基因组范围内杂合性缺失预测垂体神经内分泌肿瘤的侵袭性和治疗抵抗性行为

背景：

垂体神经内分泌肿瘤 (PitNETs) 大多为良性，但其中一小部分肿瘤表现出侵袭性、治疗抵抗性行为，通常在手术、常规药物治疗以及初步放射治疗后仍持续生长或出现转移。依据2022年欧洲内分泌学会（European Society of Endocrinology，ESE）的临床实践指南，侵袭性PitNETs被定义为即使在标准治疗（手术、常规药物治疗和放射治疗）后仍不断发展的肿瘤。根据WHO于2017年取消了基于TP53免疫组化（IHC）过表达等指标来评估肿瘤侵袭性的分类标准，本次研究的目标是寻找能够更准确预测垂体神经内分泌肿瘤未来治疗抵抗性的生物标志物。

研究团队与发表信息：

本项研究由Andrew L. Lin、Vasilisa A. Rudneva、Allison L. Richards等人共同完成，涉及多家权威研究机构如纪念斯隆凯特琳癌症中心 (Memorial Sloan Kettering Cancer Center, MSKCC)，波士顿大学和哥伦比亚大学医疗中心等。论文经修订后于2024年4月在”Acta Neuropathologica”期刊上发表。

研究流程：

研究分两个患者群体进行基因测序：一是66名在手术前自愿参与基因测序研究的患者，二是包括26名表现出侵袭性、高风险特征的患者。研究特别关注肿瘤的突变负担和杂合性缺失 (Loss of Heterozygosity，LOH) 现象，众多实验包括免疫组化（IHC）、全基因组测序（WES）和荧光原位杂交技术（FISH）等。

1. 样本采集与处理：

   • 前瞻性组：从66名患者的肿瘤中提取样本并进行测序。
   • 回顾性组：总结26名已确诊为侵袭性或高风险的患者，其中特别记录了放射治疗后的肿瘤进展情况。

2. 免疫组化分析：

   • 采用多种抗体（如P53、Ki-67等）检测肿瘤组织的分类和失配修复状态。

3. 基因组测序与数据分析：

   • 使用MSK-IMPACT测序平台对肿瘤进行下一代测序，分析基因突变、杂合子丢失和拷贝数变异。
   • 数据通过多种算法（如Mutect2、FACETS等）处理和分析，鉴定突变和结构重排。

4. 荧光原位杂交技术：

   • 使用FISH技术验证肿瘤多个染色体的拷贝数及其异质性。

5. 机器学习模型：

   • 采用基于随机森林算法（Random Forest）的分类器，用于预测肿瘤的侵袭性和治疗抵抗性。
   • 模型结合多项基因特征和临床数据（如杂合子丢失，TP53状态等），通过接收者操作特性曲线（ROC）评估模型的精准度。

主要研究结果：

1. 基因突变现象：

   • 侵袭性、治疗抵抗性PitNETs显示出更高的突变负担和杂合性缺失。特别是二元分类中，TP53突变最常见于侵袭性肿瘤（23个治疗抵抗性肿瘤中有12个）。

2. 杂合子丢失（LOH）及其意义：

   • 发现侵袭性PitNETs显著表现出广泛的染色体杂合性缺失。特别是在皮质素瘤（corticotroph tumor）中，12条特定染色体的反复LOH模式与治疗抵抗性相关联。
   • 通过FISH技术验证了这些LOH事件是由于相关染色体或染色体区域丢失引起的，表明侵袭性PitNETs存在染色体非整倍性（aneuploidy）。

3. 机器学习模型预测：

   • 随机森林模型通过组合遗传和临床特征，成功预测了肿瘤的未来治疗抵抗性（AUC为0.83-0.87），其中杂合性丢失比TP53突变更具有预测能力。

研究结论及意义：

研究表明，杂合性丢失（LOH）是侵袭性、治疗抵抗性PitNETs的主要分子特征，尤其是在皮质素瘤中，具有高度的预测价值。新发现的LOH现象不仅为研究垂体神经内分泌肿瘤的分子机制提供了新的视角，也有助于改进早期诊断和个体化治疗策略。

结合机器学习算法的基因组分析方法为该类肿瘤提供了新颖且有效的预测模型，同时也提示了未来使用这些分子生物标志进行早期干预和精准治疗的可能性。滥用基因组不稳定性及其驱动的异常信号通路可能会成为未来治疗侵袭性PitNETs的新目标。

研究亮点：

1. 杂合子丢失（LOH）作为预测侵袭性和治疗抵抗性的生物标志物。
2. 对皮质素瘤中的广泛染色体LOH现象的发现及其早期事件特征。
3. 利用机器学习模型提高预测准确性，为临床治疗提供参考。