基于机器学习鉴定氧化磷酸化(oxidative phosphorylation, OXPHOS)特征基因签名用于卵巢癌(ovarian cancer, OC)预后、免疫浸润及药物敏感性的评估

《Frontiers in Immunology》：Machine learning-based identification of an oxidative phosphorylation signature for prognosis, immune infiltration, and drug sensitivity in ovarian cancer

　　

背景：卵巢癌（ovarian cancer, OC）是一种高度异质性疾病，其代谢特征亦呈异质性，但参与OC代谢的关键代谢通路尚不清楚，代谢通路相关基因在预后及治疗结局中的意义亦未明确。方法：研究人员利用癌症基因组图谱（The Cancer Genome Atlas Program, TCGA）、基因型-组织表达（Genotype-Tissue Expression, GTEx）及多个基因表达综合库（Gene Expression Omnibus, GEO）数据集，对京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）中84条代谢通路进行基因集富集分析（gene set enrichment analysis, GSEA），通过稳健秩聚合（robust rank aggregation, RRA）分析鉴定显著改变的代谢通路；利用最显著改变代谢通路相关基因构建最稳健的机器学习模型，并结合单细胞测序分析结果，选定驱动蛋白家族成员1A（kinesin family member 1A, KIF1A）进行后续生物学水平研究。结果：研究人员确定氧化磷酸化（oxidative phosphorylation, OXPHOS）是OC的核心代谢通路之一，采用随机生存森林（random survival forest, RSF）和有监督主成分分析（supervised principal components, SuperPC）方法构建了OXPHOS相关基因签名（OXPHOS-related gene signature, OPRGS），其在OC中是较为可靠的风险因子。TCGA队列中高风险评分患者ESTIMATE间质评分更高，与肿瘤相关成纤维细胞（cancer-associated fibroblasts, CAFs）显著正相关，肿瘤免疫功能障碍与排除（Tumor Immune Dysfunction and Exclusion, TIDE）评分更高，程序性死亡蛋白-1（programmed cell death protein-1, PD-1）及细胞毒性T淋巴细胞相关抗原-4（cytotoxic T lymphocyte-associated antigen-4, CTLA-4）免疫表型评分（Immunophenoscore, IPS）更低，提示免疫抑制性肿瘤微环境（tumor microenvironment, TME）。此外高OPRGS与较低癌症干性指数、紫杉醇耐药但卡铂敏感相关。高OPRGS还与Notch、血管生成及上皮-间质转化（epithelial-mesenchymal transition, EMT）等癌症标志信号通路高活化相关。整合单细胞RNA测序数据鉴定KIF1A为关键基因，其在OC细胞系中上调并促进细胞增殖、侵袭和迁移。结论：本研究构建了新型OPRGS，可作为预测OC患者预后、免疫浸润及化疗药物敏感性的潜在指标。

论文解读：基于机器学习鉴定氧化磷酸化特征基因签名用于卵巢癌预后、免疫浸润及药物敏感性的评估

该研究发表于《Frontiers in Immunology》。卵巢癌（ovarian cancer, OC）是致死率第二高的妇科恶性肿瘤，高度异质性且多数确诊已是晚期，标准手术联合铂类化疗后易复发并产生耐药。肿瘤代谢重编程是癌症标志之一，OC不同亚型代谢表型存在差异，其中高级别浆液性OC和高表达OXPHOS的OC干细胞表现出对线粒体代谢的高度依赖，高OXPHOS水平常与DNA损伤剂及化疗药耐药相关。现有OC代谢相关或OXPHOS通路预后模型多独立建模且主要依赖Cox回归，缺乏先全局筛选核心代谢通路再针对关键通路构建预后模型的系统研究范式。因此，研究人员旨在无偏筛选OC核心代谢通路，构建并验证OXPHOS相关基因签名（OXPHOS-related gene signature, OPRGS），探讨其与免疫浸润、免疫治疗反应、癌症干性、化疗敏感性的关系，并通过单细胞分析及体外实验验证关键驱动基因KIF1A的功能。

主要关键技术方法：

研究人员使用TCGA OC队列（n=407）与GTEx正常卵巢组织（n=88）及多个GEO数据集（GSE9891、GSE26193、GSE54388、GSE26712、GSE66957用于通路筛选；GSE32062、GSE17260、GSE140082、GSE26712用于模型验证）。对84条KEGG代谢通路行基因集变异分析（gene set variation analysis, GSVA）及差异分析，通过稳健秩聚合（robust rank aggregation, RRA）整合多数据集筛选核心代谢通路。取OXPHOS通路相关基因（整合KEGG、GO、MSigDB数据库）与差异表达基因（differentially expressed genes, DEGs）及单变量Cox回归交集获得建模基因。采用Mime1包整合10种机器学习算法构建99个预后模型，以Harrell's一致性指数（concordance index, C-index）遴选最优模型（RSF+SuperPC）。利用ESTIMATE、TIDE、免疫表型评分（Immunophenoscore, IPS）分析免疫微环境及免疫治疗反应，oncoPredict计算化疗药物半数抑制浓度（half-maximal inhibitory concentration, IC50），GSVA分析Hallmark通路富集。使用GEO scRNA-seq数据集（GSE184880）经Seurat流程质控聚类注释分析细胞类型及OPRGS基因分布。体外选A2780细胞系siRNA敲低KIF1A，CCK-8、克隆形成、EdU、Transwell及划痕实验验证其功能。

研究结果

3.1 Identification of the OXPHOS pathway（OXPHOS通路的鉴定）：

研究人员对TCGA、GTEx及GEO数据集行GSVA及limma差异分析筛选显著代谢通路，RRA整合排名显示OXPHOS通路在OC中上调最显著，被选定为后续分析的目标代谢通路。

3.2 Identification the input genes of OPRGS and their prognostic value（OPRGS输入基因的鉴定及其预后价值）：

整合KEGG、GO、MSigDB获得302个OXPHOS相关基因，ConsensusClusterPlus一致性聚类将TCGA OC患者分为两簇（Cluster 2预后较好），取两簇间DEGs并与OC vs 正常组织DEGs及单变量Cox回归显著基因取交集，最终获得41个OPRGS输入基因。

3.3 Integrative machine learning algorithms to develop the OPRGS and evaluation its performance（整合机器学习算法开发OPRGS并评估其性能）：

以TCGA为训练集、4个GEO为验证集，RSF联合SuperPC模型平均C-index最高（验证集0.583），筛选出22个基因构建风险评分公式。高低危组Kaplan-Meier生存分析示高危组总生存期（overall survival, OS）显著更差（P<0.05），时间依赖性ROC曲线示模型具良好判别价值。Meta分析证实高OPRGS是OC不良预后的独立危险因素，与43个已发表OC预后模型相比C-index位居前三，联合临床病理因素可使C-index提升至0.634。

3.4 The immune microenvironment in OC patients with different OPRGS（不同OPRGS分组OC患者的免疫微环境）：

OPRGS高分与癌相关成纤维细胞（cancer-associated fibroblasts, CAFs）丰度正相关，调节性T细胞（regulatory T cells, Tregs）丰度负相关；ESTIMATE分析示高分组基质评分（stromal score）升高而免疫评分无显著差异。高分组TIDE评分、T细胞排斥及功能障碍评分、CAFs评分、M2型肿瘤相关巨噬细胞评分均升高；TCIA数据库IPS（PD-1及CTLA-4 IPS）在低分组更高，提示高OPRGS组呈免疫抑制TME且可能对免疫检查点抑制剂响应较差。

3.5 Chemotherapy drug sensitivity and GSVA of hallmark gene sets in OC patients with different OPRGS（不同OPRGS分组OC患者的化疗药物敏感性与Hallmark基因集GSVA）：

高OPRGS组对卡铂、奥沙利铂、环磷酰胺、奥拉帕尼、他莫昔芬更敏感，对紫杉醇、氟尿嘧啶、吉西他滨、异环磷酰胺较不敏感。GSVA示高分组Wnt/β-Catenin、TGF-β、Notch、有丝分裂纺锤体、KRAS、Hedgehog、EMT等Hallmark通路显著富集。

3.6 scRNA-seq analysis of OC patients（OC患者单细胞RNA测序分析）：

GSE184880数据分群得到8种主要细胞类型，上皮细胞亚群差异分析中15个OPRGS基因呈差异表达，SLPI、S100A14、RPL39L、SST及KIF1A主要表达于上皮细胞。结合生存分析及回归表现选定KIF1A作后续验证基因。

3.7 Knockdown of KIF1A inhibited the progression of OC in vitro（体外敲低KIF1A抑制OC进展）：

KIF1A在OC细胞系A2780中高表达，siRNA敲低KIF1A后CCK-8、克隆形成及EdU实验示细胞增殖受抑，Transwell及划痕实验示迁移与侵袭能力显著降低。

3.8 Single-gene enrichment analysis results of KIF1A（KIF1A单基因富集分析结果）：

与KIF1A正相关基因GO与KEGG富集涉及神经元突触信号、组蛋白代谢、Wnt及Hippo通路；GSEA示KIF1A高表达组KRAS激活负调控基因、有丝分裂纺锤体、Wnt/β-Catenin、G2M检查点及Hedgehog等Hallmark通路显著富集，提示KIF1A参与肿瘤发生相关信号过程。

讨论与结论总结：

讨论指出OXPHOS是OC重要代谢方式，所建OPRGS单独C-index中等但联合临床病理因素可提升预测力，优于多数已发表模型。高OPRGS关联CAFs富集及免疫抑制TME，可解释免疫检查点抑制剂响应可能不佳。药物敏感性提示高分组对铂类更敏感而对紫杉醇耐药，可为个体化化疗提供参考。单细胞分析确认OPRGS风险基因主要源于上皮细胞，选出KIF1A并在体外证实其促OC增殖、迁移、侵袭作用，首次报道其OC中生物学功能。局限性包括回顾性数据、免疫治疗预测未经接受免疫治疗的OC队列外部验证、KIF1A与OXPHOS及线粒体功能直接关联尚未阐明，需前瞻临床研究与体内实验进一步验证。

结论翻译：本研究构建了OC新的OXPHOS相关基因签名（OPRGS），可能作为预测OC患者预后、免疫浸润及化疗药物敏感性的潜在指标。