《Discover Oncology》：A novel molecular classification system for head and neck squamous cell carcinoma: predicting treatment response and metastatic potential through multi-omics analysis
编辑推荐：
头颈部鳞状细胞癌（HNSCC）具有显著异质性，现有分子分型难以满足精准治疗需求。研究人员整合单细胞和批量 RNA 测序数据，开展 HNSCC 分子分型研究。结果识别出三种分子亚型，开发的风险预测模型性能良好。该研究为 HNSCC 患者分层和个性化治疗提供依据。
头颈部鳞状细胞癌（Head and Neck Squamous Cell Carcinoma，HNSCC）是一种常见于男性的恶性肿瘤，严重威胁全球公共健康。尽管当前治疗手段多样，如手术、放疗和化疗等，但 HNSCC 的治疗效果仍不尽人意，患者预后较差，复发和转移风险高。免疫治疗虽为癌症治疗带来新突破，可在 HNSCC 治疗中，其客观缓解率和两年总生存率（Overall Survival，OS）并不理想。现有的生物标志物，像 PD-L1 表达、微卫星不稳定性、肿瘤突变负担（Tumor Mutational Burden，TMB）和 T 细胞受体（T-Cell Receptor，TCR）多态性等，也无法满足 HNSCC 精准治疗的临床需求。此外，目前缺乏能全面从多个临床角度对 HNSCC 患者进行系统分类的体系。因此，开展一项能深入解析 HNSCC 分子特征、实现精准分型的研究迫在眉睫。
为了解决这些问题，滨州医学院口腔医学院等多家国内研究机构的研究人员展开了深入研究。他们的研究成果发表在《Discover Oncology》上，为 HNSCC 的治疗带来了新希望。
研究人员运用了多种关键技术方法。首先，从公共数据库收集了两个单细胞 RNA 测序（Single-Cell RNA Sequencing，scRNA-seq）数据集和八个批量 RNA 测序（Bulk RNA Sequencing）数据集。然后，利用 Seurat、Scissor、scSTAR 等软件包对数据进行处理和分析，通过加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis，WGCNA）、单样本基因集富集分析（Single-Sample Gene Set Enrichment Analysis，ssGSEA）等方法进行分子分型和免疫分析，还运用 54 种机器学习算法构建临床风险预测模型，并通过多种统计方法进行数据分析。
研究结果如下：
- 识别出分子亚型：通过整合单细胞和批量 RNA 测序数据，研究人员识别出三种具有不同预后意义的分子亚型。这些亚型在独立数据集中显示出显著的生存差异，如在 TCGA-HNSCC 数据集（P<0.0001）和 GSE65858 数据集（P=0.018）中。
- 亚型的临床相关性：不同分子亚型在免疫治疗反应、转移潜能等方面表现不同。例如，C3 亚型免疫治疗反应潜力增强，C2 亚型基因组改变率最高（97.06%）且 TP53 突变率达 80%。同时，分子亚型还能有效预测患者的转移风险和预后。
- 免疫微环境和基因组改变：各分子亚型在肿瘤微环境中的免疫细胞组成、基因组改变和致癌通路等方面存在差异。C2 亚型的基因组改变率最高，且在 RTK-RAS、WNT 等致癌通路中与其他亚型有显著差异。不同亚型对化疗药物的敏感性也不同，如对 5 - 氟尿嘧啶和多西他赛。
- 关键免疫细胞亚型：巨噬细胞是细胞间通讯网络的关键参与者，研究发现了一种具有临床意义的 M2 样巨噬细胞亚群，其特异性表达 MS4A4A，该蛋白与预后不良相关，是潜在的治疗靶点。
- 临床风险预测模型：研究人员开发的基于机器学习的临床风险预测模型在多个验证队列中表现良好。该模型包含 66 个生物标志物，确定了 10 个关键预测基因，如 CAV1、CD79A 等，能有效分层患者风险。
研究结论和讨论部分指出，该研究构建的分子分型框架为 HNSCC 患者分层和个性化治疗策略提供了有价值的见解。通过识别不同分子亚型，医生可以更精准地选择治疗方案，提高临床治疗效果。不过，研究也存在局限性，如数据的回顾性需要在多中心队列中进行前瞻性验证，公共数据集中临床和分子数据的不完整性可能影响变量关联的识别。但总体而言，该研究成果为 HNSCC 的精准治疗奠定了基础，未来有望进一步完善并应用于临床实践，改善患者的生存状况。
