基于机器学习的细胞死亡特征模型精准预测黑色素瘤预后及治疗响应

摘要

目的:黑色素瘤的发生、转移及耐药性对患者预后构成重大挑战,目前尚缺乏能够准确预测患者结局并指导治疗的预测模型。本研究旨在基于程序性细胞死亡（programmed cell death,PCD）机制开发黑色素瘤预后和药物敏感性的预测模型。方法:从基因集富集分析（gene set enrichment analysis,GSEA）、京都基因和基因组数据库（Kyoto Encyclopedia of Genes and Genomes,KEGG）、相关综述及已发表研究中收集并整合19种PCD模式相关基因,建立全面的PCD特征基因集。获取癌症基因组图谱（The Cancer Genome Atlas,TCGA）-皮肤黑色素瘤（skin cutaneous melanoma,SKCM）队列的转录组与临床数据,并纳入3个未经治疗的基因表达综合（Gene Expression Omnibus,GEO）数据集（GSE65904、GSE19234、GSE100797）作为外部验证队列;同时收集免疫治疗队列PRJEB23709、GSE136961与GSE215222用于验证其对免疫治疗的预测价值。单细胞转录组数据（GSE115978、GSE215120）采用Seurat进行质量控制、标准化、降维聚类与细胞注释,空间转录组数据来源于10×Genomics,并结合Cottrazm进行空间分区与SpaCET解卷积;细胞通信采用CellChat评估分泌信号、细胞外基质（extracellular matrix,ECM）-受体互作及细胞接触等通信模式。基于TCGA训练集,采用包含10种算法及101种组合的机器学习策略构建PCD相关预后特征,并以多队列平均一致性指数（C-index）筛选最优模型;进一步结合差异分析、GSEA、CIBERSORT与基于表达估计恶性肿瘤组织的基质细胞和免疫细胞（Estimation of STromal and Immune cells in MAlignant Tumor tissues using Expression data,ESTIMATE）评估免疫浸润,计算T细胞受体（T-cell receptor,TCR）克隆多样性、细胞溶解活性与T细胞效应基因表达谱,并探索PCD评分（PCD score,PCDS）与药物敏感性的关联。结果:19种PCD通路在正常皮肤与SKCM间的活性显著不同,提示PCD异常参与黑色素瘤进展;突变分析显示肌巨蛋白（titin,TTN）和黏蛋白16（mucin 16,MUC16）突变频率最高。经共线性控制与相关性筛选获得314个候选基因,在101种模型组合中,StepCox（backward）+Ridge表现最佳（4个队列平均C-index=0.677）。基于该模型构建的PCDS可稳定分层预后,高PCDS组在TCGA及3个外部验证队列中生存显著更差,且在校正年龄、性别、分期、Breslow厚度、Clark分级和溃疡等因素后仍为独立预后指标。免疫分析表明,高PCDS与免疫抑制相关:免疫评分降低,CD8⁺T细胞、活化记忆CD4⁺T细胞、浆细胞、M1型巨噬细胞均减少而M2型巨噬细胞增加;PCDS与免疫检查点分子、TCR Shannon指数、细胞溶解活性评分（cytolytic activity score,CYT）及T细胞效应基因表达谱（T-cell effector gene expression profile,T-GEP）均呈显著负相关,并在免疫荒漠型中最高。空间转录组与单细胞结果提示PCDS存在空间/细胞异质性:边界区PCDS更低且与巨噬细胞比例呈负相关;髓系细胞总体PCDS最低,巨噬细胞与T/自然杀伤（natural killer,NK）细胞通信最强,免疫治疗后巨噬细胞富集并增强人类白细胞抗原（human leukocyte antigen,HLA）-A/B/C-CD8a相关互作。临床应用上,PCDS在与既往100个预后特征比较中表现更稳健,并可补充“热-冷肿瘤”分型,在“热肿瘤”中仍能识别高风险患者。免疫治疗队列验证显示PCDS与疗效获益呈负相关,高PCDS更可能无应答且预后更差;药物分析提示PCDS与多种药物敏感性相关,可用于潜在治疗分层。结论:PCDS是一个跨队列稳健的黑色素瘤预后与免疫治疗获益预测工具,反映免疫微环境抑制程度及髓系/巨噬细胞相关免疫调控特征,并为个体化风险分层与潜在用药选择提供依据。深入解析PCD在肿瘤免疫微环境中的调控机制,可为黑色素瘤患者个性化治疗决策提供重要理论基础。

关键词

黑色素瘤 / 程序性细胞死亡 / 机器学习 / 免疫治疗 / 肿瘤免疫微环境