药物耐药性是导致乳腺癌患者预后不良的主要原因之一
。然而，目前的研究热点主要集中在细胞层面，特别是免疫细胞与肿瘤耐药性之间的关系。关于细胞内线粒体能量代谢与癌症患者的药物耐药性之间的探究相对较少。事实上，肿瘤细胞不仅可以独立于线粒体能量代谢生存，还可以依赖于线粒体能量代谢进行生命活动，如合成新的DNA链，以及调控转录翻译等进程[1]。
接下来，我将与大家分享一篇
2025年1月
发表在
《Journal of Translational Medicine》
杂志的一项研究。该研究
通过对TCGA数据分析，结合DRESIS和MSigDB数据库，识别出4个线粒体代谢相关的管家基因，以此构建了乳腺癌预后识别模型
[2]。
图1：论文首页
一、主要结果
研究者从TCGA及GEO数据库下载了共计1595例乳腺癌患者的肿瘤及癌旁组织标本，根据组织来源不同，进一步比较了肿瘤组织及癌旁组织的差异基因表达特征。分析发现3492个差异表达基因中有2125个基因在肿瘤组织中上调表达，包括FUS、ATP7B等；1367个基因在癌旁组织中上调表达，包括PPARG、AIFM1等。接下来，作者将肿瘤中上调表达的基因与线粒体能量代谢相关的基因集（MRGs），以及药物耐药性相关基因集进行比较。取共同交集，最终获得了15个与三者相关的核心基因，作者在此称之为与线粒体代谢及耐药性相关的差异基因（DMRDEGs）。对于这15个
D
MRDEGs基因，其中多数分布在2号（IL1B,IRS1），10号（PEKFB3,PTEN）及13号（FOXO1,ATP7B）染色体上。
结果如图2所示。
图2：15个与线粒体代谢相关及药物耐药性相关的基因集表达分布
在对乳腺癌患者肿瘤样本的体细胞突变分析中，研究者发现主要的突变类型为错义突变。DMRDEGs基因主要表现为核苷酸多态性（SNP）。在乳腺癌患者中，C-T是最常见的单核苷酸变体（SNV）。在991个样本中，有96个样本表现出这15个DMRDEGs的体细胞突变，占比为9.69%。其中，PTEN基因的突变率最高，占所有突变样本的5%。此外，FOXO1与PPARG、PFKFB3与PPARG、以及PFKFB3与FUS之间均表现出显著的突变相关性。生存分析结果显示，这15个DMRDEGs的基因表达水平与乳腺癌的疾病特异性生存相关。
结果如图3所示。
图3：DMRDEGs基因集在乳腺癌中的突变及拷贝数变异特征
通过对GO和KEGG的富集分析，研究者进一步探讨了这15个与乳腺癌相关的DMRDEGs基因，其在生物过程、细胞成分、分子功能和信号通路中的作用。结果显示：在生物过程中，这15个DMRDEGs基因的主要富集参与负调控运输、激素分泌、蛋白质转运和定位等过程；在细胞成分组成中，DMRDEGs基因定位在细胞质膜中，编码相关功能元件表达；在分子功能中，DMRDEGs基因参与线粒体代谢相关的NAD+离子结合以及碳水化合物激酶活性相关功能；代谢通路中，DMRDEGs基因富集在AMPK信号通路，癌症中心的碳水代谢以及FOXO信号代谢通路中。DMRDEGs的富集结果为表明其与乳腺癌的多种生物过程和信号通路相关，可能作为乳腺癌的生物标志物。
结果如图4所示。
图4：DMRDEGs基因集在生物学进程及代谢通路中富集分布特征
4、乳腺癌亚型之间DMRDEGs表达及免疫浸润模式不同
研究者将乳腺癌患者队列根据基因表达模式不同划分为两种亚型（Cluster 1和Cluster 2）。进而比较两种乳腺癌肿瘤转录组的免疫浸润表达模式差异。Cibersort算法的分析结果显示B细胞，T细胞及巨噬细胞的浸润丰度在这两种亚型中表现出显著差异（p<0.05）。CD8+T细胞和调节性T细胞之间的表达浸润丰度显著正相关；而静息NK细胞与活化的NK细胞之间显著负相关。DMRDEGs与免疫浸润的相关性分析表明，IL1b的表达水平与肥大细胞正相关；而ATP7B的表达水平与M1型巨噬细胞浸润丰度显著负相关。
结果如图5所示。
这些发现为理解乳腺癌的免疫微环境及其潜在的治疗靶点提供了重要依据。
图5：DMRDEGs基因集在不同亚型的乳腺癌免疫浸润关联不同
接下来，研究者结合TCGA-BRCA数据集及差异表达基因（DMRDEGs）构建了LASSO回归模型。分析结果显示，在15个DMRDEGs中，有四个基因：
ATP7B
、
FUS
、
AIFM1
和
PPARG
的表达模式与乳腺癌患者的风险密切相关。风险评分计算公式如下：
Risk Score = （-0.0487）*ATP7B+（-0.1344）*FUS+0.2892*AIFM1+（-0.02903）*PPARG
根据该公式，样本被划分为高风险组和低风险组。其中，
ATP7B
、
FUS
和
PPARG
在低风险组中的表达水平较高，而
AIFM1
在高风险组中的表达水平较高。这一现象表明，
AIFM1
可能是乳腺癌不良预后的标志基因。该模型在乳腺癌患者的一年生存期中表现出较高的分类预测精度（AUC > 0.7），但在三年和五年生存期中的精度较低（AUC > 0.5）。
结果如图6所示
。
图6：LASSO回归模型揭示与乳腺癌预后相关的核心基因及风险公式
此外，研究者评估该风险模型评分与乳腺癌患者的其他临床预后之间的关系，如TNM分期，ER/PR免疫组化指标及其他肿瘤病理特征。结果表明高风险评分与多种临床病理特征的不良结果显著正相关。进一步通过单因素变量和多元COX回归分析，研究者确认了AIFM1基因是影响预后的关键因素，该基因高表达与乳腺癌患者的不良预后正相关。此外，模型的校准曲线和决策曲线显示该模型具有良好的准确性和预后效用。
结果如图7所示。
图7：与模型高风险分组患者与乳腺癌患者多种临床不良预后指标正相关
7、肿瘤细胞低表达AIFM1会降低其恶性表型，并减少耐药性
之前的研究分析表明AIFM1可能是影响乳腺癌患者不良预后的关键基因。于是，研究者试图在肿瘤细胞中敲低AIFM1，以观测其对肿瘤细胞的影响。WB实验表明低表达AIFM1的肿瘤细胞，其细胞增殖能力明显降低。Transwell实验进一步表明AIFM1低表达的肿瘤细胞其迁移能力和侵袭能力也会显著下降。在药物耐药性方面，拉帕替尼（Lapatinib）是针对晚期乳腺癌患者治疗的一种药物。而肿瘤细胞上低表达AIFM1会增强拉帕替尼（Lapatinib）的抗肿瘤效果。
结果如图8所示。
图
8
：敲低肿瘤细
胞中AIFM1能降低肿
瘤恶性及药物耐药性
二、小结
总而言之，该研究通过对多种临床数据集和癌症基因组数据集进行分析，确定了与乳腺癌耐药性及线粒体代谢相关的基因，并构建乳腺癌风险评估模型，鉴定出AIFM1基因在肿瘤细胞中的表达与肿瘤恶性及药物敏感性正相关。AIFM1基因的敲低实验暗示其或许可以作为治疗乳腺癌的新靶点。
[1] NUNNARI J, SUOMALAINEN A. Mitochondria: in sickness and in health [J]. Cell, 2012, 148(6): 1145-59.
[2] XU T, CHU C, XUE S, et al. Identification and validation of a prognostic signature of drug resistance and mitochondrial energy metabolism-related differentially expressed genes for breast cancer [J]. J Transl Med, 2025, 23(1): 131.
