基于干性评分对急性髓系白血病进行分子分型以预测免疫治疗反应及治疗靶点

《Hormones & Cancer》：Predicting immunotherapeutic response and therapeutic targets by stemness classification of acute myeloid leukemia by stemness score

本研究针对急性髓系白血病(AML)的高度异质性和治疗耐药性问题，通过整合TCGA、GEO和cBioPortal数据库，基于LSC17模型计算干性评分，将AML患者分为两个干性亚型。研究发现干性亚型II患者预后较差但对PD-1抑制剂敏感，而亚型I患者对传统化疗药物更敏感。研究还鉴定出8个干性相关关键基因(ZC3H12C、CLIC2等)作为生物标志物，为AML的精准治疗提供了新策略。

　　

在血液肿瘤的战场上，急性髓系白血病(AML)始终是医学界面临的一大挑战。这种高度异质性的恶性肿瘤每年影响着成千上万成年人的健康，尽管治疗手段不断进步，但患者的五年生存率仍徘徊在24%左右。更令人困扰的是，相当比例的患者会出现复发，这与白血病干细胞(LSCs)的顽固特性密切相关——这些细胞具有自我更新能力、细胞周期静止性和化疗耐药性，成为AML复发和多药耐药的核心因素。

近年来，免疫治疗为AML患者带来了新的希望，特别是免疫检查点抑制剂(ICIs)显示出广阔前景。然而，AML的显著异质性给治疗带来了巨大挑战，迫切需要能够区分患者亚群的生物标志物，从而制定个性化的免疫治疗方案。正是在这样的背景下，研究人员将目光投向了"干性"这一关键特征，试图通过干性特征对AML进行重新分类，为精准医疗开辟新途径。

本研究主要运用了以下关键技术方法：基于TCGA、GEO和cBioPortal数据库的AML转录组数据分析；利用LSC17模型计算干性评分；通过ssGSEA和CIBERSORT进行免疫细胞浸润分析；采用ConsensusClusterPlus进行无监督聚类；运用多种机器学习算法(LASSO、随机森林、SVM、XGBoost)筛选特征基因；利用TIDE和SubMap预测免疫治疗反应；通过CMap数据库筛选潜在治疗化合物。

1. Assessing Stemness Scores and Their Correlation with Clinical Features and Genetic Mutations

研究团队从TCGA数据库获取200个LAML样本数据，通过建立的干性评分算法进行计算分析。结果显示，干性评分与患者生存状态、年龄、细胞遗传学风险分层和FAB分型显著相关，而与性别分布无关。基因突变分析发现，肿瘤突变负荷(TMB)以及RUNX1和TP53基因突变与干性评分显著相关，而IDH1/IDX2、NRAS、NPM1、FLT3和DNMT3A突变则无显著关联。

2. Immune Infiltration Assessment and Immune Subtype Classification

应用ESTIMATE算法量化TCGA-LAML样本的肿瘤微环境特征，同时基于Yin He等定义的29个免疫细胞特征基因集进行ssGSEA分析。无监督聚类成功将样本分为两个具有明显免疫学特征的免疫亚型。相关性分析显示，干性评分与ESTIMATE评分、基质评分、免疫评分和肿瘤纯度之间的相关性较弱，表明干性与细胞异质性关联不大。CIBERSORT反卷积分析显示两个免疫亚型在特定免疫细胞群浸润比例上存在显著差异。

3. Differential Analysis Between High and Low Stemness Score Groups and Stemness Subtype Identification

以干性评分中位值为界，将TCGA-LAML样本分为高、低两组。生存分析显示，低干性组患者总生存期显著优于高干性组。差异表达分析鉴定出233个显著失调基因，KEGG和GO富集分析显示这些基因在PI3K-Akt信号通路等肿瘤相关通路中显著富集。临床相关性分析表明，死亡患者和高风险细胞遗传学患者主要聚集在高干性组。

基于高、低干性组间的差异表达基因，使用ConsensusClusterPlus算法进行无监督聚类，在k=2时获得最佳稳定性，将样本分为两个干性亚型(亚型I和亚型II)。大多数高干性样本聚集在亚型II，该亚型特征为差异表达基因广泛上调。在独立队列(GSE106291)中的预后验证显示，亚型II患者总生存期显著短于亚型I患者。热图分析显示干性亚型与临床特征密切相关，死亡状态和高风险细胞遗传学特征主要富集于亚型II。

4. Analysis of Clinical Features and Gene Mutation Correlations in stemness Subtypes

统计分析显示，两个干性亚型在年龄、细胞遗传学风险分层、FAB分型亚型和TMB方面存在显著差异。基因突变水平上，RUNX1、TP53和NPM1的突变频率在两组间差异显著，而IDH1/IDH2、NRAS、FLT3和DNMT3A的突变状态无显著变异。值得注意的是，NPM1突变显著富集于干性亚型I，而亚型II中NPM1突变频率明显降低。CNV分析进一步揭示了亚型间多个染色体区域的显著扩增或缺失模式。

5. Immune Profiling of Stemness Subtypes

TIP算法评估的免疫活性水平显示，两个干性亚型间的总免疫评分无显著差异。但CIBERSORT定量分析显示，单核细胞、M2巨噬细胞和静止NK细胞的比例在亚型间存在显著差异。免疫检查点基因(如PD-1、PD-L1、CTLA-4)的表达谱在干性亚型间呈现显著上调或下调趋势。TIDE算法计算显示，干性亚型II的免疫治疗反应评分显著低于亚型I。亚型映射分析表明，亚型II患者可能对PD-1抑制剂更敏感。药物敏感性预测显示，亚型II样本对甲氨蝶呤的预测半数抑制浓度(IC₅₀)显著高于亚型I。

6. Developing and Validating the Stemness Subtype Prediction Model

应用四种机器学习算法对训练集中233个干性相关差异表达基因的表达谱进行分析，鉴定出八个重叠核心基因：ZC3H12C、CLIC2、FHL1、EGFEM1P、CACNA2D4、NFIA、CLEC11A和RNASE2。基于这些基因构建了干性亚型预测的多维逻辑回归模型。在两个独立验证队列(OSHU和GSE106291)中的生存分析证实了TCGA-LAML训练队列的发现，显示亚型II患者的总生存期显著短于亚型I患者。验证队列分析进一步证实了亚型II在高风险遗传分层和死亡生存状态中的显著富集，以及在免疫细胞浸润、肿瘤微环境特征和免疫治疗反应方面的差异。

研究结论表明，肿瘤干性是预后评估和免疫治疗指导的有前景的生物标志物。与常规临床病理学特征相比，干性评分在预测患者生存和治疗反应方面表现出更优的能力。本研究成功将AML患者分为两个不同的干性亚型，为它们的免疫治疗差异反应提供了宝贵见解。分子分析发现，高、低干性组间的233个差异表达基因在PI3K-Akt信号通路中显著富集，表明该通路在AML干性调控中起核心作用。

更重要的是，CMap分析确定了三个溴结构域抑制剂——BRD-K76674262、I-BET-151和FPI-1——作为亚型II的潜在治疗剂。同时，研究预测PD-1抑制剂可能对亚型II产生良好的治疗效果。这些发现为未来临床试验提供了重要的分层见解，需要进一步验证PD-1抑制剂在这一特定亚组中的治疗潜力。

研究所鉴定的八个关键基因为AML基于干性的临床风险分层和精准治疗提供了重要的分子基础，其中大多数基因在先前研究中已被证实与肿瘤干性或肿瘤免疫微环境调控相关。这项工作不仅为未来免疫治疗方法中的患者选择提供了潜在策略，还引入了一个基于干性的新型分类框架来指导临床干预。