影响因子：5.7

研究概述：肝细胞癌（HCC）具有高度侵袭性，诊断延迟，预后不良，并且缺乏全面和准确的预后模型来帮助临床医生。这项研究根据来自 5 个独立 HCC 队列的转录组测序数据鉴定了 119 个差异基因，其中 53 个基因与总生存期相关，使用 101 种机器学习算法，选择了 10 个预后最强的基因，构建了一个具有四个基因（SOCS2、 LCAT、 ECT2 和 TMEM106C） 的HCC HPRGS。ROC、C 指数和 KM 曲线证实了 HPRGS 的良好预测性能。突变分析显示低风险患者和高危患者之间存在显著差异。低风险组对经导管动脉化疗栓塞术（TACE）和免疫治疗的反应更高。多因素分析和诺莫图证实 HPRGS 是 TCGA-LIHC 的独立预后因素。

图形摘要如下：

研究结果：

鉴定与 HCC 相关的预后基因和功能注释

为了鉴定 HCC 中的差异基因，作者对 TCGA-LIHC 、 GSE13845 、 GSE25097 、 GSE84402 和 GSE174570 队列中的正常组织和 HCC 组织进行了差异表达分析（图2A-E），对差异基因的进一步交叉分析得出 119 个差异表达基因（DEG）（图 2F），进一步通过单变量 Cox 分析筛选出 53 个具有预后意义的基因进行后续分析（图 2G）。随后作者对 53 个具有预后意义的基因进行了 GO 和 KEGG 富集分析，结果表明这些基因高度富集于 DNA 复制调节、凋亡核变化、参与凋亡执行的细胞成分分解、巨噬细胞活化调节、吞噬作用的正调节、类固醇分解代谢、免疫效应过程调节和免疫反应激活。KEGG 富集分析显示，这些基因在 P53 信号通路、细胞衰老、组氨酸代谢和细胞周期通路中高度富集（图 2H）。

HCC HPRGS 的构建

TCGA-LIHC 队列用作训练队列，LIRI-JP 队列用作验证队列，使用10倍交叉验证框架组合了 101 个预测模型，并计算了所有训练和验证队列的 C 指数（图 3A）。.随后使用来自 Cox 模型的回归系数对这四个基因的表达水平进行加权，以计算每位患者的风险评分（图3B），将这个特征定义为 HPRGS，根据 HPRGS 的中位值将训练队列和验证队列中的所有患者分为高危组和低危组，发现死亡人数随着 HPRGS 分数的增加而逐渐增加（图 3C、D）。生存分析显示，在训练队列中，高危组患者的 OS 显著低于低风险组（图 3E），在验证队列中观察到一致的结果（图 3F）。

HCC HPRGS 的评估

为评价 HPRGS 的预后有效性，作者进行了ROC 曲线分析，分别在 LIRI-JP 验证队列中，它们分别达到 0.700、0.723 和 0.713（图 4A、E）。然后，通过 ROC 曲线分析将训练队列中每位患者的临床信息（包括年龄、性别、分级和分期）与其相应的 HPRGS 进行比较，发现HPRGS 在 1 年、 2 年和 3 年的预后有效性优于其他临床特征（图 4B-D），并且在验证队列中获得了一致的结果（图 4F-H）。此外，将它们与 9 个已发表的 HCC 预后模型使用 C 指数来评估模型的预测能力，结果表明 HPRGS 在训练和验证队列中都具有最高的 Cindex（图 4I、J）。这些结果表明，HPRGS 在预测 HCC 患者预后方面具有良好的准确性。

高低危人群患者的生物学功能

低风险组高度富集于氨基酸分解代谢、氨基酸代谢、细胞氨基酸分解代谢、脂肪酸氧化和脂肪酸分解代谢，而高危组高度富集于适应性免疫反应、B 细胞活化、B 细胞受体信号通路、细胞分裂和染色体分离（图 5A、B）。基于 KEGG 基因集的 GSEA 显示，低风险组在补体和凝血级联反应、药物代谢细胞色素 P450、脂肪酸代谢、氨基酸代谢和脂肪酸分解代谢方面具有较高的活性，而高危组在细胞粘附分子、细胞周期和 DNA 复制方面具有较高的活性（图 5C、D）。基于标志性基因集的进一步 GSVA 分析显示，高危组在 G2/M 检查点、E2F 转录因子、mTOR 信号通路、PI3K-AKT-mTOR 信号通路中具有较高的活性，而低危组在脂肪生成、脂肪酸代谢、胆汁酸代谢和氧化磷酸化方面具有较高的活性（图 5E）。此外，HPRGS 与致癌相关标志评分之间的相关性分析表明，HPRGS 与癌症相关生物过程和代谢途径密切相关（图 5F）。为了调查致癌相关标志评分是否与 HCC 患者的预后相关，作者进行了生存分析。结果显示，这些通路与 HPRGS 呈正相关，如 G2/M 检查点、E2F 转录因子、mTOR 信号通路和 PI3K-AKT-mTOR 信号通路是 HCC 患者的不良预后因素（图 5G）

高危和低危患者群体的基因组变异景观和肿瘤内异质性

在高危 HCC 患者中，MATH 评分相对较高，表明 ITH 程度更严重 （图 6A），MATH 评分与 HCC 患者的不良预后呈正相关（图 6B）。通过将 MATH 评分与 HPRGS 相结合，“高危+高 MATH”组患者的预后显著差于“低风险+低MATH”组患者（图 6C）。为了探讨高危组和低危组之间基因组突变频率的差异，作者描述了两组的突变景观。结果显示高危组和低危组之间有不同的突变谱（图 6D、E）。如图所示，TP53 是高危人群中最常见的突变基因，而 CTNNB1 是低风险人群中最常见的突变基因。为了进一步分析，作者合并了高危组和低危组中前 10 个突变基因，并进行了差异分析，以探讨两组之间的突变率是否存在差异。去除重复基因后，获得 14 个基因，其中 TP53 和 OBSCN 在高危组和低危组之间的突变频率差异显著，高危组突变频率较高（图 6F）。

高危组和低危组患者具有不同的肿瘤免疫微环境

ESTIMATE分析表明高风险组微环境综合评分表现较差，而肿瘤纯度评分相对较高（图 7A），CIBERSORT 分析表明高危组患者的肿瘤免疫微环境富含调节性 T 细胞、M0 巨噬细胞、活化记忆 CD4+ T 细胞、滤泡辅助性 T 细胞、M1 巨噬细胞和中性粒细胞浸润。相比之下，低风险组患者的肿瘤免疫微环境富含静息记忆 CD4+ T 细胞和单核细胞（图 7B）。相关性分析结果也相似（图 7C）。进一步生存分析表明6 种细胞类型的浸润丰度与 HCC 患者的预后相关（图 7D）。结合差异分析、相关性分析和生存分析的结果，最终确定了两种类型的交叉细胞，即静息记忆 CD4+ T 细胞和 M0 巨噬细胞（图 7E）。这可能意味着这两种免疫细胞的浸润对 HCC 的预后和发展具有重要意义。进一步分析结果显示，高危组在癌细胞抗原释放、调节性 T 细胞募集、骨髓抑制性髓系细胞浸润、T 细胞识别癌细胞和癌细胞杀伤方面表现更为突出（图 7F）。

HPRGS可以预测对经动脉化疗栓塞及免疫治疗的反应

在GSE54236队列中，观察到 HPRGS 和 TVDT 之间存在负相关（图 8A），在 GSE14520队列中，与肿瘤较小的患者相比，在较大肿瘤患者中观察到更高的 HPRGS （图 8B）。随后使用 HPRGS 在 GSE104580 队列中进行验证，结果显示低风险组的反应者比例高于高风险组（70% vs. 41%，图 8C）。使用 HPRGS 预测 HCC 患者 TACE 治疗反应率的 AUC 值为 0.662（图8D），因此HPRGS 可用于预测 TACE 治疗对 HCC 患者的疗效。

低风险组患者表现出更高的 TIDE 评分和更高的免疫治疗反应率，这表明低风险组的患者可能从 ICI 治疗中获益更多（图 8E，F）。进一步的 IPS 评分分析显示，与高危组相比，低风险组的 PD-1 和 CTLA4 抑制剂 IPS 评分显著更高，表明低风险组患者对 PD-1 和 CTLA4 抑制剂治疗比高危组患者更敏感（图 8G）。总之，低风险组的患者更有可能从免疫疗法中受益。

作者使用 GDSC 数据库来预测不同 HPRGS 的 HCC 患者的药物敏感性。结果显示，高危组 5-氟尿嘧啶、吉西他滨、索拉非尼、卡博替尼和舒尼替尼的 IC50 显著降低，而低风险组阿昔替尼、厄洛替尼和吉非替尼的 IC50 显著降低（图 8H）。为了探索高危 HCC 患者的潜在治疗药物，作者分析了基于 CTRP 数据库和 PRISM 中的相对抑制数据库的数据。结果证实SOCS3 表达水平较高的患者的预测 AUC 值显着降低，表明对吉西他滨的敏感性更高（图 8I）。接下来作者在 CTRP 和 PRISM 中筛选出 31 种药物，这些药物的预测 AUC 值与 HPRGS 呈统计学负相关，并且在高危组中显着降低（图 8J）。在对 CTRP 和 PRISM 获得的结果进行交集后最终筛选出 5 种潜在的候选化合物：酪氨酸激酶抑制剂利尼法尼、细胞松弛素 B、嘌呤霉素、阿米非他平和辛伐他汀。其中，linifanib 在高危患者群体中表现出高敏感性，CMap 评分为-95.88，表明它可能是一种潜在的高危人群患者治疗药物（图 8L）。

列线图的构建和评估

为提高 HPRGS 的临床效用，对 TCGA-LIHC 队列中的 HCC 患者进行了单因素和多因素 Cox 回归分析。结果显示，在单因素分析中，HPRGS 是 OS 的独立预后因素（图 9A）。在多变量分析中，HPRGS 仍然是 OS 的独立预后因素（图 9B），表明 HPRGS 在 HCC 患者中具有可靠的预后评估能力。随后作者通过结合 HPRGS 和独立的预后临床病理特征构建了列线图（图 9C），校准曲线显示列线图预测和实际观察之间具有出色的一致性（图 9D）。ROC 曲线分析证实了其高预测准确性（图 9E）。此外，多指标 AUC 曲线图证实了列线图的稳定性和稳健性（图 9F-G）。这些发现揭示了列线图可以为 HCC 的个性化预后预测提供可靠和准确的证据。

HCC cDNA 微阵列芯片队列中 HPRGS 的验证

为了验证 HPRGS 在现实世界中的准确性，作者使用 qRT-PCR 进一步验证了 HCC cDNA 微阵列队列中的 HPRGS。首先，差异分析结果显示，SOSC2 和 LCAT 基因在正常组织中高表达，ECT2 和 TMEM106C 在肿瘤组织中过表达（图 10A-H），KM 曲线分析显示 SOSC2 和 LCAT 与良好预后呈正相关，而 ECT2 和 TMEM106C 与不良预后呈正相关，这与以前的发现一致（图 10I-L）。使用中位风险评分将患者分为高危组和低危组，HPRGS 与 HCC cDNA 微阵列队列中的不良预后呈正相关（图 10M、N），1 年、 2 年和 3 年 ROC 曲线表现出优异的预测效能（图 10O）。

研究总结

这项研究开发并验证了HPRGS，为预测 HCC 患者的生存结果和治疗反应提供了有效的工具。该特征能够描绘具有独特通路活性和肿瘤微环境的不同亚组，从而深入了解 HCC 异质性，最终落到治疗反应预测与患者分层，探索高危患者的潜在治疗药物，旨在改善 HCC 管理的预后并改进治疗策略。