《Cancer Science》：The Overlooked Autoantibody Repertoire: Exploring the Biomarker Potential of Downregulated Autoantibodies in NSCLC
編輯推薦：
本研究創(chuàng)新性地關(guān)注腫瘤中表達下調(diào)的自身抗體（AAbs），在非小細胞肺癌（NSCLC）中鑒定出6種下調(diào)的AAbs。基于梯度提升機（GBM）算法構(gòu)建的診斷模型，在區(qū)分早期NSCLC與良性肺結(jié)節(jié)（BPN）時表現(xiàn)出色。同時，構(gòu)建的預(yù)后風(fēng)險評分模型展現(xiàn)了強大的長期生存預(yù)測能力（7年AUC=0.79）。文章揭示了這些下調(diào)AAbs在NSCLC診斷和預(yù)后評估中的重要價值，為改善患者管理提供了新視角。
研究背景與方法
肺癌（LC）是全球癌癥發(fā)病和死亡的主要原因之一，其中非小細胞肺癌（NSCLC）是主要亞型。自身抗體（AAbs）作為一類在血液中穩(wěn)定存在的免疫分子，是極具潛力的癌癥生物標(biāo)志物。然而，當(dāng)前研究大多集中于腫瘤中表達升高的AAbs，而對表達下調(diào)的AAbs關(guān)注不足。本研究旨在系統(tǒng)探索NSCLC中下調(diào)AAbs的診斷與預(yù)后價值。
研究納入了兩個獨立隊列：一個包含781份樣本的診斷隊列（306名NSCLC患者、215名良性肺結(jié)節(jié)BPN患者和260名正常對照NC），以及一個包含353名NSCLC患者的預(yù)后隊列用于評估長期生存。研究首先采用HuProt蛋白微陣列對樣本進行高通量篩選，識別NSCLC血清中下調(diào)的AAbs。隨后，通過間接酶聯(lián)免疫吸附測定（ELISA）對候選AAbs的血清水平進行定量驗證。為了構(gòu)建診斷模型，研究應(yīng)用了十種機器學(xué)習(xí)算法（包括支持向量機SVM、隨機森林RF、梯度提升機GBM等）。預(yù)后模型則結(jié)合了AAbs水平和年齡因素，采用LASSO Cox回歸等方法構(gòu)建。此外，研究還從TCGA、CPTAC、GEO等公共數(shù)據(jù)庫獲取了多組學(xué)數(shù)據(jù)，以從生物信息學(xué)角度支持研究結(jié)論。
核心發(fā)現(xiàn)：鑒定出六種下調(diào)的候選自身抗體
通過HuProt芯片分析，研究在NSCLC與正常對照之間鑒定出84個顯著下調(diào)的AAbs。經(jīng)過嚴(yán)格的篩選標(biāo)準(zhǔn)（在NC中的陽性率>0.6，log2FC < -1，且 p < 0.05）以及蛋白質(zhì)相互作用（PPI）網(wǎng)絡(luò)分析，最終確定了六個候選AAbs：抗CAMKK2、抗GRPEL1、抗DYDC2、抗HIST1H1A、抗HIST1H1B和抗HIST1H1C。后續(xù)的ELISA驗證顯示，在診斷隊列中，與NC組相比，NSCLC患者血清中的抗HIST1H1B、抗HIST1H1C、抗DYDC2、抗CAMKK2和抗GRPEL1這五種AAbs水平顯著降低。此外，在區(qū)分NSCLC與BPN時，抗CAMKK2、抗DYDC2、抗HIST1H1B和抗HIST1H1C的水平也顯著降低。
構(gòu)建并驗證基于機器學(xué)習(xí)的診斷模型
為了提升診斷效能，研究將上述五種顯著下調(diào)的AAbs與癌胚抗原（CEA）結(jié)合，利用十種機器學(xué)習(xí)算法構(gòu)建了區(qū)分NSCLC與BPN的診斷模型。結(jié)果顯示，梯度提升機（GBM）模型表現(xiàn)最佳：在訓(xùn)練集中，曲線下面積（AUC）為0.869（95% CI: 0.833–0.905），靈敏度為75.8%，特異性為82.8%；在驗證集中，AUC為0.813（95% CI: 0.745–0.880），靈敏度為78.8%，特異性為73.4。該模型在區(qū)分早期NSCLC與BPN方面同樣表現(xiàn)優(yōu)異，在驗證集中AUC達到0.809（95% CI: 0.729–0.890），靈敏度為74.0%，特異性為81.3%。決策曲線分析（DCA）證實了該模型的臨床實用性。SHAP分析揭示了各個特征對模型預(yù)測的貢獻，其中抗DYDC2、抗GRPEL1和抗HIST1H1B是GBM模型預(yù)測的關(guān)鍵貢獻者。
下調(diào)自身抗體的預(yù)后價值與模型構(gòu)建
在預(yù)后隊列中，通過Kaplan-Meier生存分析和多變量Cox回歸分析，評估了上述五種下調(diào)AAbs與患者總生存期（OS）的關(guān)系。研究發(fā)現(xiàn)，高水平的抗DYDC2 AAb與更好的預(yù)后相關(guān)（p = 0.038），而高水平的抗CAMKK2、抗GRPEL1或抗HIST1H1C AAb則與較差的預(yù)后顯著相關(guān)（p < 0.01）。術(shù)后血漿樣本的檢測也發(fā)現(xiàn)，部分AAbs水平在手術(shù)后顯著回升，提示其下調(diào)可能與腫瘤存在相關(guān)。
為了進行綜合的預(yù)后風(fēng)險評估，研究采用LASSO Cox回歸構(gòu)建了一個風(fēng)險評分模型，納入了年齡、抗GRPEL1、抗DYDC2、抗HIST1H1B和抗HIST1H1C這五個變量。根據(jù)中位風(fēng)險評分將患者分為高風(fēng)險組和低風(fēng)險組，高風(fēng)險組預(yù)后顯著更差。該風(fēng)險評分模型在預(yù)測死亡事件方面優(yōu)于單個變量，并在7年隨訪時顯示出最佳的預(yù)測性能（AUC = 0.79），在早期NSCLC患者中同樣表現(xiàn)良好（AUC = 0.80）。多變量Cox回歸證實該風(fēng)險評分是一個獨立的預(yù)后因素。最后，研究構(gòu)建了一個包含風(fēng)險評分和臨床特征的列線圖，其校準(zhǔn)曲線顯示出預(yù)測結(jié)果與實際結(jié)果高度一致，表明模型可靠性高。
生物信息學(xué)分析揭示靶基因的生物學(xué)意義
為了深入理解這些下調(diào)AAbs對應(yīng)的基因在腫瘤中的作用，研究利用公共數(shù)據(jù)庫進行了轉(zhuǎn)錄組和蛋白質(zhì)組學(xué)分析。在肺腺癌（LUAD）和肺鱗狀細胞癌（LUSC）中，CAMKK2和DYDC2的mRNA和蛋白表達均下調(diào)，而GRPEL1則上調(diào)。HIST1H1B的mRNA上調(diào)但蛋白水平未變，HIST1H1C則呈現(xiàn)mRNA上調(diào)而蛋白下調(diào)的模式。生存分析顯示，在TCGA-LUAD數(shù)據(jù)中，高表達的CAMKK2、GRPEL1或HIST1H1C與不良預(yù)后相關(guān)，而高表達的DYDC2則預(yù)示更好的生存。
此外，通過對NSCLC單細胞RNA測序數(shù)據(jù)的分析，揭示了這些基因在腫瘤微環(huán)境中的表達異質(zhì)性。GRPEL1和HIST1H1B在所有細胞類型中廣泛表達，CAMKK2在所有細胞群中低表達，而DYDC2則在部分上皮細胞亞群中特異性表達，尤其是在纖毛上皮細胞中。拷貝數(shù)變異（CNV）分析和細胞分化潛能評估進一步表明，DYDC2在纖毛上皮細胞中的特異性表達可能與NSCLC的發(fā)展相關(guān)，其表達減少可能反映了腫瘤發(fā)生過程中纖毛上皮細胞的丟失或功能障礙。
總結(jié)與展望
本研究系統(tǒng)性地探索了非小細胞肺癌中下調(diào)自身抗體的診斷與預(yù)后價值。通過高通量篩選和驗證，確定了五種在NSCLC中顯著下調(diào)的AAbs，并成功構(gòu)建了基于GBM算法的診斷模型和綜合風(fēng)險評分的預(yù)后模型，在區(qū)分惡性與良性肺結(jié)節(jié)以及預(yù)測患者長期生存方面表現(xiàn)出良好性能。生物信息學(xué)分析進一步支持了這些AAbs對應(yīng)基因與NSCLC預(yù)后的相關(guān)性。這些發(fā)現(xiàn)強調(diào)了在腫瘤生物標(biāo)志物研究中關(guān)注下調(diào)AAbs的重要性，為NSCLC的早期診斷和個體化預(yù)后評估提供了新的策略和潛在靶點。研究團隊還開發(fā)了一個在線網(wǎng)絡(luò)工具，便于臨床工作者進行診斷預(yù)測和預(yù)后評估。盡管研究存在樣本來源單一等局限性，但它為深入理解AAbs在腫瘤免疫中的作用及開發(fā)新的診療手段奠定了基礎(chǔ)。
