这是一篇在2024年9月8日发表在 [IF: 6.8/Q1]杂志上的文章《Immune-related cell death index and its application for hepatocellular carcinoma》
DOI:10.1038/s41698-024-00693-9
下载链接：https://www.nature.com/articles/s41698-024-00693-9
本文公式：基因集 +分型+101机器学习 +预后模型+筛选hubgene+分子对接+生物学验证
研究背景：肝细胞癌（HCC）是全球癌症相关死亡的第三大原因，因诊断晚期、治疗手段有限导致预后极差。虽然靶向药物、免疫检查点抑制剂（ICIs）和经肝动脉化疗栓塞术（TACE）在HCC治疗中展现了一定潜力，但其疗效预测性依然不佳。尤其是HCC肿瘤的免疫微环境复杂多变，免疫检查点状态、细胞间通信、免疫细胞浸润、肿瘤细胞内在机制及微环境特性等多重因素，使得预测患者对免疫治疗的响应十分困难。因此，HCC的有效治疗需要开发更为可靠的生物标志物和模型，以准确区分不同的HCC亚型并识别最可能从药物治疗中获益的患者。近年来，研究发现多种调控性细胞死亡模式（如焦亡、铁死亡、铜死亡等）在肿瘤免疫中起关键作用。通过多组学分析识别出免疫相关的细胞死亡基因集合并构建指数模型（IRCDI）能够提高个体化治疗的预测准确性，有望为HCC患者带来个体化的治疗方案和更佳的预后评估 。
Figure 1 主要展示了HCC中免疫亚型的识别和验证过程。通过对TCGA-LIHC数据集中28种免疫细胞的单样本基因集富集分析（ssGSEA），使用共识聚类方法将HCC患者分为“冷”（免疫细胞浸润低）和“热”（免疫细胞浸润高）两种免疫亚型。这些亚型得到了PAC、CDF曲线、M3C和NbClust算法的验证，进一步确认了两种亚型的显著免疫浸润差异。接着，通过多种免疫评估算法（如ESTIMATE、TIMER等）进一步验证了这两个亚型在免疫浸润中的差异
Figure 2 主要展示了免疫相关的细胞死亡基因（IRCDGs）的基因组和功能特征。图中首先显示了IRCDGs包含的七种细胞死亡模式，并进行了功能通路注释，表明这些基因富集于白细胞活化、细胞因子信号传导和免疫效应调节等通路。接着，展示了IRCDGs的染色体位置分布及突变类型，其中以错义突变为主，NLRP3和HGF的突变频率最高。此外，通过拷贝数变异（CNV）分析，发现BIRC3有最多的拷贝数扩增，而CTSK、ACP5和CASP4则表现出较多的拷贝数缺失
Figure 3 展示了免疫相关细胞死亡指数（IRCDI）的构建过程。首先，研究采用了竞争性机器学习框架，通过九种机器学习模型（如LASSO、RSF、StepCox等）筛选出九个关键基因，并计算出C-index以评估其在不同数据集中的表现。最终，选择StepCox模型构建IRCDI，包含HSPB8、HMOX1、NQO1等九个基因。模型性能通过C-index和Kaplan-Meier曲线进行评估，显示出在多数据集上的稳健性和高预测准确性。此外，研究开发了一个在线工具（IRCDI网站），便于临床医生输入基因值并快速获得预测结果
Figure 4 展示了IRCDI与临床特征的关联及其生存预测性能。首先，分析显示IRCDI与性别和年龄等基本特征无关，但在高分级（G3）HCC中显著升高，且与残留肿瘤和甲胎蛋白水平相关。高IRCDI值的患者往往预后较差，且在T2和T3期肿瘤中IRCDI值显著高于T1期。此外，多变量Cox回归分析显示IRCDI是总体生存（OS）和无复发生存（RFS）的独立预测因子。Kaplan-Meier生存分析结果显示，IRCDI对1年、3年和5年生存预测表现优异，在TCGA-LIHC、ICGC-LIRI等多个队列中均验证了其预测准确性。进一步分析还显示，IRCDI在其他消化道肿瘤（如胰腺癌、胃癌、食管癌）中同样有较好的生存预测能力
Figure 5 展示了不同IRCDI亚组中的关键驱动基因和活化的生物通路。首先，根据IRCDI值将患者分为高IRCDI和低IRCDI亚组，分别在高IRCDI亚组中发现TP53基因突变率最高（42%），而低IRCDI亚组中CTNNB1基因突变频率最高（36%）。此外，结合IRCDI与TP53和CTNNB1的突变状态划分患者，能够区分不同的风险层次。基因集富集分析（GSEA）显示，高IRCDI亚组的细胞周期通路显著活化，而低IRCDI亚组则表现出代谢相关通路的抑制。进一步的加权基因共表达网络分析（WGCNA）显示，与IRCDI高度正相关的模块基因富集于细胞增殖和DNA复制路径，而负相关模块富集于氨基酸代谢等通路，表明高IRCDI患者可能存在更高的肿瘤增殖活性和较差的预后 。
Figure 6 探讨了IRCDI与免疫细胞浸润和PD-1表达水平的关联。通过单细胞分析，将HCC肿瘤微环境中的细胞分为五个群体，发现髓系细胞和成纤维细胞的IRCDI值最高。分析还显示不同免疫亚型（如免疫沙漠型、免疫排斥型和免疫活化型）在IRCDI上存在显著差异，免疫沙漠型的IRCDI值最高。进一步的相关性分析显示，激活的CD8+ T细胞、效应记忆CD8+ T细胞和1型辅助T细胞与IRCDI呈负相关，提示高IRCDI值的患者具有较低的免疫细胞浸润。此外，IRCDI高的患者PD-1表达水平显著降低，且在多个独立数据集中得到验证，表明高IRCDI患者的肿瘤微环境可能较少受到免疫细胞的渗入和攻击 。
Figure 7 展示了IRCDI在免疫治疗和经肝动脉化疗栓塞术（TACE）反应预测中的应用。首先，研究通过TIDE分析发现，IRCDI值越高，肿瘤免疫逃逸评分越高，且高IRCDI组患者在接受免疫检查点抑制剂（ICI）治疗后的生存期较短。此外，比较了IRCDI与PD-1在不同数据集（如GSE35640和GSE91061）中的预测性能，结果表明IRCDI在预测抗MAGE-A3和抗PD-1/CTLA-4治疗反应上优于PD-1。此外，在TACE治疗的患者中，IRCDI同样表现出较高的预测能力。这些结果表明，IRCDI相较于传统标志物具备更强的广泛适应性和临床应用潜力
Figure 8 主要展示了基于IRCDI的药物筛选结果。研究计算了198种FDA批准抗癌药物的IC50值，以评估患者对药物的敏感性。分析发现，IRCDI高的患者对一些特定药物（如Sepantronium bromide和AZD7762）更敏感。研究进一步使用GDSC数据库验证了预测结果，并筛选出与IRCDI显著相关的抗癌药物。实验结果显示，IRCDI较高的HCC细胞系对Sepantronium bromide的敏感性更强，且该药物的靶点（如BIRC5）与HCC患者的预后高度相关。此外，通过分子对接模拟展示了药物与靶点之间的结合模式，进一步验证了其潜在应用价值 。
Figure 9 展示了IRCDI模型中关键基因的实验验证。研究收集了七个HCC患者的癌组织和正常组织样本，通过qRT-PCR和蛋白质组学分析验证了模型基因的表达水平，发现ACSL6、FGB和FYN在癌组织中显著下调，而HSPB8和NQO1上调。此外，通过体外实验，抑制ACSL6表达显著增强了HepG2和Huh7细胞的增殖和迁移能力。划痕愈合实验进一步验证了低ACSL6表达与肿瘤细胞迁移能力的增强相关。蛋白质组学分析显示，抑制ACSL6导致NF-kB和EMT通路相关基因（如RFTN1、LETMD1等）上调，表明ACSL6在抑制肿瘤进展方面的潜在作用
本文亮点：
多模式细胞死亡的系统性分析：研究首次系统性地分析了12种细胞死亡模式，涵盖了1078个调控基因，从而识别出与肝细胞癌（HCC）免疫微环境相关的细胞死亡基因集合，拓展了对肿瘤免疫与细胞死亡关联的理解。
创新性免疫相关细胞死亡指数（IRCDI）构建：利用竞争性机器学习框架构建了IRCDI模型，基于九个关键基因，可在多个独立数据集中稳定预测HCC患者的生存期、肿瘤分期和药物响应，有助于个体化治疗决策。
多层次的临床和实验验证：IRCDI模型不仅在不同数据集上表现出强大的生存预测能力，还在实际免疫治疗和TACE治疗反应预测中取得了良好效果，展示了广泛的临床应用潜力。此外，通过qRT-PCR和体外实验验证了模型基因（如ACSL6）的表达和功能，为该模型的生物学合理性提供了实验证据。
潜在新药的筛选和验证：通过IRCDI筛选出特定药物（如Sepantronium bromide和AZD7762），为耐药或免疫治疗效果欠佳的HCC患者提供了新的治疗选择，同时通过分子对接等技术验证了这些药物的靶向机制。
便捷的临床应用工具：开发了一个在线平台，使临床医生能够通过输入患者的基因表达值快速计算IRCDI，提供生存预测和治疗决策支持，推动该模型在临床中的实际应用。
本文还提供了原文中部分代码：(https://github.com/FuLab-ZhaoSun/IRCDI/)，欢迎感兴趣的观众老爷自取。
写在最后，本文作者团队收集了12种细胞死亡模式，共涉及1078个调控基因。这些细胞死亡模式包括常见的凋亡、焦亡、自噬、铁死亡等，此外还涵盖了较少被研究的细胞死亡类型，如铜死亡（cuproptosis）、碱化死亡（alkaliptosis）、NETosis、氧化死亡（oxeiptosis）等。基于TCGA-LIHC数据集中的HCC患者，作者利用免疫浸润特征（如免疫细胞丰度）将HCC患者分为免疫“冷”型和“热”型两种亚型，并在这两种亚型中分析细胞死亡相关基因的差异表达，最终识别出108个免疫相关的细胞死亡基因（IRCDGs） ， 接着团队应用了九种机器学习模型，包括LASSO、随机生存森林（RSF）、支持向量机（SVM）等，从108个IRCDGs中筛选出9个关键基因，构建了免疫相关细胞死亡指数（IRCDI），并验证了该模型在不同数据集上的稳定性和预测性能。同时进一步验证了IRCDI在多个独立数据集上对HCC患者生存期和药物敏感性的预测能力，分析了IRCDI与临床特征（如肿瘤分期、甲胎蛋白水平）的关系。此外，作者团队通过体外实验验证了模型基因（如ACSL6）的功能，增强了模型的生物学合理性 。最后利用IRCDI值，作者筛选出适合高IRCDI患者的抗癌药物（如Sepantronium bromide），并开发了一个在线工具，使临床医生能够方便地使用IRCDI模型进行个体化治疗决策。这无非就是基因集 +分型+101机器学习 +预后模型+筛选hubgene+分子对接+生物学验证的常规套路，由此可以给大家一个启示，前两年套路兴起的时候，大家都是换个基因集就是一篇paper,那么这篇文献就是很好的范文来帮助你旧活新整。
注：若对内容有疑惑或者有发现明确错误的朋友，请联系后台(欢迎交流)。更多内容可关注公众号：生信方舟
