全面机器学习识别凋亡逃逸签名以预测胃癌治疗耐药性与生存期

这项研究对患者的重要意义

胃癌仍然是全球最致命的癌症之一，很大程度上是因为许多肿瘤对化疗和新型免疫疗法出现耐药。该研究提出了一个简单但关键的问题：我们能否通过读取肿瘤细胞及其周围环境的分子“生存策略”，来预测哪些患者会对治疗产生耐药，哪些患者会从中获益？研究者运用现代机器学习对数千个基因进行挖掘，构建了一个强大的评分工具，可能有助于医生为胃癌患者选择更有效、更个体化的治疗方案。

肿瘤细胞如何逃脱其自然的安全检查

正常细胞具备一种自毁程序，当它们失去在组织中的正常依附位置时会被激活，这一过程称为依附丧失引发的细胞死亡（anoikis）。癌细胞常学会规避这一命运，从而得以扩散并在新处播种肿瘤。作者关注与这一依附反应相关的基因，以及这些基因如何与肿瘤对药物的反应相关。利用10个大型公开胃癌数据库，他们交叉参照与细胞死亡、对化疗的敏感性或耐药性以及对免疫治疗的反应性有关的基因集合。从这些复杂的重叠中，他们提炼出125个关键基因，这些基因既反映了细胞规避依附丧失性死亡的能力，也反映了细胞在治疗下的行为；他们将这些基因称为药物自然化凋亡基因（drug-naturalized anoikis genes，DNAGs）。

两类隐秘的胃肿瘤类型

当团队基于DNAG活性对800多例胃肿瘤进行分组时，出现了两种主要模式。一类肿瘤携带大量基因突变和染色体结构改变，乍听之下可能令人不安，但这类改变实际上可能使癌症更易被免疫系统识别。这些肿瘤显示出更多活跃免疫攻击的迹象，并包含能识别和对抗癌症的免疫细胞。第二类肿瘤则截然不同：它更多见于年轻患者并且属于一种已知具有侵袭性的分子亚型。这类肿瘤位于一个高度抑制性的环境中，由支撑细胞和其他成分主导，这些成分往往屏蔽癌细胞免受免疫攻击。具有第二类模式的患者总体预后更差。

解读肿瘤行为的治疗评分

基于这些模式，研究者使用101种机器学习方法的组合，将更大的一组基因精炼为11个基因，形成一个“以治疗为导向的预后特征”，简称TOPS。该评分将患者分为高风险和低风险组。在多个独立患者队列中，高TOPS评分者始终表现为生存期更短、疾病更晚期以及具有侵袭性特征的肿瘤类型。与此同时，高TOPS肿瘤对化疗和免疫检查点抑制剂的反应概率更低，而低TOPS肿瘤在免疫治疗后显示出更好的反应和更长的生存期。该评分在预测结局方面优于传统的临床特征，例如年龄、性别和分期。

肿瘤生态系统揭示的耐药机制

为理解该评分为何有效，团队转向单细胞测序，逐个细胞地检查肿瘤内的组成。他们发现高TOPS肿瘤富含成纤维细胞——构建组织支架的细胞——以及某些血管细胞，形成包裹癌细胞的致密保护外壳。在该外壳内，成纤维细胞沿向一种亚型分化，该亚型与肿瘤细胞有强烈的通讯，并激活与新血管生成、代谢改变和免疫抑制相关的通路。相比之下，低TOPS肿瘤含有更多能发起有效免疫攻击的T细胞、B细胞和浆细胞，并显示出更倾向于正常代谢和组织维护而非侵袭的基因活动模式。

这对未来治疗可能意味着什么

对患者而言，该研究的主要信息是：即便在显微镜下看起来相似，胃癌也并非一律相同。通过读取与细胞如何应对依附丧失以及周围组织行为相关的11基因特征，医生未来或能更好地预测谁会从标准化疗或免疫治疗中获益，谁可能需要同时针对肿瘤支持细胞与信号的小组合或替代策略。尽管该模型仍需在前瞻性临床试验中验证，但它为使胃癌治疗更真正在个体化方向发展、并改善患者预后提供了一条有希望的路线图。

引用: Liu, F., Zhou, Y., Xie, Y. et al. Comprehensive machine learning identifies anoikis signatures predicting therapeutic resistance and survival in gastric cancer. Sci Rep 16, 11571 (2026). https://doi.org/10.1038/s41598-026-38996-5

关键词: 胃癌, 治疗耐药, 肿瘤微环境, 免疫治疗反应, 机器学习生物标志物