羅倩，詹雪冰，況云舒，陶香香，王俊，梁簫，王俊杰，孫恩濤，陳冰

(1. 皖南醫(yī)學(xué)院病理教研室，安徽 蕪湖 241002；2. 皖南醫(yī)學(xué)院檢驗(yàn)學(xué)院，安徽 蕪湖 241002)

頭頸部鱗狀細(xì)胞癌(head and neck squamous cell carcinoma，HNSCC)是全球第六大最常見(jiàn)的惡性腫瘤，年發(fā)病率超過(guò)60萬(wàn)[1]。它通常與人類乳頭瘤病毒(HPV)感染、酗酒或接觸煙草致癌物有關(guān)[2]。目前手術(shù)、放療和同步全身治療技術(shù)在不斷進(jìn)步，但大多數(shù)HNSCC患者的早期臨床癥狀不明顯，發(fā)現(xiàn)時(shí)已處于中晚期，預(yù)后較差，且HNSCC患者的5年總生存率為50%[3-4]。因此，尋找有效的生物標(biāo)志物和建立可靠的新的預(yù)后模型是十分必要的。

細(xì)胞焦亡(pyroptosis)又稱細(xì)胞炎性壞死，是一種程序性細(xì)胞死亡，表現(xiàn)為細(xì)胞不斷脹大直至細(xì)胞膜破裂，導(dǎo)致細(xì)胞內(nèi)容物釋放進(jìn)而激活強(qiáng)烈的炎癥反應(yīng)[5]。據(jù)報(bào)道[6]，細(xì)胞焦亡可被部分非編碼RNA及其他分子調(diào)控進(jìn)而影響腫瘤的增殖、侵襲和遷移。長(zhǎng)鏈非編碼RNA(long noncodingRNAs，lncRNAs)是轉(zhuǎn)錄長(zhǎng)度超過(guò)200個(gè)核苷酸的非編碼RNA，沒(méi)有或幾乎沒(méi)有蛋白質(zhì)編碼能力，且在正常的生物環(huán)境和包括腫瘤發(fā)生在內(nèi)的病理過(guò)程中，lncRNAs是調(diào)控靶基因不可或缺的[7-8]。REN N S等[9]發(fā)現(xiàn)lncRNAADAMTS9-AS2通過(guò)激活NLRP3介導(dǎo)的細(xì)胞焦亡，與miR-223-3p結(jié)合，抑制胃癌細(xì)胞增殖，提高順鉑敏感性。CHEN Z H等[10]發(fā)現(xiàn)，在肝癌中，NLRP3依賴的細(xì)胞焦亡通過(guò)lncRNA SNHG7/miR-34a/SIRT1軸被抑制。以上例子說(shuō)明lncRNAs可作為腫瘤發(fā)生、發(fā)展的關(guān)鍵分子，通過(guò)直接或間接作用介導(dǎo)細(xì)胞焦亡。

為了尋找HNSCC新的治療靶標(biāo)，并準(zhǔn)確預(yù)測(cè)HNSCC患者的預(yù)后，制定精準(zhǔn)的治療方案，本研究利用癌癥基因組圖譜(The Cancer Genome Atlas，TCGA)數(shù)據(jù)庫(kù)[11]的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)進(jìn)行分析，構(gòu)建了一種新的預(yù)后風(fēng)險(xiǎn)模型。但轉(zhuǎn)錄組測(cè)序數(shù)據(jù)是采用高通量基因測(cè)序技術(shù)得到的，而這一技術(shù)得到的基因表達(dá)數(shù)據(jù)有一定的局限性，即基因表達(dá)檢測(cè)的平臺(tái)和時(shí)間不同，對(duì)檢測(cè)到的基因表達(dá)水平存在批次效應(yīng)，可能導(dǎo)致分析結(jié)果不準(zhǔn)確[12]。所以本研究采用了一種新的方法，以克服不同平臺(tái)的批量效應(yīng)。該方法是根據(jù)基因表達(dá)水平的相對(duì)排序?qū)Ρ磉_(dá)矩陣進(jìn)行歸一化和縮放[13]，即將每個(gè)樣本中的焦亡相關(guān)lncRNAs(prlncRNA)的基因表達(dá)水平進(jìn)行兩兩比較并構(gòu)建焦亡相關(guān)lncRNA對(duì)(PRLPs)。在某樣本中，如果某PRLPs的第一個(gè)lncRNA的表達(dá)值大于第二個(gè)lncRNA，則該P(yáng)RLPs在該樣本中的得分為1；否則為0。計(jì)算所有樣本中每個(gè)PRLPs的得分，剔除低變異性的PRLPs，即在任何數(shù)據(jù)集中，某一PRLPs的得分為1或0的樣本低于20%，被剔除。最后，鑒定出具有較高變異性的PRLPs，以供進(jìn)一步分析。該方法構(gòu)建的預(yù)后風(fēng)險(xiǎn)模型具有臨床實(shí)用性，能夠區(qū)分臨床病例的高低風(fēng)險(xiǎn)，且已被證明是可行的[14-15]?；诖?，本研究從TCGA數(shù)據(jù)庫(kù)獲取HNSCC的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)及臨床資料，篩選出prlncRNA并以成對(duì)的形式顯示，構(gòu)建HNSCC預(yù)后PRLPs預(yù)后風(fēng)險(xiǎn)模型并進(jìn)行評(píng)估，有望為HNSCC治療策略的制定提供幫助。

1 材料和方法

1.1數(shù)據(jù)來(lái)源 HNSCC的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)及臨床資料于2021年5月18日從TCGA數(shù)據(jù)庫(kù)(https://portal.gdc.cancer.gov/)下載。轉(zhuǎn)錄組數(shù)據(jù)共546例，包含44例正常頭頸部組織和502例頭頸部鱗狀細(xì)胞癌組織。臨床資料包括年齡、性別、生存時(shí)間、生存狀態(tài)、腫瘤病理分期、腫瘤分級(jí)、TNM分期，剔除生存時(shí)間未知或小于30 d的患者腫瘤樣本，納入491例HNSCC樣本，并以1∶1的比例隨機(jī)分為訓(xùn)練集(246例)和驗(yàn)證集(245例)。

1.2數(shù)據(jù)預(yù)處理 使用perl語(yǔ)言腳本提取HNSCC的基因表達(dá)矩陣。從Ensembl (http://asia.ensembl.org)下載基因注釋文件，將HNSCC基因表達(dá)矩陣中的ID轉(zhuǎn)換為基因名稱，并區(qū)分lncRNA和mRNA，獲取HNSCC lncRNA表達(dá)矩陣。引用YE Y等[16]總結(jié)的33個(gè)焦亡相關(guān)基因，并采用與前述相同方法得到33個(gè)焦亡相關(guān)基因的HNSCC基因表達(dá)矩陣。使用perl語(yǔ)言腳本提取HNSCC的臨床信息，用于后續(xù)研究分析。

1.3PRLPs的獲取 利用R語(yǔ)言“l(fā)imma”包，對(duì)HNSCC lncRNA表達(dá)矩陣與33個(gè)焦亡相關(guān)基因的HNSCC基因表達(dá)矩陣進(jìn)行共表達(dá)分析，篩選出prlncRNA(相關(guān)系數(shù)Cor>0.4和P<0.001)，并利用R包“igraph”可視化共表達(dá)關(guān)系，得到共表達(dá)網(wǎng)絡(luò)。同時(shí)以FDR<0.05和logFC>2作為臨界值對(duì)prlncRNA進(jìn)行差異分析，得到差異表達(dá)的prlncRNA。為了解決數(shù)據(jù)批次校正問(wèn)題，將所有差異prlncRNA以兩兩組合的形式進(jìn)行分析，即lncRNA A | lncRNA B，稱之為PRLPs。當(dāng)lncRNA A的表達(dá)高于lncRNA B時(shí)，將PRLPs記為1；否則，記為0。得分為0或1的總數(shù)占所有樣品的20%～80%，是有效組合。

1.4PRLPs預(yù)后風(fēng)險(xiǎn)模型的構(gòu)建及評(píng)估 對(duì)PRLPs進(jìn)行單因素Cox回歸分析，得到與預(yù)后相關(guān)的PRLPs。再進(jìn)行10次交叉驗(yàn)證的Lasso回歸分析，在此之前需要進(jìn)行Lasso回歸過(guò)濾，使相對(duì)不顯著的變量系數(shù)為0的PRLPs排除在建模之外，得到最小的誤差值去構(gòu)建Lasso回歸預(yù)測(cè)模型，并采用分步法生成Cox比例風(fēng)險(xiǎn)模型。計(jì)算每個(gè)HNSCC樣本的風(fēng)險(xiǎn)評(píng)分，并根據(jù)風(fēng)險(xiǎn)評(píng)分的中位數(shù)將HNSCC患者分為高、低風(fēng)險(xiǎn)組。風(fēng)險(xiǎn)評(píng)分大于中位數(shù)為高風(fēng)險(xiǎn)組；反之，則為低風(fēng)險(xiǎn)組。風(fēng)險(xiǎn)評(píng)分=coef1*Exp1+coef2*Exp2...+coefN*ExpN(Exp：某PRLPs比較之后的值；ef：回歸系數(shù))。計(jì)算所有樣本的風(fēng)險(xiǎn)得分，并以散點(diǎn)圖的形式顯示出來(lái)。Kaplan-Meier分析顯示高風(fēng)險(xiǎn)組與低風(fēng)險(xiǎn)組的預(yù)后情況。繪制ROC曲線評(píng)估PRLPs模型的靈敏度和特異度，其通過(guò)ROC曲線下方面積大小展示，即AUC值。進(jìn)行單因素和多因素獨(dú)立預(yù)后分析，并繪制多指標(biāo)ROC曲線。對(duì)不同臨床病理特征進(jìn)行相關(guān)性分析，并以箱線圖和熱圖的形式展現(xiàn)。以上使用了R語(yǔ)言“l(fā)imma”、“survival”、“timeROC”、“caret”、“survminer”、“glmnet”和“survivalROC”包。

1.5風(fēng)險(xiǎn)評(píng)估模型與免疫檢查點(diǎn)相關(guān)生物標(biāo)志物之間的分析 免疫檢查點(diǎn)相關(guān)的生物標(biāo)志物有CTLA4、PDCD1、LAG3、HAVCR2和TIGIT。采用相關(guān)檢驗(yàn)方法和差異分析方法對(duì)免疫檢查點(diǎn)相關(guān)生物標(biāo)志物進(jìn)行相關(guān)性分析。分析免疫治療與腫瘤微環(huán)境和干細(xì)胞指數(shù)的關(guān)系。采用免疫亞型分析來(lái)評(píng)估免疫治療的療效。上述分析用到了UCSC Xena數(shù)據(jù)庫(kù)(https://xena.ucsc.edu/)的Subtype和StemnessScores數(shù)據(jù)。

2 結(jié)果

2.1差異prlncRNA的鑒定及PRLPs的建立 本研究的流程圖，見(jiàn)圖1。TCGA中HNSCC的詳細(xì)臨床特征，見(jiàn)表1。本研究用到的33個(gè)焦亡基因見(jiàn)表2。首先對(duì)HNSCC樣本中的lncRNA和33個(gè)焦亡基因進(jìn)行Person相關(guān)性分析(相關(guān)系數(shù)Cor>0.4和P<0.001)，共鑒定出187個(gè)prlncRNA，結(jié)果見(jiàn)共表達(dá)網(wǎng)絡(luò)圖(見(jiàn)圖2A)。隨后以FDR<0.05和logFC>2作為臨界值進(jìn)行差異分析，得到53個(gè)差異prlncRNA(見(jiàn)圖2B)，其中4個(gè)下調(diào)，49個(gè)上調(diào)(見(jiàn)圖2C)。最后對(duì)差異prlncRNA進(jìn)行循環(huán)，以0.2

圖1 研究流程圖

2.2風(fēng)險(xiǎn)評(píng)估模型的建立 將HNSCC患者生存時(shí)間未知或小于30 d的樣本刪除，隨后以1∶1的比例隨機(jī)分為訓(xùn)練集(246例)和驗(yàn)證集(245例)。然后對(duì)上述篩選出的877對(duì)PRLPs進(jìn)行單因素Cox回歸分析，得到124個(gè)預(yù)后相關(guān)的PRLPs，其中60個(gè)PRLPs是高風(fēng)險(xiǎn)(HR>1，P<0.05)，64個(gè)是低風(fēng)險(xiǎn)(HR<1，P<0.05)。再對(duì)預(yù)后相關(guān)的PRLPs進(jìn)行Lasso回歸分析得到最小誤差值18，并計(jì)算相應(yīng)回歸系數(shù)(見(jiàn)圖3A、圖3B)。最后，利用上述得到的18個(gè)PRLPs構(gòu)建Lasso回歸預(yù)測(cè)模型，并采用分步法生成Cox比例風(fēng)險(xiǎn)模型(見(jiàn)圖3C)。

表1 491例HNSCC患者臨床病理特征

表2 33個(gè)焦亡基因

2.3風(fēng)險(xiǎn)評(píng)估模型的驗(yàn)證 在訓(xùn)練集(246例)和驗(yàn)證集(245例)中，根據(jù)訓(xùn)練集的風(fēng)險(xiǎn)評(píng)分的中位數(shù)將HNSCC患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組(見(jiàn)圖4A、圖4B)。結(jié)果發(fā)現(xiàn)低風(fēng)險(xiǎn)組患者預(yù)后更好(見(jiàn)圖4C、圖4D)。說(shuō)明低風(fēng)險(xiǎn)組的臨床治療效果更好。隨后，進(jìn)一步通過(guò)1年、3年和5年ROC曲線評(píng)估PRLPs模型的靈敏度和特異度，在訓(xùn)練集中1年、3年和5年總生存AUC值分別為0.746、0.761、0.762(見(jiàn)圖4E)，

注：33個(gè)焦亡相關(guān)基因和lncRNA的共表達(dá)網(wǎng)絡(luò)圖(A)；篩選出53個(gè)差異prlncRNAs的熱圖(B)和火山圖(C)。

在驗(yàn)證集中1年、3年和5年總生存AUC值分別為0.715、0.660、0.660(見(jiàn)圖4F)。表明PRLPs預(yù)后風(fēng)險(xiǎn)模型能較準(zhǔn)確地預(yù)測(cè)HNSCC患者的生存預(yù)后。

2.4HNSCC患者的獨(dú)立預(yù)后因素 為驗(yàn)證PRLPs預(yù)后風(fēng)險(xiǎn)模型是否可以獨(dú)立于其他的臨床性狀作為獨(dú)立的預(yù)后因子，進(jìn)行單因素和多因素獨(dú)立預(yù)后分析。圖5A和圖5B分別是訓(xùn)練集和驗(yàn)證集單因素和多因素獨(dú)立預(yù)后分析的結(jié)果，結(jié)果表明模型風(fēng)險(xiǎn)評(píng)分與患者總生存時(shí)間相關(guān)(P<0.05)。多指標(biāo)聯(lián)合分析的ROC曲線結(jié)果表明訓(xùn)練集(見(jiàn)圖5C)和驗(yàn)證集(見(jiàn)圖5D)各自的1年總生存AUC值分別為0.746和0.715，均高于其他臨床病理參數(shù)。以上結(jié)果表明，PRLPs預(yù)后風(fēng)險(xiǎn)模型可作為預(yù)測(cè)HNSCC患者預(yù)后的獨(dú)立預(yù)后因素。

2.5風(fēng)險(xiǎn)評(píng)估模型與臨床病理特征的關(guān)系 根據(jù)臨床病理資料對(duì)HNSCC患者進(jìn)行了分層分析。在年齡≤65歲、年齡>65歲、男性、G1-2、G3-4、T1-2、T3-4、M0、N0、N1-3和Ⅲ～Ⅳ期中， HNSCC高風(fēng)險(xiǎn)組患者的總生存時(shí)間較低風(fēng)險(xiǎn)組患者的總生存時(shí)間短(P<0.001)，見(jiàn)圖6。而女性、M1和Ⅰ～Ⅱ期這3個(gè)分層中，輸出結(jié)果無(wú)統(tǒng)計(jì)學(xué)意義，說(shuō)明所構(gòu)建的風(fēng)險(xiǎn)模型只

A：Lasso回歸系數(shù)分布的剖面圖；B：10倍交叉驗(yàn)證選擇最優(yōu)λ值；C：分步法生成的Cox比例風(fēng)險(xiǎn)模型。

A、B為頭頸部鱗狀細(xì)胞癌中位風(fēng)險(xiǎn)評(píng)分的分布情況及風(fēng)險(xiǎn)評(píng)分與生存時(shí)間的關(guān)系，黑色虛線是把患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的最佳分界線；C、D為頭頸部鱗狀細(xì)胞癌的生存曲線，紅色代表高風(fēng)險(xiǎn)組，藍(lán)色代表低風(fēng)險(xiǎn)組；E、F為預(yù)后模型的ROC曲線。

A、B為單因素和多因素Cox回歸分析；C、D為多指標(biāo)ROC曲線。

圖6 頭頸部鱗狀細(xì)胞癌患者不同病理特征分層的高低風(fēng)險(xiǎn)生存分析

能在某些人群中適用，存在局限性。以上結(jié)果表明，PRLPs預(yù)后風(fēng)險(xiǎn)模型在不同分層中具有較好的預(yù)測(cè)能力。根據(jù)Wilcoxon符號(hào)秩檢驗(yàn)計(jì)算不同臨床病理特征之間的風(fēng)險(xiǎn)評(píng)分差異。結(jié)果顯示，性別(見(jiàn)圖7A)、分級(jí)(見(jiàn)圖7B)、分期(見(jiàn)圖7C)、T分期(見(jiàn)圖7D)與風(fēng)險(xiǎn)評(píng)分存在顯著相關(guān)性(P<0.05)。采用卡方檢驗(yàn)來(lái)探討HNSCC發(fā)病風(fēng)險(xiǎn)與臨床病理特征之間的關(guān)系。結(jié)果如圖7E所示。

2.6風(fēng)險(xiǎn)模型與免疫治療的關(guān)系 免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的相關(guān)性檢驗(yàn)和差異分析結(jié)果分別如圖8A和圖8B所示，結(jié)果表明免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的表達(dá)與風(fēng)險(xiǎn)評(píng)分存在顯著相關(guān)性和差異性。圖8C顯示了HNSCC中免疫檢查點(diǎn)相關(guān)生物標(biāo)志物與DNA stemness score(DNAss)、RNA stemness score (RNAss)、StromalScore、ImmuneScore和ESTIMATEScore之間的相關(guān)性。免疫分型表明HNSCC中的CTLA4、LAG3、PDCD1、TIGIT和HAVCR2的表達(dá)在不同免疫亞型中存在明顯差異，其中CTLA4、PDCD1、TIGIT和HAVCR2在C6中高表達(dá)，LAG3在C2中高表達(dá)(見(jiàn)圖8D)。

A～D：Wilcoxon符號(hào)秩檢驗(yàn)，性別(A)、分級(jí)(B)、分期(C)和T分期(S)與風(fēng)險(xiǎn)評(píng)分存在顯著相關(guān)性(P<0.05)；E：χ2檢驗(yàn)，結(jié)果以熱圖展示(<0.01=**，<0.05=*)。

A：免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的相關(guān)性檢驗(yàn)；B：免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的差異分析；C：免疫檢查點(diǎn)相關(guān)生物標(biāo)志物與DNAss、RNAss、Stromal Score、Immune Score和ESTIMATEScore之間的相關(guān)性；D：免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的免疫分型。

3 討論

隨著高通量基因測(cè)序技術(shù)的發(fā)展和大規(guī)?；虮磉_(dá)數(shù)據(jù)集的建立，腫瘤研究人員能夠準(zhǔn)確識(shí)別與腫瘤預(yù)后相關(guān)的生物標(biāo)志物[17]。但高通量基因測(cè)序技術(shù)得到的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)有一定的局限性，即存在批次效應(yīng)，可能會(huì)導(dǎo)致結(jié)果不準(zhǔn)確[12]。因此，為了更精準(zhǔn)地預(yù)測(cè)HNSCC患者的預(yù)后和療效，本研究采用一種有效的新方法去構(gòu)建預(yù)后風(fēng)險(xiǎn)模型。研究表明，在癌癥預(yù)測(cè)模型的準(zhǔn)確性方面，基因?qū)M合形式優(yōu)于單基因組合形式[12]。與傳統(tǒng)的由單基因組成的預(yù)后模型不同，由基因?qū)M成的預(yù)后模型不需要在不同患者基因表達(dá)矩陣測(cè)序平臺(tái)上進(jìn)行歸一化處理，即：只需要在基因?qū)Φ臉?gòu)建過(guò)程中考慮數(shù)據(jù)內(nèi)基因的比較，而不需要對(duì)數(shù)據(jù)間的基因進(jìn)行批量校正。因此本研究采用基因?qū)θ?gòu)建預(yù)后風(fēng)險(xiǎn)模型，以期更精準(zhǔn)地預(yù)測(cè)腫瘤患者的預(yù)后和療效。

細(xì)胞焦亡是一種程序性細(xì)胞死亡，由炎性小體誘導(dǎo)。研究表明，誘導(dǎo)腫瘤細(xì)胞焦亡去消滅腫瘤細(xì)胞在腫瘤治療中尤為重要[18]。如在非小細(xì)胞肺癌中，轉(zhuǎn)錄因子p53通過(guò)促進(jìn)腫瘤細(xì)胞焦亡抑制腫瘤生長(zhǎng)[19]；在腎細(xì)胞癌中，抑制BRD4可增強(qiáng)NLRP3炎癥小體的轉(zhuǎn)錄活性，誘導(dǎo)細(xì)胞焦亡進(jìn)而一直腫瘤細(xì)胞的增殖和上皮-間質(zhì)轉(zhuǎn)化[20]。目前研究主要從分子機(jī)制方面闡明細(xì)胞焦亡對(duì)腫瘤的影響，對(duì)腫瘤患者的預(yù)后研究仍較少，因此，利用細(xì)胞焦亡構(gòu)建預(yù)后模型對(duì)于腫瘤患者的個(gè)性化治療和預(yù)后預(yù)測(cè)具有重要意義。

LncRNAs是轉(zhuǎn)錄長(zhǎng)度超過(guò)200個(gè)核苷酸的非編碼RNA，沒(méi)有或幾乎沒(méi)有蛋白質(zhì)編碼能力[7]。WANG B L等[21]研究表明在多種癌癥類型中l(wèi)ncRNA-ATB的高表達(dá)是不良預(yù)后的標(biāo)志，且標(biāo)志著腫瘤患者淋巴結(jié)轉(zhuǎn)移和神經(jīng)浸潤(rùn)的高風(fēng)險(xiǎn)。ZHANG Y等[22]研究表明lncRNADSCAM-AS1可能作為一種新的預(yù)后標(biāo)志物和潛在的治療靶點(diǎn)，lncRNADSCAM-AS1主要是通過(guò)與YBX1相互作用，調(diào)節(jié)FOXA1和ERα的表達(dá)，促進(jìn)腫瘤進(jìn)展。以上研究表明，lncRNAs在腫瘤的發(fā)生、發(fā)展和預(yù)后中具有重要作用。

鑒于lncRNA和細(xì)胞焦亡在腫瘤的發(fā)生發(fā)展中都起著重要作用。因此，本研究利用生物信息學(xué)分析prlncRNA在HNSCC進(jìn)展預(yù)后中的預(yù)測(cè)效能。首先對(duì)TCGA數(shù)據(jù)庫(kù)中HNSCC lncRNA表達(dá)矩陣與33個(gè)焦亡基因的表達(dá)矩陣進(jìn)行共表達(dá)分析，篩選出prlncRNA，進(jìn)行差異表達(dá)分析，并以lncRNA對(duì)的形式進(jìn)行展示，其中具有較高變異性的lncRNA對(duì)用于后續(xù)分析。然后，將HNSCC樣本分為訓(xùn)練集和驗(yàn)證集，進(jìn)行單因素Cox回歸分析和Lasso回歸分析，得到18個(gè)預(yù)后相關(guān)的PRLPs并構(gòu)建預(yù)后風(fēng)險(xiǎn)模型。隨后用中位風(fēng)險(xiǎn)評(píng)分區(qū)分高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組并進(jìn)行生存分析，結(jié)果表明低風(fēng)險(xiǎn)組患者的總生存時(shí)間更長(zhǎng)，表明其臨床治療效果更好，且訓(xùn)練集和驗(yàn)證集的AUC值均>0.7。說(shuō)明所構(gòu)建的PRLPs模型對(duì)于HNSCC患者的預(yù)后具有較好的預(yù)測(cè)效能。此外，采用單因素和多因素Cox回歸分析及多指標(biāo)聯(lián)合分析的ROC曲線，研究發(fā)現(xiàn)PRLPs預(yù)后風(fēng)險(xiǎn)模型可以獨(dú)立于其他的臨床性狀作為獨(dú)立的預(yù)后因子。最后，據(jù)臨床病理資料對(duì)HNSCC患者進(jìn)行分層分析，發(fā)現(xiàn)PRLPs預(yù)后風(fēng)險(xiǎn)模型在不同分層中具有較好的預(yù)測(cè)能力。

此外，本研究還對(duì)風(fēng)險(xiǎn)評(píng)估模型和免疫檢查點(diǎn)相關(guān)生物標(biāo)志物之間的關(guān)系進(jìn)行了聯(lián)合分析。風(fēng)險(xiǎn)評(píng)估模型和免疫檢查點(diǎn)相關(guān)生物標(biāo)志物結(jié)果顯示，高風(fēng)險(xiǎn)組中LAG3、PDCD1、TIGIT、CTLA4表達(dá)上調(diào)。在RNA或DNA水平上，免疫檢查點(diǎn)相關(guān)的生物標(biāo)志物也與干細(xì)胞指數(shù)評(píng)分呈負(fù)相關(guān)，與StromalScore、ImmuneScore和ESTIMATEScore呈正相關(guān)。此外，本研究還分析了免疫檢查點(diǎn)相關(guān)生物標(biāo)志物的免疫亞型：C1(傷口愈合型)、C2 (IFN-γ主控型)、C3(炎癥型)、C4(淋巴細(xì)胞消減型)、C5(免疫靜默型)和C6 (TGF-β主導(dǎo)型)[23]。C1、C2和C3型對(duì)免疫治療敏感，若術(shù)前確定患者病理標(biāo)本屬于這3種亞型，可采用新輔助免疫治療；若為C4、C5和C6型，則不適合新輔助免疫治療術(shù)[23-25]。但是，免疫亞型僅僅適用于手術(shù)前，而手術(shù)后還需要ctDNA監(jiān)測(cè)。ctDNA不僅是早期癌癥的重要篩查指標(biāo)，還可用于預(yù)測(cè)腫瘤患者術(shù)后病情的變化[26]。由于ctDNA是動(dòng)態(tài)監(jiān)測(cè)，因此收集HNSCC患者血液存在一定困難。

綜上所述，本研究采用一種新穎的、可靠的方法構(gòu)建了一個(gè)PRLPs預(yù)后風(fēng)險(xiǎn)模型，該模型可能為HNSCC患者早期診斷和預(yù)后提供新思路，并可能為HNSCC的預(yù)后診療提供新的方法和新的理論依據(jù)。