DNA甲基化与转录因子驱动的卵巢癌免疫亚型

研究基于DNA甲基化与转录因子识别卵巢癌免疫分型并构建预后模型。

卵巢癌（OC）是致死率最高的妇科恶性肿瘤，其死亡率预计到2040年将大幅上升[1]。高级别浆液性卵巢癌（HGSOC）患者初始对铂类化疗敏感，但约70%在三年内产生耐药[2]。免疫检查点抑制剂（ICIs）在多种癌症中展现出抗肿瘤活性，但在HGSOC中未能显著改善生存结局[3]。DNA甲基化作为关键的表观遗传调控机制，不仅影响基因表达，还与转录因子（TFs）存在双向调控，共同塑造肿瘤免疫微环境[4]。近期，一项发表于

Discover Oncology

研究方法

➤数据来源与处理

研究从癌症基因组图谱（TCGA）数据库获取了卵巢浆液性囊腺癌的基因表达数据（n=429）、临床信息（n=410）及相应的DNA甲基化数据（肿瘤样本n=601，正常样本n=12）。从基因型-组织表达（GTEx）数据库获取正常卵巢组织RNA-Seq数据（n=88）作为对照。从基因表达综合（GEO）数据库下载GSE13876数据集（n=157）作为独立验证集。

➤差异分析与关键基因筛选

通过差异甲基化分析识别出1264个差异甲基化基因（DMGs），通过差异表达分析识别出1217个差异表达基因（DEGs）。整合TRRUST、TransMir和AnimalTFDB数据库，获得2028个转录因子，与DEGs取交集后得到99个差异表达转录因子。通过相关性分析和单因素Cox回归，最终鉴定出12个与转录因子相关且具有预后价值的DMGs。

➤共识聚类与免疫分型

使用ConsensusClusterPlus R包基于12个DMGs的甲基化值对卵巢癌样本进行共识聚类分析，确定最佳聚类数K=2，将患者分为C1和C2两个亚型。

➤预后模型构建与验证

基于两个亚型间的差异表达基因，使用LASSO回归和多因素Cox回归分析，构建了一个包含四个基因（KRT81, PAPPA2, FGF10, FMO2）的预后风险模型。将TCGA队列按7:3随机分为训练集和测试集进行模型构建与内部验证，并使用GSE13876队列进行外部验证。

➤功能分析与实验验证

进行了基因集变异分析（GSVA）、基因本体论（ GO）和京都基因与基因组百科全书（KEGG）富集分析、免疫浸润分析（使用ssGSEA算法）、体细胞突变分析和药物敏感性分析。通过免疫组织化学（IHC）实验验证了关键基因KRT81在57例卵巢癌组织与30例正常卵巢组织中的蛋白表达。

研究结果

➤HGSOC中转录因子相关差异甲基化基因的筛选

通过对TCGA和GTEx数据的整合分析，从1264个差异甲基化基因中筛选出80个预后相关DMGs，并与99个差异表达转录因子进行关联，最终鉴定出12个受转录因子调控的甲基化驱动基因，其相互作用经CHEA数据库验证（图1）。

图1 转录因子相关差异甲基化基因的筛选流程

➤肿瘤亚型基于转录因子相关的DMGs

共识聚类分析将卵巢癌分为两个亚型（C1和C2）。主成分分析（PCA）验证了分型的准确性。生存分析显示，C1亚型患者的总生存期显著优于C2亚型（P<0.05）（图2）。

图2 卵巢癌亚型的鉴定与生存分析

➤卵巢癌亚型的定义与验证

免疫浸润分析显示，除效应记忆CD8+T细胞外，C1亚型的其他免疫细胞浸润水平均显著高于C2亚型。C1亚型的肿瘤微环境免疫评分也更高。因此，C1被定义为免疫浸润亚型，C2被定义为免疫抑制亚型。GSVA分析显示，C1亚型富集于抗原加工与呈递、趋化因子信号通路、自然杀伤细胞介导的细胞毒性等免疫相关通路。C2亚型则主要富集于RNA合成相关通路。差异基因表达分析共识别出308个显著差异基因。KEGG富集分析显示这些基因主要富集于IL-17信号通路（图3H）。GO分析表明生物过程主要与抗原结合通路相关（图3G）。

图3 肿瘤微环境分析与功能富集分析

➤体细胞突变分析与免疫检查点分析

体细胞突变分析显示，免疫浸润亚型（C1）和免疫抑制亚型（C2）的突变率分别为96.03%和95.83%。BRCA1突变仅存在于C1亚型。免疫检查点表达分析显示，BRAF、BTLA、CD70、CD19、EGFR和CTLA4在两个亚型间的表达存在显著差异（图4）。

图4 体细胞突变分析与免疫检查点表达

➤基于两种免疫亚型的HGSOC预后模型的开发与验证

LASSO-Cox回归最终筛选出KRT81、PAPPA2、FGF10和FMO2四个基因构建预后模型。根据风险评分中位数将患者分为高危组和低危组。Kaplan-Meier生存分析显示，在训练集、测试集和外部验证集（GSE13876）中，低危组患者的总生存期均显著优于高危组（P<0.05）。构建了包含年龄、分期和风险评分的列线图用于预测1、3、5年生存率。校准曲线显示预测值与观测值具有良好的一致性。基因表达热图显示KRT81在高危组中表达上调（图5）。

图5 卵巢癌预后风险模型的构建与验证

➤高危组和低危组的药物敏感性分析

药物敏感性分析显示，多数抗肿瘤药物在低危患者中的IC50值更低，如ulixertinib、索拉非尼、KRAS G12C抑制剂和PRIMA-1MET（图6A-D）。而JAK抑制剂在低危患者中的IC50值更高，提示其可能对高危组患者更有效（图6E）。

图6 高低风险组药物敏感性分析

➤KRT81临床价值的免疫组化验证

在TCGA队列中，KRT81的表达与卵巢癌分期相关。免疫组化实验结果证实，KRT81在卵巢癌组织中的表达显著高于正常卵巢组织，并且在晚期卵巢癌组织中的表达显著高于早期（图7）。

图7 KRT81的免疫组织化学实验验证

总结

本研究通过整合DNA甲基化与转录因子数据，成功将高级别浆液性卵巢癌划分为免疫浸润型（C1）和免疫抑制型（C2）两种具有显著预后差异的亚型。基于此，研究构建并验证了一个包含四个基因（KRT81、PAPPA2、FGF10、FMO2）的稳健预后预测模型，该模型在内部测试集和独立外部验证集中均表现出良好的预后分层能力。药物敏感性分析为不同风险组患者的个性化治疗提供了潜在方向，免疫组化实验进一步证实了KRT81作为预后生物标志物的潜力。该研究深化了对卵巢癌免疫微环境异质性的理解，所开发的分类体系与预测工具为未来实现更精准的卵巢癌患者风险分层与治疗策略选择提供了有价值的参考。

参考文献：

[1]Bray F, Ferlay J, Soergomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68(6):394-424.

[2]Cancer Genome Atlas Research Network. Integrated genomic analyses of ovarian carcinoma. Nature. 2011;474(7353):609-615.

[3]Matulonis UA, Shapira-Frommer R, Santin AD, et al. Antitumor activity and safety of pembrolizumab in patients with advanced recurrent ovarian cancer: results from the phase II KEYNOTE-100 study. Ann Oncol. 2019;30(7):1080-1087.

[4]Molinaro AM, Wrensch MR, Warrier G, et al. Interactions of age and blood immune factors and non-invasive prediction of glioma survival.J Natl Cancer Inst. 2022;114(3):446-457.

审批编号：CN-170827 有效期至：2026-02-03
本材料由阿斯利康提供，仅供医疗卫生专业人士参考

*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。