研究人员采用的主要关键技术方法如下:研究数据来源于TCGA-THCA队列,纳入502例具备体细胞突变注释文件的PTC患者。采用MaFTools包计算突变等位基因肿瘤异质性(Mutant Allele Tumor Heterogeneity, MATH)评分以量化ITH。利用最大选择秩统计确定ITH最佳截断值,通过Kaplan-Meier生存分析和Cox回归模型评估ITH的预后价值,采用时间依赖受试者工作特征(time-dependent receiver operating characteristic, ROC)曲线和决策曲线分析(decision curve analysis, DCA)验证其预测效能。通过单因素和多因素线性回归筛选ITH的独立影响因素,结合敏感性分析、亚组分析、交互效应分析及中介效应分析,探究BRAF突变、TDS与ITH之间的复杂关联。采用单样本基因集富集分析(single-sample Gene Set Enrichment Analysis, ssGSEA)计算京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes, KEGG)通路活性,识别与ITH显著相关的信号通路。
研究结果部分,首先探讨ITH与PTC患者预后的关系。研究人员通过生存分析发现,高ITH组患者的DFI和无进展生存期(progression-free survival, PFS)显著低于低ITH组(p < 0.05),而ITH对总生存期(overall survival, OS)和疾病特异性生存期(disease-specific survival, DSS)无显著影响。时间依赖ROC分析显示,ITH预测1年、3年和5年DFI的曲线下面积(area under the curve, AUC)分别为0.72、0.61和0.59,表明其对短期DFI具有中等预测效能。DCA分析进一步证实,当阈值概率在0.10至0.16范围内时,ITH对全期DFI具有临床净获益。
其次,筛选与ITH相关的临床特征。通过比较高低ITH组的临床病理特征,研究人员发现肿瘤大小、T分期、腺外侵犯、淋巴结转移情况、TDS、BRAF突变状态、组织学类型、调节性T细胞(regulatory T cells, Tregs)浸润水平、术后放疗情况及个人病史等存在差异(p < 0.05)。排除共线性变量后,多因素线性回归分析确定TDS和BRAF突变为ITH的独立影响因素。ROC和DCA分析显示,TDS预测ITH的AUC达0.86,优于BRAF突变的0.62,且在更广的阈值范围内具有临床净获益。
第三,解析关键临床特征对ITH的作用模式。研究人员发现,TDS在单因素和多因素分析中均与ITH呈稳定负相关,而BRAF突变在单因素分析中呈正相关,在多因素分析中转为负相关。敏感性分析显示,仅在调整TDS后BRAF突变与ITH的负相关关系出现,提示TDS是导致这种关联转变的核心因素。亚组分析将患者按BRAF突变状态和TDS水平分为四组,结果显示无论BRAF突变状态如何,低TDS均显著增加ITH;在低TDS状态下,无BRAF突变组的ITH反而高于BRAF突变组。逻辑回归和线性回归进一步验证了上述发现。交互效应分析未发现TDS与BRAF突变对ITH存在交互作用(交互项p > 0.05)。中介效应分析表明,BRAF突变显著降低TDS(效应值-1.425, p < 0.001),而TDS降低显著升高ITH(效应值-0.188, p < 0.001),TDS在BRAF突变影响ITH的过程中发挥显著的抑制性中介效应。
第四,探索ITH预后影响的潜在机制。研究人员通过ssGSEA分析比较高低ITH组的186条KEGG通路活性,发现126条通路存在差异。相关性分析和多因素线性回归最终确定丙酸代谢通路是唯一独立于TDS和BRAF突变、与ITH显著相关的通路(β = -2.123, p < 0.001)。该通路在高ITH组中活性下调,其预测ITH的AUC为0.77,且在阈值概率0.02至0.61范围内具有临床净获益。