基于脂质代谢相关基因构建的多发性骨髓瘤预后模型

A prognostic model for multiple myeloma based on lipid metabolism related genes

摘要

目的 多发性骨髓瘤(multiple myeloma，MM)是一种高度异质性的血液系统恶性肿瘤，细胞遗传学和骨髓微环境的异质性会导致MM进展。本研究拟利用转录组数据结合脂质代谢相关基因(lipid metabolism related genes，LRGs)建立MM的预后模型，筛选高风险患者潜在药物靶点，从而为MM的风险分层及临床治疗提供基础。 方法 针对涵盖985例新诊断MM患者的基因表达综合(Gene Expression Omnibus，GEO)数据库来源的2个转录组数据，利用单因素Cox回归和101种机器学习算法对京都基因和基因组数据库(Kyoto Encyclopedia of Genes and Genomes，KEGG)下载的391个LRGs进行筛选，构建基于LRGs的MM预后模型，分析预后评分与临床事件的相关性。利用时间依赖受试者操作特征(receiver operating characteristic，ROC)曲线和预后模型的C指数(C-index)来评价模型预测性能。进一步将预后评分与临床事件和临床分期相结合，评估结合临床事件能否提高模型预测能力。利用limma、clusterProfiler等筛选高、低风险组患者间的差异基因并进行富集分析，以明确高风险患者的分子特征。同时利用癌症药物敏感性基因组学(Genomics of Drug Sensitivity in Cancer，GDSC)数据库及oncoPredict分析药物敏感性，筛选高风险患者潜在的治疗药物及靶点。最后通过体外细胞实验验证预后模型中纳入的关键LRGs的作用。 结果 基于LRGs的转录组水平，利用双向逐步Cox回归(StepCox[both])+随机生存森林(random survival forest，RSF)构建了一个基于LRGs的预后模型(LRG17)，该模型具有良好的预测性能，其3、5及7年的曲线下面积(area under the curve，AUC)值分别达到0.962、0.912及0.842。基于模型的预后评分可将新诊断患者分为高、低风险组，高风险组患者的总生存期(overall survival，OS)及无事件生存期(event-free survival，EFS)均显著短于低风险组(均P<0.001)，临床指标更差(白蛋白含量降低、β2微球蛋白含量和乳酸脱氢酶水平增高)。进一步富集分析发现，高风险患者显著富集到染色体分离、核分裂等细胞周期相关通路；而低风险患者则显著富集到免疫反应、免疫细胞活化等通路。GDSC数据库的药物筛选结果提示AURKA抑制剂BMS-754807、FGFR3抑制剂I-BET-762等对高风险患者更为有效。体外细胞实验发现抑制模型中关键LRG(PLA2G4A)后，可以显著抑制细胞活性及诱导细胞凋亡。 结论 LRGs可以作为预测MM患者预后的生物标志物并对患者进行风险分层；高风险患者中高表达的染色体不稳定性基因及高危遗传学事件的标志基因也部分解释了高风险患者预后较差的原因。鉴于高风险患者对现有治疗药物硼替佐米及来那度胺的治疗抵抗，AURKA抑制剂BMS-754807或FGFR3抑制剂I-BET-762和现有一线药物的联合治疗可作为高风险患者的潜在治疗选择。

Abstract

Objective Multiple myeloma (MM) is a highly heterogeneous hematologic malignancy, with disease progression driven by cytogenetic abnormalities and a complex bone marrow microenvironment. This study aims to construct a prognostic model for MM based on transcriptomic data and lipid metabolism related genes (LRGs), and to identify potential drug targets for high-risk patients to support clinical decision-making. Methods In this study, 2 transcriptomic datasets covering 985 newly diagnosed MM patients were retrieved from the Gene Expression Omnibus (GEO) database. Univariate Cox regression and 101 machine learning algorithms were used for gene selection. An LRG-based prognostic model was constructed using Stepwise Cox (both directions) and random survival forest (RSF) algorithms. The association between the prognostic score and clinical events was evaluated, and model performance was assessed using time-dependent receiver operating characteristic (ROC) curves and the C-index. The added predictive value of combining prognostic scores with clinical variables and staging systems was also analyzed. Differentially expressed genes between high- and low-risk groups were identified using limma and clusterProfiler and subjected to pathway enrichment analysis. Drug sensitivity analysis was conducted using the Genomics of Drug Sensitivity in Cancer (GDSC) database and oncoPredict to identify potential therapeutic targets for high-risk patients. The functional role of key LRGs in the model was validated via in vitro cell experiments. Results An LRG-based prognostic model (LRG17) was successfully developed using transcriptomic data and machine learning. The model demonstrated robust predictive performance, with area under the curve (AUC) values of 0.962, 0.912, and 0.842 for 3-, 5-, and 7-year survival, respectively. Patients were stratified into high- and low-risk groups, with high-risk patients showing significantly shorter overall survival (OS) and event-free survival (EFS) (both P<0.001) and worse clinical profiles (e.g., lower albumin, higher β2-microglobulin and lactate dehydrogenase levels). Enrichment analysis revealed that high-risk patients were significantly enriched for pathways related to chromosome segregation and mitosis, whereas low-risk patients were enriched for immune response and immune cell activation pathways. Drug screening suggested that AURKA inhibitor BMS-754807 and FGFR3 inhibitor I-BET-762 may be more effective in high-risk patients. Functional assays demonstrated that silencing of key LRG PLA2G4A significantly inhibited cell viability and induced apoptosis. Conclusion LRGs serve as promising biomarkers for prognosis prediction and risk stratification in MM. The overexpression of chromosomal instability-related and high-risk genetic event-associated genes in high-risk patients may explain their poorer outcomes. Given the observed resistance to bortezomib and lenalidomide in high-risk patients, combination therapies involving BMS-754807 or I-BET-762 may represent effective alternatives.

Graphical abstract

关键词

多发性骨髓瘤 / 脂质代谢 / 机器学习 / 预后模型 / 风险分层

Key words

multiple myeloma / lipid metabolism / machine learning / prognostic model / risk stratification

多发性骨髓瘤(multiple myeloma，MM)是第2大常见的血液系统恶性肿瘤，以恶性终末分化的浆细胞在骨髓微环境中异常增殖为特征。MM作为一种骨髓肿瘤，其典型临床表现包括骨质破坏、贫血、肾功能受损和高钙血症^[1]。随着人口老龄化加剧，MM的发病率呈逐渐上升的趋势。2020年，全球MM年龄标准化发病率为1.78/100 000，病死率为1.14/100 000^[2]。近年来随着蛋白酶体抑制剂(硼替佐米)、免疫调节剂(来那度胺、泊马度胺)、单克隆抗体等新药的应用，以及自体造血干细胞移植的广泛开展，大多数MM患者可获得较好的治疗效果，其中位总生存期可达到5~7年^[3]。然而，MM仍无法治愈，最终会出现复发耐药，因此仍需要寻找新的治疗靶点，为MM患者提供更多的治疗选择。

代谢重编程作为肿瘤的一个重要标志，在肿瘤的发生和发展中发挥关键作用，并为治疗干预提供了新的潜在靶点^[4]。代谢的异常改变同样是MM发生和发展中的关键因素，对MM的进程及药物敏感性具有重要影响^[5]。MM中的代谢异常涵盖了氨基酸代谢、糖代谢及脂质代谢等多个方面^[6]。本研究团队前期研究表明：在MM的恶性微环境中存在以氨基酸代谢异常为主的代谢特征，其中，甘氨酸通过破坏谷胱甘肽平衡来促进MM进展^[7]；丝氨酸会抑制MM骨髓微环境中的巨核分化和血小板生成^[8]；而脯氨酸则通过下调脯氨酸脱氢酶的表达来促进MM的增殖和耐药^[9]。骨髓微环境富含大量的脂肪细胞，MM细胞处于一个富含脂质的微环境^[10]。有研究^[11]指出，脂肪酸对MM细胞的作用具有剂量依赖性，MM细胞通过脂肪酸转运蛋白4(fatty acid transporters 4，FATP4)摄取脂肪细胞释放的游离脂肪酸，在低浓度时促进MM细胞增殖，而在高浓度时表现为脂质毒性作用。然而，目前的研究主要聚焦于单个脂质代谢相关基因(lipid metabolism related gene，LRG)的功能、单个LRG抑制剂的效应及单个脂质代谢中间产物的作用。由于代谢途径之间的相互重叠，单一的脂质通路抑制可能无法有效遏制MM的发展，反而可能激活逃逸的代谢通路^[12]。因此，需全面且系统地分析脂质代谢在MM中的作用，并以脂质代谢重编程作为标志物来预测MM的预后及药物敏感性，为基于脂质代谢靶点的新型抗MM疗法提供重要线索。

本研究旨在利用基因表达综合(Gene Expression Omnibus，GEO)数据库及京都基因和基因组数据库(Kyoto Encyclopedia of Genes and Genomes，KEGG)中获取的LRGs，通过生物信息学结合机器学习等方法，开发基于LRGs的MM预后模型，并探索针对高风险新诊断MM患者的潜在有效治疗靶点，进一步揭示基于LRGs的MM预后模型在MM风险分层及药物筛选中的潜在价值。

1 材料与方法

1.1 数据获取

本研究从GEO数据库中获取GSE24080^[13]和GSE136337^[14]对应的芯片原始cel文件及对应患者的临床信息，其中GSE24080和GSE136337中分别包含559例及426例新诊断MM患者的基因表达数据。Meta-GEO队列为GSE24080和GSE136337去除批次效应后合并而成，共985例患者。验证队列GSE4581含有414例新诊断MM患者的临床信息及基因表达数据。数据集GSE5900含有22例健康供者、44例意义未明单克隆免疫球蛋白血症(monoclonal gammopathy of undetermined significance，MGUS)、12例冒烟型多发性骨髓瘤(smoldering myeloma，SMM)患者的基因表达数据。

1.2 数据整理

利用affy(1.72.0)^[15]对GEO中下载的GSE24080和GSE136337对应的cel文件进行读取及RMA(robust multi-array average)标准化，标准化后矩阵利用sva (3.42.0)^[16]的Combat去除批次效应，整合为Meta-GEO表达矩阵。

1.3 LRGs获取

利用KEGGREST(1.34.0)获取KEGG上84条代谢通路及其对应基因，仅保留13条脂质代谢通路对应的基因用于下游分析(附表1，https://doi.org/10. 57760/sciencedb.xbyxb.00038)。

1.4 生存分析

利用survival (3.2.13)对确定的脂质代谢亚型及高、低风险患者进行生存分析，采用log-rank方法进行检验，并用survminer (0.4.9)对P进行BH(Benjamini-Hochberg)校正。

1.5 预后模型建立

利用Mime1(0.0.0.9000)^[17]在Meta-GEO队列中建立预后模型，其中GSE24080为训练集，GSE136337为验证集。对101种机器学习方法建立的预后模型的C指数(C-index)进行分析，综合考虑模型的C-index及复杂性，选择合适的模型进行后续患者预后评分(GeneScore)。根据GeneScore的中位数将Meta-GEO队列中患者分为高风险和低风险患者。所有机器学习算法均是在10折交叉验证的框架下进行。

1.6 C-index比较

利用compareC(1.3.2)对建立的预后模型，年龄、清蛋白(albumin，Alb)、β2微球蛋白(beta-2-microglobulin，β2-MG)和乳酸脱氢酶(lactate dehydrogenase，LDH)等临床因素以及临床分期[国际分期系统(International Staging System，ISS)^[18]和修订后的国际分期系统(Revised International Staging System，R-ISS)^[19]]进行C-index比较，Meta-GEO队列比较的临床因素为GSE136337和GSE24080中患者共有的临床信息。

1.7 差异基因表达分析

利用limma(3.50.3)^[20]对高、低风险患者进行差异基因分析，校正后P(P_adj.)阈值设为0.05，差异倍数(fold change，FC)阈值设为1.2，并利用clusterProfiler(4.2.2)^[21]进行富集分析。

染色体不稳定性(chromosomal instability，CIN)基因在MM耐药和复发中具有重要作用^[22-27]，基于此，本研究进一步分析先前研究^[22-27]中确定的10个关键CIN基因(TRRP13、TOP2A、RRM2、PBK、NEK2、KIF4A、CEP55、CDC20、CCNB1、AURKA)在高、低风险患者中的表达情况。

利用基因集变异分析(Gene Set Variation Analysis，GSVA)评估不同风险患者之间脂质代谢差异^[28]。

筛选出模型中关键LRGs后，进一步利用公共数据库分析其表达与MM进程的关系，且分析其在MM预后较差的高风险亚组[高表达MAF和MAFB基因亚组(MF)、高表达MMSET基因亚组(MS)、增殖亚组(proliferation，PR)]与低风险亚组[高表达CyclinD1亚组(CD1)、高表达CyclinD2亚组(CD2)、低骨病亚组(low bone disease，LB)]的表达情况^[29]。

1.8 药物敏感性分析

评估不同风险患者对硼替佐米及来那度胺的耐药性^[30]，首先利用oncoPredict (1.2)^[31]对Meta-GEO队列不同风险患者进行药物敏感性分析，利用癌症药物敏感性基因组学(Genomics of Drug Sensitivity in Cancer，GDSC)药物敏感性数据及基因表达数据对Meta-GEO队列表达矩阵进行分析。

1.9 细胞培养

MM细胞系ARP1及H929为实验室前期保存，细胞均在完全培养基[含10%胎牛血清(fetal bovine serum，FBS)和1%双抗的RPMI-1640(Roswell Park Memorial Institute-1640)培养基]及37 ℃和5% CO₂的培养箱中培养。

1.10 细胞活性检测

将MM细胞ARP1和H929以1×10⁴个/孔密度铺在96孔板上。利用不同浓度的PLA2G4A抑制剂花生四烯基三氟甲酮(arachidonyl trifluoromethyl ketone，AACOCF3；HY-108611，美国MCE公司)处理，分别在24、48、72 h时避光加入细胞计数试剂(cell counting kit-8，CCK8；#B34302，美国Bimake公司)10 μL/孔，37 ℃培养2 h后，检测细胞在450 nm处的吸光度。

1.11 细胞凋亡检测

本研究选择预后模型中纳入的LRGs进行体外功能实验。将MM细胞ARP1和H929以1×10⁵个/孔铺于12孔板，利用不同浓度的LRGs抑制剂处理ARP1及H929细胞系48 h，收集细胞沉淀。用预冷的杜氏磷酸盐缓冲液(Dulbecco’s phosphate-buffered saline，DPBS)洗1次，加入100 μL 1×Binding buffer，5 μL Annexin V-YSFlour 647和10 μL碘化丙啶(propidium iodide，PI)混匀，室温避光孵育15 min，加入400 μL 1×Binding buffer，上机检测。

1.12 统计学处理

所有统计分析均在R(4.1.2)中完成。两分组连续变量采用独立样本t检验(符合正态分布)或Wilcoxon(不符合正态分布)秩和检验进行比较。针对多分组连续变量采用单因素方差分析(符合正态分布)或Kruskal-Wallis(不符合正态分布)秩和检验进行比较，事后检验采用Tukey HSD方法或者Dunn test方法。分类变量的组间差异通过χ²检验进行评估。连续变量用均数±标准差表示。时间依赖受试者操作特征(receiver operating characteristic，ROC)曲线的曲线下面积(area under the curve，AUC)是利用timeROC包完成的。所有统计检验均为双侧检验，P<0.05为差异具有统计学意义。

2 结 果

2.1 建立基于LRGs的MM预后模型

利用机器学习基于LRGs与MM临床信息构建预后模型，根据该模型将新诊断MM患者分为高、低风险组，并比较该模型与其他临床指标的预测准确性。进一步利用基因表达特征和GDSC数据库筛选适用于高风险患者的药物靶点(图1)。

首先从KEGG获取了391个LRGs，单因素Cox回归分析共筛选出70个与MM预后相关的基因(P<0.05)；并应用101种机器学习算法在Meta-GEO队列中构建并验证预后模型，其中GSE24080作为训练集，GSE136337作为验证集。基于模型的平均C-index、AUC及模型的复杂性，双向逐步Cox回归(StepCox[both])+随机生存森林(random survival forest，RSF)和向后剔除Cox回归(StepCox[backward])+RSF模型在训练集及验证集上表现相同，本研究选择StepCox[both]+RSF算法构建的预后模型(包含17个LRGs，故称该模型为LRG17)，主要涉及以下8类：鞘脂代谢途径(PSAP、SGPP1)、长链脂肪酸代谢(PLA2G4A、PLA2G4C、GGT5)、胆汁酸合成途径(GBA2)、固醇合成途径(TM7SF2、NSDHL)、固醇类激素合成途径(HSD17B6)、甘油酯代谢(AKR1B1、GLYCTK、AKR1A1)、甘油磷脂代谢(PCYT2、CHKA)及脂肪酸代谢(ACOX1、MECR、MCAT；附图1，https://doi.org/10.57760/sciencedb.xbyxb.00038)。变量重要性分析结果显示：PSAP基因在模型中重要性最高(图2A)。基于LRG17预后模型，本研究对GSE24080、GSE136337及Meta-GEO队列的患者进行预后评分(GeneScore)，并根据中位数将患者分为高风险和低风险患者。生存分析结果表明：高风险患者的总生存期(overall survival，OS)及无事件生存期(event-free survival，EFS)均显著短于低风险患者(均P<0.05， 图2B~2D)。同时本研究也在外部验证队列GSE4581中进行了预后评分，生存分析结果同样显示高风险患者OS显著低于低风险患者(P<0.05，附图1C、1D，https://doi.org/10.57760/sciencedb.xbyxb.00038)。

2.2 LGR17预后模型具有良好的预测能力

采用ROC曲线和C-index对模型进行评估，结果表明：在GSE136337中，模型3、5、7年的AUC分别为0.623、0.786、0.756；在GSE24080中，模型3、5、7年的AUC分别为0.987、0.982、0.970；在Meta-GEO队列中，模型3、5、7年的AUC分别为0.962、0.912、0.842(图3A)。上述结果表明LGR17预后模型具有良好的预测稳定性。

通过和临床事件及现有临床分期标准比较，本研究发现在GSE24080和Meta-GEO队列中，LGR17预后模型预测准确性方面显著优于年龄、Alb、β2-MG和LDH等临床因素，且差异均具有统计学意义(均P<0.05)。在GSE136337中，LGR17预后模型的C-index均显著高于年龄和ISS(均P<0.05)，但未显著高于R-ISS(P>0.05)，可能与样本量有关(图3B)。笔者进一步尝试考虑结合现有临床因素能否改善现有模型的预测能力，基于赤池信息量(akaike information criterion，AIC)准则，结合单因素Cox回归中P<0.05的临床因素通过双向逐步回归筛选AIC最小的模型，发现仅在GSE136337中结合R-ISS分期可以进一步提高模型的C-index，这提示结合GeneScore和R-ISS分期可能会进一步提升预后模型的预测准确性(图3C；附图3A、3B，https://doi.org/10.57760/sciencedb.xbyxb.00038)。

2.3 高风险患者高表达CIN基因

分析在Meta-GEO队列中不同风险患者Alb、β2-MG及LDH的水平，结果显示：Alb是MM预后较好的指标，而β2-MG及LDH则与不良预后相关；与低风险患者相比，高风险患者Alb含量更低(P<0.001)、β2-MG和LDH含量均更高(均P<0.001，图4A)。

利用limma对Meta-GEO队列中高、低风险患者的基因表达进行了差异分析及富集分析，结果显示：在高风险患者中，上调的基因显著富集于染色体分离、DNA复制等细胞周期相关事件，而低风险患者中上调的基因则富集于免疫反应和免疫细胞活化等通路(图4B；附表2、3，https://doi.org/10.57760/sciencedb. xbyxb.00038)，提示在高风险患者中存在染色体分离异常及细胞周期紊乱，而低风险患者较好的预后可能与其更高的免疫浸润相关。进一步通过对GSE136337中部分配对患者的全骨髓(whole bone marrow，WBM)测序数据分析发现，低风险患者骨髓微环境中含有更高比例的单核细胞、粒细胞及静息自然杀伤(natural killer，NK)细胞(附图2D~2G， https://doi.org/10.57760/sciencedb.xbyxb.00038)。本研究进一步分析10个关键CIN基因(TRRP13、TOP2A、RRM2、PBK、NEK2、KIF4A、CEP55、CDC20、CCNB1、AURKA)在高、低风险患者中的表达情况，结果显示这10个CIN基因在高风险患者中均显著上调(图4C；附表4，https://doi.org/10.57760/sciencedb.xbyxb.00038)。提示LGR17预后模型中高风险患者可能与MM临床治疗反应相关。

分析验证集GSE136337中ISS分期、R-ISS分期及来那度胺耐药患者中高、低风险患者的占比，结果显示：ISS 3期(59.5%)、R-ISS 3期(77.3%)及来那度胺耐药患者(62.7%)中高风险患者占比更高(附图2A~2C，https://doi.org/10.57760/sciencedb.xbyxb.00038)。GSVA结果显示：在高风险患者中，脂肪酸合成、降解及延伸相关通路显著上调；而在低风险患者中，亚麻酸、亚油酸及花生四烯酸等长链不饱和脂肪酸的代谢通路显著上调(图4D)。上述结果提示，脂肪酸的利用可能在MM来那度胺耐药中发挥重要的作用。

2.4 LGR17预后模型确定的高风险患者对AURKA

及 FGFR3 抑制剂更加敏感

针对不同风险患者对硼替佐米的耐药性分析结果显示：相较于低风险患者，高风险患者对硼替佐米(P<0.001)及来那度胺(P=0.015)更不敏感(图5A)。基于高风险患者的分子特征和药物IC₅₀，本研究进一步筛选出5种对高风险患者更具潜在疗效的药物(Log₂FC>0.1，P<0.05；图5B)。其中BMS-754807(P<0.001)是有效、可逆的IGF-1R/IR抑制剂，同时也是AURKA抑制剂，这与高风险患者CIN基因的上调表达相一致。此外AZD4547(P<0.001)、BIBF-1120(P<0.001)、I-BET-762(P<0.001)等均为FGFR3抑制剂，同样与高风险患者高表达FGFR3相符合。结合药物IC₅₀值，笔者推测BMS-754807和I-BET-762对高风险患者更为有效。患者GeneScore和药物IC₅₀的相关性分析也进一步显示：GeneScore与BMS-754807(P<0.001，r=-0.25)和I-BET-762(P<0.001，r=-0.39)呈负相关。这证明高风险患者对BMS-754807和I-BET-762更加敏感(图5C、5D)。

2.5 抑制PLA2G4A后可诱导MM细胞凋亡

针对LRG PLA2G4A的分析结果显示，PLA2G4A在纳入模型的17个LRGs变化最为显著(FC=1.56，P_adjust<0.001)，其高表达与不良预后显著相关(图6A)，进一步利用公共数据库分析也发现PLA2G4A表达随MM进程逐渐增加，且在MM预后较差的高风险亚组(MF、MS、PR)中的表达高于低风险亚组(CD1、CD2、LB；图6B、6C)。因此后续本研究选择PLA2G4A的抑制剂AACOCF3在体外验证抑制PLA2G4A后对MM细胞的作用，通过细胞活性和细胞凋亡检测发现抑制PLA2G4A后可以抑制MM细胞活性同时诱导MM细胞凋亡(图6D~6F)。

3 讨 论

MM是一种高度异质性的疾病，其临床表现、治疗反应、缓解期及OS均存在显著差异。本研究全面分析了LRGs对MM预后的影响，利用生物信息学与机器学习等技术，筛选了17个LRGs，并首次构建了基于脂质代谢预后生物标志物的新型预后模型(LRG17)。LRG17模型中高风险评分患者预后较差，对MM一线治疗药物(来那度胺及硼替佐米)的敏感性降低，但对AURKA及FGFR3抑制剂更加敏感。因此，LRG17模型不仅能预测新诊断MM的预后，且为临床一线用药选择及新药研发提供指导意义。

单个基因在预测肿瘤患者预后方面的效能有限。因此，构建多基因模型以预测患者的预后成为必要。本研究中，基于基因特征的风险评分模型LRG17包含17个LRG，涵盖鞘脂代谢途径(如PSAP、SGPP1)、长链脂肪酸代谢(如PLA2G4A、PLA2G4C、GGT5)、胆汁酸合成途径(如GBA2)、固醇合成途径(如TM7SF2、NSDHL)、固醇类激素合成途径(如HSD17B6)、甘油酯代谢(如AKR1B1、GLYCTK、AKR1A1)、甘油磷脂代谢(如PCYT2、CHKA)及脂肪酸代谢(如ACOX1、MECR、MCAT)等多个方面。其中有研究^[32]指出SGPP1表达的下调可增加胞内鞘氨醇-1-磷酸(sphingosine-1-phosphate，S1P)水平，从而促进MM细胞的存活。而PSAP编码的prosaposin蛋白在肿瘤树突状细胞(dendritic cell，DC)中的高糖基化可以抑制DC抗原呈递能力，驱动免疫逃逸^[33]。已有研究^[34-36]指出PLA2G4A通过促进上皮-间充质转化或者CD39⁺γδ Treg极化等多种方式促进胆管癌、乳腺癌及结直肠癌进展。本研究也发现通过AACOCF3抑制PLA2G4A后可抑制MM细胞活性，同时诱导MM细胞凋亡。提示本研究建立的预后模型与已有研究结论的一致性，另一方面也提示模型中其他LRGs在MM进展过程中同样可能发挥重要作用。

MM患者具有显著的异质性，导致不同患者明显的预后差异。因此，临床上常采用多个预后模型来预测新诊断MM患者的预后，并为其制订个性化的最佳治疗方案。目前，主要的预后模型包括ISS^[18]、 R-ISS^[19]及R2-ISS^[37]系统等。这些模型主要依据常见的临床指标(如Alb、β2-MG、LDH)及常见的遗传学异常[如高危遗传学标记17p-、t(4,14)，t(14,16)及1q+等]进行构建。然而，这些预后模型仍不能精准地预测每位患者的预后。因此，基于LRGs的评分系统LRG17可作为现有模型的补充，有助于更准确地识别高危患者，从而延长患者的生存期。

为深入研究高风险患者的分子特征，本研究进一步分析了高、低风险患者之间的差异基因及其富集的通路。研究^[38]结果显示高风险患者中存在染色体分离异常。CIN导致的拷贝数变化和结构变异是MM的常见特征。CIN是导致MM遗传复杂性、治疗耐药性和频繁复发的重要因素。例如，本团队前期研究^[23]已证实铵能够增强NEK2的稳定性，从而诱导MM细胞对硼替佐米产生耐药性。此外，研究^[24]指出破坏NEK2的稳定性有助于克服MM对蛋白酶体抑制剂的耐药性。而AURKA的高表达与MM无进展生存期缩短和OS降低密切相关^[25]；AURKA激酶能够磷酸化NSD2蛋白，进而增强NSD2甲基转移酶的活性，从而在促进MM化疗耐药性方面形成一个正反馈调节环路^[26]。鉴于CIN与MM的复发耐药存在显著相关性，这可能部分解释LRG17高风险患者预后不佳及药物敏感性降低的原因。然而，关于CIN与脂质代谢之间的相关性目前仍不明确。文献[27]指出，CIN相关基因CDC20的敲低导致脂肪细胞分化的减少。在MM中，由于CIN的存在，细胞可能依赖于脂质代谢重编程来满足其生长需要。然而，关于CIN调控脂质代谢重编程的具体机制仍需进一步研究。

本研究结果提示，LRG17可作为预测MM患者对硼替佐米及来那度胺治疗反应和疗效的指标，并可指导临床一线用药的选择。蛋白酶体抑制剂通过干扰泛素-蛋白酶体系统，抑制包括细胞周期蛋白及其依赖性激酶抑制剂在内的泛素化蛋白的降解，进而引发促凋亡因子的积累并触发细胞凋亡。硼替佐米是首个被批准用于MM一线治疗的蛋白酶体抑制剂。然而，在使用一段时间后会导致患者产生耐药性，这一现象甚至在首次接受治疗的新诊断MM患者中也已观察到^[39]。而LRG17模型确定的高风险患者，也存在对硼替佐米的耐药性。尽管提高药物剂量可以在一定程度上克服耐药性，但硼替佐米的不良反应(尤其是周围神经病变的发生率)显著增高^[40]，使得这一策略在临床上并不适宜。因此，需探索其他新型靶向药物作为治疗选择，本研究进一步分析并预测了一些可能对LRG17模型中高风险评分患者有效的潜在药物，包括BMS-754807(一种IGF1R/1R和AURKA双重抑制剂)、AZD4547、BIBF-1120及 I-BET-762等(FGFR3抑制剂)。有研究^[41]指出在横纹肌肉瘤和结肠癌中BMS-754807可以抑制下游AKT信号通路，AKT信号通路的活化在MM患者的耐药中同样发挥重要作用；但高风险患者对AURKA和FGFR3抑制剂更加敏感的原因尚不清楚。有研究^[42]报道FGFR3通过PI3K-mTORC1信号通路激活SREBP1(胆固醇调节元件结合蛋白)促进脂肪酸合成及去饱和，同时敲除FGFR3引起脂肪酸合成和代谢相关的基因下调。提示FGFR3抑制剂可以抑制脂肪酸合成，所以高风险患者高脂肪酸代谢合成依赖的特点可能是对AURKA和FGFR3抑制更敏感的原因，但在MM中具体机制仍然需要研究；此外，这些潜在药物对MM治疗的疗效及安全性也需要进一步评估。

本研究的发现有助于确定MM潜在的脂质代谢相关的生物标志物和潜在的治疗靶点，并为高危MM患者制订精准的治疗策略提供科学依据。然而，本研究仍存在一些局限性。首先，脂质代谢重编程与CIN基因及高危遗传事件的标志基因FGFR3之间的调控关系尚不明确，特别是高风险患者较高的脂肪酸代谢活性是否受到CIN基因及FGFR3的调节，仍需要在MM中开展进一步研究以明确其机制。其次，考虑到在建立LRG17模型的过程中，仅用到回顾性研究队列，且部分患者临床信息不完善，这可能限制了模型的准确性和泛化能力，为验证LRG17模型的临床预测能力及其与更多临床指标的相关性，还需要进一步扩大样本量并通过前瞻性研究对其模型的准确性进行验证，以提高模型的泛化能力，使其更适用于临床实践。最后，LRG17模型在临床中实际应用的可操作性也有待提高，通过Shiny框架开发交互式网络应用程序，能够极大地提升模型在临床应用中的便捷性和实用性，这对于推动模型的临床转化具有重要意义。

参考文献

[1] Malard F, Neri P, Bahlis NJ, et al. Multiple myeloma[J]. Nat Rev Dis Primers, 2024, 10(1): 45.

[2] Huang J, Chan SC, Lok V, et al. The epidemiological landscape of multiple myeloma: a global cancer registry estimate of disease burden, risk factors, and temporal trends[J/OL]. Lancet Haematol, 2022, 9(9): e670-e677[2024-09-12].

[3] van de Donk NWCJ, Pawlyn C, Yong KL. Multiple myeloma[J]. Lancet, 2021, 397(10272): 410-427.

[4] Hanahan D. Hallmarks of cancer: new dimensions[J]. Cancer Discov, 2022, 12(1): 31-46.

[5] Torcasio R, Gallo Cantafio ME, Ikeda RK, et al. Lipid metabolic vulnerabilities of multiple myeloma[J]. Clin Exp Med, 2023, 23(7): 3373-3390.

[6] Weir P, Donaldson D, McMullin MF, et al. Metabolic alterations in multiple myeloma: from oncogenesis to proteasome inhibitor resistance[J]. Cancers (Basel), 2023, 15(6): 1682.

[7] Xia J, Zhang J, Wu X, et al. Blocking Glycine utilization inhibits multiple myeloma progression by disrupting glutathione balance[J]. Nat Commun, 2022, 13(1): 4007.

[8] Kuang CM, Xia MJ, An G, et al. Excessive serine from the bone marrow microenvironment impairs megakaryopoiesis and thrombopoiesis in multiple myeloma[J]. Nat Commun, 2023, 14(1): 2093.

[9] Zhang JY, Shi FM, Liu X, et al. Proline promotes proliferation and drug resistance of multiple myeloma by downregulation of proline dehydrogenase[J]. Br J Haematol, 2023, 201(4): 704-717.

[10] Snaebjornsson MT, Janaki-Raman S, Schulze A. Greasing the wheels of the cancer machine: the role of lipid metabolism in cancer[J]. Cell Metab, 2020, 31(1): 62-76.

[11] Panaroni C, Fulzele K, Mori T, et al. Multiple myeloma cells induce lipolysis in adipocytes and uptake fatty acids through fatty acid transporter proteins[J]. Blood, 2022, 139(6): 876-888.

[12] Ma X, Xiao L, Liu L, et al. CD36-mediated ferroptosis dampens intratumoral CD8⁺ T cell effector function and impairs their antitumor ability[J]. Cell Metab, 2021, 33(5): 1001-1012.

[13] Shi L, Campbell G, Jones WD, et al. The MicroArray Quality Control (MAQC)-II study of common practices for the development and validation of microarray-based predictive models[J]. Nat Biotechnol, 2010, 28(8): 827-838.

[14] Danziger SA, McConnell M, Gockley J, et al. Bone marrow microenvironments that contribute to patient outcomes in newly diagnosed multiple myeloma: a cohort study of patients in the Total Therapy clinical trials[J/OL]. PLoS Med, 2020, 17(11): e1003323[2024-09-12].

[15] Gautier L, Cope L, Bolstad BM, et al. Affy: analysis of Affymetrix GeneChip data at the probe level[J]. Bioinformatics, 2004, 20(3): 307-315.

[16] Johnson W, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods[J]. Biostatistics, 2007, 8(1): 118-127.

[17] Liu H, Zhang W, Zhang Y, et al. Mime: a flexible machine-learning framework to construct and visualize models for clinical characteristics prediction and feature selection[J]. Comput Struct Biotechnol J, 2024, 23: 2798-2810.

[18] Greipp PR, San Miguel J, Durie BGM, et al. International staging system for multiple myeloma[J]. J Clin Oncol, 2005, 23(15): 3412-3420.

[19] Palumbo A, Avet-Loiseau H, Oliva S, et al. Revised international staging system for multiple myeloma: a report from international myeloma working group[J]. J Clin Oncol, 2015, 33(26): 2863-2869.

[20] Ritchie ME, Phipson B, Wu D, et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies[J/OL]. Nucleic Acids Res, 2015, 43(7): e47[2024-09-12].

[21] Wu T, Hu E, Xu S, et al. clusterProfiler 4.0: a universal enrichment tool for interpreting omics data[J]. Innovation (Camb), 2021, 2(3): 100141.

[22] Zhou W, Yang Y, Xia JL, et al. NEK2 induces drug resistance mainly through activation of efflux drug pumps and is associated with poor prognosis in myeloma and other cancers[J]. Cancer Cell, 2013, 23(1): 48-62.

[23] Zhu Y, Jian X, Chen S, et al. Targeting gut microbial nitrogen recycling and cellular uptake of ammonium to improve bortezomib resistance in multiple myeloma[J]. Cell Metab, 2024, 36(1): 159-175.

[24] Franqui-Machin R, Hao M, Bai H, et al. Destabilizing NEK2 overcomes resistance to proteasome inhibition in multiple myeloma[J]. J Clin Invest, 2018, 128(7): 2877-2893.

[25] Puccio N, Manzotti G, Mereu E, et al. Combinatorial strategies targeting NEAT1 and AURKA as new potential therapeutic options for multiple myeloma[J]. Haematologica, 2024, 109(12): 4040-4055.

[26] Jiang H, Wang Y, Wang J, et al. Posttranslational modification of Aurora A-NSD2 loop contributes to drug resistance in t(4;14) multiple myeloma[J/OL]. Clin Transl Med, 2022, 12(4): e744[2024-09-12].

[27] Pant R, Alam A, Choksi A, et al. Chromatin remodeling protein SMAR1 regulates adipogenesis by modulating the expression of PPARγ[J]. Biochim Biophys Acta Mol Cell Biol Lipids, 2021, 1866(12): 159045.

[28] Hänzelmann S, Castelo R, Guinney J. GSVA gene set variation analysis for microarray and RNA-seq data[J]. BMC Bioinformatics, 2013, 14: 7.

[29] Zhan F, Huang Y, Colla S, et al. The molecular classification of multiple myeloma[J]. Blood, 2006, 108(6): 2020-2028.

[30] Krönke J, Udeshi ND, Narla A, et al. Lenalidomide causes selective degradation of IKZF1 and IKZF3 in multiple myeloma cells[J]. Science, 2014, 343(6168): 301-305.

[31] Maeser D, Gruener RF, Huang RS. oncoPredict: an R package for predicting in vivo or cancer patient drug response and biomarkers from cell line screening data[J]. Brief Bioinform, 2021, 22(6): bbab260.

[32] Petrusca DN, Mulcrone PL, Macar DA, et al. GFI1-dependent repression of SGPP1 increases multiple myeloma cell survival[J]. Cancers (Basel), 2022, 14(3): 772.

[33] Sharma P, Zhang XL, Ly K, et al. Hyperglycosylation of prosaposin in tumor dendritic cells drives immune escape[J]. Science, 2024, 383(6679): 190-200.

[34] Sun R, Liu Z, Qiu B, et al. Annexin10 promotes extrahepatic cholangiocarcinoma metastasis by facilitating EMT via PLA2G4A/PGE2/STAT3 pathway[J]. EBioMedicine, 2019, 47: 142-155.

[35] Chen L, Fu H, Luo Y, et al. cPLA2α mediates TGF-β-induced epithelial-mesenchymal transition in breast cancer through PI3k/Akt signaling[J/OL]. Cell Death Dis, 2017, 8(4): e2728[2024-09-12].

[36] Zhan Y, Zheng L, Liu J, et al. PLA2G4A promotes right-sided colorectal cancer progression by inducing CD39+γδ Treg polarization[J/OL]. JCI Insight, 2021, 6(16): e148028[2024-09-12].

[37] D’Agostino M, Cairns DA, Lahuerta JJ, et al. Second revision of the international staging system (R2-ISS) for overall survival in multiple myeloma: a European myeloma network (EMN) report within the HARMONY project[J]. J Clin Oncol, 2022, 40(29): 3406-3418.

[38] Neuse CJ, Lomas OC, Schliemann C, et al. Genome instability in multiple myeloma[J]. Leukemia, 2020, 34(11): 2887-2897.

[39] Kozalak G, Bütün İ, Toyran E, et al. Review on bortezomib resistance in multiple myeloma and potential role of emerging technologies[J]. Pharmaceuticals (Basel), 2023, 16(1): 111.

[40] Velasco R, Alberti P, Bruna J, et al. Bortezomib and other proteosome inhibitors-induced peripheral neurotoxicity: From pathogenesis to treatment[J]. J Peripher Nerv Syst, 2019, 24(): S52-S62.

[41] Carboni JM, Wittman M, Yang Z, et al. BMS-754807, a small molecule inhibitor of insulin-like growth factor-1R/IR[J]. Mol Cancer Ther, 2009, 8(12): 3341-3349.

[42] Du X, Wang QR, Chan E, et al. FGFR3 stimulates stearoyl CoA desaturase 1 activity to promote bladder tumor growth[J]. Cancer Res, 2012, 72(22): 5843-5855.

基金资助

国家自然科学基金(82430008)

国家自然科学基金(82300237)

芙蓉实验室科研攻关项目(2024PT5109)

芙蓉实验室科研攻关项目(82300237)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。