今天给同学们分享一篇生信文章“ Machine learning-based identification of an oxidative phosphorylation signature for prognosis, immune infiltration, and drug sensitivity in ovarian cancer ” ，这篇文章发表在Front Immunol 期刊上，影响因子为7。
作者基于 TCGA、GTEx 以及多个 GEO 队列，对 84 条 KEGG 代谢通路进行 GSVA 分析，并结合差异分析和稳健排序整合，筛选卵巢癌中稳定异常的代谢通路。结果显示，氧化磷酸化通路在多个数据集中均表现出显著差异，并且在 TCGA 队列中变化幅度最大，因此作者将氧化磷酸化通路作为后续研究重点。 展示本研究的整体分析流程，包括数据收集、氧化磷酸化相关基因筛选、机器学习模型构建、免疫浸润分析、药物敏感性分析、单细胞分析以及实验验证。 展示代谢通路筛选流程，以及氧化磷酸化相关预后评分模型输入基因的筛选步骤。 展示氧化磷酸化代谢通路的筛选结果、卵巢癌分型、差异表达分析、主成分分析、火山图，以及氧化磷酸化相关差异基因的交集筛选过程。 作者从 KEGG、GO 和 MSigDB 数据库中整理得到 302 个氧化磷酸化相关基因。基于这些基因，TCGA 卵巢癌样本可被分为两个分子亚型，其中第 2 类患者预后更好，提示氧化磷酸化相关分子特征与卵巢癌患者生存密切相关。 随后，作者比较不同分子亚型之间的差异基因，并进一步比较卵巢癌组织与正常卵巢组织之间的差异表达基因。通过取交集并结合单因素 Cox 回归分析，最终筛选出 41 个候选基因，用于后续构建氧化磷酸化相关预后评分模型。 作者以 TCGA 队列作为训练集，并使用多个 GEO 队列进行验证，整合 10 种机器学习算法构建 99 种组合模型。结果显示，随机生存森林联合监督主成分分析模型表现最佳，在验证队列中的 C 指数最高，因此被选为最终模型。 最终构建的 OPRGS 模型包含 22 个基因特征。根据 OPRGS 风险评分，患者被分为高风险组和低风险组。生存分析显示，高风险组患者预后显著较差，该结果在训练队列和多个验证队列中均得到验证。ROC 曲线结果进一步表明，该模型对卵巢癌患者预后具有较好的预测能力。 展示 99 种机器学习模型的 C 指数比较、OPRGS 风险分组后的生存曲线，以及训练集和验证集中的 ROC 曲线结果。 作者进一步进行荟萃分析，结果显示 OPRGS 升高与较差预后相关，且不同队列之间不存在明显异质性。敏感性分析提示该结论较为稳健。将 OPRGS 与年龄、分期、分级和肿瘤大小等临床因素联合后，预测性能进一步提高。与既往报道的多种卵巢癌预后特征相比，OPRGS 的表现位居前列。 展示 22 个模型基因的表达特征、荟萃分析结果、敏感性分析、联合临床因素后的预测性能，以及 OPRGS 与既往预后模型的比较。 作者分析 OPRGS 与免疫细胞浸润之间的关系，发现 OPRGS 与多种免疫细胞和免疫评分显著相关。高风险组中癌相关成纤维细胞比例更高，而调节性 T 细胞比例更低。ESTIMATE 分析显示，高风险组具有更高的基质成分，但免疫评分差异不明显。此外，不同 OPRGS 风险组在卵巢癌分子亚型分布上存在显著差异。 展示 OPRGS 与免疫细胞浸润、免疫评分、基质评分以及卵巢癌分子亚型分布之间的关系。 进一步分析免疫治疗反应发现，高 OPRGS 风险组中免疫治疗非应答者比例更高，并伴随更高的 TIDE 评分、T 细胞排斥、T 细胞功能障碍、癌相关成纤维细胞评分和 M2 型肿瘤相关巨噬细胞评分。相反，低风险组在免疫原性评分方面更高，提示其可能对免疫检查点抑制治疗更敏感。 展示不同 OPRGS 风险组的免疫治疗反应预测结果，包括 TIDE 评分、免疫逃逸相关指标以及免疫检查点治疗敏感性评分。 不同 OPRGS 风险组的化疗药物敏感性和通路富集分析 药物敏感性分析显示，高风险组可能对卡铂、奥沙利铂、环磷酰胺、奥拉帕利和他莫昔芬更敏感；而低风险组可能对紫杉醇、氟尿嘧啶、吉西他滨和异环磷酰胺更敏感。 GSVA 分析显示，高风险评分与多条肿瘤相关通路活化有关，包括 Wnt/β-catenin、TGF-β、NOTCH、KRAS、Hedgehog、上皮间质转化、早期雌激素反应和顶端连接等通路。这提示 OPRGS 不仅与预后相关，也可能反映卵巢癌恶性进展和治疗反应差异。 展示不同 OPRGS 风险组对多种药物的预测敏感性差异，以及高风险组富集的肿瘤相关信号通路。 作者进一步利用单细胞 RNA 测序数据分析 OPRGS 相关基因在不同细胞类型中的表达。结果显示，卵巢癌样本可分为多个主要细胞群，包括上皮细胞、成纤维细胞、T 细胞、单核细胞、内皮细胞和平滑肌细胞等。 在上皮细胞中，作者鉴定出大量差异表达基因。22 个 OPRGS 模型基因中，有 15 个基因在单细胞层面表现出差异表达。其中，SLPI、S100A14、RPL39L、SST 和 KIF1A 主要表达于上皮细胞；KIF26B 主要表达于成纤维细胞；MYH11 主要表达于平滑肌细胞；IFI27 在多种细胞类型中广泛表达。综合单细胞表达、回归分析、生存分析和差异表达结果，作者选择 KIF1A 作为后续实验验证对象。 展示卵巢癌单细胞图谱、主要细胞类型注释、上皮细胞差异基因，以及 OPRGS 模型基因在不同细胞群中的表达分布。 实验结果显示，与正常卵巢上皮细胞相比，卵巢癌细胞中 KIF1A 表达升高，其中 A2780 细胞表达最高，因此作者选择 A2780 细胞构建 KIF1A 敲低模型。敲低效率验证后，作者发现沉默 KIF1A 可显著抑制卵巢癌细胞增殖能力。 CCK-8、克隆形成和 EdU 实验均表明，KIF1A 敲低后细胞增殖明显下降。Transwell 和划痕实验进一步显示，KIF1A 敲低可抑制 A2780 细胞迁移和侵袭能力。这些结果提示 KIF1A 可能促进卵巢癌细胞恶性进展。 展示 KIF1A 在卵巢癌细胞中的表达、敲低效率验证，以及敲低 KIF1A 后细胞增殖、迁移和侵袭能力下降的实验结果。 作者基于 TCGA 队列进一步分析 KIF1A 相关基因，共筛选出 624 个与 KIF1A 正相关的基因。功能富集分析显示，这些基因主要参与神经突触信号、组蛋白代谢、Wnt 通路、Hippo 通路以及肿瘤代谢相关过程。 GSEA 分析显示，高 KIF1A 表达组富集多条与肿瘤发生发展相关的通路，包括 KRAS 相关通路、纺锤体、有丝分裂、Wnt/β-catenin、G2M 检查点和 Hedgehog 通路。上述结果提示，KIF1A 可能通过调控肿瘤增殖、细胞周期和关键信号通路参与卵巢癌进展。 展示 KIF1A 相关基因的功能富集结果、通路富集结果，以及高 KIF1A 表达组中核心通路基因的表达模式。 总结
总之，本研究确定 OXPHOS 是 OC 中的关键代谢通路，并构建了 OPRGS 模型。OPRGS 在预测 OC 患者的风险分层和预后方面表现中等但可靠。作者的全面分析揭示了 OPRGs 在免疫微环境和 OC 的化学敏感性中的作用，并确认 KIF1A 为一种新型致癌基因及潜在治疗靶点。KIF1A 未来研究中可能成为 OC 的潜在致癌基因和治疗靶点 。对这篇文章的思路感兴趣的老师，欢迎扫码咨询！
夜雨聆风
