前沿技术 | 机器学习结合多组学图谱精准预测早期胰腺癌转移结果，指导临床分层

标题：Multi-parametric atlas of the pre-metastatic liver for prediction of metastatic outcome in early-stage pancreatic cancer

发表杂志：Nature Medicine

IF：58.7/Q1

发表时间：28 June 2024

胰腺癌（PaC）是一种侵袭性恶性肿瘤，发病率上升，转移率高。可以接受潜在治愈性切除的患者不足 25%，但其中仅 21% 的患者存活到 5 年。超过 40% 的患者在手术后的前 3 年内发生肝转移（LiM），并在几个月内死亡。肝外转移（EHM）主要发生在腹膜和肺脏，孤立的肺转移与侵袭性较低的疾病相关。目前，尚无有效方法预测患者发生 LiM 或 EHM 的风险，及对其进行有效治疗，这些成为 PaC 管理的主要挑战。此外，原发肿瘤和转移性器官中的器官亲和性的生物学决定因素，在很大程度上仍未确定。

美国康奈尔医学院团队在 Nature Medicine 发表了题为“Multi-parametric atlas of the pre-metastatic liver for prediction of metastatic outcome in early-stage pancreatic cancer”的文章，分析了不同组别患者肝脏的组织学、免疫学及代谢层面的特征；并基于机器学习（ML），开发了一个可成功预测转移结果的模型。在 PaC 诊断肝活检的多参数分析时，可以确定转移风险和器官倾向，指导临床分层以选择最佳治疗方案。

研究者结合组织学、mRNA-seq、scRNA-seq、代谢组学及 IMC 等技术，分析了 49 例局限性 PaC 患者和 19 例非癌性胰腺病变对照（Non-PaC controls）患者，在其胰腺切除术期间获得肝脏活检（Dx）样本。并对患者进行前瞻性随访（中位随访 3 年），将患者分为四个组：切除后＜6 个月发生肝转移（LiM＜6）、切除后 > 6 个月发生肝转移（LiM＞6）、肝外转移（EHM）和无病幸存者（NED）。5 例孤立的局部复发患者样本（Local only）单独分类，排除于复发组的比较分析。

PaC 患者肝脏转移前的炎症表现

为了确定 PaC 患者肝脏转移前生态位特征，两名病理学家通过组织学和 p53 免疫染色独立评估肝脏活检样本，以确认无微小转移。然后，通过肝脏组织 mRNA-seq 分析，比较 PaC 患者和 Non-PaC 患者鉴定出了 79 个差异基因（DEGs），GSEA 分析强了调干扰素反应和同种异体移植排斥反应是 PaC 中显著富集的基因集。PaC 中上调的 DEGs 在免疫细胞基因中表现突出，表明 PaC 转移前肝脏中的单核细胞和淋巴细胞趋化性增强，这些在分子水平上检测到的炎症和增生性改变可区分 PaC 转移前的肝脏。此外，即将发生 LiM（LiM＜6）的患者，其肝脏有 SORT1 基因上调的特征，该基因参与肝胆固醇分解代谢和髓系细胞、中性粒细胞和 T 细胞中细胞因子分泌的调节。

PaC 肝脏转移前的免疫特征

标准组织病理学分析没有发现 PaC 和 Non-PaC 患者肝脏之间的主要差异，因此，通过 IF 技术分析免疫细胞类型及其在肝脏转移前生态位中的作用。既往研究表明，PaC 来源的外泌体被肝 Kupffer 细胞吸收，有助于募集骨髓来源细胞（BMDC）促进 LiM。因此，用髓系/BMDC 标记物 CD11B、巨噬细胞标记物 CD68 和骨髓激活标记物 IBA-1 染色肝脏组织。

与 Non-PaC 患者相比，PaC 患者的肝脏浸润 CD11B+ 细胞数量明显更高。虽然没有观察到 PaC 和 Non-PaC 患者肝脏中 CD68+ 或 IBA-1+ 巨噬细胞数量差异，但病理学家发现 68% 的 PaC 患者门静脉中有中度或强烈的 IBA-1+ 染色的组织改变，而 Non-PaC 患者只有 11%。此外，近 40% 的 PaC 患者在门静脉区外的肝实质中有局灶性或弥漫性 IBA-1+ 细胞聚集，而 Non-PaC 患者仅 11% 表现局灶性聚集。此外，研究者还发现其他细胞也参与了肝脏浸润的 CD11B+ 细胞池（cell pool），发现显著的中性粒细胞集群，形成中性粒细胞胞外陷阱（NETs）。

研究者检测了抗肿瘤效应细胞，PaC 患者转移前肝脏中 T 细胞数量显著增加。为进一步表征 PaC 转移前肝脏的免疫浸润特征，研究者对 5 名 PaC 患者和 3 名 Non-PaC 患者的肝脏免疫细胞进行 scRNA-seq，并结合 IMC 技术发现 PaC 组肝脏中 T 细胞比例升高，NKT 细胞显著降低。PaC 肝脏中 IFNG 和 TNF 表达降低，表明招募和激活 T 细胞的能力受损。上述研究描述了 PaC 肝脏转移前的免疫生态位决定因素，并在生态位中发现了独特的功能失调的免疫效应细胞。

肝免疫细胞预测不同的复发模式

接下来，研究者进一步评估了多种免疫细胞特征对 PaC 复发模式的影响。观察到发生转移的患者中炎症增强，并在远端转移的患者中观察到明显的门脉炎症。EHM 患者的门静脉和小叶炎症最严重，其次是 LiM＞6 患者。研究者发现尽管其他炎症的总体水平较低，但 LiM＜6 患者的 NETs 显著增加，NETs 的增加可能起到了免疫抑制作用。T 细胞分布差异有统计学意义，而 CD8+ T 细胞没有。值得注意的是，EHM 患者大多有广泛的小叶浸润，而 LiM＜6 患者仅少量小叶 T 细胞。结果表明，在 PaC 转移前的肝脏中免疫浸润增强的形成可能是转移结果的关键决定因素。高净负荷和低 T 细胞小叶浸润可估计转移风险，特别在早期 LiM 方面具有重要的预后价值。

上述内容在与 LiM 发生时间（time-to-LiM，TTLiM）的关联分析中得到证实。此外，研究者假设肝脏的代谢状态可能影响免疫浸润，作为复发模式的另一个预测因子。与 LiM 相比，EHM 患者的组织学分级脂肪变性更为突出。虽然脂肪变性与 TTLiM 没有显著相关性，但观察到脂肪变性和 T 细胞小叶浸润的患者 LiM 发病率显著降低，而没有脂肪变性和同时缺乏 T 细胞小叶浸润的患者则在 1.5 年内发生 LiM。总之，肝脂肪变性加上显著的 T 细胞小叶浸润代表了一种免疫代谢表型，可能会抵消 LiM。

转移前肝脏的代谢重编程预测 LiM

为了评估肝脏转移前生态位的代谢变化，研究者对肝脏活检进行了代谢组学分析。与 Non-PaC 患者相比，PaC 患者的肌酸和肌酐水平显著降低。因为术前血清肌酐水平没有差异，所以推断代谢变化仅限于肝脏组织。研究者还观察到，与 Non-PaC 患者相比，PaC 患者肝脏中精氨酸和脯氨酸代谢显著增加。瓜氨酸前体磷酸氨基甲酰水平显著升高，表明瓜氨酸利用途径可能发生转移，瓜氨酸组蛋白 H3（Ct-H3）与肝肌酸水平呈负相关也支持这一发现。分层聚类结果表明了一组代谢物（15 种）可将大多数 LiM 患者、EHM 患者和 NED 患者区分开。同样，低肝肌酸水平与较短的 TTLiM 相关，在 LiM＞6 患者中最低。此外，最终发展为 LiM 的患者具有更高的 Ct-H3 免疫染色，且高 Ct-H3 与早期 LiM 相关。综上所述，精氨酸代谢和尿素循环在转移前肝脏中失调，而特定的代谢物，包括肌酸和 Ct-H3，有望作为 PaC 患者 LiM 的预后指标。

机器学习预测肿瘤转移模式

研究者假设：结合转移前肝脏的特征，可更准确地预测 PaC 患者发生 LiM 的风险。结合组织病理学特征（图3 和图4）、代谢组学变量（图5）、SORT1 以及 EHM 转录组特征基因（图2），基于 ML 创建了一个 PaC 转移结果的预测模型。体重指数（BMI）和胆道梗阻可能影响或混淆肝脏细胞和分子特征，因此也纳入分析变量，但对最终模型没有贡献。

最终，研究者建立了 4 个独立的模型，以二元方式预测不同的转移结果：LiM、早期 LiM (LiM＜6)、EHM 和 NED。4 种模型均表现良好，受试者工作特征曲线下面积（AUCs）为 0.83 ~ 0.89。早期 LiM 模型包括 SORT1、NR1D1 和 NET 面积三个特征，其敏感性为 90%，特异性为 87%，AUC 为 0.87，表现最佳。结合预测结果可将患者分配到风险评分最高的复发模式中，复合模型在早期 LiM 识别方面表现良好，准确率达到 90%。10 名发展为早期 LiM 的患者中 9 名分类正确。总之，该研究结果证明了通过围手术期肝脏活检的免疫和代谢特征可以预测 PaC 复发模式，特别在预测早期 LiM 方面尤其准确。

PaC 是最具挑战性的恶性肿瘤之一，因其亚临床病程延长和早期 LiM 普遍结果致命。只有 34% 的 PaC 手术患者在诊断为 LiM 后 1 年仍然存活。因此，迫切需要可靠的策略来识别远端复发高风险的术前患者。该研究通过多组学方法，全面表征了 PaC 患者的肝脏转移前生态位，揭示了免疫、代谢及分子层面的关键特征与预后应用方面的潜力，并基于机器学习（ML）构建了一个高准确度（78%）的转移风险预测模型，精准预测转移风险。这一研究不仅为 PaC 的个体化诊疗提供了新思路，还强调了在 PaC 诊断时进行肝活检的重要性，以便更精准地评估患者的转移风险，优化治疗策略。

焕一生物作为中国首家联合AI算法与系统生物学的公司，拥有国际领先的 AI 及多组学交叉学科技术实力及不断迭代的干湿结合技术平台，汇集涵盖AI、机制建模、免疫学、药理学、临床医学、组学技术、生物信息等领域的跨学科专家团队，致力于将前沿技术赋能高效研发，解决复杂医学问题。目前，焕一生物正在积极探索多模态AI与多组学整合分析在医学诊断和治疗中的创新应用，为复杂疾病的个性化诊断和精准治疗提供更加先进、高效、多维度的分析工具与技术支持。

点击关注焕一生物微信公众号，我们将持续为您带来最新的科学研究技术动态、实验攻略、应用案例解析以及产品优惠信息，助力您的科研之路。

【参考文献】

Multi-parametric atlas of the pre-metastatic liver for prediction of metastatic outcome in early-stage pancreatic cancer. Nat Med (2024).

https://doi.org/10.1038/s41591-024-03075-7