Nat Med | 肺腺癌脑转移预测难题破解？“预言家”精准把脉五年风险走向

来自 346 名患者的 402 个肿瘤和血浆样本

 DNA甲基化芯片、蛋白质组检测

研究人员利用机器学习技术，基于原发性肺腺癌（LUAD）肿瘤组织的DNA甲基化特征，开发了一个预测模型，能够有效预测患者在未来5年内发生脑转移（BM）的风险。在发现集中，研究团队从106个样本中筛选出5553个显著差异甲基化的CpG位点，并利用这些特征构建了梯度提升回归模型。在独立的验证集（60个样本）中，该模型展现出良好的性能，Kaplan-Meier分析显示高风险组患者在5年内的脑转移发生率显著高于低风险组（P=0.0031），这表明模型能够对患者进行有效的BM风险分层。

此外，该模型在单变量（HR=5.65, 95% CI=1.85–17.2，P=0.0023）和多变量Cox模型（HR = 8.92，95% CI = 1.97–40.5，P = 0.0046）中均能显著预测BM的发展。

且与基于肿瘤分期的传统预测方法比较，甲基化模型的AUC为0.81，而临床分期模型的AUC为0.65，进一步证明了甲基化模型在脑转移预测中的高准确性。

研究团队进一步将DNA甲基化预测模型与临床预后因素（TNM分期）相结合，开发了一个综合的临床-甲基化脑转移（BM）预测模型，该模型能够准确计算患者在5年内发生BM的概率。通过Kaplan-Meier分析，该模型成功地区分了高风险组和低风险组患者脑转移的发生率。在单变量Cox回归模型中，该综合模型显著预测了BM的发展（HR=17.2，95% CI =4.13–71.3，P < 0.0001），其预测效能优于单独使用甲基化组评分或临床因素。此外，该模型的时间依赖性AUC为0.82（95% CI=0.77–0.86），能够准确区分5年内发展为BM的患者，表明其在预测脑转移方面的高可靠性。

接下来，研究者对基于甲基化组的BM预测模型进行了深入的验证研究，证实了其在不同分期的LUAD患者中具有高度的有效性。研究还扩展到了评估模型在区分EGFR突变型与野生型这两种主要分子亚型患者中的预测能力。通过利用预测因子得分，成功地将患者划分为高、中、低BM转移风险组。这一发现表明，该模型不仅广泛适用于不同分期的LUAD患者，还能够精准地区分不同EGFR状态下患者的脑转移风险，证实了该预测模型适用于LUAD整个疾病谱。 

研究进一步探讨了LUAD发展为BM过程中的分子变化，在补充数据中详细展示了差异甲基化的CpG位点与蛋白质组变化之间的相关性。分析发现，在LUAD脑转移样本中，免疫反应相关基因倾向于低甲基化，而与细胞间相互作用相关的基因则倾向于高甲基化。此外，基因集富集分析（GSEA）结果揭示，在脑转移患者中，免疫途径的活性显著增强，表明免疫系统的激活可能在脑转移的发展中发挥着至关重要的作用。

接下来研究人员尝试通过血浆中的甲基化生物标志物，来区分脑转移与神经胶质瘤、中枢神经系统淋巴瘤等其他脑部肿瘤类型。通过对血浆DNA甲基化特征进行分析，能够以高准确度（AUROC=0.80）鉴别出BM样本。此外，BM患者的血浆甲基化与肿瘤组织的甲基化水平呈现出显著的相关性（Spearman相关系数为0.62），这进一步验证了基于血浆的甲基化分析在临床上的应用潜力。该研究结果突显了无创血浆甲基化模型在识别LUAD患者脑转移中的高准确性。

在TCGA LUAD队列中的外部验证中，Cox比例风险模型显示，甲基化风险评分可以显著预测远处转移的发生（HR=2.8, 95% CI=1.1–7.4，P=0.0391）。综合临床-甲基化模型在TCGA队列中预测远处转移的时间依赖性AUC，为0.78（95% CI=0.76–0.79）。基于血浆甲基化组的分类模型，在外部验证队列能够以74.2%（95% CI=63.0–85.3%）的准确率检测脑转移。这些发现进一步验证了甲基化模型在肺腺癌远处转移风险评估中的实用价值和精确性，为临床应用奠定了坚实的基础。

本研究通过分析肺腺癌（LUAD）肿瘤的DNA甲基化特征，成功预测了脑转移（BM）的发生，并通过血浆cfDNA甲基化分析实现了BM的无创早期检测。综合临床-甲基化BM预测列线图能够更全面地评估患者的BM风险，并为个体化治疗决策提供依据。此外，本研究揭示了与BM相关的免疫通路和细胞相互作用通路中的甲基化和蛋白质组学改变，为未来开发新的BM预防和治疗策略提供了潜在靶点。