等过程，其异常表达可能通过免疫相关机制影响疾病进程。
结论与展望
综上所述，本研究通过整合单细胞与群体转录组数据，系统描绘了UVM原发与转移状态的分子图谱及免疫微环境特征，并成功构建并验证了一个包含11个基因的稳健预后风险模型。该模型不仅能有效区分UVM患者的预后，还揭示了高风险患者所具有的免疫抑制微环境、特定的免疫检查点表达谱以及差异化的化疗药物敏感性。研究特别指出，PLIN2、S100A13和SERPINB9等基因的表达变化与疾病进展阶段相关，是具有潜力的早期预测生物标志物和治疗靶点。这项工作为深入理解UVM的转移生物学、开发新的预后工具以及制定更精准的个体化治疗策略奠定了重要的理论基础。当然，研究的结论主要基于生物信息学分析，未来需要通过体外实验、动物模型以及前瞻性临床研究进一步验证这些基因的生物学功能及其临床转化价值。
