北京协和医院王孟昭教授团队发表文章：基于miRNA相关基因的分子亚型及预测模型预测肺腺癌预后

2023年9月，北京协和医院呼吸与危重症医学科王孟昭教授团队在杂志“Current Medicinal Chemistry” 上发表文章“Molecular subtypes and prognostic models for predicting prognosis of lung adenocarcinoma based on miRNA-related genes”（最新影响因子：4.1）。

作者：魏予希、钟巍、毕娅兰、刘潇衍、周晴、刘佳、王孟昭、张弘、陈闽江

研究背景：微小RNA（miRNAs）在癌症的发展和进展中起着关键作用，针对miRNAs的治疗显示出巨大的治疗潜力。我们旨在通过miRNA相关基因的分子亚型，预后模型构建，预测肺腺癌（LUAD）的预后和治疗反应。

研究设计和方法：本研究基于癌症基因组图谱（TCGA）数据库中的miRNA-mRNA作用对和ceRNA网络。在ceRNA网络中识别了64个与miRNA相关的靶基因，并据此确定了三种分子亚型。S3亚型具有最佳预后，而S2亚型具有最差预后。S2亚型具有更高的肿瘤突变负荷（TMB）和更低的免疫评分。S2亚型更适合免疫治疗并对化疗敏感。使用最小绝对收缩和选择算子（LASSO）算法确定了八个与miRNA相关的靶基因，用于构建预后模型。

研究结果：我们获得了26753对miRNA-mRNA配对，包括148个miRNA和1164个mRNA（图1A）。功能富集分析显示，这些mRNA与自噬、癌症通路、FoxO信号通路、PI3K-Akt信号通路、B细胞受体信号通路和T细胞受体信号通路相关（图1B）

图1 构建miRNA-mRNA ceRNA网络

在TCGA和GSE数据集的交集中筛选出64个基因（58个风险基因和6个保护基因）（图2A）。通过对TCGA中64个基因的共识聚类分析（Consensus Clustering Analysis），当聚类数为3时，聚类结果相对稳定（图2B-C）。图2D-E显示，当共识矩阵k=3时，确定了3个亚型。进一步的生存分析显示，S3亚型在TCGA中具有最佳预后，而S2亚型具有最差预后（图2F）。在GSE数据集中也发现了类似的结果（图2G）。PCA结果显示，TCGA和GSE数据集中的三个亚型之间存在明显的分离（图2H）。图2I解释了大多数基因在S3亚型中表达下调，而在S2亚型中表达上调。

图2 基于miRNA相关靶基因识别分子亚型

通过计算miRNAs和mRNAs的平均表达水平，观察到正常样本中miRNA的表达水平低于三个亚型中的任何一个（图3A）。正常样本中的mRNA水平显著低于S2亚型，但高于S3亚型。与S1亚型和S3亚型相比，S2亚型的mRNA水平最高（图3B）。此外，S3亚型具有最低的肿瘤突变负担（TMB）（图3C）。接下来，我们分析了基因组变化的差异。图3D显示了突变频率显著高的前20个基因。TP53、NAV3、PTPRD和HMCN1是三个亚型中突变最频繁的基因。图3E展示了TCGA数据集中的拷贝数变异（CNVs）。ZC3H11A、HMCN1和RGL1显示“增加”，而BAHD1、MEIS2、RB1、MYEF2、NEDD4和EGR1在三个亚型中“丧失”。

图3 不同亚型的基因组分析

在TCGA数据集中，我们发现一些通路如上皮-间充质转化、血管生成和NF-κB介导的TNFα信号传导在S1亚型和S2亚型中与S3亚型相比显著富集（图4A）。在GSE数据集中也观察到了类似的现象（图4B）。

图4 三种亚型之间的基因集富集分析（GSEA）

图5 三种亚型之间的通路特征分析

如图5A所示，TCGA数据集中有35个显著改变的通路。此外，我们在GSE数据集中发现了44个显著改变的通路（图5B）。包括PI3K-AKT-mTOR信号通路、有丝分裂纺锤体、DNA修复、mTORC1信号通路、MYC靶标V1、G2M检查点、E2F靶标、MYC靶标V2、未折叠蛋白反应、精子生成和糖酵解等几个通路在S3亚型中显著下调，而在S2亚型中上调。

图6 三种亚型的免疫特征分析

图6A-B显示S2亚型具有最低的免疫评分。我们还比较了TCGA数据集中由Xcell评估的StromaScore（基质评分）、ImmuneScore（免疫评分）和MicroenvironmentScore（微环境评分）的差异。图6C表明，与其他亚型相比，S2亚型的StromaScore、ImmuneScore和MicroenvironmentScore均有所降低。

图7 不同亚型的免疫治疗和药物敏感性分析

S1亚型和S2亚型与CR/PR（完全缓解/部分缓解）相似，而S3亚型与SD（疾病稳定）相似，这表明S1亚型和S2亚型可能更适合免疫治疗（图7A）。此外，我们在TCGA和GSE数据集中评估了化疗药物的敏感性。大多数药物的IC50值在S2亚型中有所降低（图7B）。我们还发现在两个数据集中S3亚型展示了最高的AKT抑制剂VIII的评分（图7C）。

图8 预后模型的构建和验证

基于64个与miRNA相关的靶基因，执行了Lasso算法以减少基因数量。随着lambda值的逐渐增加，趋向于零的独立变量系数的数量也逐渐增加（图8A）。使用了10折交叉验证，并在图8B中显示了每个lambda下的置信区间。当lambda=0.0315时，筛选出了12个基因。通过逐步多变量回归分析和stepAIC，我们确定了8个基因（图8C）。Kaplan-Meier曲线显示，与低风险患者相比，高风险患者的预后较差（P < 0.0001），在TCGA数据集中1年AUC为0.74，3年AUC为0.7，5年AUC为0.67（图8D）。在GSE数据集中，高风险患者的预后不良（P < 0.0001），1年AUC为0.69，3年AUC为0.7，5年AUC为0.7（图8E）。

图9 风险组之间的通路、免疫特征和对免疫治疗/化疗的反应预测

高低风险组之间共有30个通路发生了显著变化（图9A）。通过对30个通路与风险得分的相关性分析，我们发现风险得分与DNA修复、上皮-间充质转化、缺氧和糖酵解正相关。风险得分与脂肪酸代谢和胆汁酸代谢负相关（图9B）。此外，我们观察到风险得分与碱基切除修复、核苷酸切除修复、细胞周期、DNA损伤、DNA复制、错配修复、同源重组和核苷酸切除修复正相关（图9C）。我们评估了风险组之间13种人类基因特征的分布，并发现DNA损伤、EMT3、WNT靶标、FGFR3相关、细胞周期、DNA复制、错配修复、同源重组、核苷酸切除修复和错配修复在高风险组中明显富集（图9D）。此外，我们评估了风险组之间的免疫特征。图9E显示高风险患者的基质评分、免疫评分和微环境评分较低。

图10 免疫治疗数据集中预测模型的性能

评估预测模型在免疫治疗数据集中的表现。如图10A-D所示，高风险患者在IMvigor210（P=0.00023）、GSE135222（P=0.00014）和GSE91061（P=0.023）中的预后也不佳。此外，IMvigor210、GSE78220和GSE91061中PD（疾病进展）的比例增加，而在GSE135222中PD/SD（疾病进展/疾病稳定）的比例增加。

结论：

我们构建了一个特定于LUAD（肺腺癌）的miRNA-mRNA调控ceRNA网络，并基于miRNA相关的靶基因确定了三种分子亚型，这为理解LUAD中miRNA相关靶基因的机制提供了新的见解，并为现有的分类系统提供了补充。我们进一步建立了一个预后模型，该模型能够预测疾病的预后，并可能指导LUAD患者的个性化治疗。

评论：

表观遗传学变化是癌症生物学的重要因素。已广泛认识到miRNAs在肿瘤发生、肿瘤微环境和肺腺癌（LUAD）的预后中扮演重要角色。本研究先构建了一个miRNA-mRNA ceRNA网络，并基于miRNA相关的靶基因识别了三种分子亚型S1-S3。上皮-间充质转化、血管生成、通过NF-κB介导的TNFα信号、PI3K/Akt/mTOR、DNA修复和糖酵解在S2亚型中富集，表明这些通路的失调主要导致LUAD的血管生成、转移或免疫逃逸，这解释了为什么S2亚型具有最差的预后。并使用8个miRNA相关的靶基因构建了一个预后模型，该模型可以准确预测LUAD患者的预后和治疗反应。然而，miRNAs和mRNAs的潜在调控机制仍未明确，需要进一步开发重要的miRNAs和mRNAs，并在体内外研究中进行功能验证。

本文完

责编：Jerry