基于免疫原性细胞死亡相关巨噬细胞基因特征的胶质母细胞瘤预后模型构建与免疫微环境解析

　　本研究针对胶质母细胞瘤（GBM）预后预测指标不足的问题，通过整合单细胞测序、WGCNA和机器学习算法，开发了基于免疫原性细胞死亡（ICD）相关巨噬细胞基因的预后模型。研究鉴定出G0S2、NEUROD1、SERPINE2和LZTS1四个关键基因，验证模型在多个队列中均能有效区分高低风险患者（P<0.001），揭示高风险群体具有免疫许可型微环境特征且对免疫治疗反应较差，为GBM的个性化治疗提供了新的分子标志物和理论依据。

　　

胶质母细胞瘤（Glioblastoma, GBM）作为成人中最具侵袭性的原发性脑肿瘤，以其进展迅速、侵袭性强和预后极差的特点成为神经肿瘤领域的治疗难题。尽管现有临床参数（如年龄、体能状态）和分子特征（如IDH突变、MGMT启动子甲基化）被用作预后指标，但其预测准确性十分有限。这种预测能力的不足凸显了开发更精确预后模型的迫切需求，以指导个性化治疗策略的制定。

免疫原性细胞死亡（Immunogenic Cell Death, ICD）作为一种特殊的程序性细胞死亡形式，通过释放损伤相关分子模式（Damage-Associated Molecular Patterns, DAMPs）和肿瘤抗原，激活机体抗肿瘤免疫应答，成为连接肿瘤细胞清除与抗肿瘤免疫激活的关键桥梁。肿瘤微环境中的巨噬细胞在GBM中扮演双重角色：促肿瘤的M2样巨噬促进免疫抑制和肿瘤侵袭，而抗肿瘤的M1样巨噬则增强免疫监视功能。近年研究表明，ICD与巨噬细胞极化之间存在密切互动，ICD诱导的信号可重编程巨噬细胞表型并调节肿瘤微环境免疫状态。然而，ICD相关巨噬细胞基因特征在GBM中的预后价值尚未明确。

为此，研究人员在《Discover Oncology》发表了这项开创性研究，通过整合多组学数据和先进计算方法，构建了基于ICD相关巨噬细胞基因的预后预测模型，为GBM的精准医疗提供了新的见解。

研究采用了多项关键技术方法：从TCGA-GBM数据库获取168例患者和5例正常组织的RNA-seq数据，从中国胶质瘤基因组图谱（CGGA）获取三个独立验证队列（CGGA693、CGGA325、CGGA301）；利用GSE235913单细胞数据集和Seurat包分析17例GBM患者的74,548个细胞，鉴定12种细胞类型；通过AddModuleScore评估细胞ICD活性；运用WGCNA识别与巨噬细胞相关的关键基因模块；结合LASSO、XGBoost和RandomForest三种机器学习算法筛选核心基因；采用CIBERSORT、xCell等9种方法进行免疫浸润分析；使用oncoPredict预测化疗药物敏感性；通过TIDE和IPS评分评估免疫治疗反应。

单细胞分析揭示巨噬细胞是ICD相关的主要细胞类型

通过tSNE聚类分析，研究团队鉴定了12种细胞类型：星形胶质细胞、B细胞、树突状细胞、内皮细胞、成纤维细胞、造血干细胞（HSC）、巨噬细胞、单核细胞、神经元、自然杀伤（NK）细胞、T细胞和组织干细胞。重要的是，ICD评分分析显示巨噬细胞的ICD相关评分显著高于其他细胞类型，高ICD评分组中巨噬细胞富集，而低ICD评分组则以单核细胞和内皮细胞为主。这些结果确立了巨噬细胞作为GBM中ICD相关的关键细胞群体，为构建ICD相关巨噬细胞基因模型奠定了基础。

WGCNA分析识别巨噬细胞相关关键模块

研究人员通过WGCNA分析发现，turquoise模块与巨噬细胞基因特征显著相关（cor=0.83, p=6.7e-147）。该模块中的基因高度互连，且与巨噬细胞功能通路（如炎症信号和吞噬作用）密切相关。通过维恩图提取关键模块与1121个差异表达的巨噬细胞相关基因的交集，获得203个核心基因，最终经单变量Cox分析鉴定出27个与GBM预后相关的基因。

机器学习识别核心基因并构建预后模型

研究团队应用LASSO回归、XGBoost和随机森林三种机器学习算法筛选关键基因，通过维恩图取交集确定候选基因。最终构建的风险评分公式为：riskScore=0.1811152×G0S2表达量-0.1583441×NEUROD1表达量+0.3760674×SERPINE2表达量+0.2076937×LZTS1表达量。

Kaplan-Meier生存曲线显示，风险评分能有效预测预后，高风险组在TCGA-GBM队列（P<0.001）、CGGA693队列（P<0.001）、CGGA325队列（P<0.001）和CGGA301队列（P<0.001）中均表现出较差的总体生存率。研究人员还开发了包含风险评分、年龄和性别的个体化列线图模型，校准曲线显示1年、3年和5年OS概率的预测值与观测值具有极好的一致性。

预后列线图的验证与评估

ROC曲线分析显示，该预后模型在预测1年、3年和5年OS方面表现出色。列线图的C指数显著高于单独使用风险评分、年龄或性别指标。决策曲线分析（DCA）进一步证实，列线图提供的临床获益明显优于单独使用风险评分。亚组分析表明，风险评分对60岁以上和以下年龄组均有预测价值（P<0.005），但在男性中预测效果显著（P<0.001），在女性中则不显著（P>0.05）。

功能富集分析揭示生物学机制

基因本体（GO）和京都基因与基因组百科全书（KEGG）富集分析显示，高风险样本显著富集于外部包裹结构组织、胶原纤维组织、胶原代谢过程、上皮间质转化、炎症反应和IL-6-JAK-STAT3信号通路。低风险评分组则主要与核小体组装、剪接体Tri-snRNP复合物组装、蛋白质-DNA复合物组装、E2F靶标、MYC靶标V1和G2M检查点相关。这些发现表明风险评分反映了GBM患者不同的免疫和代谢状态，为其预后价值提供了机制解释。

肿瘤免疫微环境特征分析

研究发现，低风险组的基质评分和ESTIMATE评分显著低于高风险组，而肿瘤纯度则显著高于高风险组。各种免疫细胞类型在高风险和低风险组间存在显著差异。相关性分析显示，G0S2与这些免疫细胞浸润呈正相关，而NEUROD1、LZTS1和SERPINE2与大多数免疫细胞浸润呈负相关。

免疫治疗反应预测

TIDE评分分析显示，高风险组具有较高的TIDE和排斥评分，以及较低的功能障碍评分，表明该组对免疫治疗反应较差。IPS评分分析进一步验证了这一发现。免疫检查点表达分析显示，高风险组免疫检查点表达显著升高，G0S2与这些免疫检查点呈正相关，而NEUROD1和SERPINE2与大多数检查点呈负相关。IMvigor210队列分析表明，对免疫治疗反应较好的患者与较低的风险评分相关。

化疗药物敏感性预测

研究发现，高风险组和低风险组对常用化疗药物的反应存在差异。低风险组对大多数化疗药物（包括替莫唑胺）的反应较好，而高风险组对EPK2440（PARP抑制剂）和BMS-536924（法尼基转移酶抑制剂）的反应较好。相关性分析显示，SERPINE2和G0S2与大多数药物呈正相关，而NEUROD1和LZTS1呈负相关。

研究结论与意义

该研究构建了一个包含四个基因（G0S2、NEUROD1、SERPINE2、LZTS1）的预后模型，整合了细胞类型特异性、基因共表达网络和机器学习来预测GBM患者的生存结局。模型基于单细胞RNA测序数据，发现巨噬细胞是与免疫原性细胞死亡评分相关的主要细胞类型，超越了其他免疫和基质细胞群体。

WGCNA分析确定了与巨噬细胞特征最相关的turquoise模块，强调了其在巨噬细胞驱动的免疫原性细胞死亡通路中的重要性。三种机器学习算法的应用将预后模型精炼为四个枢纽基因，每个基因都具有独特的生物学功能。为解决数据集特异性偏差，预后模型在TCGA-GBM上训练，随后在三个独立的CGGA RNA-seq队列中验证，表现出卓越的性能。

功能富集分析显示，高风险组在免疫应答通路中的富集突出了模型与活性免疫原性细胞死亡和促炎巨噬细胞状态的关联。低风险组则与代谢过程和细胞外基质组织一致，表明了一种以能量高效肿瘤细胞和纤维化基质为特征的肿瘤微环境。这种二分法表明风险评分囊括了一系列TME表型，从免疫许可型（高风险组）到免疫排斥型（低风险组），对治疗反应具有直接意义。

TME分析表明，高风险患者表现出较高的基质和免疫评分以及较低的肿瘤纯度，表明是一种密集浸润的、富含巨噬细胞的微环境。随后的ssGSEA分析显示，高风险组中M1样巨噬细胞和树突状细胞的浸润增加，而与调节性T细胞（Tregs）和髓源性抑制细胞（MDSCs）的增加形成对比——这是"炎症但免疫抑制"肿瘤的典型模式。

免疫景观分析表明，高风险患者表现出较高的排斥评分，表明对免疫检查点治疗反应较差。相反，低风险组检查点表达降低。IMvigor210验证研究显示，较低风险评分与对免疫检查点治疗的较好反应相关，加强了模型在指导免疫治疗患者选择方面的潜在效用。

整合风险评分、年龄和性别的列线图提供了1年、3年和5年生存率的个性化预测。校准曲线显示预测结果与观测结果近乎完美一致。该工具解决了GBM中未满足的重要需求，因为现有的临床列线图缺乏分子特异性。模型在TCGA和CGGA数据集间的鲁棒性支持了其普适性。

药物敏感性分析揭示了对化疗的不同反应，低风险患者对标准护理药物（如替莫唑胺）表现出更高的敏感性。这种增加的敏感性可能归因于它们增强的代谢通路，促进了药物摄取或DNA损伤反应。相反，高风险患者对EPK2440和BMS-536924表现出更有利的反应，表明在ICD激活、ECM调节的肿瘤中存在靶向治疗的潜力。

该研究通过阐明ICD与巨噬细胞生物学之间的相互作用，建立了一个超越传统临床参数的强大预后模型，为GBM的肿瘤微环境免疫和治疗脆弱性提供了见解。四基因特征不仅预测生存结局，还确定了可操作的通路——从巨噬细胞极化到细胞外基质重塑，为靶向治疗干预提供了方向。随着精准肿瘤学向多组学整合发展，此类模型将成为根据个体肿瘤-免疫谱定制治疗的重要工具。