基于机器学习方法构建线粒体氧化应激相关肝细胞癌预后风险模型

摘要

肝癌是常见的恶性肿瘤之一,晚期肝癌的预后极差。鉴于线粒体氧化应激在肝癌发生发展中的重要作用,选用线粒体氧化应激相关基因构建肝细胞癌(hepatocellular carcinoma, HCC)预后风险模型。首先,结合单因素Cox回归分析与支持向量机、随机森林分析、LASSO回归分析3种机器学习方法筛选预后关键基因,并基于多因素Cox回归分析构建模型;其次,在数据库中对模型的预后价值进行验证;再次,利用基因富集分析探讨高低风险组间预后差异的可能机制,并比较两组间的免疫微环境及治疗反应;最后,使用实时荧光定量逆转录PCR (reverse transcription quantitative real-time PCR, RT-qPCR)验证关键基因在HCC组织中的表达。结果共筛选出PDE2A、TREM2、BMP6、NQO1、CPS1、EPO、MAPT、G6PD、SFN、HMOX1十个基因。与低风险组比较,高风险组HCC患者预后较差(P<0.000 1)。富集分析表明,过氧化物酶体增殖物激活受体(peroxisome proliferator-activated receptor, PPAR)信号通路等在高低风险组间存在显著差异。肿瘤免疫分析表明,肿瘤免疫浸润、免疫检查点相关基因、免疫治疗反应等在高低风险组间也存在显著差异。RT-qPCR的验证结果表明,相比正常肝组织,HCC组织中CPS1、PDE2A、BMP6的表达显著降低(P<0.05),而G6PD、SFN的表达显著升高(P<0.05)。总之,本研究建立的线粒体氧化应激相关HCC预后风险模型具有良好的预测效能及准确度,可用于HCC的精准治疗,有较高的临床应用价值。

关键词

肝细胞癌(HCC) / 线粒体氧化应激 / 机器学习 / 预后 / 风险模型