本文发表于《npj Precision Oncology》期刊，由Jinwei Li、Shengrong Long、Yang Zhang等作者共同完成，研究机构包括北京天坛医院、武汉大学中南医院等。该研究旨在探讨胶质瘤相关癫痫（Glioma-Related Epilepsy, GRE）的分子机制，并构建诊断模型以识别GRE患者。
胶质瘤是中枢神经系统常见的恶性肿瘤，癫痫是其最常见的症状之一。尽管GRE在胶质瘤患者中普遍存在，但其分子机制尚未完全阐明。流行病学研究未能准确识别GRE患者，且缺乏有效的分子标志物。因此，本研究旨在通过分析胶质瘤患者的基因组、转录组和甲基化数据，揭示GRE的分子机制，并构建基于机器学习的诊断模型。
研究分为六个主要步骤： 1. 患者基线特征分析：研究纳入了997名胶质瘤患者，其中342名患有GRE。通过比较GRE患者与非癫痫患者的临床信息，发现GRE患者多为低级别胶质瘤（WHO 2级），且IDH突变和1p19q非共缺失的比例较高。 2. 差异基因分析：通过RNA测序，识别了GRE患者与非癫痫患者之间的差异表达基因。结果显示，GRE患者的代谢相关信号通路（如类固醇生物合成、糖代谢等）显著上调。 3. 共表达网络分析：通过加权基因共表达网络分析（WGCNA），识别了与GRE相关的基因模块。这些基因主要涉及离子通道、跨膜转运蛋白等分子功能。 4. 免疫细胞浸润分析：研究发现GRE患者的免疫细胞浸润水平较低，尤其是T细胞和自然杀伤细胞。免疫检查点分析显示，GRE患者的某些免疫检查点分子表达水平与非癫痫患者存在显著差异。 5. 基因突变和甲基化分析：GRE患者的常见突变基因包括IDH1、TP53和ATRX。甲基化分析显示，GRE患者的某些基因甲基化水平与非癫痫患者存在显著差异。 6. 机器学习诊断模型构建：通过12种机器学习算法的113种组合，筛选出最佳的诊断模型。最终，Lasso结合随机森林的模型表现最佳，识别出9个诊断基因，模型在训练集和验证集中的AUC值分别为0.999和0.792。
本研究通过多组学数据分析，揭示了GRE的分子机制，并构建了一个基于机器学习的诊断模型。该模型能够有效识别GRE患者，并为未来的个性化治疗提供了新的思路。研究还发现，GRE患者的代谢相关信号通路和免疫细胞浸润水平与非癫痫患者存在显著差异，这为理解GRE的发病机制提供了新的视角。
本研究不仅揭示了GRE的分子机制，还为GRE的诊断和治疗提供了新的工具和思路。通过构建基于机器学习的诊断模型，研究为GRE的早期识别和个性化治疗奠定了基础。此外，研究还发现GRE患者的代谢相关信号通路和免疫细胞浸润水平与非癫痫患者存在显著差异，这为未来的研究提供了新的方向。