一、文章信息
發(fā)表雜志名稱：Journal of Translational Medicine
中文標題：機器學習結(jié)合單細胞和空間轉(zhuǎn)錄組學揭示膠質(zhì)母細胞瘤中基底膜相關(guān)基因特征
英文標題：Machine learning-enhanced discovery of a basement membrane-related gene signature in glioblastoma via single-cell and Spatial transcriptomics
影響因子：7.5
發(fā)表日期：2025年11月20日
二、研究概述
膠質(zhì)母細胞瘤（GBM）具有復(fù)雜的侵襲性和異質(zhì)性，嚴重阻礙腫瘤的徹底根除，而基底膜（BM）侵襲是膠質(zhì)瘤細胞擴散和轉(zhuǎn)移的前提，顯著影響患者預(yù)后。本研究整合4個GBM患者隊列，通過二元分類機器學習篩選基底膜相關(guān)候選基因，構(gòu)建了包含4個核心基因（FOS、ADM、PLOD3、AEBP1）的BMRGs風險模型。該模型能有效區(qū)分高、低風險患者，且高風險組與M2樣巨噬細胞浸潤增加、CD8+T細胞減少相關(guān)，對免疫治療敏感性降低但對部分化療藥物更敏感。結(jié)合單細胞和空間轉(zhuǎn)錄組學發(fā)現(xiàn)，高BMRGs表達的腫瘤細胞具有更強的細胞間通訊功能，且FOS可調(diào)控其他三個基因的表達。研究通過獨立隊列驗證，為GBM的預(yù)后評估和個性化治療提供了新的分子靶點和策略。
三、論文核心解讀
（一）研究目標與解決的實際問題
核心目標：明確基底膜（BM）相關(guān)基因（BMRGs）與膠質(zhì)母細胞瘤（GBM）的分子關(guān)聯(lián)，構(gòu)建可靠的BMRGs風險模型，揭示其在GBM預(yù)后、免疫微環(huán)境及治療響應(yīng)中的作用。
解決的實際問題：
現(xiàn)有GBM預(yù)后模型準確性不足、實用性有限，缺乏基于BM相關(guān)機制的特異性預(yù)測工具；
GBM侵襲性和異質(zhì)性導(dǎo)致治療效果差、復(fù)發(fā)率高，需明確BM相關(guān)分子機制以開發(fā)針對性治療策略；
免疫治療在GBM中的響應(yīng)差異較大，需找到能預(yù)測免疫治療敏感性的生物標志物。
（二）研究方法與目的（表格匯總）
表1 數(shù)據(jù)收集與預(yù)處理方法
| 方法類型 | 具體方法 | 核心目的 |
|---|---|---|
| 數(shù)據(jù)來源 | 整合GEO、EGA、TCGA、GTEx等數(shù)據(jù)庫的4個GBM隊列（614例GBM+44例正常組織） | 獲取大樣本量、多平臺數(shù)據(jù)，確保結(jié)果通用性 |
| 批次效應(yīng)處理 | sva R包的ComBat函數(shù) | 消除不同隊列間的技術(shù)差異，保證數(shù)據(jù)可比性 |
| 候選基因篩選 | 結(jié)合手動整理的222個BMRGs和Genecard數(shù)據(jù)庫2466個相關(guān)基因，共2518個候選基因 | 全面覆蓋BM相關(guān)基因，避免遺漏關(guān)鍵靶點 |
表2 生信分析方法
| 分析類型 | 具體方法 | 核心目的 |
|---|---|---|
| 差異基因分析 | limma R包（adj.P.Val<0.05 & log2FC>1） | 篩選GBM與正常組織間差異表達的BMRGs |
| 機器學習篩選 | 14種二元分類算法（NN、Lasso、SVM等） | 篩選出在10種以上最優(yōu)模型中出現(xiàn)的核心BMRGs |
| 風險模型構(gòu)建 | 單變量Cox回歸+10種ML算法組合（RSF、Lasso等） | 構(gòu)建高準確性、穩(wěn)定的BMRGs預(yù)后模型 |
| 免疫分析 | CIBERSORT、xCell、ssGSEA算法 | 比較高/低風險組的免疫細胞浸潤差異 |
| 治療響應(yīng)預(yù)測 | TIDE、IRnet算法（免疫治療）；OncoPredict（化療藥物敏感性） | 預(yù)測不同風險組的治療響應(yīng)差異 |
表3 單細胞與空間轉(zhuǎn)錄組分析方法
| 分析類型 | 具體方法 | 核心目的 |
|---|---|---|
| 單細胞數(shù)據(jù)處理 | Seurat包質(zhì)控、Harmony算法批次校正 | 獲得高質(zhì)量、無批次效應(yīng)的單細胞數(shù)據(jù)集 |
| 細胞通訊分析 | CellChat R包 | 分析高/低BMRGs表達腫瘤細胞的細胞間通訊差異 |
| 基因調(diào)控網(wǎng)絡(luò) | SCENIC算法（pySCENIC） | 揭示BMRGs間的調(diào)控關(guān)系（如FOS的調(diào)控作用） |
| 空間共定位分析 | semla R包的mapfeatures函數(shù) | 驗證BMRGs在GBM組織中的空間共定位關(guān)系 |
表4 實驗驗證方法
| 實驗類型 | 具體方法 | 核心目的 |
|---|---|---|
| 臨床樣本驗證 | 免疫組化（IHC）、多重免疫熒光（mIF） | 驗證BMRGs在獨立隊列（17例患者）中的表達及共定位 |
| 細胞實驗 | siRNA干擾FOS表達、qRT-PCR、CCK-8 assay | 驗證FOS對ADM/AEBP1/PLOD3的調(diào)控及對細胞活力的影響 |
（三）實驗/分析設(shè)計邏輯與結(jié)果解讀（按Figure順序）
1. Figure 1：GBM中候選BM基因的篩選（二元分類機器學習）
設(shè)計邏輯：先通過數(shù)據(jù)整合和批次校正確保數(shù)據(jù)可靠性，再通過差異基因分析和多機器學習算法篩選核心BMRGs，為后續(xù)模型構(gòu)建奠定基礎(chǔ)。
關(guān)鍵步驟與結(jié)果：
Figure 1A-B：對4個獨立GBM隊列進行PCA分析，顯示批次校正前樣本聚類分散（受技術(shù)差異影響），校正后聚類更集中，數(shù)據(jù)可比性提升；
Figure 1C：Venn圖顯示手動整理的BMRGs與數(shù)據(jù)庫篩選基因的重疊情況，最終確定2518個非冗余候選基因；
Figure 1D：火山圖篩選出217個GBM與正常組織的差異表達BMRGs（adj.P.Val<0.05 & log2FC>1）；
-
Figure 1E-F：通過14種機器學習算法的AUC和F-score評估，篩選出在10種以上最優(yōu)模型中出現(xiàn)的86個核心BMRGs，這些基因是GBM中BM相關(guān)的關(guān)鍵分子。
2. Figure 2：GBM中BM基因的綜合特征分析
設(shè)計邏輯：明確核心BMRGs在GBM分子亞型中的表達模式、參與的信號通路及蛋白相互作用，揭示其生物學功能。
關(guān)鍵步驟與結(jié)果：
Figure 2A-D：ssGSEA分析顯示，BMRGs活性在GBM間充質(zhì)亞型（Mesenchymal）中最高，原神經(jīng)亞型（Proneural）中最低（與侵襲性表型一致）；
Figure 2E：PROGENy通路分析表明，BMRGs活性與缺氧、PI3K、VEGF等腫瘤相關(guān)通路呈顯著正相關(guān)；
Figure 2F：PPI網(wǎng)絡(luò)分析顯示86個核心BMRGs間存在復(fù)雜的蛋白相互作用，節(jié)點大小反映基因重要性；
-
Figure 2G-J：GO/KEGG富集分析顯示，BMRGs主要參與ECM組織、生長因子結(jié)合、PI3K-Akt等通路，與腫瘤侵襲和微環(huán)境調(diào)控密切相關(guān)。
3. Figure 3：BMRGs風險模型的構(gòu)建與驗證
設(shè)計邏輯：基于核心BMRGs構(gòu)建預(yù)后模型，通過多隊列驗證評估模型的準確性和穩(wěn)定性，明確風險評分與患者預(yù)后的關(guān)聯(lián)。
關(guān)鍵步驟與結(jié)果：
Figure 3A：單變量Cox回歸分析篩選出31個與GBM預(yù)后相關(guān)的BMRGs；
Figure 3B：整合10種ML算法構(gòu)建117個模型，通過C-index評估，確定RSF+Lasso組合模型為最優(yōu)（平均C-index=0.607），包含4個核心基因（FOS、ADM、PLOD3、AEBP1）；
Figure 3C：Kaplan-Meier生存分析顯示，高風險組患者總生存期顯著短于低風險組（所有隊列均驗證）；
-
Figure 3D：1/2/3年ROC曲線顯示，模型在各隊列中均具有良好的預(yù)后預(yù)測準確性（AUC值較高）。
4. Figure 4：與已發(fā)表GBM風險模型的比較
設(shè)計邏輯：通過與40個已發(fā)表模型的對比，驗證本研究BMRGs模型的優(yōu)越性和實用性。
關(guān)鍵步驟與結(jié)果：
Figure 4A：C-index比較顯示，BMRGs模型在4個隊列中排名分別為第2、第1、第11和第4，整體優(yōu)于多數(shù)現(xiàn)有模型；
Figure 4B-C：1年和2年AUC值排名顯示，模型在短期預(yù)后預(yù)測中表現(xiàn)突出（除TCGA-GBM隊列外均排名前2）；
Figure 4D：3年AUC值排名顯示，模型長期預(yù)測能力略有下降，但仍具有競爭力；
-
核心結(jié)論：BMRGs模型僅含4個基因，實用性強，在2年內(nèi)預(yù)后預(yù)測中優(yōu)勢顯著。
5. Figure 5：BMRGs風險評分對GBM免疫微環(huán)境的影響
設(shè)計邏輯：分析高/低風險組的免疫細胞浸潤差異，揭示BMRGs與腫瘤免疫微環(huán)境（TME）的關(guān)聯(lián)。
關(guān)鍵步驟與結(jié)果：
Figure 5A-C：通過ssGSEA、xCell、CIBERSORT三種算法驗證，高風險組M2樣巨噬細胞、調(diào)節(jié)性T細胞（Treg）浸潤增加，低風險組CD8+T細胞、樹突狀細胞（DC）浸潤增加；
Figure 5D-E：TimiGP分析顯示，巨噬細胞、CD8+T細胞在低風險組中為有利預(yù)后因素，在高風險組中為不利因素；
-
核心結(jié)論：高BMRGs風險評分與免疫抑制性TME相關(guān)，可預(yù)測免疫細胞浸潤模式。
6. Figure 6：基于風險分組的免疫治療敏感性分析
設(shè)計邏輯：通過TIDE和IRnet算法預(yù)測不同風險組的免疫治療響應(yīng)，明確BMRGs模型在免疫治療決策中的價值。
關(guān)鍵步驟與結(jié)果：
Figure 6A-E：TIDE分析顯示，高風險組CAF、MDSC浸潤增加，T細胞排斥特征增強，TIDE評分更高，提示免疫治療敏感性降低；
Figure 6F-G：IRnet分析顯示，高風險組PD-1/CTLA4免疫治療獲益評分更低；
Figure 6H-I：相關(guān)性分析顯示，風險評分與CTLA4、CD276等免疫檢查點基因表達正相關(guān)，高風險組免疫檢查點基因表達更高；
-
核心結(jié)論：低BMRGs風險患者更適合免疫檢查點抑制劑治療。
7. Figure 7：基于風險分組的化療藥物篩選
設(shè)計邏輯：通過藥物敏感性分析，為不同風險組患者篩選潛在有效化療藥物，提供個性化化療策略。
關(guān)鍵步驟與結(jié)果：
Figure 7A：IC50分析顯示，高風險組對喜樹堿（Camptothecin）、阿糖胞苷（Cytarabine）等5種藥物更敏感，低風險組對多拉米莫德（Doramapimod）更敏感；
Figure 7B：相關(guān)性分析驗證，上述藥物IC50值與風險評分呈負相關(guān)（高風險組IC50更低，敏感性更高）；
Figure 7C：藥物靶點分析顯示，高/低風險組中藥物靶點基因表達存在顯著差異；
-
核心結(jié)論：BMRGs風險評分可指導(dǎo)化療藥物選擇，實現(xiàn)精準化療。
8. Figure 8：基于BMRGs特征的GBM單細胞水平解析
設(shè)計邏輯：通過單細胞RNA-seq揭示BMRGs在不同細胞類型中的表達模式，明確高BMRGs表達細胞的特征。
關(guān)鍵步驟與結(jié)果：
Figure 8A：整合32例GBM患者的單細胞數(shù)據(jù)，獲得109,913個細胞，UMAP圖顯示細胞聚類情況；
Figure 8B-C：鑒定出9種細胞類型（間充質(zhì)GBM、經(jīng)典GBM、T細胞等），并明確各細胞類型的標志基因和生物學功能；
Figure 8D-E：ssGSEA分析顯示，BMRGs在間充質(zhì)GBM細胞、內(nèi)皮細胞（ECs）和周細胞/CAFs中表達最高，且在間充質(zhì)GBM亞型中表達顯著高于其他亞型。
9. Figure 9：高BMRGs評分GBM細胞的增強型細胞通訊能力
設(shè)計邏輯：分析高/低BMRGs表達腫瘤細胞的細胞間通訊差異，揭示其在TME調(diào)控中的作用。
關(guān)鍵步驟與結(jié)果：
Figure 9A：根據(jù)BMRGs評分將腫瘤細胞分為高/低BM組，UMAP圖顯示兩組細胞分布；
Figure 9B-F：細胞水平GSEA顯示，高BM組腫瘤細胞富集TNFA信號、缺氧、EMT等通路；
Figure 9G-H：CellChat分析顯示，高BM組腫瘤細胞的傳入和傳出通訊強度更高，在膠原、TNF、VEGF等信號通路中作為“發(fā)送者”“接收者”的中心性評分更高；
-
核心結(jié)論：高BMRGs表達的腫瘤細胞具有更強的細胞間通訊能力，可調(diào)控TME以促進腫瘤進展。
10. Figure 10：空間轉(zhuǎn)錄組學觀察到的BMRGs共表達
設(shè)計邏輯：通過空間轉(zhuǎn)錄組學驗證BMRGs的空間共定位關(guān)系，揭示FOS的調(diào)控作用。
關(guān)鍵步驟與結(jié)果：
Figure 10A-E：SCENIC分析顯示，F(xiàn)OS（轉(zhuǎn)錄因子）的調(diào)控子活性與FOS、ADM、PLOD3、AEBP1的mRNA表達一致；
Figure 10F-G：空間轉(zhuǎn)錄組圖顯示，在原發(fā)性和復(fù)發(fā)性GBM中，F(xiàn)OS與ADM、PLOD3、AEBP1均存在空間共定位；
-
核心結(jié)論：FOS可能調(diào)控ADM、PLOD3、AEBP1的表達，且4個基因在空間上協(xié)同作用。
11. Figure 11：獨立隊列的IHC和多重免疫熒光驗證
設(shè)計邏輯：通過臨床樣本實驗驗證BMRGs的表達及共定位，確認模型的臨床可行性。
關(guān)鍵步驟與結(jié)果：
Figure 11A：CPTAC數(shù)據(jù)庫分析顯示，ADM、PLOD3、AEBP1、FOS在GBM中蛋白豐度顯著高于其他癌癥；
Figure 11B：IHC結(jié)果顯示，GBM樣本中BMRGs表達顯著高于低級別膠質(zhì)瘤（LGG）；
Figure 11C：多重免疫熒光顯示，F(xiàn)OS與ADM、PLOD3、AEBP1在GBM細胞中共表達；
-
核心結(jié)論：BMRGs在GBM中高表達且共定位，模型具有臨床應(yīng)用潛力。
12. Figure 12：FOS依賴的ADM/AEBP1/PLOD3軸調(diào)控GBM細胞活力
設(shè)計邏輯：通過細胞實驗驗證FOS對其他三個BMRGs的調(diào)控作用及對腫瘤細胞增殖的影響。
關(guān)鍵步驟與結(jié)果：
Figure 12A-B：siRNA干擾FOS后，U138-MG和U251-MG細胞中FOS表達顯著下調(diào)；
Figure 12C-D：FOS干擾后，ADM、AEBP1、PLOD3的mRNA表達顯著降低；
Figure 12E-F：CCK-8實驗顯示，F(xiàn)OS干擾后腫瘤細胞活力在24h、48h、72h均顯著下降；
核心結(jié)論：FOS通過調(diào)控ADM/AEBP1/PLOD3軸促進GBM細胞增殖，為治療靶點提供實驗依據(jù)。
（四）研究總結(jié)
本研究圍繞基底膜（BM）與膠質(zhì)母細胞瘤（GBM）的關(guān)聯(lián)展開，通過整合多隊列臨床數(shù)據(jù)、結(jié)合機器學習、單細胞及空間轉(zhuǎn)錄組學技術(shù)，系統(tǒng)解析了BMRGs在GBM中的作用及機制。研究成功篩選出86個核心BMRGs，構(gòu)建了包含4個基因（FOS、ADM、PLOD3、AEBP1）的預(yù)后風險模型，該模型在預(yù)測GBM患者生存期、免疫治療響應(yīng)及化療藥物敏感性方面表現(xiàn)優(yōu)異，且實用性強于多數(shù)現(xiàn)有模型。機制上，高BMRGs表達與GBM間充質(zhì)亞型、免疫抑制性微環(huán)境（M2樣巨噬細胞浸潤增加、CD8+T細胞減少）相關(guān)，且高BMRGs腫瘤細胞具有更強的細胞間通訊能力；FOS作為關(guān)鍵轉(zhuǎn)錄因子，可調(diào)控其他三個基因的表達，共同促進GBM進展。研究通過臨床樣本驗證和細胞實驗確認了模型的可靠性和分子機制，為GBM的精準預(yù)后評估和個性化治療（免疫治療+化療）提供了新的理論依據(jù)和工具，具有重要的臨床轉(zhuǎn)化價值
