细胞黏附分子在低级别胶质瘤中的预后价值及免疫微环境重塑作用的多组学与机器学习研究

本研究针对细胞黏附分子（CAMs）在低级别胶质瘤（LGGs）预后评估和临床潜力尚未充分探索的问题，通过整合TCGA和CGGA多组学数据，结合10种机器学习算法构建了包含13个关键基因（如CD58、ITGB1、VCAM1）的CAM相关预后标志（CAMSig）。研究发现CAMSig能有效区分患者风险群体，其预测准确性优于IDH突变、1p/19q共缺失等传统生物标志物，并揭示高风险组患者表现出上皮间质转化（EMT）、PI3K-AKT信号通路激活及免疫抑制微环境特征。重要的是，CAMSig可预测免疫检查点阻断（ICB）疗法耐药性和替莫唑胺（TMZ）化疗敏感性，为LGG精准治疗提供新策略。

在大脑这个精密的人体指挥中心里，低级别胶质瘤（LGGs）犹如潜伏的暗影，虽然相比最恶性的胶质母细胞瘤（GBM）预后稍好，但依然面临治疗后复发和向高级别转化的重要挑战。近年来，IDH突变、1p/19q共缺失等分子标志物的发现显著改善了LGG的诊断和预后评估，然而肿瘤的侵袭特性和当前治疗手段的局限性，迫使科学家们必须深入探索肿瘤进展、免疫逃逸和治疗抵抗的分子机制。

细胞黏附分子（CAMs）作为细胞间和细胞与基质相互作用的枢纽，在维持组织结构和功能中扮演着关键角色。在癌症中，整合素、钙黏蛋白和选择素等CAMs的异常表达，与肿瘤侵袭、转移和免疫逃逸密切相关。特别是在胶质瘤中，整合素与转化生长因子β（TGF-β）通路的相互作用，被证实能够维持肿瘤的侵袭性、干细胞特性和免疫抑制状态。尽管对CAMs在LGGs中的分子机制已有初步认识，但其在预后评估中的应用价值仍有待系统探索。

在这项发表于《Discover Oncology》的研究中，Zheng等研究人员通过整合多组学数据和机器学习算法，对CAMs在LGGs中的作用进行了全面剖析。研究团队从癌症基因组图谱（TCGA）和中国胶质瘤基因组图谱（CGGA）数据库中获取mRNA表达谱和临床数据，采用转录本每百万（TPM）标准化处理，并利用SVA包进行批次效应校正。通过分子特征数据库（MSigDB）获取CAM相关通路和基因，采用10种机器学习算法（包括生存随机森林、弹性网络回归、LASSO、岭回归等）构建了101个预测模型。最终基于弹性网络（Enet）算法（α=0.9）开发了包含13个关键基因的CAM相关预后标志（CAMSig），并通过单样本基因集富集分析（ssGSEA）、ESTIMATE算法、肿瘤免疫表型分析（TIP）平台等多重技术手段，深入探究了CAMSig与患者预后、肿瘤微环境特征及治疗反应的关系。

研究首先揭示了CAMs的恶性特征。与正常组织相比，LGG组织中CAM特征通路评分显著升高，且高CAM活性与不良预后密切相关。值得注意的是，CAM活性在星形细胞瘤、少突星形细胞瘤和少突胶质细胞瘤中呈现递减趋势，并与IDH突变、1p/19q共缺失等有利分子亚型呈负相关。跨癌种分析显示，CAM特征通路在33种癌症类型中呈现显著异质性，其中在GBM和LGG中均显示高CAM活性与不良预后相关，提示CAMs在胶质瘤中的作用具有一定保守性。

在预后模型构建方面，研究人员通过单变量Cox回归分析鉴定出68个具有一致预后价值的CAM相关基因，进而利用机器学习算法筛选出最优模型。最终确定的CAMSig包含13个基因：CD58、CLDN1、CLDN20、HLA-DPA1、ITGB1、JAM3、MPZ、PTPRF、SDC1、SDC3、SELL、VCAM1和CNTNAP2，其评分公式综合了各基因的表达权重。

CAMSig的预后价值在多维度分析中得到验证。Kaplan-Meier生存分析显示，高风险组患者总生存期显著缩短。单变量和多变量Cox回归分析均证实CAMSig是独立的预后因素，其预测性能在1年、3年和5年生存率的受试者工作特征曲线（ROC）分析中优于传统临床变量，尤其在长期预后预测方面表现突出。

功能富集分析揭示了高风险CAMSig组的分子特征。高风险组中40条 hallmark 通路中有38条呈现激活状态，包括上皮间质转化（EMT）、PI3K-AKT-mTOR信号、糖酵解等经典致癌通路。差异表达基因分析显示，高风险组细胞外基质（ECM）相关过程和细胞因子-细胞因子受体相互作用等通路显著富集，提示CAMs通过调节肿瘤微环境促进肿瘤进展。

肿瘤免疫微环境分析展现了更为复杂的图景。高风险CAMSig组表现出更高的基质评分、免疫评分和ESTIMATE评分，意味着更丰富的肿瘤微环境。免疫细胞浸润分析显示，高风险组中辅助性T细胞和髓源性抑制细胞（MDSCs）等免疫细胞浸润水平升高。然而，通过肿瘤免疫表型分析（TIP）平台评估的七步抗肿瘤免疫反应显示，低风险组在抗原呈递（第三步）、T细胞识别癌细胞（第六步）和杀伤癌细胞（第七步）等关键步骤中活性更强，表明高风险组虽免疫细胞浸润增多，但免疫功能可能处于抑制状态。

治疗预测分析为临床转化提供了重要见解。高风险CAMSig组患者携带更多TP53和PTEN突变，而IDH1突变频率较低，这种突变谱与免疫治疗抵抗相关。值得注意的是，CAMSig与免疫检查点分子表达呈正相关，特别是与PD-L2（PDCD1LG2）相关性最强（r=0.659）。在Imvigor210队列中的验证表明，高风险CAMSig患者对免疫检查点阻断（ICB）治疗反应较差，完全缓解（CR）或部分缓解（PR）患者的CAMSig评分显著低于疾病稳定（SD）或进展（PD）患者。

在化疗敏感性方面，高风险CAMSig组对替莫唑胺（TMZ）等多种化疗药物表现出更高敏感性，计算模型预测的半数抑制浓度（IC50）值更低，这为高风险患者强化化疗提供了理论依据。

研究的讨论部分深入剖析了CAMs在肿瘤进展中的多重角色。CAMs通过调节细胞外基质（ECM）重构、上皮间质转化（EMT）和代谢重编程等过程促进肿瘤恶性进展。整合素等CAMs家族成员作为ECM失调的驱动因子，赋予肿瘤细胞在不同微环境中的可塑性。例如，整合素β1通过FAK-YAP1-TAZ信号级联促进胃肠道癌肝转移，而ECM蛋白1与整合素β4相互作用则通过激活FAK和SOX2信号促进胃癌侵袭。

该研究的创新之处在于首次通过多组学整合和机器学习系统评估了CAMs在LGGs中的预后价值，构建的CAMSig标志不仅具有优越的预后分层能力，还能预测治疗反应，为个体化治疗策略制定提供了新工具。然而，研究也存在一定局限性，如基于2016年WHO分类的样本回顾性分析可能包含部分按2021年新分类不属于LGG的病例，CAMSig的临床适用性仍需多中心前瞻性研究验证，CAMs调控LGG进展的具体分子机制也有待功能实验深入探索。

综上所述，这项研究系统阐明了细胞黏附分子在低级别胶质瘤预后评估和微环境调控中的关键作用，开发的CAMSig标志物为患者风险分层和治疗决策提供了新的分子工具，推动了胶质瘤精准医疗的发展。通过整合肿瘤进展、免疫调节和治疗反应的多维度见解，该研究为改进LGG临床管理策略提供了新思路。