（类型a）
一项基于全局基因网络关联预测抗PD-1免疫治疗生物标志物及联合疗法的研究
本研究报告由美国德克萨斯大学MD安德森癌症中心的Chia-Chin Wu、Y. Alan Wang、J. Andrew Livingston、Jianhua Zhang以及P. Andrew Futreal共同完成。该研究于2022年发表于《Nature Communications》期刊。研究旨在解决临床实践中抗PD-1免疫检查点阻断疗法对大多数癌症患者无效的问题，开发了一种创新的网络关联方法，以系统性地预测与肿瘤对抗PD-1疗法响应相关的基因、通路及潜在的联合治疗靶点。
一、学术背景
癌症免疫疗法，特别是以PD-1/PD-L1为靶点的免疫检查点阻断疗法，已为部分癌症患者带来了持久缓解，革新了癌症治疗格局。然而，该疗法仅在少数患者中有效，且在不同癌种间反应率差异巨大。这种原发性耐药机制复杂，涉及肿瘤细胞内在因素（如基因突变、表观遗传改变导致抗原呈递缺陷、免疫抑制性通路激活）和外在因素（如肿瘤微环境中免疫抑制性细胞的浸润）。尽管已有研究将肿瘤突变负荷、PD-L1表达水平、免疫细胞浸润特征等作为预测生物标志物，但这些指标预测能力有限，且未能系统揭示肿瘤基因/通路异常与免疫治疗响应之间的内在关联网络。因此，深入理解调控肿瘤免疫应答的分子网络机制，对于发现有效的预测性生物标志物和开发能够克服耐药、扩大受益人群的联合治疗策略至关重要。本研究的目标是构建一个基于“网络罪责关联”原理的计算框架，通过分析基因与MHC I类抗原呈递通路在全局分子相互作用网络中的功能关联性，来推断影响抗PD-1疗效的关键基因和通路，并进一步结合公共基因组数据，筛选特定癌种的生物标志物和潜在治疗靶点。
二、研究方法与流程
本研究主要包含五个核心步骤，构成了一个从网络预测到临床验证的完整工作流。
步骤一：构建MHC I关联网络并计算基因关联评分。 研究团队首先构建了一个包含20,909个基因和超过645,406个分子相互作用的全局基因网络。研究的核心假设是：在基因网络中，与MHC I类基因（负责抗原呈递）、PDCD1（PD-1）和CD274（PD-L1）（合称为MHC I通路基因）功能关联越紧密的基因，其发生异常时越可能影响MHC I抗原处理和呈递通路，从而影响肿瘤对抗PD-1疗法的响应。为此，他们采用了“重启随机游走”算法。该算法以MHC I通路基因为起始节点，在网络中进行随机游走，并设定一定概率返回起始节点。经过迭代计算达到稳定状态后，网络中的每个基因都会获得一个稳定的“MHC I关联评分”。评分越高，表示该基因在网络中与MHC I通路的功能关联性越强，被认为越可能与抗PD-1响应相关。
步骤二：识别与抗PD-1响应相关的通路。 利用基因集富集分析，对按MHC I关联评分排序的基因列表进行分析，以识别那些在排序顶部富集了高关联评分基因的通路，这些通路被认为与抗PD-1响应相关。为进一步使预测结果更具癌种特异性，研究整合了来自接受抗PD-1治疗的肾细胞癌患者的基因表达数据（应答者与非应答者）。通过结合GSEA关联分析和GSEA失调分析（分析通路在应答者与非应答者间的表达差异），并使用截断乘积法整合两个分析的p值，筛选出在肾细胞癌中既与MHC I通路高度关联又显著失调的通路，这些通路被确定为在该癌种中与抗PD-1响应相关。
步骤三：整合TCGA数据识别癌种特异性关联基因与构建预测模型。 为了将网络预测应用于更广泛的癌种，研究整合了癌症基因组图谱的转录组数据。首先，计算每个TCGA癌种中所有基因的表达水平与免疫浸润评分（使用ESTIMATE算法计算）之间的相关性。然后，将此相关性数据与MHC I关联评分预测相结合，筛选“Top免疫阳性”和“Top免疫阴性”MHC I关联基因。具体标准是：选取MHC I关联评分排名前10%的基因中，其表达与免疫浸润评分呈最强正相关（Top免疫阳性）或最强负相关（Top免疫阴性，绝对值≥0.2）的基因。这些基因被视为在特定癌种中与抗PD-1响应（阳性基因）或耐药（阴性基因）相关。更重要的是，研究开发了一个称为“MHC I关联免疫评分”（Mias）的预测模型。通过整合MHC I关联评分和免疫浸润相关性的排序，为每个癌种（本研究以黑色素瘤为例）筛选出100个Top免疫阳性基因作为特征基因标签。对于一个给定的肿瘤样本，计算这100个特征基因的ssGSEA富集分数，即得到Mias评分。Mias评分越高，预测该样本对抗PD-1疗法的响应可能性越大。
步骤四：挖掘TCGA数据中的遗传变异。 将步骤三中筛选出的Top免疫阳性/阴性基因映射到TCGA的体细胞突变和拷贝数变异数据上，以识别在特定癌种（如黑色素瘤）中可能反复发生改变、且与抗PD-1响应或耐药相关的基因遗传变异（如B2M缺失、MYC扩增等）。
步骤五：识别潜在的联合治疗靶点及药物。 基于“抑制Top免疫阴性基因可能增强抗PD-1疗效”的假设，研究将来自DGIdb数据库的药物靶点信息映射到各癌种的Top免疫阴性基因上，从而识别出可能用于与抗PD-1联合治疗的潜在化合物或已上市药物（如CDK4抑制剂、GSK3B抑制剂、PTK2抑制剂等）。
三、主要研究结果
1. 网络预测成功识别已知及新的关联基因与通路。 MHC I关联评分排名靠前的基因中包含了已知直接参与MHC I通路的基因（如TAP1, B2M），以及已知与抗PD-1耐药相关的基因（如B2M, JAK1, JAK2）。研究使用6个独立的CRISPR/Cas9筛选数据集（这些数据集通过实验鉴定出与肿瘤抵抗T细胞杀伤相关的基因）对预测列表进行评估，接收者操作特征曲线下面积值均较高（0.714-0.811），且预测排名前10%的基因与所有6个CRISPR基因集均有显著重叠，表明该网络方法能有效捕获与免疫应答相关的基因。通路分析也识别出多个已知与免疫治疗响应/耐药相关的通路，如Wnt/β-catenin、PI3K-AKT、MAPK、干扰素信号通路等，验证了方法的可靠性。
2. 中心性分析揭示癌症基因作为网络枢纽驱动免疫逃逸。 研究进一步发现，许多已知的癌症基因（如EGFR, TP53, PTEN, JAK1等）在MHC I关联评分中也排名靠前。通过计算网络的中心性指标（度中心性、中介中心性、特征向量中心性），发现这些癌症基因往往是分子网络中的枢纽节点。这些枢纽基因的中心性评分与MHC I关联评分高度相关，且同样能有效区分CRISPR筛选出的免疫相关基因。这表明某些癌症基因可能通过其网络枢纽地位，直接或间接地调控包括MHC I通路在内的多个通路，从而协调免疫逃逸过程。
3. TCGA整合分析揭示响应机制的癌种特异性。 通过将MHC I关联预测与34种TCGA癌型的免疫浸润数据整合，研究为每种癌型筛选出了数百个Top免疫阳性/阴性基因。对这些基因进行跨癌种比较发现，仅有59个基因在所有癌型中共享（均为免疫阳性，且多与T细胞诱导的细胞溶解过程相关）。此外，许多基因与免疫浸润的相关性方向在不同癌型中并不一致。基于这些基因的免疫相关性进行的聚类分析显示，组织来源相近的癌型（如两种肺癌、两种肾癌、两种胃癌）倾向于聚在一起。这有力地证明了肿瘤对抗PD-1疗法的免疫调控机制具有高度的组织特异性和谱系依赖性。
4. 成功构建并验证黑色素瘤响应预测模型Mias。 以黑色素瘤为例，研究整合TCGA数据筛选出100个特征基因构建了Mias评分模型。利用来自6个独立队列、共411例接受抗PD-1（单药或联合CTLA-4抑制剂）治疗的黑色素瘤患者样本进行验证。结果显示，Mias评分在大多数数据集和合并数据集中均能显著区分应答者与非应答者，其预测性能优于或相当于其他已发表的预测方法（如IMPRES, TIDE, GEP）。分析表明，Mias模型的有效性得益于其同时考虑了基因与MHC I通路的功能关联性（网络元素）及其在特定癌种中与免疫浸润的特异性相关（数据元素）。此外，研究还发现将Mias评分与IMPRES评分结合能进一步提高预测准确性。
5. 识别出潜在的联合治疗靶点和药物。 研究不仅验证了36种已在临床试验中与抗PD-1联用的化合物，其靶点基因在MHC I关联预测列表中显著富集，还通过TCGA黑色素瘤数据分析，提出了多个新的潜在联合治疗策略。例如，预测并得到文献支持的潜在联合靶点包括：CDK4（其抑制剂abemaciclib可增强抗PD-1疗效）、PTK2（其抑制剂defactinib可能使肿瘤对PD-1阻断敏感）、GSK3B（其抑制剂tideglusib可下调PD-1表达）等。研究还通过映射药物靶点数据库，为黑色素瘤中的Top免疫阴性基因（如EEF2, PRMT1, PRKCE）找到了对应的已上市或实验性化合物，为老药新用（药物重定位）提供了线索。
四、结论与价值
本研究成功开发并验证了一种基于全局基因网络关联的计算框架，能够系统地预测与抗PD-1免疫治疗响应相关的基因、通路和潜在联合治疗靶点。该方法的创新之处在于将生物学通路的先验知识（MHC I通路的核心地位）融入网络分析，并通过整合多组学数据（TCGA）实现了预测的癌种特异性转化。研究不仅复现了大量已知的关联，还通过独立数据集（CRISPR筛选、临床试验药物靶点、多队列患者数据）进行了多层次验证，证明了其强大的预测能力和普适性。
科学价值： 1. 提供了一个系统性的、机制驱动的发现平台，超越了传统的单一生物标志物研究，有助于从网络层面理解免疫治疗响应的复杂调控机制。 2. 揭示了肿瘤免疫调控的显著组织特异性，强调了未来生物标志物开发和联合治疗策略需要针对特定癌种进行优化。 3. 证明了网络中心性分析与MHC I通路关联分析的一致性，为“癌症基因作为网络枢纽驱动免疫表型”的观点提供了计算证据。
应用价值： 1. 生物标志物发现： 产生的MHC I关联基因列表和癌种特异性Top基因列表是挖掘新型预测生物标志物的宝贵资源。 2. 临床预测工具： 开发的Mias评分模型，特别是其开源代码和预训练分类器，可直接用于黑色素瘤患者对抗PD-1响应的辅助预测，并有望推广至其他癌种。 3. 联合疗法指导： 识别出的潜在药物靶点和对应化合物，为设计新的免疫联合治疗方案提供了优先候选清单，可加速临床试验的设计和药物重定位研究。
五、研究亮点
六、其他补充
研究也讨论了当前方法的局限性，例如依赖于现有不完全的分子互作网络数据，无法发现全新互作关系中的基因；在治疗前样本中预测性能下降，提示需要整合突变负荷等其他类型数据以构建更稳健的模型；单细胞测序数据的整合有望进一步提升模型分辨肿瘤细胞与免疫细胞特异性表达的能力。尽管如此，该网络方法作为一个强大的“计算机模拟筛选”工具，能显著缩小实验和临床验证的范围，降低研发成本，为个性化免疫肿瘤学治疗策略的开发提供了有力支持。