5+分型+预后模型+实验，双热点搭配分子对接

今天给同学们分享一篇生信文章“Characterization and application of a lactate and branched chain amino acid metabolism related gene signature in a prognosis risk model for multiple myeloma”，这篇文章发表在Cancer Cell Int期刊上，影响因子为5.8。

结果解读：

乳酸代谢亚型和支链氨基酸代谢亚型的鉴定

可以看出，无论是基于27个支链氨基酸代谢相关基因的表达模式（cluster 1 = 159，cluster 2 = 97），还是基于13个乳酸代谢相关基因的表达模式（cluster 1 = 143，cluster 2 = 113），将256名MM患者聚类为两个分子亚型（k = 2）时，获得了最佳的聚类结果（图1A和E）。不同亚型中支链氨基酸代谢相关基因和乳酸代谢相关基因的表达情况分别在图1B和F中呈现。PCA结果显示了这些聚类结果的合理性，展示了良好的内部一致性和稳定性（图1C和G）。在支链氨基酸代谢相关亚型和乳酸代谢相关亚型中，cluster 1的预后结果较cluster 2差（图1D和H）。

不同亚型中差异表达基因（DEGs）的分析

在BCCA代谢相关亚型中，筛选出了1079个差异表达基因（718个基因上调，361个基因下调）（图2A）。根据BP分析，这些基因与MM中的肽酪氨酸磷酸化的控制和细胞间粘附的控制相关。在CCs的情况下，这些差异表达基因参与了基于肌动蛋白的细胞突出、膜微囊和负责细胞外侧的功能。关于MF，这些差异表达基因参与了特定的重要功能，例如C-C趋化因子受体活性和细胞因子结合（图2B）。进一步的KEGG通路富集结果显示，这些差异表达基因仅与JAK-STAT信号通路、细胞因子-细胞因子受体相互作用以及细胞粘附分子相关（图2C）。在乳酸代谢相关亚型中，筛选出了699个差异表达基因（294个基因表达增加，405个基因表达减少）（图2D）。BP分析显示，这些差异表达基因与免疫应答相关的中性粒细胞颗粒溶解和激活相关。在CCs的情况下，这些差异表达基因还参与了膜微囊的活性。关于MF，这些DEGs仅涉及到翻译起始因子活性（图2E）。特别是，根据KEGG通路富集研究（图2F），这些基因与中心碳代谢和翻译起始因子活性在癌症中有关联。

 

风险特征的强大功能

通过Venn图（图3A）获得了244个相交基因，其中只有两个基因（CKS2和LYZ）与MM预后相关，P < 0.05，并通过单变量Cox回归分析选择为预后基因（图3B）。Lasso回归是一种统计方法，可以避免多重共线性和过拟合问题，以获得更精细的模型。当lamda.min = 0.00874时，这两个预后基因的回归系数不为0（图3C）。为了进一步筛选具有最大预后价值的基因，进行了多因素Cox回归分析以研究它们的影响，并仍然选择CKS2和LYZ作为构建MM患者预后风险模型的特征基因（图3D）。风险评分 = 0.2214×CKS2–0.1970×LYZ。基于中位数风险 = 0.5591（图3E），将MM患者分为高风险组和低风险组。K-M曲线的结果显示，低风险组的预后更好（图3F）。ROC曲线显示，该风险评分签名在1年、3年和5年的ROC曲线下面积（AUC）分别为0.655、0.640和0.701（图... 3G)，表明该预后风险模型具有中等性能（图3G）。该预后风险模型在TCGA-MM和GSE136337数据集中仍具有强大的预测能力。

预后风险模型评估

Subgrp7、AMPIND和OS之间存在显著差异（图4A）。TCGA数据集中的OS和iss也存在差异（图4B）。GSE136337中的del1qcyto、del13qcyto和iss也存在显著差异（图4C）。在训练集和TCGA-MM数据集中，Subgrp7-CD1的存活差异以及GSE136337中的OS、iss1、性别、del17pcyto和del16qclinicalfish差异。在训练集和GSE136337数据集中，风险评分和AMPIND是独立的预测指标（图5A和B）。基于独立的预后因素构建了预测1、3和5年OS与风险评分和AMPIND相关性的示意图（图5C）。校准曲线的斜率趋于1，证明该示意图是一个良好的MM预后预测工具（图5D）。同样，验证集GSE136337中的风险评分、del17pcyto、iss1和del13qcyto是MM的独立预后因素（图5E和F），验证集中的示意图仍然具有良好的性能（图5G和H）。这表明风险评分对于MM的重要性。

两个亚型之间的生物差异

生成了以下两个风险组，还对组间差异表达分析进行了筛选，得到了559个差异表达基因（DEGs），其中|log 2 FC|>0.5，P.Value < 0.05的DEGs共有202个上调和357个下调（图6A和B）。这些DEGs主要富集在白细胞增殖和中性粒细胞颗粒溶解等生物过程中（图6C）。病毒蛋白与细胞因子及细胞因子受体途径可能与MM相关（图6D）。BGSEA结果表明，高风险组的DEGs主要富集在编码E2F转录因子细胞周期相关靶点的基因中，这是MYC调控的基因亚组（图6E）。而KRAS激活、血管生成以及编码补体系统成分的基因是低风险组DEGs富集的三个主要机制（图6F）。

风险评分与免疫微环境的相关性分析

对3种算法的分析揭示了训练集中MM样本中各种免疫细胞浸润的丰富性，结果显示只有ssGSEA中的17型T辅助细胞在高风险组和低风险组中没有显著差异，而其他免疫浸润细胞、免疫评分和基质评分随着评分的增加而增强免疫相关特征（图7A和B）。不仅如此，免疫调节因子在高风险组和低风险组中均有显著差异表达（图7C和D）。其中，PDCD1LG2、KIR2DL1和ICOS在高风险组中的表达水平较低。

MM相关药物预测的分析

使用“oncoPredict” R程序，利用GDSC数据库计算了两组MM患者的每个患者的IC50。这个过程产生了在两组中IC50显著不同的168种药物。高危组的IC50较低，表明高危患者更适合药物治疗。使用AutoDock探索了具有最高药物敏感性的前3种药物（Carmustine_1807，Nelarabine_1814和Temozolomide_1375）以及编码CKS2和LYZ的蛋白质的分子对接（图8A、B、C）。特征基因与这三种药物之间的对接分数小于-1.2 k/mol，表明这三种药物能够与特征基因完美地相互作用，影响MM的发展。例如，CKS2分别通过3个、5个和3个氢键与Carmustine_1807、Nelarabine_1814和Temozolomide_1375发生相互作用，对接分数分别为-5.71、-7.88和-5.73 kcal/mol。作者验证了奈拉巴宁、卡莫司汀和替莫唑胺可以有效增强多发性骨髓瘤细胞的凋亡，并且替莫唑胺可以显著抑制多发性骨髓瘤细胞的侵袭和迁移。

CKS2和LYZ的表达和验证

作者利用了肿瘤免疫单细胞数据库（TISCH）并采用统一流形逼近和投影（UMAP）来检查从骨髓瘤组织中获得的单个细胞中CKS2和LYZ的表达水平（图9A）。从基因表达杂志（GEO）数据集中获取了MM样本和正常组织样本的数据，目的是在微阵列分析中使用CKS2和LYZ。作者的结果显示，CKS2在MM样本中高度表达（图9B）。在检查CKS2和LYZ的表达后，作者发现CKS2在MM中的表达要比正常骨髓液中高得多，而LYZ则相反（图9C）。为了验证CKS2的致癌和侵袭能力，作者利用MM1.S细胞生成了稳定沉默的CKS2细胞系，并评估了它们的存活能力。CKS2沉默促进细胞凋亡（图9E），并抑制A172细胞的增殖、迁移和侵袭（图9D，F）。这个结果表明CKS2可以作为MM预后和治疗的特征基因。

总结

在这项研究中，作者的研究已经确定了与支链氨基酸和乳酸代谢相关的基因作为潜在的预后生物标志物，并且开发了一种新的风险标记，该标记与多发性骨髓瘤患者的总体生存率独立相关。作者对与支链氨基酸和乳酸代谢相关的两个基因进行了预测标记的分析，并建立了其在风险分层中的有效性。然而，作者的研究不可避免地存在一定的局限性。首先，风险标记是通过对GEO和TCGA数据集的分析来确定和验证的。由于缺乏作者自己的相关数据，支链氨基酸和乳酸代谢相关的标记作为MM患者的预后指标的有效性尚未确定。为了确保准确性，未来应该使用作者自己的临床数据进行外部验证。此外，为了估计免疫细胞的比例，作者使用了生物信息学分析，而不是直接从外周血和动物模型中进行直接测量，这可能不完全准确。未来的研究将涉及临床和实验室实验，以确认风险标志在多发性骨髓瘤患者免疫治疗成功中的确切作用。对这篇文章的思路感兴趣的老师，欢迎咨询！