肝細胞癌干性分型及其預后基因GSDMC 的研究

包 凌，龔旋坤，龐 青，陳 曉

（1.蚌埠醫學院第一附屬醫院老年科，安徽 蚌埠 233000；2.蚌埠醫學院第一附屬醫院肝膽外科，安徽 蚌埠 233000）

肝 細 胞 性 肝 癌（hepatocellular carcinoma，HCC），是一種嚴重危害人類健康的常見惡性腫瘤。肝細胞癌的相對 5 年生存率約為 18%［1］。目前已知肝細胞癌的危險因素有慢性乙型肝炎病毒和丙型肝炎病毒感染、黃曲霉素、酗酒、非酒精性脂肪性肝炎和各種代謝性疾?。?］。不幸的是，由于腫瘤異質性和動態微環境，患者對抗癌治療反應較差［3-5］。

最近的證據表明，腫瘤異質性是由具有干細胞或干細胞特征的細胞亞群驅動的，稱為癌癥干細胞（cancer stem cells， CSCs）［6，7］。癌 癥 干 細 胞 也 稱 為腫瘤起始細胞，具有通過自動修復進行自我更新的能力。肝細胞與干細胞具有相似的特征，如在特定條件下自我更新和無限增殖［8-10］。重要的是，癌癥干細胞在肝細胞癌生長，復發和耐藥性中起著至關重要的作用［11］。此外，廣泛的研究表明，腫瘤微環境（tumor microenvironment， TME）在促進癌細胞的侵襲性和干性方面具有重要作用［12-14］。腫瘤微環境是指腫瘤細胞存在的周圍微環境，包括周圍的血管、免疫細胞、成纖維細胞、骨髓源性炎性細胞、各種信號分子和細胞外基質。CSCs 可以通過TME調節關鍵信號通路來誘導非CSC 轉化為CSC，這一過程進一步導致肝癌患者預后不良［15］。此外，CSC的內在信號可以重塑TME，導致血管生成，膠原蛋白重塑和PD-1 / PD-L1 介導的免疫逃逸［16］。因此，全面了解高度異質的CSC 及其與TME 的動態相互作用對于探索CSC 靶向治療策略和提高當前免疫療法的有效性至關重要。

在這項研究中，利用ssGSEA 算法和26 個公共干性基因集來全面了解HCC 的干性景觀。通過無監督聚類確定了兩種干性亞型。隨后采用加權基因共表達網絡分析 （weighted correlation network analysis，WGCNA）來鑒定與干性亞型和預后相關的基因?；贑ox 回歸和隨機森林生存分析，構建了一個干性風險模型。此外，研究干性風險評分與預后、TME 模式以及化療和免疫治療對肝細胞癌的療效之間的相關性?？傮w而言，研究結果表明，干性風險評分可以有效預測HCC 患者預后和免疫治療反應。

1 材料與方法

1.1 材料

1.1.1 細胞株 HCC 細胞系（Huh-7、SUN-449 和SMMC-7721）購自中國科學院上海細胞庫，永生化正常肝細胞系LO2 購自上海通培生物科技有限公司。

1.1.2 主要試劑 臨床樣本收集于蚌埠醫學院第一附屬醫院肝膽外科2019 年1 月～2021 年12 月手術切除的所需樣本組織。細胞組織快速裂解液和蛋白酶抑制劑購自雅酶生物技術公司，BCA 蛋白質檢測試劑盒、1%青霉素-鏈霉素購自碧云天生物技術公司，兔多克隆抗體GSDMC 和抗兔IgG 抗體購自Proteintech 公 司，Dulbecco 的 改 良Eale 培 養 基、PMI-1640 培養基購自Gibco 公司，10%胎牛血清購自武漢普諾賽生命科技有限公司，Trizol 購自上海賽默飛世爾科技（中國）有限公司，cDNA 試劑盒購自維諾贊科技有限公司。該研究已獲得倫理學的批準蚌埠醫學院第一附屬醫院委員會（2023YJS12 0），并獲得了所有患者的個體同意。

1.2 方法

1.2.1 數據準備和預處理 從TCGA（https：//tcga-data.nci.nih.gov/tcga/）獲 得 了HCC 樣 本 數 據集，TCGA 是一個公開可用的數據庫，可提供33 種癌癥類型的匹配正常樣本［17］。數據集包括HCC 樣本的臨床注釋和生存時間。

1.2.2 HCC 干性亞型的共識聚類 為了鑒定HCC中的干性亞型，采用了StemChecker，這是一種基于網絡的工具，用于探索基因集中的干性特征［18］。使用StemChecker 檢索了26 個干性基因集，并對其進行了預處理以進行后續分析。使用基因集變異分析GSVAR 包［19］進行單樣本基因集富集分析，定量評估每個HCC 樣本中26 個基因集的干性富集評分。利用K-means 聚類方法進行1 000 次迭代，然后使用ConsensusClusterPlus R 包執行無監督共識聚類，以確?？煽啃?。

1.2.3 TME 細胞組成和ESTIMATE 評分 采用CIBERSORT 用于 根據基因表 達譜［20］表征復雜組織中的細胞組成，以計算HCC 樣品中22 個免疫細胞的浸潤分數。此外，使用“estimate”R 包［21］評估了每個HCC 樣本的免疫和基質評分。

1.2.4 化療敏感性和免疫治療反應 為了預測臨床化療反應，使用“pRRophetic”R 包，它可以預測基線腫瘤基因表達的反應［22］。通過 “pRRophetic”R 包計算半抑制濃度 （half maximal inhibitory concentration， IC50）來評估幾種藥物（吉西他濱、多柔比星、博來霉素、依托泊苷和米多龍林）的敏感性。為了評估免疫治療反應，采用TIDE，這是http：//tide.dfci.harvard.edu/提供的在線工具，可根據基因表達預測免疫治療反應。

1.2.5 加權基因共表達網絡分析 選擇方差最高的前3 000 個基因，使用“WGCNA”R 包構建共表達網絡［23］。使用適當的冪（R2=0.9）轉換為拓撲矩陣，使用動態樹切割方法對模塊進行劃分，并根據0.25高度的截止值合并類似的模塊。使用斯皮爾曼相關系數評估模塊與基因表達特征之間的關系。與基因表達特征相關性最高的模塊被選為使用“clusterProfiler”R 包進一步進行基因本體論（Gene Ontology，GO）和京都基因與基因組百科全書（Kyoto Encyclopedia of Genes and Genomes，KEGG）。

1.2.6 預后模型的構建 進行Cox 回歸分析，從關鍵模塊中識別總生存期相關基因。然后使用這些總生存期相關基因構建隨機森林生存模型，以評估每個基因的重要性。根據相對重要性選擇前4 個基因進行Cox 回歸分析，構建預后模型。

1.2.7 細胞培養和轉染 Huh-7 和LO2 細胞在Dulbecco 的 改 良Eale 培 養 基 中 培 養，SUN-449 和SMMC-7721 細胞在添加10%胎牛血清和1%青霉素-鏈霉素RPMI-1640 培養基中培養，并在37.5 ℃和5%CO2中孵育。當Huh-7 細胞密度在6 孔細胞培養板中達到70%至80%時，在Huh-7 細胞中轉染GSDMC 過表達質粒。

1.2.8 RNA 提取和qRT-PCR 使用Trizol 試劑從Huh-7，SUN-449，SMMC-7721 和LO2 中 提 取 總RNA，然后根據制造商的說明使用cDNA 制備試劑盒進行逆轉錄。然后，使用實時熒光定量PCR 儀進行定量PCR。采用2-ΔΔCt方法計算靶基因的相對表達水平。用于檢測GSDMC和GAPDH表達如下：GSDMC前 引 物：5'-TCCATGTGTGGAACGCATTAGC-3'，GSDMC后 引 物：5'-CAAACTGACGTAATTTGGTGGC-3'；GAPDH前 引 物5'-CAA-TGACCCCTTCATTGACC-3'，GAPDH后引物5'-GACAAGCTTCCCGTTC-TCAG-3'。

1.2.9 Western Blot 從配對的HCC 和鄰近的正常組織中提取蛋白質。使用BCA 蛋白質檢測試劑盒測量蛋白質濃度。 取等量的蛋白樣品行SDS-PAGE 電泳，電泳完成后將蛋白轉移到聚偏氟乙烯（PVDF）膜上，用無蛋白快速封閉溶液密封30 min。加入一抗并在 4 ℃ 下孵育過夜。 然后用PBST 洗滌膜3 次與二抗稀釋室溫搖床孵育2 h。ECL-plus 檢測 PVDF 膜上的蛋白信號，曝光并顯影。

1.2.10 免疫組織化學 將HCC 組織和配對的相鄰良性組織樣品置于二甲苯中并用梯度級乙醇水合進行脫蠟，然后在檸檬酸鹽緩沖液中加熱以進行抗原回收。淬滅過氧化物酶活性后，將切片與抗體在4 °C 下孵育過夜。次日將二抗在室溫下孵育1 h，然后脫水密封，最后在顯微鏡下檢查。

1.2.11 成球實驗 NC-Huh-7 細胞和OE-Huh-7 細胞用胰酶消化成單細胞懸液，用PBS 洗滌，然后用無血清DMEM / F12 懸浮。每個孔用15 000 個細胞處理，最初僅加入1 mL 球形成誘導培養基。將腫瘤細胞接種到6 孔康寧平板中，每2 天加入球形成誘導培養基。第1 天、第3 天、第7 天、第14 天拍攝，14 d 后每孔計數腫瘤球狀體（直徑＞100 mm）。

1.2.12 統計分析 所有統計分析均使用R 軟件（版本4.1.0）進行?！癵gplot2”R 包（版本：3.3.6）用于圖形表示。分別使用“生存”R 包（版本：3.4-0）和“randomForest”R 包（版本：4.7-1.1）進行單變量Cox比例風險回歸和隨機森林分析?！癵lmnet”R 包（版本：4.1-4）用于構建預后模型。GraphPad Prism 9.0用于分析統計結果，并使用配對的t檢驗分析組間的差異。每個測試重復3 次，P＜0.05 為差異具有統計學意義。

2 結果

2.1 鑒定HCC 的干性亞型

該研究共納入了328 個HCC 樣本。計算每位患者26 個干性基因集的富集評分，并通過共識聚類分析鑒定出兩個不同的干性集群，標記為C1 和C2（圖1A，B）。與C2 集群相比，C1 集群中26 個干性基因集的富集得分顯著更高（圖1C）。

圖1 鑒定HCC 的干性亞型Fig 1 Identification of the stemness subtypes of HCC

2.2 C1、C2 生存分析

Kaplan-Meier 生存分析顯示，兩個集群之間的OS 存在顯著差異，C2 患者的OS 優于C1（圖2A）。在調整年齡、性別和分期后，這種關系仍然具有統計學意義，C2 患者的風險比低于C1（HR： 0.667 7，95% CI： 0.451 2 to 0.988 0）（圖2B）。

圖2 C1、C2 生存分析Fig 2 Survival analysis of C1 and C2

2.3 C1、C2 與TME 和ESTIMATE 分數的相關性及化療敏感性和免疫治療反應分析

通過使用CIBERSORT 算法評估22 種免疫細胞類型的浸潤水平，進一步評估了TME。5 種免疫細胞（即肥大細胞靜息狀態、CD4+ T 記憶細胞靜息狀態、樹突狀細胞靜息狀態、調節性T 細胞和肥大細胞活化狀態的浸潤水平在C1 和C2 之間差異顯著。C1 具有較高的浸潤水平的CD4+ T 記憶細胞靜息狀態，樹突狀細胞靜息狀態、調節性T 細胞，C2具有較高的浸潤水平的肥大細胞靜息和活化狀態（圖3A）。此外，基于ESTIMATE 算法，與C1 相比， C2 的免疫評分，基質評分和ESTIMATE 評分更高。（圖3B）。評估C1 和C2 亞型患者對通常用于HCC 治療的五種化療藥物的敏感性。吉西他濱、多柔比星、博萊霉素、依托泊苷和米哚妥林的半抑制濃度在C2 中顯著較高，表明C2 對這些化療藥物的敏感性高于C1（圖3C）。此外，該研究使用 TIDE算法評估了C1 和 C2 中患者的免疫治療反應。與化療敏感性一致，與C1 相比， C2 免疫治療反應更好（圖3D）。

圖3 C1、C2 與TME 和ESTIMATE 分數的相關性及化療敏感性和免疫治療反應分析Fig 3 Correlation of C1 and C2 with TME and ESTIMATE scores and analysis of chemotherapy sensitivity and immunotherapy response

2.4 識別 C2 相關模塊

C2 亞型患者化療藥物的敏感性高于C1，免疫治療反應更好，因此進行了WGCNA 以確定與該亞型相關的預后基因。使用方差最高的前3 000 個基因構建共表達網絡，β=4，R2=0.9（圖4A）。將模塊特征基因進行聚類，截止高度為 0.25，總共生成了10 個模塊（圖4B）。洋紅色模塊與C2 負相關最強（r=-0.34，P=0.000 4）（圖4C），因此被確定為進一步分析的關鍵模塊。

圖4 識別 C2 相關模塊Fig 4 Identification of C2-associated module

2.5 預后模型的構建

洋紅色模塊總共包含117 個基因。單變量Cox回歸分析確定36 個基因為OS 相關基因。在這些基因中，GSDMC、AOC1、OTX1和CASC9被隨機森林生存分析確定為最重要的基因（圖5A）?；趯@4 個基因的LASSO 回歸分析構建了風險評分模型。分析顯示與C1 相比， C2 的風險評分較低（圖5B）。使用中位風險評分作為臨界值，將患者分為高風險組和低風險組。Kaplan-Meier 生存分析表明，與高風險組相比，低風險組具有更好的OS（圖5C）。使用桑葚圖可視化基于風險評分的兩個集群中患者的分布（圖5D）。

2.6 風險評分與TME、ESTIMATE 評分和免疫治療反應的相關性

與低風險組相比，高危組肥大細胞靜息狀態和M2 巨噬細胞的比例更高（圖6A）。相反，低風險組的濾泡輔助性T 細胞比例升高。此外，與低風險組相比，高危組的基質評分和ESTIMATE 評分更高（圖6B）。高危組和低危組對五種化療藥物的敏感性無顯著差異（圖6C）。然而，與高危組相比，低風險組的患者表現出更高的免疫治療反應（圖6D）。

圖6 風險評分與TME、ESTIMATE 評分和免疫治療反應的相關性Fig 6 Correlation of risk score and TME， ESTIMATE score， and immunotherapy response

2.7 GSDMC 在HCC 細胞和組織中下調

通過隨機森林生存分析將GSDMC確定為最重要的基因，因此研究了GSDMC對肝細胞癌細胞和肝癌組織的影響。為探究GSDMC在肝癌細胞中的表達水平，選取正常肝細胞系LO2 和3 個肝癌細胞系Huh-7、SUN-449 和SMMC-7721 進 行qRT-PCR實驗。結果表明，與正常肝細胞相比，Huh-7、SUN-449 和SMMC-7721 種肝癌細胞系的GSDMC mRNA 表達水平顯著降低（圖7A）， 結果具有統計學意義（P=0.001 3；P=0.003 7；P=0.002 6）。還發現，在這3 個肝癌細胞系中，GSDMC在SMMC-7721 中的表達最高，在Huh-7 中的表達最低。因此，選擇了Huh-7 進行后續實驗。隨后，對4對HCC 組織樣品進行WB 以檢測GSDMC 的蛋白質水平。與癌旁組織相比，GSDMC在癌組織中的表達較低（圖7B），在4 例肝癌組織及配對的癌旁組織中，GSDMC在肝癌組織和癌旁組織的表達中位數分別為0.340 9 和0.809 1，其蛋白水平表達在肝癌組織中低于癌旁組織，P=0.048 4（圖7C），差異有統計學意義。采用免疫組化檢測GSDMC在肝細胞癌中的表達（圖7D），結果顯示GSDMC在肝癌組織中下調。

圖7 GSDMC 在HCC 細胞和組織中下調性Fig 7 GSDMC was downregulated in HCC cells and tissues

2.8 過表達GSDMC 抑制HCC 細胞的干性

隨后，進一步評估了GSDMC對肝癌細胞干性的影響。使用qRT-PCR 分析評估轉染效率，結果表明GSDMC 成功轉染到Huh-7 細胞中（P=0.002）（圖8A）。采用細胞成球實驗評估GSDMC是否影響HCC 的干性，結果表明，與對照細胞相比，GSDMC在Huh-7 細胞中的過表達顯著降低了球體形成（圖8B）。進一步的定量分析表明，GSDMC減少了球體/每個視野的數量（P=0.029）（圖8C），表明GSDMC抑制HCC 細胞的干性。

圖8 過表達GSDMC 抑制HCC 細胞的干性Fig 8 Overexpression of GSDMC attenuates CSC traits of HCC cells

3 討論

本研究對大規模肝細胞癌患者群體進行了系統的生物信息學分析，旨在揭示與CSC 相關的26個基因集的分子特征，研究CSC 亞型相關的基因表達模式可能有助于患者的特異性療法。此外，通過隨機森林生存分析確定GSDMC是最重要的一個預后基因。后經實驗驗證了GSDMC在HCC 組織和細胞中的表達降低，GSDMC抑制HCC 細胞的干性。

利用26 個干細胞基因集的ssGSEA 評分，進行無監督聚類以區分兩種的干細胞亞型。C2 亞型26個干性基因集的富集得分低，生存期更長，預后更好，肥大細胞浸潤更顯著，對免疫療法反應率更高。C2 的生存結局明顯優于C1。為探究化療和免疫治療對HCC 的聯合治療是否有更好的療效，以便進一步研究。本研究分析了各種藥物對C1 和C2 患者的影響。結果表明，吉西他濱、多柔比星、博來霉素、依托泊苷和米哚妥林的IC50在C2 中顯著更高，表明與C1 相比，C2 患者對這些化療藥物更敏感。這意味著進一步的研究可以集中在HCC 患者的聯合治療上。因此，隨后進行了WGCNA 以確定與C2 亞型的關鍵模塊和基因。從該分析中，洋紅色模塊成為關鍵模塊，由117 個候選關鍵基因組成。然后進行單變量Cox 和隨機森林生存分析，以搜索洋紅色模塊內的預后基因，最后鑒定出具有預后相關性的4 個基因（GSDMC，AOC1，OTX1，CASC9）。

根據中位風險評分，肝癌患者隨后被分為高風險和低風險組。高危組肥大細胞靜息狀態和M2 巨噬細胞的比例較高，而低危組的濾泡輔助性T 細胞水平升高。M2 巨噬細胞，在大多數實體惡性腫瘤中被稱為腫瘤浸潤細胞，在增殖、侵襲、遷移和轉移中起著至關重要的作用［24］。濾泡輔助性T 細胞來源或 B 細胞相關惡性腫瘤中濾泡輔助性T 細胞數量的增加通常與不良預后有關，而在各種非淋巴細胞來源的實體器官腫瘤類型中，它預示更好的預后［25］。關于本研究中確定的四個干性模型基因，GSDMC上調與結直腸癌，乳腺癌和黑色素瘤的不良臨床結果有關［26-28］。然而，已經發現GSDMC表達在幾種食管鱗狀細胞癌病例中受到抑制，這表明其作為腫瘤抑制基因的作用［29］。在本研究中，GSDMC在HCC 組織和細胞中的表達降低。球體形成實驗和RT-qPCR 表明GSDMC抑制HCC 干細胞表型。

本研究有局限性。首先，研究中的數據是從公共數據庫而不是本研究數據中獲取。其次，基于生物信息學鑒定了與HCC 干性相關的模型基因，需要進一步的功能實驗來研究其作為靶標的能力，以提高免疫治療和化療療效。

作者貢獻度說明：

包凌：參與實驗設計執行、數據庫檢索和論文撰寫；龔旋坤：參與部分數據庫檢索及部分基礎實驗；陳曉：參與實驗設計、論文撰寫指導。

所有作者聲明不存在利益沖突關系。