《MEDIATORS OF INFLAMMATION》：TUG1 and H19 lncRNAs Can Predict Anti-TNF Unresponsiveness in Patients With Ulcerative Colitis: A Machine Learning–Based Approach
編輯推薦：
本研究通過機器學習方法揭示，在抗腫瘤壞死因子-α（anti-TNF-α）治療前，長鏈非編碼RNA H19和牛磺酸上調基因1（TUG1）在潰瘍性結腸炎（UC）無應答者（UCN）的血液和炎癥組織中呈現特征性差異表達，與炎癥指標（如CRP、ESR）及疾病活動性顯著相關。基于三折交叉驗證的邏輯回歸模型證實二者可高精度（組織樣本中H19和TUG1的準確率分別為90%和93%）預測治療應答，是潛在的、用于指導UC個體化治療和監測疾病活動的生物標志物。
1. 引言
潰瘍性結腸炎（Ulcerative Colitis, UC）是一種以直腸至近端結腸黏膜炎癥、直腸出血、緩解與復發交替為特征的炎癥性腸病。盡管抗腫瘤壞死因子-α（anti-TNF-α）單克隆抗體（如阿達木單抗、英夫利西單抗）已成為治療中重度UC的重要藥物，但仍有約三分之一患者對此療法無應答。因此，在治療前識別能夠預測療效的生物標志物，對于優化個體化治療、避免無效治療帶來的時間延誤和潛在副作用至關重要。
長鏈非編碼RNA（long noncoding RNAs, lncRNAs）是長度超過200個核苷酸的轉錄本，在基因表達的表觀遺傳調控、轉錄、轉錄后等多個層面發揮重要作用。已有研究表明，某些lncRNAs的表達變化與UC的進展、腸道屏障功能調節及炎癥因子（如TNF-α）的表達調控相關。本研究旨在探討包括H19、TUG1在內的五種lncRNAs在預測UC患者對抗-TNF治療應答、監測疾病活動性和炎癥狀態方面的潛力。
2. 材料與方法
2.1. 研究設計與參與者
本研究是一項前瞻性隊列研究。在發現隊列中，納入了42名未曾接受過抗-TNF藥物治療、診斷為中重度活動性UC的患者。所有患者開始接受阿達木單抗生物類似物（CinnoRa）治療，并在基線（W0）和治療第14周（W14）采集全血和炎癥組織活檢樣本。根據W14時的內鏡下Mayo評分變化、組織學結果和臨床改善情況，將患者分為治療應答者（UCR，n=22）和無應答者（UCN，n=20）。此外，另招募了22名UC患者（12名UCR，10名UCN）作為驗證隊列。
2.2. 組織學與內鏡檢查
通過結腸鏡檢查評估炎癥程度，發現UCN患者在W14時仍存在嚴重炎癥，而UCR患者黏膜已愈合。蘇木精-伊紅染色顯示，基線時兩組患者均存在中性粒細胞浸潤、隱窩膿腫等病理特征，而W14時僅在UCR患者中觀察到組織學愈合。
2.3. RNA提取與實時定量PCR
使用TRIzol試劑從組織和全血樣本中提取總RNA，并反轉錄為cDNA。通過實時定量PCR檢測五種候選lncRNA（H19、TUG1、GAS5、CDKN2B-AS1、CRNDE）的表達水平，以GAPDH作為內參基因，采用2-ΔΔCt法計算相對表達量。
2.4. 機器學習與統計分析
為了評估lncRNAs的預測性能，采用基于三折交叉驗證的邏輯回歸模型，以單個lncRNA（H19或TUG1）的表達作為特征，區分UCR和UCN。通過受試者工作特征曲線（ROC）及曲線下面積（AUC）評估模型的判別能力。此外，采用斯皮爾曼相關性檢驗分析lncRNA表達與臨床指標（如ESR、CRP、內鏡Mayo評分等）的相關性。組間比較采用非配對t檢驗，治療前后比較采用配對t檢驗。
3. 結果
3.1. lncRNAs在UCN與UCR患者中的差異表達模式
在基線時，對炎癥組織的檢測發現，與UCR患者相比，UCN患者的H19表達顯著上調，而TUG1表達顯著下調。其余三種lncRNA（GAS5、CDKN2B-AS1、CRNDE）的表達在兩組間無顯著差異。相關性分析表明，H19的表達與C反應蛋白、紅細胞沉降率水平呈顯著正相關，且H19和TUG1的表達均與內鏡Mayo評分正相關。
在W14時，UCN患者的H19表達仍顯著高于UCR患者，而TUG1的表達在兩組間已無差異。這表明H19的高表達可能與對抗-TNF治療的無應答狀態持續相關。
3.2. 抗-TNF治療對UC患者結腸lncRNA表達的影響
在UCR患者中，與基線相比，W14時結腸組織中的H19和TUG1表達均顯著下調，這提示這兩種lncRNA的表達降低可能與抗-TNF治療誘導的炎癥消退和疾病緩解有關。然而，在UCN患者中，H19和TUG1的表達在治療前后均未發生顯著變化。
3.3. lncRNAs在患者全血樣本中的差異表達
在基線時，UCN患者全血中的H19和TUG1表達均顯著高于UCR患者。值得注意的是，血液中TUG1的表達模式（在UCN中上調）與組織中的模式（在UCN中下調）相反。在W14時，血液中H19和TUG1在UCN中的高表達狀態依然持續。
3.4. lncRNAs在預測抗-TNF治療應答中的顯著性能
機器學習分析顯示，在發現隊列中，H19在組織和血液樣本中預測治療無應答的準確率分別為90%和85%。TUG1在組織樣本中表現出極高的預測性能，準確率達93%，但在血液樣本中準確率較低（60%）。ROC曲線分析表明，TUG1在組織中的AUC為0.88，H19在組織和血液中的AUC分別為0.84和0.83，顯示出良好的判別能力。
在獨立驗證隊列中，H19和TUG1的表達差異趨勢得以重現。邏輯回歸模型在驗證集上依然表現良好：H19在血液樣本中預測準確率達85%，TUG1在組織中準確率達92%，在血液中甚至達到94%。這進一步證實了TUG1（組織）和H19（血液）作為預測生物標志物的穩健性。
4. 討論
本研究發現，在抗-TNF治療前，H19在UCN患者的組織和血液中均持續高表達，且與炎癥標志物正相關，治療后僅在應答者中表達下降，提示H19可能作為一個促炎lncRNA，參與介導對抗-TNF治療的無應答。大量文獻支持H19能通過諸如核因子κB等信號通路促進TNF-α等炎癥因子的產生。
TUG1的表達模式則更為復雜，其在UCN患者組織中低表達而在血液中高表達。已有研究報道TUG1可通過調控微小RNA網絡來抑制TNF-α誘導的腸上皮細胞凋亡和炎癥因子產生。因此，TUG1的表達失調可能通過影響腸上皮穩態和炎癥反應，導致對抗-TNF治療的不同應答。
本研究創新性地將機器學習方法應用于lncRNA表達數據，成功構建了高預測精度的模型。所識別的H19和TUG1標志物具有從組織（侵入性）和血液（非侵入性）兩種樣本來源進行檢測的潛力，為臨床轉化提供了靈活性。盡管現有臨床預測指標（如CRP、糞便鈣衛蛋白）存在局限性，但本研究發現的lncRNAs展現出更高的預測特異性。
5. 結論
綜上所述，lncRNA H19和TUG1的表達變化與UC患者的疾病活動性、炎癥水平以及對抗-TNF治療的應答密切相關。其中，H19可作為監測治療反應和疾病活動的潛在指標，而TUG1（組織）和H19（血液）則展現出作為預測抗-TNF治療無應答的新型生物標志物的巨大前景。這些發現有助于推動UC的個體化精準治療，未來需要在更大規模的多中心隊列中進行驗證，并深入探索其發揮作用的分子機制。
