Integrative Multi-Cohort Transcriptomic Analysis Reveals Necroptosis–Immune Crosstalk and a Predictive Gene Signature in Breast Cancer

技术摘要：乳腺癌中坏死性凋亡–免疫交互作用的整合多队列转录组学分析

问题陈述
乳腺癌仍是导致癌症相关死亡的主要原因，尤其是对于具有治疗耐药性的亚型。虽然肿瘤微环境（TME）和免疫浸润在疾病进展中的作用已得到证实，但坏死性凋亡（一种受控的、炎症性的、非凋亡性的细胞死亡途径）的特定转录组图谱尚未在乳腺癌中得到系统性的定义。现有文献大多侧重于单个坏死性凋亡组分（如 RIPK3、STAT1）的孤立研究，缺乏关于整个坏死性凋亡基因网络在乳腺肿瘤中如何运作，以及其在独立患者队列中如何与免疫微环境相关的系统级视角。

方法论
本研究采用了一种整合生物信息学方法，利用了来自基因表达概览数据库（GEO）的四个公开基因表达数据集：

• 发现队列： 合并了数据集 GSE42568、GSE15852 和 GSE29431（总计 $n=273$；201 例肿瘤，72 例正常）。
• 验证队列： 独立数据集 GSE70947（$n=296$；148 例肿瘤，148 例正常）。

数据处理与分析流程：

1. 预处理： 原始数据经过稳健多阵列平均法（RMA）归一化、分位数归一化以及探针到基因的映射。使用 ComBat 算法对批次效应进行校正，同时保留生物学差异（肿瘤 vs. 正常）。
2. 差异表达： 使用 limma 包识别差异表达基因（DEGs）（调整后 $p < 0.05$, $|\log_2FC| \ge 1$）。
3. 聚焦坏死性凋亡： 将一个经人工筛选的 159 个坏死性凋亡相关基因列表（源自 KEGG、Reactome 及文献）与 DEGs 进行取交集。随后为每个样本计算基于 GSVA 的坏死性凋亡活性评分。
4. 机器学习（ML）： 使用三种算法——惩罚逻辑回归（Lasso）、支持向量机（SVM）和随机森林（RF）——在发现队列的 80/20 分割集上进行训练。
   • 特征选择： 初始模型使用了 7 个坏死性凋亡相关 DEGs。通过在三种 ML 方法中根据特征重要性对所有 840 个 DEGs 进行排名，推导出了一套共识特征签名。最终选择了前 25%（31 个基因）。
   • 可解释性： 计算了表现最佳模型（SVM）的 SHAP（SHapley Additive exPlanations）值，以量化特征贡献。
5. 免疫图谱： 使用 xCell 算法将批量表达数据解卷积为 67 种免疫和基质细胞类型。
6. 验证： 在独立的 GSE70947 队列中验证了 31 基因签名及免疫模式。

关键结果

• 转录组图谱： 分析识别出 840 个 DEGs（304 个上调，536 个下调）。值得注意的是，肿瘤组织显示出代谢和脂肪细胞相关基因（如 PCK1, RBP4, PLIN1）的显著下调，以及上皮标记物（如 KRT19, CD24）的上调。
• 坏死性凋亡抑制： 在 105 个可检测到的坏死性凋亡基因中，有 7 个呈现差异表达（DE-NRGs）。其中 6 个下调（PLA2G4A, STAT5A, PYGL, TLR4, MAPK10, IL33），而 STAT1 上调。整体 GSVA 坏死性凋亡评分在肿瘤中显著降低，表明该通路受到抑制。
• 预测签名： 开发了一个 31 基因共识签名。在发现测试集中，SVM 模型实现了 0.968 的 AUC、0.987 的 AUPRC 和 0.049 的 Brier 分数。在独立验证队列中，该模型保持了判别能力，AUC 为 0.842。
• 特征重要性： SHAP 分析确定 PCK1, RBP4, TNMD, ITIH5 和 PLIN1 为最重要的预测因子。这些主要是代谢和基质基因，表明该签名捕捉的是更广泛的微环境重塑，而非仅仅是坏死性凋亡调节因子。
• 免疫-基质交互作用： 肿瘤样本表现出显著的上皮富集和基质成分（脂肪细胞、成纤维细胞、内皮细胞）的缺失。DE-NRGs 与免疫/基质细胞评分之间存在 148 个显著相关性。坏死性凋亡活性评分与基质群体（脂肪细胞、成纤维细胞）呈正相关，与上皮含量呈负相关。
• 跨队列一致性： DE-NRGs 的失调方向以及免疫浸润模式在验证队列中具有高度可重复性（效应值的 Spearman 相关系数 $r=0.757$）。

意义与主张
本文声称提供了首次对乳腺癌中坏死性凋亡进行系统级转录组特征描述的研究，揭示了该通路是在多个组分层面进行协同抑制，而非仅在单个节点发生失调。研究表明：

1. 坏死性凋亡与微环境相关： 坏死性凋亡的抑制与肿瘤微环境的重塑密切相关，特别是基质完整性的丧失（脂肪细胞和成纤维细胞）以及恶性上皮的扩张。
2. 稳健的生物标志物： 所衍生的 31 基因签名能有效区分肿瘤与正常组织，并在独立队列中具有泛化能力，其表现优于仅基于经典坏死性凋亡基因的模型。
3. 机制见解： 研究结果表明，批量组织中的“坏死性凋亡信号”在很大程度上反映了基质细胞的存在，因为基质细胞是正常乳腺组织中坏死性凋亡相关转录本的主要来源。
4. 治疗背景： 作者指出，该通路的普遍下调支持了坏死性凋亡作为乳腺癌中抑癌机制的假设。因此，旨在重新激活坏死性凋亡的治疗策略（例如通过 SMAC 模拟物或 IAP 拮抗剂）可能是一种可行的途径，但由于诸如 STAT1 和 TLR4 等调节因子在炎症中的双重作用，需保持谨慎。

研究结论认为，尽管存在使用批量组织（限制了细胞类型特异性归因）以及缺乏临床结局数据等局限性，但多队列整合和机器学习验证为理解乳腺癌中坏死性凋亡-免疫交互作用提供了稳健的基础。