基于中性粒细胞胞外陷阱相关基因的胶质瘤患者的预后模型构建及效果分析

摘要：目的" 构建一个基于中性粒细胞胞外陷阱相关基因的预测胶质瘤患者预后的列线图模型。方法" 本研究纳入来自中国脑胶质瘤基因组图谱（CGGA）1018例患者（训练组693例，验证组325例）的临床病理信息和转录组测序数据。应用LASSO-COX算法筛选出与胶质瘤患者总生存期相关的基因并建立预后风险评分方程。使用校准曲线和C指数来评估列线图的性能。结果" 基于单因素和多因素Cox分析得到了10个中性粒细胞胞外陷阱相关基因。列线图结合了基因信息和临床病理预测因子，在训练组和验证组中显示出良好的预后能力。此外，本研究还发现复发性胶质瘤中肿瘤细胞富集了一种能够正向调控白细胞介素功能的机制。结论" 本研究开发的列线图模型可以预测胶质瘤患者的1、2、3、5和10年生存率。

关键词：胶质瘤;预后预测;肿瘤复发;列线图

中图分类号：R739.41" " " " " " " " " " " " " " " " 文献标识码：A" " " " " " " " " " " " " " " " DOI：10.3969/j.issn.1006-1959.2025.01.005

文章编号：1006-1959（2025）01-0030-07

Prognostic Model Construction and Effect Analysis of Glioma Patients Based

on Neutrophil Extracellular Trap-related Genes

LI Jie1， LI Naixuan2

（1.School of Medical Imaging， Binzhou Medical University， Yantai 264003， Shandong， China;

2.Department of Interventional Vascular Surgery， Yantai Affiliated Hospital， Binzhou Medical University，

Yantai 264003， Shandong， China）

Abstract：Objective" To construct a nomogram model for predicting the prognosis of glioma patients based on neutrophil extracellular trap-related genes. Methods" This study included clinicopathological information and transcriptome sequencing data from 1018 patients （693 patients in the training group and 325 patients in the validation group） from the Chinese Glioma Genome Atlas （CGGA）. The LASSO-COX algorithm was used to screen out genes related to the overall survival of glioma patients and establish a prognostic risk scoring equation. Calibration curves and C-indexes were used to evaluate the performance of the nomogram. Results" Based on univariate and multivariate Cox analysis， 10 neutrophil extracellular trap-related genes were obtained. The nomogram combined genetic information and clinicopathological predictors， showing good prognostic ability in the training group and the validation group. In addition， this study also found that tumor cells in recurrent glioma enriched a mechanism that could positively regulate interleukin function. Conclusion" The nomogram model developed in this study can predict the 1-year， 2-year， 3-year， 5-year， and 10-year survival rates of glioma patients.

Key words：Glioma; Prognostic prediction; Tumor recurrence; Nomogram

胶质瘤作为最常见的原发性脑肿瘤之一，以其侵略性特质和治疗挑战而著称[1]。尽管近年来对胶质瘤生物学和治疗策略进行了深入研究，患者的预后仍然是一个复杂而多变的问题。预测生存结果成为医学界的一项重要任务。中性粒细胞胞外陷阱（neutrophil extracellular trap， NETs）是由中性粒细胞释放的一种网状结构，最初被发现用于捕获和清除病原体[2-4]。然而，越来越多的证据表明，NETs也可能在肿瘤的发展和免疫反应中发挥着重要作用。在这个背景下，本研究的主要目标是深入探究复发性胶质瘤的生物学特征，结合基因组特征和临床病理危险因素建立一个综合的预测模型，以准确预测患者的生存概率。本研究依赖中国脑胶质瘤基因组图谱（Chinese Glioma Genome Atlas， CGGA）项目，提供了最大规模的胶质瘤样本集合，包含了丰富的临床信息、测序数据和长期随访数据，为本研究提供了强大的数据支持。通过深入了解NETs与肿瘤之间的复杂相互作用，旨在为胶质瘤患者提供更精确的预后评估工具，为临床提供更加个体化的治疗建议，为胶质瘤患者的临床护理和治疗决策提供更多的见解和指导。

1资料与方法

1.1数据来源和处理" 从CGGA数据库（http：//www.cgga.org.cn/）下载了1018例脑胶质瘤患者的临床病理信息和转录组数据，其中693例患者被分为训练组，325例患者被分为验证组。从京都基因和基因组百科全书（Kyoto Encyclopedia of Genes and Genomes， KEGG）网站（https：//www.genome.jp/kegg/）上获得了207个NETs相关基因。有针对性地聚焦研究这些207个基因，以更深入地了解它们在免疫过程中的具体作用和相互关系。

1.2 LASSO-COX降维分析" 使用R中的glmnet和survival包来进行LASSO-COX降低维度分析。为了确定最佳的正则化参数，选择对应于最小偏似然偏差的λ值作为最佳λ值。这些λ值与各自的基因一起用于计算每个患者的风险评分。

1.3列线图构建" 在训练组中，使用R中的rms包构建一个列线图，其中包括评分系统和预测系统。脑胶质瘤患者的1、2、3、5、10年生存率通过总分、各因素的总和来准确预测。使用校准曲线和C-Index值来评估列线图模型在验证组中的生存期预测准确性，以确保模型的可靠性和实用性。理想情况下，校准曲线应接近45°对角线，这表示观察值与预测值一致。如果曲线偏离对角线，这可能意味着模型的预测存在偏差。C-Index是一个统计指标，用于度量模型的生存期预测准确性。C-Index值介于0.5和1之间，其中0.5表示随机预测，1表示完美的预测。较高的C-Index值表示模型的生存期预测能力更强。

1.4免疫过程相关基因" 在脑胶质瘤中的功能富集，从AmiGO 2网站获得了免疫过程相关的基因列表，并在每个胶质瘤样本中计算了其功能富集评分。随后，使用R中的pheatmap包绘制了这些富集结果的热图，以可视化不同样本之间的功能富集情况，深入地了解风险评分和特定生物学过程之间的潜在关联。

1.5统计学方法" 使用R v4.2.0（https：//www.r-project.org/）、SPSS软件（IBM， v27.0， Chicago， IL）和GraphPad Prism（v8.0， La Jolla， CA）执行统计分析。通过KaplanMeier分析和COX分析评估预后价值。对于所有统计方法，Plt;0.05被认为统计学意义显著。

2结果

2.1建立NETS基础的预后模型" 对CCGA 693数据集的训练队列进行单因素Cox回归分析结果显示，与脑胶质瘤患者总生存期相关的60个NETs相关基因见图1A。对这些与预后相关的基因进行LASSO回归分析，以构建基于NETs相关基因的预后模型。通过计算非零系数，当λ值为-4时，选择了10个关键的预后基因，这时预后模型达到了最佳拟合，见图1B。每位患者的风险分数计算如下：复发风险评分=exprACTG1×λACTG1+exprF3×λF3+exprFCGR2A×λFCGR2A+exprHAT1×λHAT1+exprHDAC7×λHDAC7+exprPIK3CB×λPIK3CB+exprPIK3R3×λPI K3R3+exprSLC25A5×λSLC25A5+exprTNF×λTNF+exprVDAC2×λVDAC2。其中，exprACTG1=5.08E-05;exprF3=0.003 563 414;exprFCGR2A=0.004 644 566;exprHAT1=0.008 314 338;exprHDAC7=0.017 165 781;exprPIK3CB=-0.005 688 137;exprPIK3R3=0.045 387 292;exprSLC25A5=-0.000 244 02;exprTNF=-0.011 151 254;exprVDAC2=-0.003 980 294。其中，expr表示基因的表达水平，而λgene表示相应的λ值，通过每个基因的expr与相应的λ值相乘得到最终的风险评分。

2.2复发风险评分预测胶质瘤患者的预后" 在训练组和验证组中，随着复发评分的增加，临床病理特征呈现出不对称分布的特征;使用NETs相关基因为基础的预后模型计算了训练队列中每位患者的风险分数，确定中位风险分数0.453作为分组的分割点，见图2。根据这个分割点，将脑胶质瘤患者分为高风险组和低风险组。生存分析显示，在训练组中，高风险组的患者的总体生存时间显著短于低风险组的患者（Plt;0.0001）。利用CGGA 325数据集的验证队列，也得出了类似的结果，即高风险分数的患者临床结果较差（Plt;0.0001）。这些结果表明，基于NETs相关基因的预后模型能够分层风险并预测脑胶质瘤患者的生存情况。在CGGA 693和 CGGA 325数据集中年老、术后化疗、存在复发状态、没有1p/19q共缺失、WHO等级高的胶质瘤患者复发风险评分显著增加;接受者操作特征曲线显示复发风险评分在CGGA和TCGA数据库中胶质瘤没有1p/19q共缺失的高存在表达特异性，见图3。

2.3基因富集分析" 使用CGGA 693和CGGA 325数据库中的基因富集分析来确定免疫过程的富集评分。分析表明，肿瘤细胞的复发风险评分与白介素-1、2、4、6、8，以及肿瘤坏死因子介导的信号通路的正调控呈正相关，见图4。

2.4个性化预测模型预测精度" 为了便于预后预测模型的临床应用，构建了个体化预测模型。基于复发风险评分、原发/复发状态、1p/19q共缺失状态、WHO组织学分级、年龄和术后化疗状态预测因素构建了预测总生存期的个体化预测模型。可以通过个体化预测模型来估计胶质瘤患者的（1、2、3、5和10年）肿瘤生存概率，见图5。校准曲线中的预测结果和实际观察结果显示训练组和验证组具有令人满意的重叠，表明最佳预测准确性，该列线图模型的C指数为0.788，高于任何其他预测模型，见图6。

3讨论

本研究旨在建立一个基于NETs相关基因的预测模型，以准确预测胶质瘤患者的预后。胶质瘤作为一种常见且具有高度侵袭性的脑肿瘤，其治疗和预后一直是医学界的挑战。通过深入研究NETs及其与胶质瘤之间的关系，试图为患者提供更个体化的预后评估和治疗建议。

通过单因素和多因素的Cox回归分析，最终筛选出了10个与胶质瘤患者生存时间密切相关的NETs相关基因。这些基因分别是ACTG1、F3、FCGR2A、HAT1、HDAC7、PIK3CB、PIK3R3、SLC25A5、TNF和VDAC2。这10个基因代表了NETs相关基因中的关键成员，它们在胶质瘤患者的生存时间中发挥着重要的作用。ACTG1基因可能与细胞骨架的动态重组相关，进而影响肿瘤细胞的迁移和浸润[5]。F3编码组织因子，可能与凝血和炎症有关，对于肿瘤的血管生成和转移可能具有潜在影响[6]。FCGR2A编码一种免疫球蛋白受体，可能在调节免疫反应中发挥作用，与肿瘤的免疫逃避有关[7]。HAT1基因编码组蛋白乙酰转移酶，可能与染色质修饰相关，进而调节肿瘤细胞基因表达[8]。HDAC7编码组蛋白去乙酰化酶，可能在调控基因沉默和细胞周期中扮演重要角色[9]。PIK3CB和PIK3R3这两个基因编码磷脂酰肌醇3激酶和其调控亚基，参与PI3K/Akt信号通路，可能在肿瘤细胞生存和增殖中起作用[10，11]。SLC25A5编码线粒体膜转运蛋白，可能与细胞代谢和能量供应相关[12]。TNF是一个免疫调节分子，它在肿瘤的炎症和免疫逃避中扮演关键角色[13]。VDAC2编码线粒体膜通道蛋白，可能在调控线粒体功能和细胞凋亡中具有影响[14]。这些基因的复杂交互作用可能在胶质瘤的发生和发展中发挥作用，对于预后的预测具有重要意义。进一步的研究将有助于阐明这些基因在肿瘤生物学中的确切作用，为个体化治疗提供更多信息。这些结果为更深入探索胶质瘤的病理生物学机制和开发靶向治疗方法提供了重要线索。

本研究还表明，肿瘤细胞的复发风险评分与一些与免疫相关的信号通路的正调控之间存在正相关性。这种正相关性可能有多种解释。首先，白介素-1[15]、2[16]、4[17]、6[18]、8[19]以及肿瘤坏死因子[20]介导的信号通路通常涉及免疫系统的调节和炎症反应。因此，这些通路的正调控可能表明免疫系统的活性增加，增强了对癌症细胞的攻击能力，从而有助于减小肿瘤复发的风险。其次，正调控这些免疫相关通路可能减小了抑制免疫系统的信号，使免疫系统更积极地应对肿瘤细胞，可能导致较低的复发风险。最后，具体的机制可能涉及多种生物学和临床因素，包括肿瘤类型、患者的免疫状态和治疗方案。这些因素可能会影响免疫通路的活性，进而影响复发风险。总之，这种正相关性的解释为癌症研究和治疗提供了有用的信息，可能指向潜在的治疗策略或预后标志物，有望提高患者的治疗效果和生存率。

总之，本研究通过建立一个基于NETs相关基因的预测模型，为胶质瘤患者提供了更准确的预后评估工具，这有望在未来的临床实践中改善患者的治疗和护理。但也存在一些局限性。首先，研究仍需要在更大样本规模和多中心研究中进行验证，以确保模型的可靠性和推广性。其次，尽管本研究发现了与免疫过程的关联，但仍需要更深入的机制研究来阐明NETs在胶质瘤中的确切作用。未来的工作可以更深入地探究这一领域，为研究和治疗提供更多见解。

参考文献：

[1]Gisina A，Kholodenko I，Kim Y，et al.Glioma Stem Cells：Novel Data Obtained by Single-Cell Sequencing[J].Int J Mol Sci，2022，23（22）：14224.

[2]Herre M，Cedervall J，Mackman N，et al.Neutrophil extracellular traps in the pathology of cancer and other inflammatory diseases[J].Physiol Rev，2023，103（1）：277-312.

[3]Mousset A，Lecorgne E，Bourget I，et al.Neutrophil extracellular traps formed during chemotherapy confer treatment resistance via TGF-beta activation[J].Cancer Cell，2023，41（4）：757-775.

[4]Zheng F，Ma L，Li X，et al.Neutrophil Extracellular Traps Induce Glomerular Endothelial Cell Dysfunction and Pyroptosis in Diabetic Kidney Disease[J].Diabetes，2022，71（12）：2739-2750.

[5]Luo JQ，Yang TW，Wu J，et al.Exosomal PGAM1 promotes prostate cancer angiogenesis and metastasis byinteracting with ACTG1[J].Cell Death Dis，2023，14（8）：502.

[6]Jeon HM，Kim JY，Cho HJ，et al.Tissue factor is a critical regulator of radiation therapy-induced glioblastoma remodeling[J].Cancer Cell，2023，41（8）：1480-1497.

[7]Fu T，Zhang L，Zuo M，et al.FCGR2A as one novel potential target for poor survival prognosis of clear cell renal cell carcinoma[J].Medicine （Baltimore），2023，102（11）：e33324.

[8]Gaddameedi JD，Chou T，Geller BS，et al.Acetyl-Click Screening Platform Identifies Small-Molecule Inhibitors of Histone Acetyltransferase 1 （HAT1）[J].J Med Chem，2023，66（8）：5774-5801.

[9]Das GK，Ramnath D，von Pein JB，et al.HDAC7 is an immunometabolic switch triaging danger signals for engagement of antimicrobial versus inflammatory responses in macrophages[J].Proc Natl Acad Sci U S A，2023，120（4）：e2082154176.

[10]Xu W，Chen Y，Zhang Z，et al.Exosomal PIK3CB promotes PD-L1 expression and malignant transformation in esophageal squamous cell carcinoma[J].Med Oncol，2023，40（8）：221.

[11]Fu H，Liu X，Shi L，et al.Regulatory roles of Osteopontin in lung epithelial inflammation and epithelial-telocyte interaction[J].Clin Transl Med，2023，13（8）：e1381.

[12]Seneviratne JA，Carter DR，Mittra R，et al.Inhibition of mitochondrial translocase SLC25A5 and histone deacetylation is an effective combination therapy in neuroblastoma[J].Int J Cancer，2023，152（7）：1399-1413.

[13]van Loo G，Bertrand M.Death by TNF： a road to inflammation[J].Nat Rev Immunol，2023，23（5）：289-303.

[14]Zhu Z，Zhou X，Du H，et al.STING Suppresses Mitochondrial VDAC2 to Govern RCC Growth Independent of Innate Immunity[J].Adv Sci （Weinh），2023，10（3）：e2203718.

[15]Han Y，Zhang YY，Pan YQ，et al.IL-1 beta-associated NNT acetylation orchestrates iron-sulfur cluster maintenance and cancer immunotherapy resistance[J].Mol Cell，2023，83（11）：1887-1902.

[16]Raeber ME，Sahin D，Boyman O.Interleukin-2-based therapies in cancer[J].Sci Transl Med，2022，14（670）：eabo5409.

[17]Bernstein ZJ，Shenoy A，Chen A，et al.Engineering the IL-4/IL-13 axis for targeted immune modulation[J]. Immunol Rev，2023，320（1）：29-57.

[18]Huang B，Lang X，Li X.The role of IL-6/JAK2/STAT3 signaling pathway in cancers[J].Front Oncol，2022，12：1023177.

[19]Liu H，Zhao Q，Tan L，et al.Neutralizing IL-8 potentiates immune checkpoint blockade efficacy for glioma[J].Cancer Cell，2023，41（4）：693-710.

[20]Muendlein HI，Connolly WM，Cameron J，et al.Neutrophils and macrophages drive TNF-induced lethality via TRIF/CD14-mediated responses[J].Sci Immunol，2022，7（78）：eadd665.

收稿日期：2023-11-14;修回日期：2023-12-16

编辑/肖婷婷

作者简介：李捷（1997.2-），男，黑龙江鹤岗人，硕士研究生，主要从神经系统和腹部诊断临床研究

通讯作者：李乃选（1978.2-），男，山东烟台人，博士，副主任医师，硕士生导师，主要从事肿瘤与血管病MRI诊断与治疗研究