Einzelzellsequenzierung und Bulk-RNA-Sequenzierung enthüllen ein zelldifferenzierungsbezogenes Multigen-Panel zur Prognosevorhersage und Immuntherapiereaktion beim hepatozellulären Karzinom

Das hepatozelluläre Karzinom (HCC), die sechsthäufigste Malignität und dritthäufigste Ursache krebsbedingter Mortalität weltweit, bleibt eine klinische Herausforderung aufgrund spätdiagnostizierter Fälle und ausgeprägter intratumoraler Heterogenität. Genetische und umweltbedingte Faktoren treiben die Tumorevolution an, was zu gemischten Zellpopulationen mit diversen Differenzierungszuständen aus Krebsstammzellen führt. Traditionelle Bulk-RNA-Sequenzierung (RNA-Seq), obwohl informativ, mittelt die Genexpression über heterogene Gewebe hinweg und verschleiert kritische zelluläre Variationen. Im Gegensatz dazu ermöglicht Einzelzell-RNA-Sequenzierung (scRNA-Seq) eine hochauflösende Charakterisierung individueller Zellen, die zelluläre Diversität und Differenzierungstrajektorien aufdeckt. Diese Studie integriert scRNA-Seq mit Bulk-RNA-Seq, um ein prognostisches Multigen-Signatur mit Bezug zur HCC-Zelldifferenzierung zu konstruieren und dessen Nutzen zur Vorhersage von Immuntherapieansprechen zu evaluieren.

Datenakquisition und Integration

Die Studie verwendete scRNA-Seq-Daten aus dem GEO-Datensatz GSE146115 (3.200 Zellen aus vier HCC-Proben). Bulk-RNA-Seq-Daten von 373 HCC- und 49 Normalgeweben wurden aus The Cancer Genome Atlas (TCGA) als Trainingskohorte bezogen, während 225 HCC- und 220 Normalproben aus GSE14520 zur Validierung dienten. Batch-Effekte zwischen Datensätzen wurden mittels des R-Pakets „sva“ korrigiert.

Einzelzellprofilierung und Differenzierungstrajektorienanalyse

scRNA-Seq-Daten unterlagen strenger Qualitätskontrolle und Normalisierung, wobei die 1.500 variabelsten Gene für Downstream-Analysen beibehalten wurden. Hauptkomponentenanalyse (PCA) identifizierte signifikante Dimensionen; die ersten 20 Hauptkomponenten wurden für t-SNE-basierte Dimensionsreduktion genutzt. Unüberwachtes Clustering unterteilte HCC-Zellen in 12 distinkte Cluster (Supplementäre Abbildung 2F–G). Marker gene für jeden Cluster (log2-Fold-Change [FC] > 0,5; falsche Entdeckungsrate [FDR] < 0,05) wurden identifiziert (Top 10% im Heatmap; Supplementäre Abbildung 2H). Clusterannotation mittels „SingleR“-Paket ergab Hepatozyten, Monozyten, T-Zellen und NK-Zellen (Supplementäre Abbildung 2I–J). Pseudotemporäre Ordnung via „Monocle“ rekonstruierte drei Differenzierungszweige (Supplementäre Abbildung 2K–M). Differentielle Expressionsanalyse identifizierte 912 zelldifferenzierungsassoziierte Gene (HDRGs), angereichert in Immunantwort-, Stoffwechsel- und Zellzyklusregulationspfaden (Supplementäre Abbildung 3).

Molekulare Subtypisierung und prognostische Implikationen

Konsensusclustering von GSE14520 mittels HDRGs stratifizierte HCC in drei Subtypen mit unterschiedlichen Überlebensprofilen (Supplementäre Abbildung 4A–B). Subtyp 1 zeigte die schlechteste Prognose, Subtyp 3 die längste Überlebenszeit (Supplementäre Abbildung 4C–D). Tumorgrading und Expression von Immuncheckpoint-Genen (ICGs) variierten signifikant zwischen Subtypen, mit erhöhten PD-L1-, CTLA-4- und TIM-3-Spiegeln in Subtyp 1 (Supplementäre Abbildung 4E–F, Supplementäre Abbildung 5).

Konstruktion einer Sieben-Gen-Prognosesignatur

Von 723 HDRGs, die in TCGA und GSE14520 überlappten, identifizierte WGCNA drei Module (gelb, blau, türkis), die mit Tumor grading korrelierten (Supplementäre Abbildung 6A–C). Differentielle Expression zwischen Tumoren und Normalgeweben reduzierte das Gen-Set auf 136 Kandidaten, von denen 91 prognostische Signifikanz in univariater Cox-Regression zeigten (Supplementäre Abbildung 6D, Supplementäre Abbildung 7). LASSO-Regression verdichtete das Panel auf sieben Gene: DNAH11, RBP7, NQO1, CDH3, MAPT, SAA1 und RARRES1 (Supplementäre Abbildung 8A–B). Risikoscores stratifizierten Patienten in Hoch- und Niedrigrisikogruppen.

Validierung des Prognosemodells

In TCGA zeigten Hochrisikopatienten signifikant kürzeres Gesamtüberleben (OS) (Hazard Ratio [HR] = 2,32; P < 0,001) (Supplementäre Abbildung 9A). Die Robustheit des Modells wurde in GSE14520 bestätigt (HR = 1,87; P = 0,003) (Supplementäre Abbildung 9B). ROC-Kurven demonstrierten hohe Vorhersagegenauigkeit für 1-, 3- und 5-Jahres-OS (AUC = 0,76, 0,73, 0,71 in TCGA; 0,68, 0,65, 0,63 in GSE14520) (Supplementäre Abbildung 9C–D). Multivariate Analyse bestätigte den Risikoscore als unabhängigen prognostischen Faktor (HR = 1,92; P < 0,001), der konventionelle Stagingsysteme übertraf (Supplementäre Abbildung 10A–B). Ein Nomogramm, integriert mit Risikoscore und Tumorstadium, verbesserte die klinische Anwendbarkeit (Supplementäre Abbildung 10C–E).

Immunlandschaft und therapeutische Implikationen

Immunzellinfiltrationsanalysen offenbarten höhere Spiegel von B-Zellen, CD4+-T-Zellen, Neutrophilen, Makrophagen und aktivierten NK-Zellen in Hochrisikopatienten (Supplementäre Abbildung 11A). Paradoxerweise waren 26 von 27 ICGs, einschließlich PD-1, PD-L1 und LAG-3, in dieser Subgruppe hochreguliert (Supplementäre Abbildung 11B), was auf ein immunsuppressives Milieu trotz verstärkter Immuninfiltration hindeutet. Hochrisikopatienten wiesen auch erhöhte Tumormutationslast (TMB) auf (Supplementäre Abbildung 12A), korreliert mit schlechterem Überleben (Supplementäre Abbildung 12B–C). TIDE-Analyse prognostizierte ein besseres Immuntherapieansprechen in Hochrisikopatienten, gestützt durch niedrigere TIDE-Scores, höhere Mikrosatelliteninstabilität und erhöhte Interferon-gamma- und PD-L1-Expression (Supplementäre Abbildung 12D–K).

Funktionelle Anreicherung und Pathway-Analyse

Gen-Set-Enrichment-Analyse (GSEA) identifizierte 16 onkogene Pfade in Hochrisikopatienten, darunter epithelial-mesenchymale Transition, Hypoxie und inflammatorische Antwort (Supplementäre Abbildung 13), die mit HCC-Progressionsmechanismen korrespondieren.

Schlussfolgerungen

Durch Integration von scRNA-Seq und Bulk-RNA-Seq definiert diese Studie eine differenzierungsassoziierte Gensignatur, die Prognose und Immuntherapiereaktion bei HCC präzise vorhersagt. Das Sieben-Gen-Panel bietet ein neuartiges Werkzeug für Risikostratifizierung und Therapieentscheidungen, wobei es die Wechselwirkung zwischen Tumorheterogenität, Immunevasion und Therapieresistenz unterstreicht.

doi.org/10.1097/CM9.0000000000002393