《Stem Cells International》：Investigation Into the Association Between Neurotransmitters, Immune Features, and Lung Adenocarcinoma: Identifying GABA-Related Features Using Machine Learning Methods
编辑推荐：
背景：肺腺癌（LUAD）作为非小细胞肺癌（NSCLC）的主要亚型，死亡率居高不下，目前缺乏可靠的早期诊断与预后评估生物标志物。γ-氨基丁酸（GABA）作为中枢神经系统核心抑制性神经递质，主要通过与GABA受体（GABARs）相互作用发挥功能，近年研究提示其在中
背景：肺腺癌（LUAD）作为非小细胞肺癌（NSCLC）的主要亚型，死亡率居高不下，目前缺乏可靠的早期诊断与预后评估生物标志物。γ-氨基丁酸（GABA）作为中枢神经系统核心抑制性神经递质，主要通过与GABA受体（GABARs）相互作用发挥功能，近年研究提示其在中枢神经系统外肿瘤的发生发展中具有重要作用，但GABA在LUAD中的作用机制尚未明确。
方法：研究人员开发了一种新型机器学习框架，在单细胞及大规模转录组水平筛选GABA相关基因（GABARgenes），整合10种算法及101种组合模式构建稳定的GABA相关特征（GABARFs）。通过训练集与外部验证集评估模型性能，构建整合GABARF的列线图以实现临床定量预后评估。同时结合基因组、单细胞转录组及批量转录组多组学分析，解析GABARF风险亚组的免疫治疗反应差异，并筛选潜在个体化治疗靶点。
结果：在124个GABARgenes中，38个与患者总生存期（OS）显著相关。机器学习构建的GABARF在预后与临床结局预测中表现优异，可作为LUAD患者OS的独立预后因素。不同GABARF风险亚组在生物学功能、突变特征及肿瘤免疫浸润上存在显著差异，免疫表型评分（IPS）存在明显异质性。GABARF风险分层与肿瘤细胞干性特征一致，高风险患者肿瘤干性增强，导致预后更差且免疫治疗响应更低。药物敏感性分析显示低风险组更易从免疫检查点抑制剂（ICIs）获益，高风险组对一线化疗药物更敏感。功能实验证实乳酸脱氢酶A（LDHA）过表达可促进LUAD细胞增殖与迁移、抑制凋亡，并上调干性标志物CD133、SOX2及OCT4的表达，增强肿瘤恶性表型。
结论：该研究开发的基于机器学习的GABARF模型可作为LUAD预后预测、靶向预防及个体化治疗规划的有效工具，初步揭示了GABARF在分子、细胞及肿瘤免疫微环境（TIME）层面的互作机制。GABARF不仅可作为预后指标，还可反映LUAD肿瘤干性状态，为兼顾神经-免疫-干性互作的个体化治疗策略提供依据。
该研究发表于《Stem Cells International》，针对肺腺癌缺乏高灵敏度早期诊断与预后标志物的临床痛点展开。肺腺癌占非小细胞肺癌的80%–85%，现有手术、放化疗及靶向、免疫治疗效果有限，约75%患者确诊时已处于晚期，5年生存率亟待提升。γ-氨基丁酸作为中枢核心抑制性神经递质，在多种中枢神经系统外实体瘤中表达升高并与进展相关，但其通过GABA受体调控肿瘤发生、免疫逃逸及干性的具体机制尚未在肺腺癌中系统阐明，因此亟需挖掘可转化的GABA相关分子特征以指导临床决策。
研究人员采用的关键技术方法如下：基于TCGA-LUAD转录组及临床数据、GEO数据库GSE149655单细胞测序数据集、GSE31210与GSE50081外部验证队列及IMvigor210免疫治疗队列开展分析；通过加权基因共表达网络分析（WGCNA）筛选GABA相关模块基因；整合10种机器学习算法的101种组合构建预后模型，以Harrell一致性指数（C-index）筛选最优模型；采用单样本基因集富集分析（ssGSEA）、基因集富集分析（GSEA）解析通路差异；通过CIBERSORT、ESTIMATE算法评估肿瘤免疫微环境；结合突变谱、拷贝数变异（CNV）分析肿瘤基因组异质性；利用细胞功能实验验证核心基因LDHA的表型效应。
研究结果分为以下部分：
3.1 单细胞转录组中GABA活性分布特征：对GSE149655数据集的7类细胞进行聚类，通过Seurat包AddModuleScore量化GABA活性，发现内皮细胞、上皮细胞及成纤维细胞中GABA活性显著高于其他细胞类型，据此筛选出518个差异表达基因。
3.2 高相关模块识别与GABARgenes筛选：采用WGCNA构建共表达网络，确定与GABA评分相关性最高的青绿色模块（r=0.4，p=3e-24），结合TCGA-LUAD差异表达基因取交集得到100个GABARgenes，经单因素Cox回归分析最终锁定38个与预后显著相关的核心基因，其中YWHAZ与EIF4A3拷贝数扩增频率超过10%。
3.3 基于机器学习的预后模型构建：以TCGA-LUAD为训练集，通过10折交叉验证评估101种算法组合的C-index，确定随机生存森林（RSF）+监督主成分分析（SuperPC）模型性能最优，该模型在训练集及两个外部验证集中均能有效区分高低风险组的总生存期差异。
3.4 GABARF模型效能评估：训练集1、3、5年总生存期预测的曲线下面积（AUC）分别为0.64、0.66、0.65，外部验证集GSE31210对应值为0.71、0.68、0.73，GSE50081对应值为0.65、0.64、0.68；GABARF风险评分随T分期升高显著增加，对肿瘤大小及浸润状态具有预测潜力，且在不良预后亚组中保持稳定判别能力。
3.5 列线图构建与临床效能验证：单因素及多因素Cox回归证实GABARF是肺腺癌总生存期的独立预后因素；整合GABARF与临床特征的列线图校准曲线显示1、3、5年预测与实际观察值一致性良好，决策曲线分析（DCA）表明其净临床获益优于单一临床特征。
3.6 转录组层面GABARF的分子互作机制：GSEA分析显示低风险组富集KRAS信号、同种异体移植排斥及炎症代谢通路，高风险组富集E2F靶点、G2M检查点、MTORC1信号通路及MYC靶点等促增殖通路，这些通路活性与高风险组不良预后直接相关。
3.7 GABARF风险亚组的瘤内异质性与基因组变异：高风险组突变等位基因肿瘤异质性（MATH）评分更高，TP53突变率（70%）显著高于低风险组（45%），共存突变频率更高；FLG、CSMD3以拷贝数扩增为主，COL11A1以缺失为主。
3.8 GABARF与单细胞特征的关联：GABARF相关基因主要在巨噬细胞等免疫细胞中表达；高风险上皮细胞的细胞间通讯以迁移抑制因子（MIF）信号通路为核心，低风险上皮细胞则更多参与淀粉样前体蛋白（APP）通路调控。
3.9 GABARF与肿瘤免疫微环境（TIME）特征的关联：低风险组ESTIMATE免疫评分、基质评分及综合评分均更高，富集1型辅助性T细胞、滤泡辅助性T细胞及活化树突状细胞（DCs）；高风险组富集静息NK细胞、2型辅助性T细胞及记忆B细胞，17个GABARF基因与免疫细胞浸润显著相关。
3.10 免疫治疗响应与抗肿瘤免疫循环关联：低风险组在抗肿瘤免疫循环的第1、2、4、5、6步活性更强，T细胞、CD4+T细胞、巨噬细胞及单核细胞招募能力更优；低风险组免疫检查点（CD27、CTLA-4、TIGIT等）表达更高，免疫表型评分（IPS）更高，IMvigor210队列中完全缓解/部分缓解比例显著高于高风险组。
3.11 GABARF的药物敏感性分析：高风险组对顺铂、多柔比星、紫杉醇、多西他赛、吉西他滨的半数抑制浓度（IC50）显著低于低风险组，对DMOG的IC50则更高，提示高风险组更适合常规化疗，低风险组可能从DMOG联合免疫治疗中获益。
3.12 LDHA过表达对癌细胞增殖与凋亡的影响：qPCR筛选显示LDHA在临床样本中差异表达最显著；功能实验证实LDHA过表达促进A549细胞迁移与增殖、抑制凋亡，并上调干性标志物CD133、SOX2、OCT4的蛋白表达。
讨论部分指出，该研究首次构建了整合多组学与101种机器学习组合的GABARF模型，突破了传统单一GABA通路研究的局限，从系统层面揭示了GABA通过代谢重编程（LDHA介导的糖酵解）、免疫抑制（MIF信号通路调控）及干性维持（E2F/MYC/MTORC1通路激活）协同驱动肺腺癌进展的机制。GABARF可作为独立于TNM分期的分层工具，指导高风险患者接受化疗、低风险患者接受免疫治疗的精准决策，同时为靶向GABA通路的抗肺腺癌药物研发提供了候选靶点。研究局限性在于外部验证队列规模较小，未通过蛋白质水平验证GABA通路活性，后续需开展前瞻性多中心临床试验进一步验证模型的临床转化价值。
结论部分总结：该研究开发的GABA相关特征（GABARF）系统可作为肺腺癌患者预后预测、早期预防及个体化诊疗的有力工具，基于GABARgenes的多组学分析为阐明肺腺癌发生的分子机制提供了新的视角。
