IDH 野生型组织学胶质母细胞瘤复发相关基因特征识别及基于机器学习的精准预测：开启脑肿瘤诊疗新征程

为解决胶质母细胞瘤（GBM）复发分子机制不明的问题，研究人员开展了针对 IDH 野生型组织学 GBM 的研究。通过多种分析方法，识别出 8 个复发相关基因，发现免疫细胞变化，且随机森林（RF）模型预测准确性高，有助于改善 GBM 预后和治疗策略。

　　胶质母细胞瘤（Glioblastoma，GBM）是一种极具侵袭性的脑肿瘤，复发频繁，但驱动其复发的分子机制却知之甚少。识别复发相关基因或许能改善预后和治疗策略。研究人员对来自中国胶质瘤基因组图谱（CGGA）-693 队列（n = 190）和 CGGA-325 队列（n = 111）的 IDH 野生型组织学 GBM 转录组数据进行加权基因共表达网络分析（Weighted gene co-expression network analysis，WGCNA），以此识别复发相关基因。这些基因通过逆转录定量聚合酶链式反应（Reverse transcription quantitative polymerase chain reaction，RT-qPCR）和单细胞 RNA 测序（Single-cell RNA sequencing，scRNA-seq）数据集（GSE174554、GSE131928）进行验证，并分析它们与免疫细胞组成的关联。最后，研究人员评估 113 种机器学习算法，构建 GBM 复发的多基因预测模型，利用受试者工作特征（Receiver operating characteristic，ROC）曲线和混淆矩阵分析评估模型性能。研究识别出 8 个复发相关基因（CERS2、EML2、FNBP1、ICOSLG、MFAP3L、NPC1、ROGDI、SLAIN1），在原发性和复发性 GBM 中表达差异显著。scRNA-seq 分析揭示了细胞类型特异性表达模式，这 8 个基因主要富集于少突胶质细胞、恶性 GBM 亚型和免疫细胞。免疫细胞反卷积显示复发性 GBM 中巨噬细胞极化和自然杀伤（Natural killer，NK）细胞活化有显著改变。机器学习分析表明随机森林（Random forest，RF）是最有效的模型，在训练集、CGGA-693 验证集和 CGGA-325 验证集中的曲线下面积（Area under the curve，AUC）值分别达到 0.998、0.968 和 0.998，预测准确性极高。这项研究识别出全新的复发相关分子特征，并建立了基于机器学习的 IDH 野生型组织学 GBM 预测模型。