《HUMAN MUTATION》：Metabolic Landscape Decoding: A Machine Learning Approach to Predicting Immunotherapy Response Across Cancer Types
编辑推荐：
免疫检查点阻断(ICB)疗法疗效存在异质性，亟需可靠预测标志物。本研究整合772例泛癌种ICB队列转录组数据，利用机器学习构建了基于代谢相关基因(MRGs)的预测特征MBS，并通过单细胞、多色免疫组化及体内外功能实验验证。结果显示MBS可稳健预测ICB反应与患者生存，其关键基因CA12可促进免疫排斥，靶向CA12可协同增强抗PD-1疗效。该研究为ICB疗效预测提供了新型代谢标志物，并为代谢免疫调节治疗策略提供了新靶点。
近年来，免疫检查点阻断(Immune Checkpoint Blockade, ICB)疗法，如抗PD-1/PD-L1、抗CTLA-4药物，已彻底改变了癌症治疗格局，为部分患者带来了长期生存的希望。然而，这种革命性疗法并非对所有人都有效。数据显示，仅有约12.46%的患者能从治疗中获得临床响应，疗效在不同癌种和患者群体中存在巨大差异。这种“同药不同效”的困境，使得临床医生如同在迷雾中前行，难以精准筛选出潜在获益者。尽管已有肿瘤突变负荷、肿瘤浸润淋巴细胞密度等生物标志物被探索，但其预测能力依然有限。因此，寻找一个能够跨越不同癌种、可靠预测ICB疗效的“通用”生物标志物，成为优化患者分层、提升治疗成功率的关键科学问题。
肿瘤细胞为满足其疯狂增殖的需求，会进行深刻的代谢重编程，例如著名的瓦博格效应(Warburg effect)，即即使在氧气充足的情况下也优先进行糖酵解产生乳酸。这些代谢废物并非“人畜无害”，它们会塑造出一个抑制性的肿瘤微环境(Tumor Microenvironment, TME)，直接“麻痹”本应攻击肿瘤的免疫细胞（特别是CD8+T细胞）的功能。越来越多的证据表明，TME中的代谢紊乱是决定免疫治疗效果的核心因素之一。这提示我们，从代谢的角度入手，或许能解开免疫治疗耐药之谜，并找到新的预测靶点。正是基于这一思路，研究人员开展了一项题为“Metabolic Landscape Decoding: A Machine Learning Approach to Predicting Immunotherapy Response Across Cancer Types”的研究，并发表于《HUMAN MUTATION》期刊。他们旨在系统描绘泛癌种的代谢特征图谱，并开发一个基于代谢的机器学习模型，以预测ICB疗效，同时挖掘其中关键的调控基因和机制。
为完成这项研究，作者团队运用了多项前沿的生物信息学与实验技术。首先，他们进行了大规模的数据整合与分析，汇集了来自10个独立研究、涵盖6种癌症类型（包括皮肤黑色素瘤、尿路上皮癌、胶质母细胞瘤、胃癌、肾细胞癌）、共772例接受ICB治疗患者的预处理样本转录组数据，并使用ComBat-seq方法校正批次效应。其次，利用机器学习进行模型构建与验证，他们从已知的代谢相关基因(Metabolism-Related Genes, MRGs)出发，采用ABESS算法筛选关键基因，并比较了六种机器学习算法（包括随机森林、支持向量机、XGBoost等），通过10折交叉验证和网格搜索优化参数，最终构建了代谢特征(Metabolism-Based Signature, MBS)。再者，为深入探索MBS相关的免疫景观，他们综合利用了癌症基因组图谱(The Cancer Genome Atlas, TCGA)的泛癌多组学数据、单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)数据对细胞组成和通讯进行分析，并使用了多重免疫组化(multiplex Immunohistochemistry, mIHC)技术在临床肺癌组织样本中进行空间验证。最后，他们通过体内外功能实验进行机制验证，包括建立稳定敲低CA12基因的细胞系、细胞增殖实验(CCK-8法)、构建小鼠肺转移模型并结合抗PD-1治疗，以及利用流式细胞术分析肿瘤浸润淋巴细胞(Tumor-Infiltrating Lymphocytes, TILs)的免疫表型。
研究结果如下：
3.1. 阐明代谢相关基因的作用
研究人员首先在TCGA泛癌数据集中系统分析了114条代谢通路，发现肿瘤与正常组织间存在广泛的代谢异质性，并鉴定出716个差异表达的MRGs。功能富集分析显示这些基因主要参与辅因子生物合成、嘌呤代谢等过程。通过对多个ICB队列进行批次效应矫正和预后分析，最终在训练集中锁定了74个与预后显著相关的MRGs，为后续特征构建奠定了基础。
3.2. 开发并验证用于预测泛癌患者免疫治疗结果的MBS
基于74个预后MRGs，研究团队利用多种机器学习算法构建预测模型。通过ABESS算法筛选出8个核心代谢调控基因（包括CA12、PFKP等）。在六种算法中，随机森林(Random Forest, RF)模型在训练集中表现最佳，曲线下面积(Area Under the Curve, AUC)达0.77。该MBS在内部验证集和外部独立测试集中均表现出稳健的预测性能，AUC分别为0.71和0.75。生存分析进一步显示，根据MBS划分的低风险组患者，其总生存期显著优于高风险组。
3.3. MBS的评估
MBS在多种癌症类型（肾癌、尿路上皮癌、胃癌、黑色素瘤）的独立数据集中均能有效区分ICB治疗应答者与无应答者，且预测性能（AUC大多>0.70）优于一系列已发表的泛癌种或黑色素瘤特异的预测特征，证明了其跨癌种的普适性和优越性。
3.4. 探索MBS相关的免疫景观
对TCGA泛癌数据的多维度分析揭示，MBS低风险组与更强的免疫浸润密切相关。具体表现为：该组患者肿瘤中白细胞分数、淋巴细胞分数、肿瘤浸润淋巴细胞分数均显著更高；CD8+T细胞等细胞毒性免疫细胞浸润更丰富；多种免疫激活相关信号通路的活性更强；关键免疫检查点分子（如TIGIT、CTLA4等）的表达也更高。这些结果表明，低MBS评分标志着一个“免疫活化”的肿瘤微环境。
3.5. 表征MBS在不同细胞群中的分布和通讯模式
通过单细胞转录组数据分析发现，MBS评分在上皮细胞中较高，而在B细胞、T/NK细胞、髓系细胞等免疫细胞中较低。高风险组的肿瘤微环境中上皮细胞比例富集，而免疫细胞比例降低。细胞间通讯网络分析显示，高风险组细胞内通讯信号更强，特别是TNF、TGF-β等促肿瘤信号通路被激活，这从细胞互作层面解释了高风险组免疫抑制的机制。
3.6. CA12是MBS的关键成分，与免疫排斥和不良预后相关
在构成MBS的8个基因中，CA12被确定为贡献最大的关键基因。分析显示，CA12在多种癌症的肿瘤组织中高表达，且与患者的不良预后显著相关。在临床肺癌样本中，mIHC实验证实CA12高表达与CD8+T细胞的“免疫排斥”表型（即T细胞被阻挡在肿瘤边缘无法浸润进入）空间共定位，提示CA12可能参与了免疫排斥的形成。
3.7. CA12敲低增强抗肿瘤免疫力并与抗PD-1治疗协同
功能实验验证了CA12的促癌和免疫抑制角色。在体外，敲低CA12可抑制肺癌细胞的增殖。在体内，利用小鼠肺转移模型发现，与单独使用抗PD-1抗体相比，联合CA12敲低能更显著地抑制肿瘤生长、延长小鼠生存期。流式细胞术分析显示，CA12敲低联合抗PD-1治疗组的小鼠肿瘤中，浸润的CD8+T细胞和颗粒酶B(Granzyme B, GZMB)+的细胞毒性T细胞比例显著增加，表明靶向CA12可以逆转免疫抑制，增强T细胞的抗肿瘤活性。
结论与讨论
本研究成功构建并验证了一个基于代谢基因的机器学习特征MBS，该特征能够跨癌种稳健地预测患者对免疫检查点阻断疗法的反应和预后。MBS低评分与免疫细胞浸润增强、免疫活性高的肿瘤微环境相关，而高评分则预示着免疫抑制和不良结局。研究进一步鉴定出碳酸酐酶12(Carbonic Anhydrase 12, CA12)是MBS中的核心基因，其高表达与免疫排斥和患者预后差相关。机制上，靶向CA12能够重塑肿瘤免疫微环境，促进CD8+T细胞的浸润和功能，并与抗PD-1疗法产生协同效应，显著抑制肿瘤生长。
这项研究的重要意义在于：第一，临床转化价值：MBS作为一个基于代谢的、可计算的转录组特征，为临床医生提供了一个潜在的新型工具，可用于在治疗前识别最可能从昂贵且可能有副作用的ICB疗法中获益的患者，实现精准医疗。第二，科学机制突破：它从代谢角度深入揭示了肿瘤免疫逃逸的新机制，将CA12确立为一个连接肿瘤代谢重编程与免疫抑制的关键分子。第三，治疗新策略：研究证实靶向CA12能够克服免疫治疗耐药，这为开发“代谢-免疫”联合治疗策略提供了强有力的理论依据和极具前景的新靶点。总之，该工作通过融合多组学数据、机器学习与实验验证，不仅推进了对肿瘤免疫代谢复杂性的理解，也为改善癌症免疫治疗的临床实践开辟了新的途径。
