Genes＆Diseases：尚沛研究员团队基于机器学习算法和单细胞分析揭示肺腺癌中MAPK 通路共表达的生物标记物及其功能

肺腺癌是最常见的原发性肺癌亚型，其发展与多种突变和免疫细胞群的活动有关。MAPK通路是一个重要的信号节点，接受来自多种刺激的输入，对肺腺癌的治疗至关重要。免疫细胞中的CD8 T细胞在肿瘤的发展或消亡过程中扮演着重要的角色，深入了解CD8 T细胞有助于我们掌握肺腺癌的发病机制。

近日，来自南方医科大学的副研究员尚沛及其团队在本刊发表了题为“Exploring biomarkers of MAPK pathway co-expression in lung adenocarcinoma and their functions based on machine learning algorithms and single-cell analysis”的研究快讯，这项研究整合了两种机器学习算法，以识别肺腺癌患者肺组织中的潜在生物标志物。研究团队通过多组学分析，研究了在肺腺癌患者中与MAPK通路基因共表达的枢纽基因和潜在生物标志物，以及关键功能和通路，提供了分析免疫微环境和基因调控特征的独特见解，并表明PIK3R1和YWHAZ都是肺腺癌患者免疫疗法的前瞻性靶点。

1. 筛选出肺腺癌相关的MAPK共表达的潜在生物标志物

研究团队从GEO和TCGA数据库中下载了各种类型的数据，包括基因表达数据、单细胞数据和存活数据。为了从大量基因中筛选出更多特异性的肺腺癌相关基因，研究团队使用R软件中的“limma”软件包筛选差异基因，并使用“WGCNA”软件包筛选与MAPK通路高度相关的基因。最后，通过LASSO算法和随机森林算法对预后相关基因进行进一步降维（图1A、B），得到对肺腺癌最有价值的5个潜在生物标志物，即KRT8、PDGFB、PECAM1、PIK3R1和YWHAZ。

图1 LASSO 算法（A）和随机森林算法（B）的结果（原文中Figure 1A、B）。

GEO数据库中，上述各生物标志物的ROC曲线下面积（AUC）值分别为0.936、0.938、0.989、0.941和0.869；在TCGA相关数据集中，上述各生物标志物的AUC值分别为0.884、0.871、0.995、0.897和0.920（图2）。

图2 潜在生物标志物的表达和ROC分析验证。(A) ROC 曲线显示了 GSE116959 数据集中潜在的生物标志物。(B) ROC 曲线显示了 TCGA 数据集中的潜在生物标志物（原文中Figure S4）。

2. 潜在生物标志物在肺腺癌不同细胞中的表达存在差异

为了说明5种生物标志物在肿瘤组织各类细胞中的状态，研究团队从单细胞数据集GSE146100中确定了7种细胞类型，即B细胞、上皮细胞、巨噬细胞、单核细胞、NK细胞、平滑肌细胞和T细胞，并分析了潜在生物标志物在肺腺癌样本7种细胞中的表达情况。结果显示，PECAM1在单核细胞、巨噬细胞和平滑肌细胞中表达较高，PIK3R1在T细胞中表达较高，KRT8在上皮细胞中表达较高，YWHAZ在淋巴细胞中表达较高。

图3 单细胞注释和基因表达可视化。（A）肺腺癌单细胞转录组测序数据细胞注释得到7种细胞类型。（B）潜在生物标志物在各细胞中的表达水平（原文中图1E-F）。

3. 潜在生物标志物可能介导着T细胞的分化轨迹

T细胞作为肿瘤微环境物种中的关键免疫细胞，会影响肿瘤细胞的增殖和转移。因此研究团队提取了T细胞进行轨迹分析，进而了解细胞生长或分化不同阶段的独特生物信息。轨迹分析表明，随着T细胞的分化或成熟，YWHAZ、PDGFB、PIK3R1和PECAM1的表达发生了显著变化。

图4 肺腺癌单细胞轨迹分析。（A）T细胞的拟时间轨迹图。（B）潜在生物标志物随拟时间的表达变化（原文中Figure 1I、J）。   

4. 总结

本文指出KRT8、PDGFB、PECAM1、PIK3R1和YWHAZ是肺腺癌的潜在生物标志物，这些基因与肺腺癌患者的预后密切相关。PIK3R1和YWHAZ与肿瘤免疫微环境中的多种免疫细胞密切相关，二者的表达在T细胞分化和成熟过程中发生显著改变。PIK3R1可以预测T细胞向细胞毒性T细胞的分化，这为研究或开发靶向T细胞的药物从而抑制肺腺癌肿瘤增殖提供了新的参考方向。

文章来源

免费全文下载链接：

https://www.sciencedirect.com/science/article/pii/S2352304224000199

引用这篇文章：

Lin M, Zheng R, Liang P, et al. Exploring biomarkers of MAPK pathway co-expression in lung adenocarcinoma and their functions based on machine learning algorithms and single-cell analysis. Genes Dis. In press