编辑推荐：
头颈部鳞状细胞癌（HNSCC）预后差且治疗面临诸多难题。为探究糖酵解和乳酸代谢相关基因（GALMRGs）对 HNSCC 的影响，研究人员开展相关研究。结果发现 16 个差异表达基因，构建的预后模型能有效分层患者，还识别出两种分子亚型。该研究为 HNSCC 个性化治疗提供新方向。
头颈部鳞状细胞癌（Head and Neck Squamous Cell Carcinoma，HNSCC）是一种常见的恶性肿瘤，它如同隐藏在人体头颈部的 “定时炸弹”，严重威胁着人们的健康。据预测，到 2030 年其发病率将大幅上升。尽管当前在手术、放疗和化疗方面有一定进展，但由于肿瘤的异质性和耐药性，许多患者的治疗效果仍然不佳。近年来兴起的 PD-1/PD-L1 免疫检查点抑制剂（ICIs）虽带来了新希望，然而其疗效在不同患者间差异巨大，这主要源于肿瘤代谢重编程与肿瘤免疫微环境（Tumor Immune Microenvironment，TME）之间复杂的相互作用。
在肿瘤的发展过程中，代谢重编程起着至关重要的作用，尤其是糖酵解和乳酸代谢。就像癌细胞为了自身的快速生长和存活，找到了一条独特的 “能量通道”，即使在氧气充足的情况下，也优先利用糖酵解来获取能量，这一现象被称为 “Warburg 效应”。这种特殊的代谢方式不仅为癌细胞提供了充足的能量和生物合成前体，还导致乳酸大量产生，使肿瘤微环境酸化。而酸性环境就像是癌细胞的 “保护罩”，它不仅促进肿瘤的增殖和转移，还能抑制肿瘤浸润免疫细胞，帮助癌细胞逃避免疫系统的攻击。以往大多数关于 HNSCC 的研究都将糖酵解和乳酸代谢分开进行研究，这样可能无法全面了解它们对 TME 和免疫治疗反应的综合影响。
为了填补这一研究空白，来自东南大学医学院和南京医科大学附属 Benq 医院的研究人员开展了一项深入的研究。他们希望通过整合糖酵解和乳酸代谢在 TME 中的作用，构建一个全面的研究框架，从而揭示新的治疗靶点，为 HNSCC 的个性化治疗提供理论依据。
研究人员在《Scientific Reports》上发表的这篇论文中，运用了多种技术方法。他们从癌症基因组图谱（The Cancer Genome Atlas，TCGA）和基因表达综合数据库（Gene Expression Omnibus，GEO）获取数据，通过去除批次效应，合并 GEO 数据集，得到了更可靠的数据。然后利用 R 语言的 limma 等多个包进行数据分析，包括差异表达分析、体细胞突变（Somatic Mutation，SM）和拷贝数变异（Copy Number Variation，CNV）分析、基因本体（Gene Ontology，GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG）通路富集分析等。还通过加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis，WGCNA）确定相关模块基因，运用单样本基因集富集分析（Single-Sample Gene Set Enrichment Analysis，ssGSEA）计算 GALM.Score，构建预后风险模型并进行验证，同时分析免疫细胞浸润、肿瘤免疫功能障碍和排除（Tumor Immune Dysfunction and Exclusion，TIDE）、微卫星不稳定性（Microsatellite Instability，MSI）和肿瘤突变负荷（Tumor Mutation Burden，TMB）等指标。
研究结果如下：
- 合并 HNSCC 数据集：通过 sva R 包去除 GSE107591、GSE6631 和 GSE9638 数据集的批次效应，成功合并数据集，校正前后的可视化结果表明批次效应被有效消除。
- 差异表达、SM 和 CNV 分析：对 TCGA 数据集进行分析，发现 4288 个差异表达基因（Differentially Expressed Genes，DEGs），其中 16 个为糖酵解和乳酸代谢相关差异表达基因（GALMRDEGs）。这些基因位于 7、11、12 和 14 号染色体上，主要突变类型为错义突变，PC 的突变率最高。16 个 GALMRDEGs 中有 15 个存在 CNV。
- 富集分析：GO 和 KEGG 通路分析显示，16 个 GALMRDEGs 主要参与乳酸、丙酮酸代谢等生物过程，与膜筏、微结构域等细胞成分相关，涉及氧化还原酶活性等分子功能，还与癌症中的中央碳代谢、HIF-1 信号通路等相关。
- 表型评分构建、WGCNA 和表达相关性分析：基于 16 个 GALMRDEGs 的表达水平计算 GALM.Score，发现 HNSCC 组与对照组差异显著。WGCNA 确定了绿色和紫色模块基因，其中 CDKN3 和 SLC2A1 与 GALMRDEGs 重叠，这两个基因在 HNSCC 和对照组间表达差异显著，且二者呈弱正相关。
- HNSCC 预后风险模型的开发：通过单因素、多因素和 LASSO 回归分析，确定了 CAV1、CDKN3、LDHA、MB 和 PER2 这 5 个关键基因，构建了预后风险模型。该模型能将患者分为高、低风险组，两组患者的总生存期（Overall Survival，OS）差异显著。
- 基于风险评分的单因素和多因素 Cox 回归分析：风险评分和性别、年龄、病理分期、组织学分级等临床变量是显著的预后预测因子。构建的列线图和校准曲线显示模型在 1 年时预测性能最佳。
- 差异表达和基因相关性分析：在 TCGA 和合并的 GEO 数据集中，高、低风险组间关键基因的表达差异显著，CAV1 和 LDHA 在两个数据集中均呈显著正相关。
- TCGA-HNSC 数据集中的差异表达分析和 GSEA：基于风险评分将 TCGA 样本分组后进行分析，发现 50 个 DEGs。GSEA 结果显示，高、低风险组在多个与缺氧和代谢重编程相关的通路中存在显著富集。
- 免疫细胞浸润、TIDE、MSI 和 TMB 分析：CIBERSORT 分析表明，HNSCC 中 22 种免疫细胞的浸润水平在高低风险组间存在显著差异，静止肥大细胞和活化肥大细胞在两组中均呈最强负相关。低风险组的 TMB 评分显著高于高风险组，而 TIDE 和 MSI 评分在两组间无显著差异。
- HNSCC 亚型的构建：基于 5 个关键基因的表达，通过共识聚类将 HNSCC 分为 A、B 两个亚型。两个亚型在关键基因表达上差异显著，3D t-SNE 图等也证实了亚型间的差异。
- 蛋白质 - 蛋白质相互作用（Protein-Protein Interaction，PPI）和调控网络：构建了 5 个关键基因的 PPI 网络，还构建了 mRNA-miRNA 调控网络，揭示了基因间的相互作用和潜在的调控机制。
研究结论和讨论部分指出，该研究通过对 GALMRGs 的综合分析，揭示了它们在 HNSCC 预后、TME 和疾病亚型中的关键作用。构建的预后风险模型基于多个关键基因，比单基因研究更能准确预测患者预后。免疫细胞浸润模式在高低风险组间的差异，强调了免疫细胞组成对 HNSCC 预后的重要影响。此外，研究还确定了 HNSCC 的两种分子亚型，为个性化治疗提供了新的思路。然而，该研究也存在一定的局限性，如依赖公共数据集，缺乏独立外部验证队列，关键基因的生物学功能和机制还需进一步实验验证等。但总体而言，这项研究为深入理解 HNSCC 的分子机制提供了重要依据，为开发更有效的个性化治疗策略奠定了基础，有望在未来提高 HNSCC 患者的治疗效果和生存率。
