何鍶，趙楊，朱永乾，吳卓翼，吳英，謝君蓉，鄭登燁，簡(jiǎn)紅梅

（中國人民解放軍陸軍軍醫(yī)大學(xué)基礎(chǔ)醫(yī)學(xué)院 1. 學(xué)員三大隊(duì)十一隊(duì) 2. 學(xué)員四大隊(duì)十二隊(duì) 3. 學(xué)員三大隊(duì)九隊(duì)，重慶 400038；4. 中國人民解放軍陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院 肝膽外科， 重慶 400038）

原發(fā)性肝癌是目前我國第4位常見惡性腫瘤及第2位腫瘤致死病因，嚴(yán)重威脅我國人民的生命和健康[1]。其中原發(fā)性肝細(xì)胞癌（hepatocellular carcinoma，HCC）是肝癌最常見的類型，發(fā)生率占原發(fā)性肝癌的75%～85%[2]。盡管近年來原發(fā)性HCC的臨床治療模式不斷發(fā)展，肝癌患者的預(yù)后生存情況仍然較差，患者5年生存率僅18%左右[3]，預(yù)后預(yù)測(cè)仍然面臨巨大挑戰(zhàn)。預(yù)后風(fēng)險(xiǎn)評(píng)分模型可以預(yù)測(cè)個(gè)體在將來是否發(fā)生某種結(jié)局。近年來，預(yù)測(cè)模型研究呈明顯上升趨勢(shì)，在腫瘤領(lǐng)域，如乳腺癌、前列腺腺癌、肺腺癌等中已有諸多應(yīng)用[4-6]。目前，在HCC領(lǐng)域，已有基于基因的風(fēng)險(xiǎn)評(píng)分模型被成功建立以預(yù)測(cè)患者預(yù)后[7]，但大多只是大范圍地篩選基因，沒有聚焦在某一已知與癌癥發(fā)生相關(guān)的基因集上，這會(huì)為進(jìn)一步深入的機(jī)制研究帶來困難。因此，有目的地篩選HCC治療的關(guān)鍵基因及相關(guān)通路，建立新的基因預(yù)后模型，預(yù)測(cè)HCC的潛在治療靶點(diǎn)具有重大意義和可行性。

轉(zhuǎn)錄因子E2F相關(guān)基因在調(diào)節(jié)腫瘤進(jìn)展，參與血管生成促進(jìn)腫瘤轉(zhuǎn)移等各方面起著重要作用[8]。另一方面免疫療法最近受到廣泛關(guān)注，越來越多的證據(jù)[9]表明免疫相關(guān)基因可預(yù)測(cè)肝癌預(yù)后。近年來，許多研究已證實(shí)E2F基因家族和免疫微環(huán)境相關(guān)的基因標(biāo)志物是癌癥的重要預(yù)后因素，E2F-1基因缺失可導(dǎo)致PTEN丟失誘導(dǎo)的鋸齒狀腫瘤的發(fā)生率和惡化程度增加[10]，17個(gè)免疫相關(guān)基因建立的分類系統(tǒng)能有效預(yù)測(cè)早期肺鱗狀細(xì)胞癌患者的預(yù)后[11]，又如E2F2、3、6、8的高表達(dá)與胰腺癌患者的腫瘤分期有關(guān)且E2F基因的表達(dá)與免疫浸潤(rùn)顯著相關(guān)[12]。因此本研究旨在利用TCGA數(shù)據(jù)庫開發(fā)一種新的E2F基因家族和免疫微環(huán)境相關(guān)的基因標(biāo)志物，建立風(fēng)險(xiǎn)評(píng)分模型以預(yù)測(cè)HCC患者的預(yù)后并找到治療靶點(diǎn)。

1 資料與方法

1.1 數(shù)據(jù)來源與數(shù)據(jù)預(yù)處理

本研究從TCGA數(shù)據(jù)庫（https://portal.gdc.cancer.gov）中下載了424例Liver Hepatocellular Carcinoma（LIHC）患者的臨床特征以及60 484個(gè)mRNA的表達(dá)數(shù)據(jù)集。從分子特征數(shù)據(jù)庫（MSIGDB）中下載共50組hallmark基因集（癌癥特征基因集合），該基因集合表示了明確的生物狀態(tài)或過程，下載免疫標(biāo)志基因集，該基因集可表示免疫系統(tǒng)內(nèi)的細(xì)胞狀態(tài)和調(diào)動(dòng)?；谏鲜鲈敿?xì)數(shù)據(jù)，將424例LIHC患者根據(jù)TCGA數(shù)據(jù)庫的樣本編號(hào)原則分為有癌組（374例）和無癌組（50例）。此外，還記錄了以下臨床信息：性別、年齡、腫瘤大小、淋巴結(jié)轉(zhuǎn)移數(shù)、遠(yuǎn)處器官轉(zhuǎn)移情況、UICC分期和BMI。最后，對(duì)261例有明確生存時(shí)間且生存時(shí)間不為零的患者進(jìn)行了分類。一般臨床特征詳見表1。

表1 本研究中HCC患者的臨床特征[n（%）]Table 1 Clinical characteristics of HCC patients in this study [n (%)]

1.2 基因集富集分析與基因集單樣本富集分析

使用“DESeq2”包進(jìn)行基因表達(dá)量的差異分析得到9 149個(gè)差異基因（P＜0.05），進(jìn)一步使用“clusterProfiler”包對(duì)這9 149個(gè)差異基因進(jìn)行GSEA基因富集分析，以識(shí)別在有癌組和無癌組中存在顯著統(tǒng)計(jì)學(xué)差異且富集程度最高的基因組用于進(jìn)一步研究?；蚣瘑螛颖靖患治觯╯sGSEA）是通過擴(kuò)展GESA實(shí)現(xiàn)的，使用簽名中的基因和其余基因的經(jīng)驗(yàn)累積分布函數(shù)生成富集分?jǐn)?shù)[13]。用“GSVA”包對(duì)374例有癌組樣本進(jìn)行基因集單樣本富集分析，可得到各樣本在免疫系統(tǒng)內(nèi)不同細(xì)胞狀態(tài)和調(diào)動(dòng)下的富集得分，再使用“hclust”包對(duì)富集得分聚類得到兩種免疫相關(guān)亞型，最后使用R包“DESeq2”對(duì)兩組免疫亞型樣本的mRNA表達(dá)量進(jìn)行差異分析得到存在顯著統(tǒng)計(jì)學(xué)差異的免疫亞型差異基因（P＜0.05）。

1.3 構(gòu)建預(yù)后特征模型

使用glmnet包，采用Cox法進(jìn)行10倍似然交叉驗(yàn)證，納入LIHC中的261例有明確生存時(shí)間且生存時(shí)間不等于零的樣本，分別對(duì)富集分析中富集得分最高的基因集的基因和免疫亞型差異基因通過Lasso回歸進(jìn)行變量篩選。同樣使用glmnet包，采用Cox法進(jìn)行十倍似然交叉驗(yàn)證，將兩者篩選后的基因一起基于表達(dá)水平與Lasso回歸分析得出的系數(shù)加權(quán)的線性組合，建立了預(yù)后風(fēng)險(xiǎn)評(píng)分模型。風(fēng)險(xiǎn)評(píng)分=基因1的表達(dá)×β1+基因2的表達(dá)×β2+…+基因n×βn的表達(dá)，并繪制可用于臨床評(píng)分的列線圖。

1.4 預(yù)后模型的評(píng)估與驗(yàn)證

使用“ROCR”包對(duì)風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)截止時(shí)間內(nèi)生存死亡結(jié)局的預(yù)測(cè)能力通過受試者工作特征曲線（ROC）及曲線下面積（AUC）值進(jìn)行檢驗(yàn)，以驗(yàn)證模型預(yù)測(cè)生存狀態(tài)和生存時(shí)間的敏感度和特異度。以中位風(fēng)險(xiǎn)評(píng)分為分界點(diǎn)，通過中位值將261例患者分為高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)亞組。使用“survival”包和“survminer”包，繪制Kaplan-Meier生存曲線并進(jìn)行Log-rank檢驗(yàn)。相同地，對(duì)BMI值、淋巴轉(zhuǎn)移、遠(yuǎn)處轉(zhuǎn)移、腫瘤大小和UICC分期的常見臨床指標(biāo)繪制Kaplan-Meier生存曲線并進(jìn)行Log-rank檢驗(yàn)，與風(fēng)險(xiǎn)預(yù)測(cè)模型相比較。將通過Log-rank檢驗(yàn)的各項(xiàng)指標(biāo)進(jìn)行單因素和多因素Cox回歸分析，以檢查風(fēng)險(xiǎn)評(píng)分是否是可用數(shù)據(jù)范圍內(nèi)的一個(gè)獨(dú)立預(yù)后因素。在考慮不同UICC分期亞型時(shí)，本研究還繪制了I、Ⅱ分期和Ⅲ、Ⅳ分期兩亞型的高、低風(fēng)險(xiǎn)的Kaplan-Meier生存曲線，確立風(fēng)險(xiǎn)評(píng)分模型的適用范圍。隨后，本研究檢測(cè)了有癌組和無癌組之間構(gòu)成模型的基因的差異表達(dá)和基因改變情況，通過蛋白互作網(wǎng)絡(luò)尋找模型中的關(guān)鍵基因以求發(fā)現(xiàn)新的可能藥物靶點(diǎn)。372個(gè)TCGA HCC樣本的構(gòu)成風(fēng)險(xiǎn)模型的基因的改變量從Cbioportal數(shù)據(jù)庫（http://www.cbioportal.org）查詢，蛋白互作信息從String數(shù)據(jù)庫（https://cn.string-db.org）中下載并在Cytoscape軟件中分析可視化。

1.5 統(tǒng)計(jì)學(xué)處理

所有統(tǒng)計(jì)分析均使用R軟件（版本4.1.0，https://www.r-project.org）進(jìn)行，P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。整體流程圖如圖1。

圖1 整體流程圖Figure 1 Overall flow chart

2 結(jié) 果

2.1 富集得分最高的E2F靶點(diǎn)及其相關(guān)基因

在差異基因中，E2F靶點(diǎn)基因組的200個(gè)基因富集程度高，歸一化后的富集得分最高，標(biāo)準(zhǔn)化P值為1.00E-10和多重假設(shè)檢驗(yàn)矯正后的P值（q值）為6.25E-10（圖2A-B）。Lasso回歸分析篩選得到兩個(gè)基因：SSRP1，KIF2C（圖2C-D）。

圖2 富集得分最高的E2F靶點(diǎn)及其相關(guān)基因的鑒定 A：區(qū)分有、無癌組的E2F靶點(diǎn)基因集富集圖；B：按歸一化后的富集得分排序的10個(gè)標(biāo)志基因集的P值及基因集包含基因數(shù)量；C：所選特征的系數(shù)由λ參數(shù)表示；D：偏似然偏差和對(duì)數(shù)（λ）用Lasso-Cox回歸模型繪制Figure 2 E2F targets with the highest enrichment score and identification of related genes A: Enrichment plots of E2F target gene sets differentiated between in cancer and non-cancer group; B: The P-value and the number of genes of top 10 marker gene sets with the highest normalized enrichment score; C: The coefficients of the selected features represented by the λ parameter; D: Partial likelihood deviation and logarithm (λ) constructed with the Lasso-Cox regression model

2.2 免疫亞型及免疫相關(guān)差異表達(dá)基因

根據(jù)樣本在免疫系統(tǒng)內(nèi)不同細(xì)胞狀態(tài)和調(diào)動(dòng)下的富集得分進(jìn)行聚類，將樣本分成了富集得分差異明顯的兩組（圖3A）。兩組免疫亞型樣本差異存在統(tǒng)計(jì)學(xué)意義的基因（P＜0.05）有242個(gè)，其中23個(gè)下調(diào)，219個(gè)上調(diào)（圖3B）。Lasso回歸分析篩選得到6個(gè)基因，即CYR61，F(xiàn)BLN5，LPA，SAA1，SDC3，SERPINE1（圖3C-D）。

圖3 免疫亞型及免疫相關(guān)差異表達(dá)基因的鑒定 A：有癌組樣本按富集得分的聚類分組；B：兩免疫亞組間差異表達(dá)mRNA的火山圖；C：所選特征的系數(shù)由λ參數(shù)表示；D：偏似然偏差和對(duì)數(shù)（λ）用Lasso-Cox回歸模型繪制Figure 3 Immune subtypes and identification of immune-related differentially expressed genes A: The samples in the cancer group distinguished according to the enrichment score; B: Volcano map of differentially expressed mRNAs between two immune subgroups; C: The coefficients of the selected features represented by the λ parameter; D: Partial likelihood deviation and logarithm (λ) constructed with the Lasso-Cox regression model

2.3 構(gòu)建預(yù)后模型

將E2F靶點(diǎn)基因集篩選得到的兩個(gè)基因和免疫亞型差異篩選得到的6個(gè)基因共同進(jìn)行Lasso回歸，完成變量篩選和預(yù)后模型建立，得到7-mRNA預(yù)后模型：風(fēng)險(xiǎn)評(píng)分=-0.55×CYR61表達(dá)-0.18×FBLN5表 達(dá)-0.17×LPA表 達(dá)-0.06×SAA1表 達(dá)+0.31×SDC3表 達(dá)+0.38×SERPINE1表 達(dá)+1.08×SSRP1表達(dá)（圖4A）。7個(gè)基因通過等比例風(fēng)險(xiǎn)檢驗(yàn)（P＞0.1），對(duì)生存風(fēng)險(xiǎn)的作用在不同時(shí)間點(diǎn)變化的比例基本一致。還構(gòu)建了多因素Cox回歸模型，做出列線圖（圖4B）。對(duì)該7-mRNA預(yù)后模型對(duì)截止時(shí)間內(nèi)生存死亡結(jié)局的預(yù)測(cè)能力進(jìn)行ROC分析，AUC值為0.846（圖4C-D）。

圖4 構(gòu)建預(yù)后模型 A：所選特征的系數(shù)由λ參數(shù)表示；B：偏似然偏差和對(duì)數(shù)（λ）用Lasso-Cox回歸模型繪制；C：多因素Cox回歸模型的構(gòu)建及其列線圖；D：ROC檢測(cè)7-mRNA預(yù)后模型的預(yù)后能力Figure 4 Construction of prognosis model A: The coefficients of the selected features represented by the λ parameter; B: Partial likelihood deviation and logarithm (λ) constructed with the Lasso-Cox regression model; C: Construction of multivariate Cox regression model and its nomogram; D: Prognostic ability of the 7-mRNA signature model detected by ROC

2.4 7-mRNA模型預(yù)后能力驗(yàn)證分析

將風(fēng)險(xiǎn)評(píng)分高于中位數(shù)3.394 911的標(biāo)記為高風(fēng)險(xiǎn)，低于中位數(shù)的為低風(fēng)險(xiǎn)，高風(fēng)險(xiǎn)樣本生存時(shí)間普遍更長(zhǎng)，截止期內(nèi)死亡發(fā)生更少（圖5A-B）。對(duì)比高、低風(fēng)險(xiǎn)組繪制Kaplan-Meier生存曲線，曲線顯示高風(fēng)險(xiǎn)評(píng)分患者預(yù)后不良（P＜0.001），高低風(fēng)險(xiǎn)評(píng)分對(duì)預(yù)后的區(qū)分度明顯，與臨床指標(biāo)中的腫瘤大小和UICC分期具有相似的良好區(qū)分度，而比淋巴轉(zhuǎn)移、遠(yuǎn)處轉(zhuǎn)移和BMI值區(qū)分度要更好（圖5C-H）。對(duì)風(fēng)險(xiǎn)評(píng)分、腫瘤大小和UICC分期3個(gè)指標(biāo)進(jìn)行Cox回歸分析，風(fēng)險(xiǎn)評(píng)分無論在單因素Cox回歸分析中或是在多因素Cox回歸分析中都被視為獨(dú)立的預(yù)后指標(biāo)（P＜0.001）（表2）。在考慮不同UICC分期亞型時(shí)，本研究繪制了I、Ⅱ分期和Ⅲ、Ⅳ分期兩亞型的高、低風(fēng)險(xiǎn)Kaplan-Meier生存曲線，在I、Ⅱ期患者中評(píng)分對(duì)預(yù)后的區(qū)分度不理想（P＞0.05），而在Ⅲ、Ⅳ期患者中有明顯的區(qū)分能力（P＜0.01）（圖5I-J），提示本研究建立的7-mRNA預(yù)后模型更適用于較危重患者的生存結(jié)局預(yù)測(cè)。

表2 與臨床指標(biāo)進(jìn)行Cox回歸分析Table 2 Cox regression analysis with clinical indicators

圖5 7-mRNA預(yù)后模型預(yù)后能力分析驗(yàn)證 A-B：將風(fēng)險(xiǎn)評(píng)分高于中位數(shù)的標(biāo)記為高風(fēng)險(xiǎn)，低于中位數(shù)的為低風(fēng)險(xiǎn)；C-H：按高低風(fēng)險(xiǎn)評(píng)分、腫瘤大?。═）、淋巴轉(zhuǎn)移（N）、遠(yuǎn)處轉(zhuǎn)移（M）、UICC分期和BMI值分別繪制的Kaplan-Meier生存曲線；I-J：兩UICC亞型（I、Ⅱ期和Ⅲ、Ⅳ期）分別繪制的高低風(fēng)險(xiǎn)Kaplan-Meier生存曲線Figure 5 Analysis and verification of the prognostic ability of the 7-mRNA signature model A-B: Marking the risk score higher than the median as high risk, and the risk score lower than the median as low risk; C-H: Constructing Kaplan-Meier survival curves for the high and low-risk score, tumor size (T), lymphatic metastasis (N), distant metastasis (M),UICC stage and BMI value; I-J: Constructing high and low-risk Kaplan-Meier survival curves between the two UICC subtypes (stages I, Ⅱ, Ⅲ and Ⅳ)

2.5 分析模型的7個(gè)基因及尋找藥物靶點(diǎn)

在424例LIHC樣本中風(fēng)險(xiǎn)模型的7個(gè)基因RNA表達(dá)量在有無癌樣本中差異均較明顯，其中有癌樣本的CYR61，F(xiàn)BLN5，LPA，SAA1，SDC3，SERPINE1 6個(gè)基因表達(dá)量均下調(diào)，僅SSRP1基因表達(dá)量上調(diào)（圖6A）。7個(gè)基因在Cbioportal數(shù)據(jù)庫樣本中都存在一定程度的不同形式突變（表3）。分析風(fēng)險(xiǎn)模型的7個(gè)基因的蛋白互作信息，找到度數(shù)較高的核心基因SERPINE1和LPA（圖6B）。LPA具有絲氨酸蛋白酶活性，能夠自體蛋白溶解，屬于纖溶酶原亞科；SERPINE1是纖溶酶原激活劑抑制劑1、絲氨酸蛋白酶抑制劑，與PLAT的快速相互作用可以作為調(diào)節(jié)纖維蛋白溶解的主要控制點(diǎn)。因此預(yù)測(cè)抑制纖溶酶原激活可能是HCC的新的藥物靶點(diǎn)。

表3 模型的7個(gè)基因在372個(gè)TCGA-HCC樣本中的基因變異情況（%）Table 3 Genetic variation of 7 genes in 372 TCGA-HCC samples (%)

圖6 模型的7個(gè)基因分析及藥物靶點(diǎn)尋找 A：有、無癌樣本7個(gè)基因表達(dá)量對(duì)比箱線圖；B：蛋白互作并找出核心基因Figure 6 Analysis of seven genes and identification of drug targets A: Box-plot of comparison of 7 genes expression between cancer and non-cancer samples; B: Protein interaction and identification of the core genes

3 討 論

在我國，HCC是最常見的肝癌類型，最近的研究表明肝硬化患者中約85%有原發(fā)性HCC發(fā)生，其5年生存率僅為18%，僅次于胰腺癌。其重要危險(xiǎn)因素有乙型肝炎病毒（HBV）感染、過度飲酒等[3]。因此急切面臨對(duì)HCC分子機(jī)制的切實(shí)解析與探究。

本研究整理了HCC表達(dá)譜數(shù)據(jù)，通過富集分析識(shí)別出了疾病相關(guān)的E2F靶點(diǎn)基因組和免疫相關(guān)差異基因，進(jìn)一步分析得到與HCC患者預(yù)后生存相關(guān)的風(fēng)險(xiǎn)基因并構(gòu)建HCC預(yù)后風(fēng)險(xiǎn)模型，并證實(shí)其具有較高的預(yù)測(cè)準(zhǔn)確性。此外，本研究深挖了構(gòu)成模型的基因，找到核心基因SERPINE1和LPA，預(yù)測(cè)了可能的治療新靶點(diǎn)：纖溶酶原激活。

CDK-RB-E2F軸形成驅(qū)動(dòng)細(xì)胞周期進(jìn)展的核心轉(zhuǎn)錄機(jī)制，決定了基因組復(fù)制的時(shí)間和保真度，其最終效應(yīng)子是E2F基因家族[14]。E2F靶基因包括細(xì)胞 DNA 合成及細(xì)胞周期進(jìn)程的限速調(diào)解劑、原癌基因及腫瘤抑制基因等，其對(duì)許多細(xì)胞過程如細(xì)胞周期調(diào)節(jié)，血管生成，DNA損傷反應(yīng)和凋亡都發(fā)揮重要作用[15]，考慮到HCC是典型的多血供腫瘤，其血管生成的作用極有可能影響腫瘤自身生長(zhǎng)與腫瘤微環(huán)境的改變，腫瘤微環(huán)境與腫瘤的發(fā)生發(fā)展、侵襲轉(zhuǎn)移有密切關(guān)系。同樣，作為腫瘤微環(huán)境的重要組成部分，微環(huán)境中的免疫相關(guān)細(xì)胞也對(duì)HCC的發(fā)展和進(jìn)展具有重大影響，如肝動(dòng)脈化療栓塞術(shù)后調(diào)節(jié)性T細(xì)胞（Ⅲ）水平高的患者較水平低的患者的無進(jìn)展生存期明顯縮短[16]，而主要由原發(fā)性HCC環(huán)境中預(yù)先存在的活化CD8+細(xì)胞毒性T細(xì)胞觸發(fā)的PD-L1過表達(dá)則是原發(fā)性HCC的良好預(yù)后因子[17]。

目前，雖然已有較多的免疫相關(guān)生物標(biāo)志物被發(fā)掘與HCC有關(guān)，但由于腫瘤微環(huán)境內(nèi)基因調(diào)控與免疫浸潤(rùn)的復(fù)雜性，基于mRNA表達(dá)譜的生物標(biāo)志物很少用于估計(jì)其在HCC中的進(jìn)展。在本研究中，基因集富集分析用于識(shí)別整體和癌癥發(fā)生相關(guān)性最大的基因集，而基因集單樣本富集分析評(píng)分用于量化癌癥樣本中免疫特征的活性，并以此分?jǐn)?shù)聚類以得到免疫狀態(tài)不同的兩個(gè)亞組，再在其中找到差異表達(dá)的基因。之后，基于上述7個(gè)基因構(gòu)建了E2F靶點(diǎn)和免疫相關(guān)風(fēng)險(xiǎn)評(píng)分模型。值得注意的是，它能夠區(qū)分高風(fēng)險(xiǎn)人群與低風(fēng)險(xiǎn)人群，并且預(yù)后估計(jì)具有較高的敏感度和特異度。在臨床實(shí)用性方面，預(yù)后模型顯示與患者的腫瘤大小和腫瘤UICC分期有顯著相關(guān)性，且在高分期患者中的預(yù)后估計(jì)能力更為準(zhǔn)確。因此，本研究構(gòu)建的E2F靶點(diǎn)和免疫相關(guān)特征極有可能參與HCC的發(fā)生和進(jìn)展，使其具有作為高效的臨床生物標(biāo)志物的潛力。盡管多基因風(fēng)險(xiǎn)評(píng)分預(yù)測(cè)能力在復(fù)雜的腫瘤微環(huán)境中有一定局限性，但具有較高預(yù)測(cè)準(zhǔn)確性和可操作性的評(píng)分系統(tǒng)仍然可在篩查指南的修改、高危人群的預(yù)防中轉(zhuǎn)化為臨床效用[18]。

最終納入模型的7個(gè)基因中，CYR61（富含半胱氨酸的血管生成誘導(dǎo)劑61）也即CCN1，屬于CCN基質(zhì)細(xì)胞蛋白家族，在增殖、分化、細(xì)胞凋亡、血管生成和纖維化的調(diào)節(jié)中起著關(guān)鍵作用[19]，許多研究表明CYR61是腫瘤血管形成的關(guān)鍵因素，可能參與腫瘤細(xì)胞的遷移和侵襲，在多種癌癥如肺癌、乳腺癌、女性生殖系統(tǒng)腫瘤的發(fā)生中起重要作用[20-22]，但同時(shí)與本文類似的可能在非小細(xì)胞肺癌中作為腫瘤抑制因子[23]；FBLN5作為母細(xì)胞糖蛋白的成員在富含彈性蛋白的組織中表達(dá)，對(duì)血管生成有抑制作用，可能通過控制細(xì)胞增殖、運(yùn)動(dòng)和血管生成來抑制腫瘤形成[24-25]；SAA1編碼血清淀粉樣蛋白A，并且與C反應(yīng)蛋白一起參與急性期反應(yīng)，已被發(fā)現(xiàn)在脂質(zhì)代謝中起重要作用，并有助于細(xì)菌清除，炎癥調(diào)節(jié)和腫瘤發(fā)病機(jī)制[26-27]；SDC3的表達(dá)在神經(jīng)元、炎癥性疾病，血管生成等疾病相關(guān)過程中具有重要作用[28]；SSRP1沉默可影響癌癥凋亡和細(xì)胞增殖[29]，許多癌癥相關(guān)病例中，SSRP1表達(dá)升高被證明與轉(zhuǎn)移性腫瘤有關(guān)，使SSRP1成為腫瘤抑制的潛在預(yù)后標(biāo)志物和抗癌靶標(biāo)，與我們的結(jié)果相一致[30]。以及在蛋白互作分析中處于核心地位的SERPINE和LPA。已發(fā)表的文獻(xiàn)表明，在胃癌中SERPINE1表達(dá)上調(diào)，增加胃癌發(fā)生風(fēng)險(xiǎn)進(jìn)而影響其預(yù)后[31]；在頭頸部癌中SERPINE1的過表達(dá)增強(qiáng)腫瘤細(xì)胞遷移和侵襲，在轉(zhuǎn)移發(fā)展中起關(guān)鍵作用[32]；LPA通過促進(jìn)前列腺癌中的鈣網(wǎng)蛋白表達(dá)介導(dǎo)腫瘤淋巴血管生成[33]，SERPINE1也曾被分別納入自噬相關(guān)和P53途徑相關(guān)的HCC預(yù)后特征與治療靶點(diǎn)中[34]。因此猜測(cè)SERPINE和LPA可能通過調(diào)節(jié)血管生成和促進(jìn)細(xì)胞移動(dòng)影響HCC的進(jìn)展。

然而，本研究仍存在一定的問題亟待解決：多基因預(yù)后模型的預(yù)測(cè)能力仍需大量多中心的循證醫(yī)學(xué)證據(jù)證實(shí)；樣本中截止時(shí)間內(nèi)死亡樣本較小可能對(duì)模型建立的準(zhǔn)確性產(chǎn)生一定影響；被納入的多基因模型的基因功能和參與的機(jī)制尚不明確，與HCC的發(fā)生、發(fā)展的關(guān)系仍需要大量的臨床研究進(jìn)一步印證；同時(shí)對(duì)纖溶酶原激活是如何影響HCC也需要進(jìn)行更深入的研究。

利益沖突：所有作者均聲明不存在利益沖突。