Dofetilide

增殖性Scissor+基因特征模型揭示ISG15-KPNA2轴是肾透明细胞癌恶性进展的关键驱动因素文章信息发表杂志  International Journal of Biological Macromolecules中文标题  增殖性Scissor+基因特征模型揭示ISG15-KPNA2轴是肾透明细胞癌恶性进展的关键驱动因素英文标题  The proliferative Scissor+ gene signature model uncovers the ISG15-KPNA2 axis as a critical driver of malignancy in ccRCC影响因子  8.5发表日期  2026年2月7日 针对单细胞Scissor算法，小编制定了一个研究方案 欢迎咨询定制分析 生信分析服务咨询 请扫描下方二维码 小编新的公众号，欢迎关注+星标 高分文章代码共享： 生信福利专用贴，新增多篇高分文章代码分享（持续更新） 研究概述 肾透明细胞癌（ccRCC）是肾癌最主要的病理亚型，因肿瘤异质性强、有效生物标志物有限，其临床治疗仍面临巨大挑战，肿瘤微环境中的增殖细胞亚群是肿瘤进展的重要推手，但其在ccRCC中的转录特征与临床价值尚未被完全解析。本研究整合单细胞RNA测序（scRNA-seq）与Bulk转录组数据，通过细胞周期分析与Scissor算法锁定与不良表型相关的增殖性恶性细胞亚群，基于117种机器学习算法构建并验证了ccRCC预后风险模型，同时通过多组学分析与体内外功能实验，明确了核心基因的致癌机制。研究最终构建了11基因的稳健预后模型，揭示了干扰素刺激基因15（ISG15）通过调控核转运蛋白α2（KPNA2）的泛素化降解，驱动ccRCC恶性进展的全新机制，为ccRCC的风险分层与靶向治疗提供了新的理论依据与候选靶点。 核心发现 首次在ccRCC中鉴定出与不良预后相关的增殖性Scissor+细胞亚群，筛选得到108个增殖相关关键基因，并基于Lasso+plsRcox算法构建了11基因的预后风险模型，该模型在多个独立队列中均表现出优异的预后预测效能。 高风险评分ccRCC患者呈现HIF-1/VEGF通路富集、基因组不稳定性升高、免疫抑制微环境形成及免疫治疗响应不佳的特征，同时筛选出多非利特、氟伐他汀两个潜在的治疗候选药物。 明确了ISG15在ccRCC中的致癌作用，其可通过自身的ISG化修饰活性，拮抗KPNA2的K48位泛素-蛋白酶体降解，从而稳定KPNA2蛋白表达，最终促进ccRCC细胞的增殖、迁移与侵袭。Figure 1：研究流程图与增殖性Scissor+差异表达基因的鉴定研究目标 锁定ccRCC中与不良表型相关的增殖性恶性细胞亚群，筛选出该亚群特异的差异表达基因，为后续预后模型构建提供候选基因集。方法与目的分析类型具体方法目的 单细胞数据预处理 对GSE156632数据集进行质控、降维、聚类与t-SNE可视化 获得高质量的单细胞转录组图谱，明确细胞分群与样本来源 增殖细胞鉴定 细胞周期分析，划分G2/M-S期增殖细胞与非增殖细胞 锁定肿瘤微环境中处于活跃增殖状态的细胞亚群 表型相关细胞筛选 Scissor算法对增殖细胞进行分群，划分为Scissor+、Scissor-与背景细胞 筛选出与ccRCC不良表型相关的增殖性恶性细胞亚群 差异表达分析 火山图可视化Scissor+细胞与其他细胞的DEGs，与TCGA-KIRC队列DEGs取交集 获得增殖性Scissor+细胞相关的核心候选基因集 基因初筛 LASSO回归对候选基因进行筛选，森林图展示显著基因 缩小基因范围，为后续机器学习建模提供基础实验设计与结果 为什么进行这个分析？ ccRCC的肿瘤异质性是预后预测与治疗响应不佳的核心原因，而增殖细胞是肿瘤恶性进展的核心亚群，但既往研究未精准锁定ccRCC中与临床表型直接相关的增殖性恶性细胞亚群。本分析通过单细胞层面的细胞周期分群与表型关联算法，精准锚定目标细胞亚群，从源头解决了 bulk 测序掩盖细胞异质性的问题，为后续研究提供了可靠的基因来源。 关键发现单细胞分群与增殖细胞鉴定 （Fig. 1B-C）： 完成scRNA-seq数据预处理后，通过t-SNE可视化了细胞分群与样本来源； 基于细胞周期分析，成功划分出G2/M-S期的活跃增殖细胞与非增殖细胞，并完成可视化。Scissor+细胞分群与DEGs筛选 （Fig. 1D-F）： 对增殖细胞进行Scissor算法分群，得到Scissor+、Scissor-与背景细胞亚群； 差异分析得到Scissor+细胞特异的484个DEGs，与TCGA-KIRC队列的肿瘤/癌旁DEGs取交集，最终获得108个增殖性Scissor+相关基因。基因初步筛选 （Fig. 1G-H）： 经LASSO回归分析，从108个候选基因中筛选出60个具有显著系数的预后相关基因，并通过森林图展示了其预后价值。 逻辑解读 → 先从单细胞层面锁定ccRCC中活跃增殖的细胞，聚焦肿瘤进展的核心细胞亚群 → 再通过Scissor算法关联临床表型，精准筛选出驱动不良预后的增殖性Scissor+恶性细胞 → 结合单细胞与bulk队列的差异基因，获得稳定的增殖相关候选基因集，完成初步降维 → 最终为后续机器学习预后模型的构建提供了可靠的基因来源 Figure 2：增殖性Scissor+细胞与其他细胞类型的单细胞图谱研究目标 解析增殖性Scissor+细胞的细胞类型组成、分子特征与细胞间通讯模式，明确其生物学特性与潜在的免疫逃逸机制。方法与目的分析类型具体方法目的 细胞类型注释 基于标记基因对增殖细胞进行细胞类型注释，t-SNE可视化、点图展示标记基因表达 明确增殖细胞的细胞类型组成，验证注释准确性 功能富集分析 差异基因表达热map绘制，GO/KEGG富集分析 解析不同细胞类型的分子特征与核心生物学功能 细胞通讯分析 配体-受体互作分析，弦图、直方图可视化信号交流强度与数量 解析Scissor+细胞的细胞间通讯模式，探索其生物学行为机制实验设计与结果 为什么进行这个分析？ 仅锁定Scissor+细胞亚群无法解释其驱动ccRCC进展的内在机制，需要进一步明确该亚群的细胞类型、分子特征与微环境互作模式，才能完整解析其在肿瘤进展中的作用，同时为后续模型的生物学意义提供支撑。 关键发现细胞类型注释与验证 （Fig. 2A-D）： 增殖细胞被注释为6种主要细胞类型：上皮细胞、T/NK细胞、B细胞、内皮细胞、髓系细胞、成纤维细胞； 点图与t-SNE可视化验证了各细胞类型标记基因的特异性表达，证实注释结果准确可靠。细胞类型功能特征解析 （Fig. 2E）： 绘制了6种细胞类型的差异基因表达热图，明确了各细胞类型的特征基因集； 富集分析揭示了不同细胞类型对应的核心生物学功能与信号通路。细胞通讯模式分析 （Fig. 2F-K）： Scissor+细胞的细胞间相互作用数量与强度均显著降低； 该细胞亚群的传入与传出信号强度整体下调，其中MHC-II、TNF等通路显著下调； 系统展示了Scissor+细胞与其他细胞之间的差异配体-受体对，完整呈现了其异常的细胞通讯景观。 逻辑解读 → 先明确增殖性Scissor+细胞的细胞类型组成，锁定其主要为恶性上皮细胞属性 → 再解析各细胞类型的分子与功能特征，明确Scissor+细胞的恶性表型基础 → 最后通过细胞通讯分析，发现该亚群免疫相关通路显著下调，揭示了其潜在的免疫逃逸机制 → 完整解释了Scissor+细胞驱动ccRCC不良预后的细胞与分子基础 Figure 3：基于增殖性Scissor+细胞差异表达基因的机器学习模型构建研究目标 基于筛选得到的增殖相关基因，构建并筛选出最优的ccRCC预后机器学习模型，验证模型的预后预测效能。方法与目的分析类型具体方法目的 数据集划分 TCGA-KIRC队列70%为训练集、30%为内部验证集，EMTAB1980、CPTAC为外部验证集 为模型构建与验证提供可靠的数据集，避免过拟合 机器学习模型筛选 基于Mime1包整合117种机器学习算法，以C-index为核心指标筛选最优模型 找到对ccRCC预后预测效能最优的算法组合 模型构建 Lasso+plsRcox算法构建预后模型，10折交叉验证筛选最优参数 构建稳定的11基因预后风险模型 预后价值验证 单因素Cox回归meta分析、Kaplan-Meier生存曲线分析 验证模型在多队列中的预后预测效能与稳定性实验设计与结果 为什么进行这个分析？ 筛选得到的增殖相关基因需要转化为具有临床应用价值的预后工具，而单一机器学习算法存在泛化性不足的问题，因此需要通过大规模算法筛选找到最优模型，同时在多独立队列中验证其稳定性，确保模型的临床适用性。 关键发现最优算法筛选 （Fig. 3A-B）： 对117种机器学习算法进行综合评估，Lasso+plsRcox算法表现最优，综合评价平均C-index达0.738，验证集平均C-index达0.733，泛化性最佳； 完成了所有数据集的批次效应校正，确保后续分析的可靠性。11基因预后模型构建 （Fig. 3C-D）： 经LASSO回归与10折交叉验证，筛选出最优lambda值，最终构建了包含11个核心基因的预后模型，分别为TIMP3、PLVAP、TIMP1、APP、CRYL1、G0S2、PEPD、MYC、PLAUR、ATP1A1、ISG15； TCGA队列中，模型1年、3年、5年OS预测的平均AUC值分别为0.783、0.748、0.765。多队列预后效能验证 （Fig. 3E-K）： meta分析显示，随机效应模型与固定效应模型均证实高风险评分与ccRCC患者不良预后显著相关（P<0.001）； Kaplan-Meier曲线显示，在TCGA训练集、测试集、EMTAB1980、CPTAC队列中，高风险组患者的总生存期（OS）均显著差于低风险组； 在TCGA队列中，高风险组的疾病特异性生存期（DSS）、无进展间期（PFI）同样显著更差，无病间期（DFI）两组无显著差异。 逻辑解读 → 先通过大规模算法筛选，锁定对ccRCC预后预测最优的Lasso+plsRcox算法 → 再基于该算法构建11基因预后风险模型，完成参数优化与模型构建 → 最后通过meta分析与多独立队列的生存分析，证实模型具有稳健的预后预测效能 → 成功将单细胞层面的增殖相关分子特征转化为可临床应用的预后分层工具 Figure 4：模型性能验证与预后列线图的构建研究目标 全面验证11基因预后模型的预测准确性与独立性，构建并验证可临床应用的预后列线图，评估模型的临床实用价值。方法与目的分析类型具体方法目的 模型准确性验证 时间依赖性ROC曲线分析，计算1/3/5年AUC值 验证模型的预后预测准确性 独立预后价值验证 单因素+多因素Cox回归分析 验证风险评分是ccRCC的独立预后影响因素 列线图构建 整合独立临床预后因素与风险评分，构建预后列线图 构建可视化、可临床应用的预后预测工具 列线图性能验证 校准曲线、ROC曲线、C-index轨迹、决策曲线分析（DCA） 全面验证列线图的预测准确性、稳定性与临床净获益实验设计与结果 为什么进行这个分析？ 仅验证模型的预后分层能力不足以支撑其临床应用，需要进一步明确模型是否为独立预后因素，同时将模型转化为临床易用的可视化工具，并全面评估其临床应用价值，为后续临床转化奠定基础。 关键发现模型预测准确性验证 （Fig. 4A-D）： 时间依赖性ROC曲线显示，TCGA训练集、测试集、EMTAB1980、CPTAC队列中，模型1/3/5年OS预测的AUC值均表现优异，具有良好的预测准确性。独立预后价值验证 （Fig. 4E-H）： 单因素与多因素Cox回归分析证实，风险评分是ccRCC患者OS、PFI、DSS的独立预后影响因素（P<0.05），该结果在EMTAB1980独立队列中得到验证。预后列线图构建 （Fig. 4I-J）： 整合年龄、肿瘤分期、T分期与风险评分，分别基于TCGA与EMTAB1980队列构建了预后列线图，可直观预测患者1/3/5年OS概率。列线图性能全面验证 （Fig. 4K-R）： 校准曲线显示，列线图预测的1/3/5年OS概率与实际观测值高度吻合，预测准确性高； 列线图1/3/5年OS预测的AUC值均超过0.8，区分能力优异； 10年C-index轨迹显示，列线图的预测效能显著优于其他单一临床变量； DCA分析证实，列线图在广泛的阈值概率范围内均能提供更高的临床净获益，临床应用价值显著。 逻辑解读 → 先通过ROC曲线验证模型的预测准确性，再通过Cox回归证实其独立预后价值 → 再整合临床特征与风险评分，构建可视化的预后列线图，实现模型的临床转化 → 最后通过多维度验证，证实列线图具有优异的预测准确性、稳定性与临床净获益 → 完成了从基因模型到临床实用工具的完整转化 Figure 5：高低风险组的基因富集与突变图谱研究目标 解析11基因预后模型分层的高低风险ccRCC患者的生物学通路特征、基因组变异与突变图谱，揭示高风险患者不良预后的内在分子机制。方法与目的分析类型具体方法目的 功能富集分析 Metascape进行通路富集分析，蛋白互作网络可视化 解析模型相关基因的核心生物学功能与通路 基因组变异分析 GISTIC 2.0分析CNV，绘制扩增/缺失峰图、CNV热图 比较高低风险组的基因组拷贝数变异特征 染色体不稳定性分析 比较Broad/Focal水平的拷贝数变异负荷 解析高低风险组的染色体不稳定性差异 TMB分析 maftools计算TMB，生存分析+联合风险评分的预后分析 明确高低风险组的TMB差异，验证模型预后价值的独立性实验设计与结果 为什么进行这个分析？ 仅验证模型的预后效能无法解释其背后的生物学机制，需要通过多组学分析，明确高低风险患者在生物学通路、基因组稳定性上的差异，揭示高风险患者肿瘤恶性程度更高的内在原因，同时为高风险患者的精准治疗提供靶点。 关键发现核心通路富集 （Fig. 5A-B）： 富集分析显示，模型相关基因显著富集于HIF-1、VEGFA通路，而这两条通路是ccRCC发生发展的经典核心通路，证实了模型的生物学合理性。基因组拷贝数变异特征 （Fig. 5C-E）： 高风险组的基因组扩增与缺失峰显著更高，整体突变负荷更大； 高风险组的Focal缺失负荷显著更高，Focal扩增负荷显著更低，Broad水平的拷贝数变异负荷两组无显著差异，提示高风险患者的局灶性基因组不稳定性更强。TMB特征与预后价值 （Fig. 5F-H）： 高风险组患者的TMB显著高于低风险组； 高TMB组ccRCC患者预后显著更差； 无论在高TMB还是低TMB亚组中，高风险组患者的生存期均显著更差，证实模型的预后价值独立于TMB。 逻辑解读 → 先通过通路富集，证实模型与ccRCC核心致癌通路高度相关，明确了模型的生物学基础 → 再通过CNV分析，发现高风险患者基因组不稳定性显著升高，解释了其肿瘤恶性程度更高的原因 → 最后通过TMB分析，证实模型的预后价值独立于经典的预后标志物TMB，进一步凸显了模型的创新性与临床价值 → 完整揭示了高风险ccRCC患者不良预后的基因组与分子机制 Figure 6：高低风险组的免疫浸润谱与药物预测研究目标 解析高低风险ccRCC患者的肿瘤免疫微环境特征，评估其免疫治疗响应潜力，同时筛选针对高风险患者的潜在治疗药物。方法与目的分析类型具体方法目的 免疫浸润分析 xCell、EPIC等6种算法评估免疫浸润，ssGSEA量化免疫细胞浸润水平 全面解析高低风险组的免疫微环境特征 免疫治疗响应预测 TIDE评分计算，比较高低风险组的TIDE评分差异 评估高低风险患者对免疫检查点抑制剂的响应潜力 药物敏感性预测 CTRP、PRISM数据库筛选药物，分析药物敏感性与风险评分的相关性 筛选针对高风险ccRCC患者的潜在治疗药物 分子对接模拟 Autodock进行分子对接，计算结合能 验证候选药物与核心靶点的结合亲和力实验设计与结果 为什么进行这个分析？ 免疫治疗是晚期ccRCC的核心治疗手段，但患者响应差异巨大，需要明确高低风险患者的免疫微环境差异与免疫治疗响应潜力；同时高风险患者预后更差，亟需筛选有效的治疗药物，为高风险ccRCC患者的个体化治疗提供方案。 关键发现免疫微环境特征解析 （Fig. 6A-B、D-E）： 6种免疫浸润算法一致显示，风险评分与调节性T细胞（Tregs）浸润水平呈显著正相关，提示高风险患者形成了免疫抑制微环境； ssGSEA分析进一步明确了高低风险组28种免疫细胞类型、13种免疫相关功能的浸润差异。免疫治疗响应预测 （Fig. 6C）： 高风险组患者的TIDE评分显著更高，提示其对免疫检查点抑制剂的响应更差，免疫治疗获益可能性更低。潜在治疗药物筛选 （Fig. 6F-G）： 基于CTRP与PRISM数据库筛选，发现多非利特、氟伐他汀与风险评分的相关性最高，是高风险ccRCC患者的潜在治疗候选药物。分子对接验证 （Fig. 6H-I）： 分子对接模拟显示，多非利特与TIMP3具有强结合亲和力（结合能-6.7 kcal/mol），氟伐他汀与PLAUR具有强结合亲和力（结合能-8.4 kcal/mol），证实了两个药物与模型核心基因的直接结合能力。 逻辑解读 → 先通过多算法免疫浸润分析，明确高风险患者具有免疫抑制微环境特征 → 再通过TIDE评分预测，证实高风险患者免疫治疗响应不佳，为临床治疗方案选择提供依据 → 随后通过药物敏感性筛选，锁定多非利特、氟伐他汀两个潜在治疗药物 → 最后通过分子对接验证了药物与核心靶点的结合能力，为药物重定位提供了理论依据 → 实现了从预后分层到个体化治疗方案推荐的完整闭环 Figure 7：敲低ISG15抑制769-P和Caki-1细胞的增殖与迁移研究目标 通过体内外功能实验，验证ISG15在ccRCC细胞中的致癌作用，明确其对ccRCC细胞增殖、迁移、侵袭与体内成瘤能力的影响。方法与目的实验类型具体方法目的 细胞系筛选 qRT-PCR检测ISG15在正常肾上皮细胞与ccRCC细胞系中的表达 筛选高表达ISG15的ccRCC细胞系用于后续功能实验 基因敲低 shRNA慢病毒转染构建ISG15稳定敲低细胞株，qRT-PCR与WB验证敲低效率 构建可靠的ISG15敲低细胞模型 体外增殖实验 CCK-8、克隆形成、EdU实验 验证ISG15对ccRCC细胞体外增殖能力的影响 体外迁移侵袭实验 划痕愈合实验、Transwell迁移/侵袭实验 验证ISG15对ccRCC细胞体外迁移、侵袭能力的影响 体内成瘤实验 裸鼠原位异种移植瘤模型 验证ISG15对ccRCC细胞体内成瘤能力的影响实验设计与结果 为什么进行这个分析？ 11基因模型中，ISG15在ccRCC中的功能与机制研究尚不充分，但其在模型中具有重要的预后价值，同时在免疫调控与肿瘤发生中发挥关键作用。因此需要通过体内外功能实验，明确ISG15在ccRCC中的生物学功能，验证其致癌作用，为后续机制研究奠定基础。 关键发现细胞系筛选与敲低模型构建 （Fig. 7A-C）： 与正常肾上皮细胞HK2相比，ISG15在769-P、Caki-1、Caki-2、A498 ccRCC细胞系中均显著高表达，其中769-P与Caki-1表达量最高，选为后续实验细胞系； 成功构建ISG15稳定敲低的769-P与Caki-1细胞株，qRT-PCR与WB验证了敲低效率。ISG15促进ccRCC细胞体外增殖 （Fig. 7D-F）： CCK-8实验显示，敲低ISG15显著抑制769-P与Caki-1细胞的增殖能力； 克隆形成实验与EdU实验证实，敲低ISG15显著削弱ccRCC细胞的克隆形成能力与DNA复制活性，抑制细胞增殖。ISG15促进ccRCC细胞体外迁移与侵袭 （Fig. 7G-H）： 划痕愈合实验显示，敲低ISG15显著降低769-P与Caki-1细胞的迁移速率； Transwell实验证实，敲低ISG15显著抑制ccRCC细胞的体外迁移与侵袭能力。ISG15促进ccRCC细胞体内成瘤 （Fig. 7I）： 裸鼠原位异种移植瘤模型显示，ISG15敲低组的肿瘤生长显著受到抑制，证实ISG15可促进ccRCC细胞的体内成瘤能力。 逻辑解读 → 先筛选高表达ISG15的ccRCC细胞系，构建稳定敲低模型，为功能实验提供可靠模型 → 再通过多组体外增殖实验，证实ISG15可显著促进ccRCC细胞的体外增殖 → 随后通过划痕与Transwell实验，证实ISG15可增强ccRCC细胞的迁移与侵袭能力 → 最后通过体内成瘤实验，在体内水平验证了ISG15的促癌作用 → 从体内外多维度明确了ISG15在ccRCC中的致癌功能 Figure 8：敲低ISG15促进KPNA2的泛素介导降解研究目标 解析ISG15驱动ccRCC恶性进展的分子机制，明确ISG15与KPNA2的相互作用，以及ISG15调控KPNA2蛋白稳定性的具体分子机制。方法与目的实验类型具体方法目的 蛋白互作验证 免疫共沉淀（Co-IP）、免疫荧光共定位 验证ISG15与KPNA2的内源性相互作用与细胞内共定位 调控方式验证 qRT-PCR、WB检测ISG15敲低后KPNA2的mRNA与蛋白水平 明确ISG15对KPNA2的调控发生在转录后水平 降解途径验证 蛋白酶体抑制剂MG132、自噬抑制剂3-MA处理，环己酰亚胺（CHX）追踪实验 明确ISG15通过蛋白酶体途径调控KPNA2的蛋白稳定性 泛素化修饰验证 体内泛素化实验 验证ISG15对KPNA2泛素化水平的调控 修饰机制验证 ISG15酶活突变体、泛素位点突变体转染，结合泛素化实验 明确ISG15调控KPNA2泛素化的具体分子机制实验设计与结果 为什么进行这个分析？ 功能实验已证实ISG15的促癌作用，但其在ccRCC中的下游调控机制尚不明确。需要进一步找到ISG15的下游靶蛋白，解析其具体的分子调控机制，完整阐明ISG15驱动ccRCC恶性进展的内在原理，为靶向干预提供明确的分子靶点。 关键发现ISG15与KPNA2存在直接相互作用 （Fig. 8A-C）： Co-IP实验证实，在769-P与Caki-1细胞中，ISG15与KPNA2存在内源性相互作用； 免疫荧光共定位实验显示，ISG15与KPNA2在ccRCC细胞中存在明显的共定位。ISG15在转录后水平调控KPNA2蛋白稳定性 （Fig. 8D-F）： 敲低ISG15显著降低KPNA2的蛋白水平，但不影响其mRNA表达，证实调控发生在转录后水平； 蛋白酶体抑制剂MG132可逆转ISG15敲低导致的KPNA2蛋白下调，而自噬抑制剂3-MA无此效应，证实ISG15通过蛋白酶体途径调控KPNA2稳定性； CHX追踪实验显示，敲低ISG15显著加速KPNA2蛋白的降解，进一步证实ISG15可稳定KPNA2蛋白。ISG15通过ISG化活性拮抗KPNA2的K48位泛素化 （Fig. 8G-I）： 体内泛素化实验显示，敲低ISG15显著增加KPNA2的泛素化水平； ISG15酶活突变体（ISG15-AA）无法抑制KPNA2的泛素化，证实ISG15依赖自身的ISG化修饰活性调控KPNA2泛素化； 泛素位点突变实验证实，ISG15特异性拮抗KPNA2的K48位连锁多泛素化，从而抑制其蛋白酶体降解。 逻辑解读 → 先通过互作实验，锁定ISG15的下游靶蛋白KPNA2，证实二者存在直接相互作用 → 再通过转录与蛋白水平检测，明确ISG15在转录后水平调控KPNA2的蛋白稳定性 → 随后通过抑制剂与CHX实验，证实该调控依赖泛素-蛋白酶体途径，而非自噬途径 → 最后通过泛素化实验与突变体验证，明确ISG15通过自身ISG化活性，拮抗KPNA2的K48位泛素化降解，从而稳定KPNA2蛋白 → 完整阐明了ISG15调控下游靶蛋白的具体分子机制 Figure 9：过表达KPNA2可逆转敲低ISG15诱导的ccRCC细胞增殖与迁移能力受损研究目标 通过回补实验，验证KPNA2是ISG15驱动ccRCC恶性进展的关键下游效应分子，明确ISG15-KPNA2轴在ccRCC中的功能作用。方法与目的实验类型具体方法目的 细胞模型构建 ISG15敲低、KPNA2过表达、ISG15敲低+KPNA2过表达细胞株构建 构建回补实验所需的细胞模型 增殖能力回补验证 CCK-8、克隆形成、EdU实验 验证过表达KPNA2能否逆转ISG15敲低导致的增殖抑制 迁移侵袭能力回补验证 划痕愈合实验、Transwell迁移/侵袭实验 验证过表达KPNA2能否逆转ISG15敲低导致的迁移侵袭抑制实验设计与结果 为什么进行这个分析？ 已证实ISG15可调控KPNA2的蛋白稳定性，但尚未明确KPNA2是否是ISG15促癌作用的关键下游效应分子。回补实验是验证信号轴上下游关系的金标准，通过该实验可完整证实ISG15-KPNA2轴在ccRCC恶性进展中的核心驱动作用。 关键发现KPNA2回补可逆转ISG15敲低导致的增殖抑制 （Fig. 9A-C）： CCK-8、克隆形成、EdU实验一致显示，单独敲低ISG15或KPNA2均显著抑制ccRCC细胞的增殖能力； 在ISG15敲低的细胞中过表达KPNA2，可显著逆转ISG15敲低导致的增殖抑制，恢复细胞的增殖与克隆形成能力。KPNA2回补可逆转ISG15敲低导致的迁移侵袭抑制 （Fig. 9D-E）： 划痕愈合实验显示，过表达KPNA2可显著逆转ISG15敲低导致的ccRCC细胞迁移能力受损； Transwell实验证实，过表达KPNA2可完全恢复ISG15敲低细胞的迁移与侵袭能力。 逻辑解读 → 先构建ISG15敲低、KPNA2过表达的双干预细胞模型，为回补实验提供基础 → 再通过多组增殖实验，证实KPNA2回补可逆转ISG15敲低导致的增殖抑制 → 随后通过迁移侵袭实验，证实KPNA2回补可逆转ISG15敲低导致的迁移侵袭能力受损 → 最终证实KPNA2是ISG15驱动ccRCC恶性进展的关键下游效应分子，完整阐明了ISG15-KPNA2轴的促癌功能 研究总结 本研究通过整合单细胞与Bulk多组学数据，结合大规模机器学习筛选与体内外功能实验，系统解析了ccRCC中增殖性恶性细胞亚群的分子特征，构建了稳健的11基因预后风险模型，同时首次揭示了ISG15-KPNA2轴作为ccRCC恶性进展关键驱动因子的全新机制，为ccRCC的预后分层、免疫治疗响应预测与靶向治疗提供了全新的理论依据与候选靶点。核心创新点方法学创新 ：首次将细胞周期分群与Scissor算法结合，精准锁定了ccRCC中与不良预后相关的增殖性恶性细胞亚群，解决了传统bulk测序掩盖肿瘤细胞异质性的问题，为肿瘤预后标志物的筛选提供了全新的研究范式。模型创新 ：基于117种机器学习算法的大规模筛选，构建了基于增殖性Scissor+细胞特征的11基因预后模型，该模型在多独立队列中均表现出优异的预测效能，同时可有效预测患者的基因组不稳定性、免疫微环境特征与免疫治疗响应潜力，临床转化价值显著。机制创新 ：首次在ccRCC中阐明了ISG15-KPNA2轴的促癌机制，证实ISG15通过自身的ISG化修饰活性，特异性拮抗KPNA2的K48位泛素-蛋白酶体降解，从而稳定KPNA2蛋白表达，最终驱动ccRCC的增殖、迁移与侵袭，为ccRCC的靶向治疗提供了全新的分子靶点。临床意义预后分层工具 ：本研究构建的11基因预后模型与列线图，可精准实现ccRCC患者的风险分层，帮助临床医生识别高风险患者，制定个体化的随访与治疗方案，高风险患者可接受更密集的影像学监测与辅助治疗，低风险患者可避免过度医疗。免疫治疗指导 ：模型可有效预测ccRCC患者的免疫治疗响应潜力，高风险患者因免疫抑制微环境与高TIDE评分，免疫治疗获益更低，临床可优先为其选择抗血管生成靶向治疗或联合治疗方案，实现免疫治疗的精准化应用。靶向治疗候选靶点与药物 ：明确了ISG15-KPNA2轴是ccRCC的关键致癌轴，为ccRCC的靶向药物研发提供了全新靶点；同时筛选出多非利特、氟伐他汀两个潜在的重定位药物，为高风险ccRCC患者提供了新的治疗选择，具有快速临床转化的潜力。研究局限与展望 研究仅使用了单个scRNA-seq数据集进行增殖性Scissor+细胞亚群的鉴定，后续需要在更多独立的单细胞队列与前瞻性临床队列中，验证该细胞亚群的特征与预后模型的效能。 机器学习模型仅采用了单次数据划分进行验证，未进行重复或嵌套交叉验证，存在一定的过拟合风险，后续需要通过更大规模的多中心队列进一步优化与验证模型。 虽证实了ISG15通过ISG化修饰调控KPNA2泛素化，但生理刺激下ISG化修饰的功能相关性尚未完全阐明，后续需要进一步解析该修饰在ccRCC肿瘤微环境中的调控作用。 筛选得到的多非利特与氟伐他汀仅完成了分子对接验证，后续需要在ccRCC细胞与动物模型中完成药效验证，并探索其与现有靶向、免疫治疗的联合应用潜力，推动临床转化。 本研究搭建了从单细胞表型关联分析、机器学习预后模型构建到机制验证与药物筛选的完整研究体系，为ccRCC的基础研究与临床诊疗提供了多维度的新资源与新思路。文献数据来源单细胞转录组数据 ：来源于GEO数据库，数据集编号GSE156632，包含7例ccRCC肿瘤组织与5例配对癌旁正常组织的scRNA-seq数据。Bulk转录组与临床数据 ：来源于3个独立公共队列，分别为TCGA-KIRC队列（534例肿瘤样本）、EMTAB1980队列（101例肿瘤样本）、CPTAC队列（110例肿瘤样本）。药物敏感性数据 ：来源于CTRP v2.0（2015年10月）与PRISM Repurposing 19Q4（2019年12月）数据库。

点击“蓝字”关注我们 编者按 药物所致心血管不良反应对患者管理具有重要的临床实践意义。尽管心血管不良反应常与抗肿瘤治疗相关，但越来越多的证据表明，非肿瘤药物也可引发严重的心血管损害。这类不良反应涵盖心律失常、传导异常、QT间期延长、心力衰竭、心肌梗死及结构性心肌病等。涉及的非肿瘤药物包括抗生素（如大环内酯类、氟喹诺酮类）、降糖药（如噻唑烷二酮类）、非甾体抗炎药、胃肠与泌尿系统疾病治疗药物，尤为重要的是心血管药物本身。近期发表的一项叙述性综述[1]，聚焦最常引发心血管不良反应的非肿瘤药物，阐述其潜在机制，重点论述了不良反应表现及以及临床预防的实用要点。 一、抗菌药物 大环内酯类与氟喹诺酮类 大环内酯类与氟喹诺酮类药物长期以来被认为与心血管事件及死亡风险升高相关。大环内酯类用药还与QT间期延长相关，多篇病例报告记载其可诱发心律失常。然而，多项大型回顾性临床研究对大环内酯类临床应用的潜在风险得出了相互矛盾的结果[2]。 一项纳入13项研究的最新Meta分析显示[3]，使用氟喹诺酮类可使心律失常风险显著增加85%，心血管死亡风险增加71%。其中莫西沙星致心血管不良事件的概率最高。 大环内酯类与氟喹诺酮类主要通过抑制延迟整流钾电流快速成分，导致动作电位时程延长，增加早期后除极易感性，进而通过2相折返诱发尖端扭转型室速。 二、抗疟药 奎宁、氯喹、羟氯喹、青蒿琥酯-阿莫地喹、双氢青蒿素-哌喹等抗疟药均与QT/QTc间期延长相关。氯喹与羟氯喹可剂量依赖性抑制心室肌细胞钾外流通道，用药后最早2天即可出现QTc间期延长[4]。羟氯喹起始治疗后QTc间期延长发生率为3.9%~8.5%，但QTc间期变化与死亡率升高无关。 羟氯喹/氯喹相关的其他心脏毒性还包括传导异常与心肌病，均呈剂量依赖性，且多发生于长期用药（平均疗程7~12年）。房室传导障碍多为永久性损害。羟氯喹/氯喹相关心肌病多为限制性心肌病，常需心内膜心肌活检确诊，停药并接受指南导向药物治疗后病情可能改善。 三、抗病毒药 抗病毒治疗的主要关注点之一是肝脏、骨骼肌及心脏的线粒体毒性。例如，抗人类免疫缺陷病毒逆转录病毒药齐多夫定可诱导线粒体功能障碍，导致线粒体断裂及融合-分裂周期受损。齐多夫定可抑制线粒体DNA聚合酶与逆转录酶。 丙型肝炎治疗药物——RNA聚合酶非结构蛋白5B抑制剂索磷布韦，近年上市后监测提示其具有心脏毒性，具体机制尚不明确。 新一代整合酶链转移抑制剂（如多替拉韦、比克替拉韦）与体重增加更显著相关，尤其与丙酚替诺福韦联用时；此类药物对血脂总体呈中性或轻度影响，不增加心血管事件风险。老一代蛋白酶抑制剂（尤其是利托那韦增效的洛匹那韦）与血脂异常及心血管事件风险升高相关；丙酚替诺福韦较富马酸替诺福韦二吡呋酯更易致体重增加，血脂谱更差。阿巴卡韦用药与主要不良心血管事件（MACE）发生率升高相关。 四、免疫抑制剂与抗炎药 非甾体抗炎药 非甾体抗炎药（NSAIDs）是最常用的镇痛药物，作用机制为阻断前列腺素合成酶（COX-1、COX-2）其中一种或两者。选择性COX-2抑制剂（昔布类）最初因胃肠道不良反应减少而被开发，后续却发现其与心血管不良反应相关。2004年，美国食品药品监督管理局（FDA）因rofecoxib显著增加心肌梗死与卒中风险，将其撤市。尽管其严重心血管不良反应与其独特代谢相关，2007年FDA仍因心脏毒性顾虑，拒绝批准etoricoxib上市。长期使用选择性COX-2抑制剂（如双氯芬酸）与非选择性COX-1/COX-2抑制剂（如布洛芬、萘普生、吲哚美辛）均被证实可增加心搏骤停风险[5]。 传统NSAID双氯芬酸的COX-2选择性与塞来昔布相当，且心血管风险呈剂量依赖性升高。对比COX-2抑制剂与NSAIDs的随机对照试验，存在方法学偏倚：无论适应证均使用最大剂量NSAIDs以夸大胃肠道获益，或选用COX-2选择性的双氯芬酸而非低剂量布洛芬/萘普生作对照，从而掩盖心血管风险。 观察性研究显示，COX-2抑制剂与高剂量NSAIDs（萘普生除外）治疗数周内即可升高心血管风险，萘普生为相对最安全的选择。COX抑制剂应间断使用最低有效剂量，心血管高危人群尤需谨慎。 临床中仅低剂量阿司匹林用于心血管疾病一级预防，因其不可逆阻断血小板COX-1，而对内皮COX-2无显著影响；相反，选择性COX-2抑制剂（昔布类）减少前列环素生成，却对 COX-1介导的血栓素A2生成无明显作用。 肿瘤坏死因子抑制剂 肿瘤坏死因子α（TNFα）抑制剂获批用于类风湿关节炎后，即被发现与心血管不良反应相关。检索FDA不良事件报告系统近10年中，依那西普、英夫利昔单抗、阿达木单抗、赛妥珠单抗、戈利木单抗相关心力衰竭报告共594 898条抗TNF药物不良事件记录，其中2869条为心力衰竭，超半数为女性（平均年龄64岁），发生心衰者中阿达木单抗使用率最高（73.9%）。依那西普与阿达木单抗均与心力衰竭显著相关[6]。 一项纳入观察性研究与Meta分析的类风湿关节炎合并心衰患者系统评价显示[7]，TNFα抑制剂（英夫利昔单抗、依那西普、阿达木单抗）不增加新发或恶化心衰风险，但≥65岁患者心衰住院风险与死亡风险升高。 糖皮质激素 外源性糖皮质激素用药约20%病例可出现高血压。同时，糖皮质激素与MACE风险的相关性证据存在矛盾。一项最新系统评价与Meta分析评估糖皮质激素与心血管风险（含MACE）的关联，得出两大核心结论[8]：糖皮质激素与MACE、冠心病、心力衰竭风险升高相关；MACE 风险随糖皮质激素累积剂量或日剂量增加而升高。 五、降糖药物 噻唑烷二酮类 噻唑烷二酮类（如罗格列酮、吡格列酮）为过氧化物酶体增殖物激活受体γ激动剂，调控参与糖脂代谢调控的胰岛素敏感基因转录。2007年发表的一项整合文献、FDA官网及罗格列酮厂商临床试验注册库的分析显示[9]，罗格列酮显著增加心肌梗死风险，心血管死亡风险呈临界升高。近期Meta分析证实，噻唑烷二酮类可加重既有心衰，增加新发心衰风险。一项纳入227 571例接受噻唑烷二酮类治疗的医保受益人群回顾性分析显示[10]，罗格列酮较吡格列酮心衰风险更高。 二肽基肽酶4抑制剂 2型糖尿病患者使用二肽基肽酶 4（DPP-4）抑制剂（如沙格列汀、西格列汀）与心衰风险升高相关，此类风险似为类效应，风险程度可能受联合用药影响。 胰高血糖素样肽1受体激动剂 近期胰高血糖素样肽 1（GLP-1）受体激动剂试验的事后分析出现争议信号，因其具有正性变时效应，可致心率加快。FIGHT试验事后分析提示[11]，在射血分数降低的心衰（HFrEF）患者中，利拉鲁肽可能升高心血管不良反应风险，诱因可能为心律失常风险增加及心衰事件恶化。LIVE研究显示[12]，利拉鲁肽治疗24周未改善左室射血分数（主要终点），左室内径、纽约心脏病协会（NYHA）心功能分级及生活质量均无变化，且有左室扩张的非显著性趋势，其获益缺失的可能解释为心率升高。EXSCEL试验评估每周1次艾塞那肽用于不同心血管风险的2型糖尿病患者（部分基线合并 HFrEF），整体试验对MACE复合终点呈中性结果；事后亚组分析显示，基线无心衰患者使用每周1次艾塞那肽可降低全因死亡风险，而既有心衰患者无此获益。此类争议信号可能与药物特异性及表型特异性效应相关，无法归为类效应。 六、心血管药物 钙通道阻滞剂 二氢吡啶类钙通道阻滞剂（如硝苯地平）可阻断钙离子跨膜内流进入心肌与血管平滑肌，兼具负性肌力与血管舒张作用。非二氢吡啶类（地尔硫卓、维拉帕米）同样具有负性肌力作用，且因血管舒张无法抵消负性肌力效应，较二氢吡啶类更易加重心衰。 一项纳入2466例近期心肌梗死患者的研究显示[13]，地尔硫卓增加不良心脏事件风险，风险与基线心衰严重程度直接相关，收缩功能障碍患者需慎用。 地尔硫卓与维拉帕米还可抑制窦房结自律性，引发缓慢性心律失常，无有效起搏器的窦房结功能障碍患者应避免使用。短效二氢吡啶类（如硝苯地平）因快速强效外周血管舒张作用，可引发反射性心动过速。 β受体阻滞剂 推荐剂量下β受体阻滞剂因治疗指数大，总体安全性良好。因负性肌力作用，起始用药可能导致心衰症状短暂加重，建议在心衰症状稳定后启动治疗。与其他药物联用可增加心血管不良反应风险，包括心动过缓、房室传导阻滞、低血压或心衰。部分β受体阻滞剂（如普萘洛尔、拉贝洛尔、醋丁洛尔）具有膜稳定作用，过量用药心脏毒性更显著。 除上述心脏效应外，需注意反跳现象：长期使用β受体阻滞剂突然停药，可导致高血压患者急性冠脉事件风险升高，心衰患者院内死亡风险增加，诱发心绞痛，并增加心肌梗死后死亡与再住院风险。 α1受体阻滞剂 ALLHAT研究显示[14]，多沙唑嗪组较氯噻酮组心衰风险翻倍，原因可能为扩血管所致水肿被误诊、多沙唑嗪降压幅度更小，或停用具有心衰保护作用的其他降压药后心衰显现。V-HeFT Ⅰ显示[15]，肼屈嗪联合硝酸异山梨酯较安慰剂降低死亡率、改善左室射血分数，而哌唑嗪无心血管获益。 地高辛 地高辛可引发多种类型心律失常。轻度中毒：最常见心动过缓、房室传导阻滞，与迷走张力过度兴奋相关；重度中毒：可出现房性与室性快速性心律失常，机制多为延迟后除极致自律性升高及/或异位节律。地高辛毒性可由药物相互作用诱发或加重。 七、抗心律失常药 Ⅰ类抗心律失常药 部分Ⅰ类抗心律失常药（钠通道阻滞剂）对特定人群具有潜在危害。丙吡胺对心衰患者具有负性肌力作用，可诱发或加重心衰[16]。氟卡尼可显著抑制左室功能不全患者的左室功能。有研究显示氟卡尼与死亡率升高相关，心衰或结构性心脏病患者应避免使用[17]。 Ⅲ类抗心律失常药 Ⅲ类抗心律失常药（索他洛尔、伊布利特、多非利特、阿莫卡兰、胺碘酮、决奈达隆）可延缓复极、阻断hERG通道。此类药物会延长QT间期，理论上及临床均证实存在尖端扭转型室速风险[18]。但胺碘酮与决奈达隆极少诱发尖端扭转型室速，可能与其同时阻断钙通道、可能还阻断钠通道相关。此外，胺碘酮可诱发甲状腺毒症，部分患者因此出现心房颤动。 结语 非肿瘤药物是现代治疗的重要组成部分，但其潜在的心血管不良反应常被低估，具有重要临床意义。心血管不良反应并非仅见于抗肿瘤药物，在抗生素、中枢神经系统药物、降糖药、抗炎药等常用药物，甚至心血管药物本身中均可出现。未来，系统药理学、药物基因组学及数字医疗技术的进步，有望改变药物性心血管风险的识别与管理模式。 参考文献 （上下滑动可查看） [1] M Cecilia Bahit , Pilar Agudo-Quilez , et al. Cardiovascular adverse effects of common non-oncologic medications: from mechanisms to clinical management. EHJ-Cardiovascular Pharmacotherapy, Volume 12, Issue 2, February 2026, Pages 118-134. [2] Ray WA, Murray KT, Hall K, et al. Azithromycin and the risk of cardiovascular death. N Engl J Med  2012;366:1881–1890. [3] Gorelik E, Masarwa R, Perlman A, et al. Fluoroquinolones and cardiovascular risk: a systematic review, meta-analysis and network meta-analysis. Drug Saf  2019;42:529–538. [4] Desmarais J, Rosenbaum JT, Costenbader KH, et al. American College of Rheumatology white paper on antimalarial cardiac toxicity. Arthritis Rheumatol  2021;73:2151–2160. [5] Sondergaard KB, Weeke P, Wissenberg M, et al. Non-steroidal anti-inflammatory drug use is associated with increased risk of out-of-hospital cardiac arrest: a nationwide case-time-control study. Eur Heart J Cardiovasc Pharmacother  2017;3:100-107. [6] Al-Mabrouk Y, Hamdan O, Alsawalmeh A, et al. Are anti-TNF medications related to heart failure? A study of the FAERS database. J Am Coll Caridiol 2025;85:1419. [7] Hussain A, Tarahomi T, Singh L, et al. Cardiovascular risk associated with TNF alpha inhibitor use in patients with rheumatoid arthritis. Cureus  2021;13:e17938.[8] Deng H-W, Mei W-Y, Xu Q, et al. The role of glucocorticoids in increasing cardiovascular risk. Front Cardiovasc Med  2023;10:1187100.[9] Nissen S, Wolski K. Effect of rosiglitazone on the risk of myocardial infarction and death from cardiovascular causes. N Engl J Med  2007;356:2457–2471.[10] Graham DJ, Ouellet-Hellstrom R, MaCurdy T, et al. Risk of acute myocardial infarction, stroke, heart failure, and death in elderly Medicare patients treated with rosiglitazone or pioglitazone. JAMA  2010;304:411-418.[11] Neves JS, Vasques-Nóvoa F, Borges-Canha M, et al. Risk of adverse events with liraglutide in heart failure with reduced ejection fraction: a post hoc analysis of the FIGHT trial. Diabetes Obes Metab  2023;25:189–197.[12] Komajda M. Liraglutide in heart failure: caution is needed. Eur J Heart Fail  2017;19:78-79.[13] Multicenter Diltiazem Postinfarction Trial Research Group. The effect of diltiazem on mortality and reinfarction after myocardial infarction. N Engl J Med  1988;319:385–392.[14] Major cardiovascular events in hypertensive patients randomized to doxazosin vs chlorthalidone: the antihypertensive and lipid-lowering treatment to prevent heart attack trial (ALLHAT). ALLHAT Collaborative Research Group. JAMA  2000;283:1967–1975.[15] Cohn JN, Archibald DG, Ziesche S, et al. Effect of vasodilator therapy on mortality in chronic congestive heart failure. Results of a Veterans Administration Cooperative Study. N Engl J Med  1986;314:1547–1552.[16] Jensen G, Sigurd B, Uhrenholt A. Haemodynamic effects of intravenous disopyramide in heart failure. Eur J Clin Pharmacol,1975;8:167–173.[17] Legrand V, Materne P, Vandormael M, et al. Comparative haemodynamic effects of intravenous flecainide in patients with and without heart failure and with and without beta-blocker therapy. Eur Heart J  1985;6:664–671.[18] Shah RR. Drug-induced QT interval prolongation: regulatory perspectives and drug development. Ann Med  2004;36:47–52. 声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。 最新《国际糖尿病》读者专属微信交流群建好了，快快加入吧！扫描左边《国际糖尿病》小助手二维码（微信号：guojitnb），回复“国际糖尿病读者”，ta会尽快拉您入群滴！ （来源：《国际循环》编辑部）