NCCN风险分层与临床结局验证
验证NCCN风险分组是否与不同的基因组谱和生存结局相关。
将TCGA-PRAD（n=498）和MSKCC（n=181）队列患者按NCCN指南分为低、中危-有利、中危-不利、高和极高危组，并进行Kaplan-Meier生存分析和多变量Cox回归。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
一种新型多组学机器学习特征识别临床低风险前列腺癌的快速进展
A novel multiomics machine learning signature identifies rapid progression in clinically low risk prostate cancer
实验完整度
中基于TCGA-PRAD、MSKCC及Long et al.队列的多组学数据分析与计算建模，包含分子分型和生存验证，但无体内功能实验。
主要模型
TCGA-PRAD队列（n=498） MSKCC队列（n=181） Long et al.前列腺癌队列
重点核对
TCGA-PRAD中NCCN低/中危与高/极高危分组，根据Gleason评分、PSA和临床T分期划分 ZNF268表达分组按整个队列中位表达水平划分高低 LASSO Cox回归（alpha=1）结合500次bootstrap稳定性选择，选择频率>80% Rewiring Score在TCGA-PRAD中采用多变量Cox回归，校正Gleason评分、肿瘤分期、年龄、PSA和ZNF268表达 Rewiring Score在Long et al.和MSKCC队列中作为BCR的独立预测因子，调整可用临床和分子协变量
摘要
原发性前列腺癌的风险分层仍主要依赖临床病理学标准，而这类标准常常忽略早期侵袭性疾病背后的异质性。我们提出一种新型机器学习非线性预后框架，编码体细胞拷贝数改变以及与基因产物相关的生物学信息，并结合包括表观基因组学和转录组学在内的整合多组学方法，纳入患者特异性生物网络。将该框架应用于TCGA-PRAD（n=498），我们的加权图特征选择和LASSO-Cox模型识别出ZNF268为主调控基因，其启动子区高甲基化与仅见于低/中危疾病的独特致癌转变相关。对Low-ZNF268肿瘤的事后分析显示，其体细胞突变景观富集驱动突变，并预测对MAPK、ATR和PI3K/mTOR抑制剂敏感，在预后信号之外提供了潜在治疗脆弱性。拓扑网络分析进一步揭示，ZNF268缺失影响一个共表达重连基因网络，量化为Rewiring Score：在TCGA-PRAD中与无进展生存期相关（HR：2.79，95% CI：1.36–5.71，p=0.0049），并在两个外部队列中与生化复发相关。通过捕获处于系统性进展之前活跃分子转变状态的肿瘤，该框架提供了一种预后工具，用于识别当前按标准风险标准治疗不足的患者中具有生物学侵袭性的前列腺癌疾病。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否通过整合多组学机器学习框架，识别临床低风险前列腺癌中具有快速进展风险的侵袭性亚群，并阐明其分子机制？
- 核心机制
- ZNF268启动子区高甲基化导致其表观沉默，进而引起代谢过度激活和共表达网络重连，推动早期前列腺癌向侵袭性表型转变。
- 主要证据
- 在TCGA-PRAD中通过加权图特征选择和LASSO-Cox模型识别ZNF268为独立保护因子；Low ZNF268肿瘤富集SPOP、FOXA1驱动突变；Rewiring Score在TCGA-PRAD中独立预测PFS（HR:2.79），并在Long et al.和MSKCC队列中预测BCR。
- 研究意义
- 该框架提供了一种预后工具，可在当前被标准风险标准归为低风险的患者中识别已处于侵袭性疾病轨迹的个体，从而实现更早期的风险分层和潜在的精准治疗干预。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
差异表达与通路富集分析
识别区分风险组的分子机制和信号通路。
对高/极高危与低/中危肿瘤进行差异表达分析和GSEA，使用Hallmark、GO、KEGG、Reactome和WikiPathways数据库。
拷贝数变异与基因表达整合
确定转录变化的基因组驱动因素。
整合GISTIC拷贝数谱与差异表达数据，评估扩增或缺失与基因上调的关联。
机器学习特征选择与ZNF268识别
识别驱动疾病进展的潜在预后基因。
构建加权图机器学习框架，提取拓扑特征，使用LASSO Cox回归和bootstrap稳定性选择筛选预后基因。
ZNF268临床相关性验证
验证ZNF268作为独立预后生物标志物的临床相关性。
在TCGA-PRAD和Long et al.队列中进行Kaplan-Meier生存分析和多变量Cox回归，评估ZNF268表达与PFS和BCR的关系。
表观遗传调控机制探究
探究ZNF268表达下调的表观遗传机制。
分析ZNF268启动子区CpG探针甲基化水平与mRNA表达的相关性，并检查正常前列腺上皮中该区域的染色质开放性。
突变景观与驱动基因分析
评估ZNF268表达分层下的体细胞突变谱和驱动事件。
比较High ZNF268和Low ZNF268肿瘤的突变频率，使用Oncodrive分析非随机突变聚类，并提取突变特征。
药物敏感性预测与网络邻近分析
识别Low ZNF268肿瘤的潜在治疗脆弱性。
使用GDSC数据库映射突变特征与体外药物筛选beta值，预测化合物敏感性；并进行网络邻近分析评估药物靶点与ZNF268在PPI网络中的距离。
共表达网络重连与Rewiring Score构建
量化ZNF268共表达网络的动态拓扑变化，并开发预后评分。
使用WGCNA构建共表达网络，计算ZNF268连接性变化，通过并行bootstrapping筛选稳定重连基因，构建Rewiring Score。
Rewiring Score预后验证
验证Rewiring Score在独立队列中的预后价值。
在TCGA-PRAD低/中危患者中进行Kaplan-Meier和多变量Cox回归，并在Long et al.和MSKCC队列中验证BCR预测。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
评估药物敏感性
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| NCCN风险分层 | 风险分组标准：Gleason评分、PSA水平（<10 ng/mL或10-20 ng/mL）、临床T分期（T1-T2c或T3-T4）；缺失信息患者归入最接近组 阅读提示：Methods中患者分层与风险分类部分；Fig. S1a, Fig. S2a, S2b |
| ZNF268表达分组 | 按整个队列中位表达水平划分High/Low；ZNF268表达在疾病进展中逐步降低 阅读提示：Results中ZNF268临床相关性验证部分；Fig. S6a |
| LASSO Cox模型 | alpha=1，10折交叉验证确定λMin，500次bootstrap迭代，选择频率>80% 阅读提示：Methods中加权图机器学习模型开发与特征选择部分 |
| Rewiring Score构建 | TCGA-PRAD分为两个50/50数据分区，每个分区100次TOM分析迭代；选择频率≥80%且共享的基因；评分公式为∑βj·Eij，β来自TCGA-PRAD多变量Cox模型 阅读提示：Methods中Rewiring Score开发部分；Fig. S11a |
| 药物敏感性预测 | GDSC数据库beta值；网络邻近分析使用STRING combined score>700，500次随机排列，Z≤-2.0且p<0.05 阅读提示：Methods中药物敏感性分析部分；Fig. S9a, S9b |