免疫相關(guān)基因FGF13、GZMB、FLT3、CRLF3可能與急性髓系白血病患者預(yù)后密切相關(guān)

劉瓊芝，黃文麗

（1.長(zhǎng)沙市中心醫(yī)院，長(zhǎng)沙 410028；2.長(zhǎng)沙金域醫(yī)學(xué)檢驗(yàn)實(shí)驗(yàn)室有限公司，長(zhǎng)沙 410205）

急性髓系白血病（acute myeloid leukemia，AML）是成人急性白血病中最常見(jiàn)的一種，其發(fā)病率隨著年齡增長(zhǎng)逐漸增加，且患者預(yù)后較差［1］?，F(xiàn)今，AML的主要治療方式為化療、靶向治療和造血干細(xì)胞移植，這使AML患者病情有所緩解［2］，但在臨床表現(xiàn)和治療預(yù)后方面，患者之間存在較大的異質(zhì)性。進(jìn)一步探究發(fā)現(xiàn)，這種異質(zhì)性更加體現(xiàn)在基因?qū)用?，?fù)發(fā)的原因可能與部分白血病細(xì)胞發(fā)生免疫逃逸，從而在骨髓中形成殘留病灶有關(guān)［3-4］。因此，進(jìn)一步探究AML的骨髓微環(huán)境對(duì)于優(yōu)化治療方案以及提高 AML患者的生存率具有重要的意義。雖然既往有許多分析腫瘤微環(huán)境中免疫細(xì)胞構(gòu)成與預(yù)后之間關(guān)系的研究，但關(guān)于AML的研究較少［5］。本研究根據(jù)免疫基因構(gòu)建預(yù)后風(fēng)險(xiǎn)模型，比較高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組AML患者之間骨髓微環(huán)境中免疫細(xì)胞的分布比例，進(jìn)而分析風(fēng)險(xiǎn)模型與AML的免疫細(xì)胞浸潤(rùn)模式的相關(guān)性及其預(yù)后價(jià)值，旨在為改善AML治療和預(yù)后效果提供新的方向。

1 材料與方法

1.1 TCGA數(shù)據(jù)庫(kù)分析

通過(guò)癌癥基因組圖譜（The Cancer Genome Atlas，TCGA）數(shù)據(jù)庫(kù)（https://portal.gdc.cancer.gov/）下載141例AML（TCGA-LAML）樣本的RNA表達(dá)數(shù)據(jù)以及生存等臨床信息。本研究通過(guò)基因表達(dá)綜合（Gene Expression Omnibus，GEO）數(shù)據(jù)庫(kù)（http://www.ncbi.nlm.nih.goc/geo/）下載轉(zhuǎn)錄組RNA測(cè)序數(shù)據(jù)集GSE15601，其中包括69例正常對(duì)照和202例AML患者的骨髓樣本。

1.2 篩選差異表達(dá)基因及獲取相關(guān)免疫基因、候選基因

通過(guò)R軟件包limma，以P<0.05為閾值，篩選數(shù)據(jù)集GSE15601中正常對(duì)照與AML患者的骨髓樣本間的差異表達(dá)基因。從IMMPORT數(shù)據(jù)庫(kù)（https://www.immport.org/home）中下載人類(lèi)免疫及免疫相關(guān)基因。利用jvenn工具（http://jvenn.toulouse.inra.fr/）取數(shù)據(jù)集GSE15601中差異表達(dá)基因與免疫基因的交集，并繪制Venn圖，得到候選基因。

1.3 構(gòu)建預(yù)后風(fēng)險(xiǎn)模型

使用TCGA-LAML數(shù)據(jù)集，采用R語(yǔ)言包survival對(duì)55個(gè)免疫基因進(jìn)行單因素COX回歸分析以及多因素COX回歸分析，建立預(yù)后風(fēng)險(xiǎn)模型，并計(jì)算回歸模型下每位患者的風(fēng)險(xiǎn)評(píng)分。風(fēng)險(xiǎn)評(píng)分=各基因回歸系數(shù)×其表達(dá)水平之和。

1.4 繪制生存分析曲線和接受者操作特性曲線（ROC）

根據(jù)風(fēng)險(xiǎn)評(píng)分的中位值將患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組，并進(jìn)行Kaplan-Meier生存分析，以比較高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組之間的總體生存期（overall survival，OS）差異，選擇P<0.05作為截止值。同時(shí)繪制風(fēng)險(xiǎn)曲線和生存狀態(tài)圖，并基于R軟件包pheatmap繪制4個(gè)預(yù)后基因在高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組中表達(dá)的熱圖。采用R軟件包timeROC進(jìn)行分析，繪制接受者操作特性曲線（receiver operating characteristic curve，ROC）以評(píng)估預(yù)后風(fēng)險(xiǎn)模型的準(zhǔn)確性。

1.5 繪制臨床相關(guān)性分析和列線圖

基于TCGA-LAML數(shù)據(jù)集中AML患者的年齡（≤65和＞65）、性別（男和女）進(jìn)行分組，比較組間風(fēng)險(xiǎn)評(píng)分的差異。根據(jù)患者臨床信息（年齡、性別、生存時(shí)間）以及風(fēng)險(xiǎn)評(píng)分，采用R軟件包rms繪制列線圖，以評(píng)估AML患者的預(yù)后。

1.6 腫瘤微環(huán)境分析

ESTIMATE是一種預(yù)測(cè)腫瘤純度的工具，可基于基因表達(dá)數(shù)據(jù)預(yù)測(cè)腫瘤組織中浸潤(rùn)的基質(zhì)/免疫細(xì)胞的存在。ESTIMATE算法基于單樣本基因集富集分析生成三個(gè)評(píng)分：基質(zhì)評(píng)分（捕獲腫瘤組織中基質(zhì)的存在）、免疫評(píng)分（表示免疫細(xì)胞在腫瘤組織中的浸潤(rùn)）、ESTIMATE評(píng)分（綜合基質(zhì)評(píng)分和免疫評(píng)分，推斷腫瘤純度）［6］。我們使用R軟件包estimate（https://r-forge.r-project.org/projects/estimate/）計(jì)算高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的基質(zhì)評(píng)分、免疫評(píng)分、ESTIMATE評(píng)分以及重量純度，并進(jìn)行組間比較。

1.7 免疫浸潤(rùn)分析

通過(guò)CIBERSORT算法估計(jì)TCGA-LAML數(shù)據(jù)集中22種免疫細(xì)胞的浸潤(rùn)比例，模擬次數(shù)為1 000次［7］?；赗軟件包c(diǎn)orrplot（https://CRAN.R-project.org/package=corrplot）對(duì)預(yù)后基因或風(fēng)險(xiǎn)評(píng)分與免疫細(xì)胞含量進(jìn)行相關(guān)性分析，以|r|>0.2且P<0.05為標(biāo)準(zhǔn)閾值，其中r為相關(guān)系數(shù)。

1.8 免疫檢查點(diǎn)相關(guān)性分析和差異分析

收集47個(gè)常見(jiàn)的免疫檢查點(diǎn)，分別為：IDO1、LAG3、CTLA4、TNFRSF9、ICOS、CD80、PDCD1LG2、TIGIT、CD70、TNFSF9、ICOSLG、KIR3DL1、CD86、PDCD1、LAIR1、TNFRSF8、TNFSF15、TNFRSF14、IDO2、CD276、CD40、TNFRSF4、TNFSF14、HHLA2、CD244、CD274、HAVCR2、CD27、BTLA、LGALS9、TMIGD2、CD28、CD48、TNFRSF25、CD40LG、ADORA2A、VTCN1、CD160、CD44、TNFSF18、TNFRSF18、BTNL2、C10orf54、CD200R1、TNFSF4、CD200、NRP1。首先，篩選出高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組間差異表達(dá)的免疫檢查點(diǎn)，然后，進(jìn)一步基于R軟件包c(diǎn)orrplot分析免疫檢查點(diǎn)表達(dá)與風(fēng)險(xiǎn)評(píng)分的相關(guān)性，以|r|>0.3以及P<0.05為標(biāo)準(zhǔn)閾值進(jìn)行篩選。

2 結(jié)果與分析

2.1 AML中55個(gè)免疫基因差異表達(dá)

通過(guò)GEO數(shù)據(jù)庫(kù)得到AML患者和正常對(duì)照的骨髓樣本的轉(zhuǎn)錄組RNA-seq數(shù)據(jù)集GSE15061，以P<0.05為閾值篩選出差異表達(dá)的基因，選取差異表達(dá)最為顯著的前500個(gè)基因（圖1a）。同時(shí)，從IMMPORT數(shù)據(jù)庫(kù)中下載到1 793個(gè)免疫相關(guān)基因，取差異表達(dá)的基因與免疫相關(guān)基因的交集，獲得AML患者中差異表達(dá)顯著的55個(gè)免疫相關(guān)基因（圖1b）。

圖1 AML中差異表達(dá)的免疫基因的篩選Fig.1 Screening of differentially expressed immune genes in AML

2.2 免疫基因的預(yù)后風(fēng)險(xiǎn)模型構(gòu)建

在TCGA數(shù)據(jù)庫(kù)中下載AML的轉(zhuǎn)錄組RNA測(cè)序數(shù)據(jù)集TCGA-LAML，其中包含141例AML患者的骨髓樣本以及臨床信息。首選以上55個(gè)免疫基因進(jìn)行單因素COX分析（以P<0.05為閾值），發(fā)現(xiàn)其中6個(gè)基因（FLT3、FGF13、CRLF3、GZMB、KLRD1、IGF2R）與AML患者的生存情況顯著相關(guān)（圖2a）。隨后，通過(guò)多因素COX分析構(gòu)建包含4個(gè)免疫基因（FGF13、GZMB、FLT3、CRLF3）的風(fēng)險(xiǎn)模型，根據(jù)以下公式計(jì)算每位患者的風(fēng)險(xiǎn)評(píng)分：風(fēng)險(xiǎn)評(píng)分=（-1.645 7×ExpFGF13）+（0.064 9×ExpGZMB）+（0.002 9×ExpFLT3）+（-0.064 6×ExpCRLF3），其中Exp表示基因表達(dá)。以風(fēng)險(xiǎn)評(píng)分中位數(shù)為分界線，將患者劃分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組（圖2b）。通過(guò)進(jìn)一步對(duì)風(fēng)險(xiǎn)模型中AML患者的生存狀態(tài)進(jìn)行統(tǒng)計(jì)，結(jié)果發(fā)現(xiàn)，高風(fēng)險(xiǎn)組中死亡患者的數(shù)目要多于低風(fēng)險(xiǎn)組，并且其生存時(shí)間普遍更短（圖2c）。4個(gè)免疫基因在低風(fēng)險(xiǎn)組與高風(fēng)險(xiǎn)組間也存在一定的差異表達(dá)（圖2d）。

圖2 基于TCGA-LAML數(shù)據(jù)集構(gòu)建預(yù)后風(fēng)險(xiǎn)模型Fig.2 Construction of a prognostic risk model based on the TCGA-LAML dataset

2.3 由FGF13、GZMB、FLT3、CRLF3構(gòu)建的風(fēng)險(xiǎn)模型可準(zhǔn)確預(yù)測(cè)AML患者的預(yù)后

Kaplan-Meier生存曲線分析結(jié)果表明，低風(fēng)險(xiǎn)組患者的存活時(shí)間明顯高于高風(fēng)險(xiǎn)組患者（圖3a）。ROC分析結(jié)果也顯示了風(fēng)險(xiǎn)模型1、2、3 年總生存率的良好預(yù)測(cè)準(zhǔn)確性（圖3b）。進(jìn)一步分析該風(fēng)險(xiǎn)模型與AML患者臨床參數(shù)的相關(guān)性，結(jié)果顯示，高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組患者的性別無(wú)明顯差異（圖3c），高風(fēng)險(xiǎn)組患者的年齡顯著高于低風(fēng)險(xiǎn)組（圖3d）。繪制列線圖展示了風(fēng)險(xiǎn)評(píng)分、年齡和性別對(duì)患者生存的預(yù)測(cè)能力，總得分可用于預(yù)測(cè)AML患者1、2、3年生存率（圖3e），并繪制了1年生存率的校正曲線（圖3f）。以上結(jié)果表明，由4個(gè)免疫基因（FGF13、GZMB、FLT3、CRLF3）構(gòu)建的風(fēng)險(xiǎn)模型可準(zhǔn)確預(yù)測(cè)AML患者的預(yù)后。

圖3 風(fēng)險(xiǎn)模型在AML患者預(yù)后中的預(yù)測(cè)價(jià)值Fig.3 Predictive value of risk models in the prognosis of AML patients

2.4 風(fēng)險(xiǎn)模型與AML腫瘤微環(huán)境中免疫浸潤(rùn)密切相關(guān)

在腫瘤微環(huán)境中，免疫細(xì)胞和基質(zhì)細(xì)胞是兩種主要類(lèi)型的非腫瘤組分，并且已被提出對(duì)于腫瘤的診斷和預(yù)后評(píng)估是有價(jià)值的。為了探究4個(gè)免疫基因構(gòu)建的風(fēng)險(xiǎn)模型與AML腫瘤微環(huán)境是否相關(guān)，我們基于EATIMATE算法計(jì)算基質(zhì)評(píng)分、免疫評(píng)分、ESTIMATE評(píng)分以及腫瘤純度，評(píng)分越高說(shuō)明細(xì)胞含量越高。結(jié)果表明：高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組基質(zhì)評(píng)分無(wú)顯著差異（圖4a）；高風(fēng)險(xiǎn)組免疫評(píng)分顯著高于低風(fēng)險(xiǎn)組（圖4b）；高風(fēng)險(xiǎn)組綜合評(píng)分顯著高于低風(fēng)險(xiǎn)組（圖4c）；高風(fēng)險(xiǎn)組腫瘤純度顯著高于低風(fēng)險(xiǎn)組（圖4d）。這說(shuō)明，由FGF13、GZMB、FLT3、CRLF3構(gòu)建的風(fēng)險(xiǎn)模型與免疫浸潤(rùn)密切相關(guān)。

圖4 高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組AML樣本的腫瘤微環(huán)境分析Fig.4 Tumor microenvironment analysis of AML samples in high-risk group and low-risk group

2.5 風(fēng)險(xiǎn)模型與AML中免疫細(xì)胞的含量密切相關(guān)

前面結(jié)果顯示，該風(fēng)險(xiǎn)模型與免疫浸潤(rùn)存在顯著相關(guān)性。我們進(jìn)一步通過(guò)CIBERSORT算法估計(jì)了TCGA-LAML數(shù)據(jù)集中22種免疫細(xì)胞的浸潤(rùn)比例，并分析了兩組免疫細(xì)胞含量的差異。結(jié)果顯示：高風(fēng)險(xiǎn)組中未激活的B細(xì)胞、CD8+T細(xì)胞、激活的自然殺傷細(xì)胞的含量顯著高于低風(fēng)險(xiǎn)組，同時(shí)，以上免疫細(xì)胞的含量與風(fēng)險(xiǎn)評(píng)分顯著正相關(guān)（圖5a～5c、5e）；高風(fēng)險(xiǎn)組中未激活的CD4+T細(xì)胞、靜息的肥大細(xì)胞的含量顯著低于低風(fēng)險(xiǎn)組，同時(shí)，以上免疫細(xì)胞的含量與風(fēng)險(xiǎn)評(píng)分顯著負(fù)相關(guān)（圖5a、5d、5f）。

圖5 基于CIBERSORT算法估計(jì)高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組免疫細(xì)胞含量Fig.5 Estimation of immune cell content in high-risk group and low-risk group based on CIBERSORT

2.6 風(fēng)險(xiǎn)模型與多個(gè)免疫檢查點(diǎn)顯著相關(guān)

本文分析了47個(gè)常見(jiàn)的免疫檢查點(diǎn)在高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的表達(dá)，其中15個(gè)免疫檢查點(diǎn)的表達(dá)存在顯著差異（圖6a）。相關(guān)性分析結(jié)果顯示，其中4個(gè)免疫檢查點(diǎn)（CTLA4、PDCD1、KIR3DL、LAG3）與風(fēng)險(xiǎn)評(píng)分的相關(guān)性顯著，且均為正相關(guān)（圖6b～6f）。這也進(jìn)一步體現(xiàn)了該風(fēng)險(xiǎn)模型在AML患者免疫治療中的應(yīng)用潛力。

圖6 風(fēng)險(xiǎn)模型與免疫檢查點(diǎn)相關(guān)性分析Fig.6 Correlation analysis between risk model and immune checkpoint

2.7 FGF13、GZMB、FLT3、CRLF3與AML患者生存、免疫細(xì)胞含量顯著相關(guān)

為了進(jìn)一步探究風(fēng)險(xiǎn)模型中4個(gè)免疫基因（FGF13、GZMB、FLT3、CRLF3）與AML患者生存、免疫細(xì)胞含量的相關(guān)性。我們基于TCGA-LAML數(shù)據(jù)集，根據(jù)基因高/低表達(dá)進(jìn)行分組。Kaplan-Meier生存曲線分析結(jié)果表明：高表達(dá)FGF13、CRLF3組患者的存活時(shí)間明顯高于低表達(dá)組患者（圖7a、7g）；高表達(dá)GZMB、FLT3組患者的存活時(shí)間明顯低于低表達(dá)組患者（圖7c、7e）。免疫細(xì)胞的含量差異分析結(jié)果表明：高表達(dá)和低表達(dá)FGF13組間靜息的CD4+記憶T細(xì)胞、單核細(xì)胞、M2巨噬細(xì)胞、靜息的肥大細(xì)胞含量存在顯著差異（圖7b）；高表達(dá)和低表達(dá)GZMB組間未激活的B細(xì)胞、漿細(xì)胞、CD8+T細(xì)胞、激活的CD4+T細(xì)胞、靜息的自然殺傷細(xì)胞、靜息的樹(shù)突狀細(xì)胞、靜息的肥大細(xì)胞、嗜酸性粒細(xì)胞的含量存在顯著差異（圖7d）；高表達(dá)和低表達(dá)CRLF3組間γδ T細(xì)胞、M2巨噬細(xì)胞、嗜酸性粒細(xì)胞、中性白細(xì)胞含量存在顯著差異（圖7h）；高表達(dá)和低表達(dá)CRLF3組間靜息的CD4+T細(xì)胞、激活的自然殺傷細(xì)胞含量存在顯著差異（圖7f）。

圖7 FGF13、GZMB、FLT3、CRLF3與AML患者生存、免疫細(xì)胞含量的相關(guān)性Fig.7 Correlation between FGF13, GZMB, FLT3, CRLF3 and survival and immune cell content in AML patients

3 討論

AML作為一種侵襲性的血液惡性腫瘤，疾病進(jìn)展快速且預(yù)后較差，目前認(rèn)為這與骨髓微環(huán)境相關(guān)［8］。骨髓微環(huán)境是由免疫細(xì)胞、基質(zhì)細(xì)胞、細(xì)胞外基質(zhì)以及細(xì)胞因子等一起構(gòu)成的動(dòng)態(tài)系統(tǒng)。其中，基質(zhì)細(xì)胞和免疫細(xì)胞是AML發(fā)生發(fā)展所必需的主要成分［9］。AML的骨髓微環(huán)境在患者治療和預(yù)后中發(fā)揮著極其重要的作用，然而，其中相關(guān)細(xì)胞及分子在AML預(yù)后中的作用并不清楚［10］。本研究基于141例TCGA-LAML樣本，通過(guò)EATIMATE算法計(jì)算高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組的基質(zhì)評(píng)分、免疫評(píng)分、ESTIMATE評(píng)分以及腫瘤純度，結(jié)果顯示，免疫細(xì)胞浸潤(rùn)可能在AML腫瘤微環(huán)境中發(fā)揮了重要作用。鑒于AML患者骨髓微環(huán)境的免疫特征仍然不是很清楚，我們有必要對(duì)于骨髓微環(huán)境中免疫細(xì)胞浸潤(rùn)模式進(jìn)行進(jìn)一步的探究，篩選免疫相關(guān)預(yù)后基因，建立準(zhǔn)確性良好的預(yù)后風(fēng)險(xiǎn)模型，并為AML患者個(gè)體化治療提供重要的參考價(jià)值。

目前尚缺乏免疫基因相關(guān)AML預(yù)后評(píng)估模型。本研究首次提出4個(gè)重要的免疫基因（FGF13、GZMB、FLT3、CRLF3）構(gòu)建的風(fēng)險(xiǎn)評(píng)估模型可準(zhǔn)確預(yù)測(cè)AML患者的預(yù)后，其中，F(xiàn)GF13、CRLF3為低風(fēng)險(xiǎn)基因，GZMB、FLT3為高風(fēng)險(xiǎn)基因。研究發(fā)現(xiàn)，F(xiàn)GF13在多種腫瘤中均發(fā)揮了一定的功能［11-12］，其中，F(xiàn)GF13與肝細(xì)胞癌微環(huán)境中免疫細(xì)胞浸潤(rùn)密切相關(guān)［13］。GZMB編輯的蛋白可由自然殺傷細(xì)胞和細(xì)胞毒性T淋巴細(xì)胞分泌，被認(rèn)為是一種細(xì)胞毒性的促凋亡蛋白酶［14］。值得一提的是，GZMB在乳腺癌等腫瘤免疫浸潤(rùn)中具有一定的功能［15］。本研究也發(fā)現(xiàn)，與低表達(dá)GZMB組相比，高表達(dá)GZMB組CD8+T細(xì)胞、靜息的自然殺傷細(xì)胞等的含量顯著升高，靜息的肥大細(xì)胞、嗜酸性粒細(xì)胞等的含量顯著降低。目前已有較多的研究表明，F(xiàn)LT3與AML發(fā)生發(fā)展存在關(guān)聯(lián)［16-17］，并在臨床治療上展現(xiàn)了一定的價(jià)值［18］。如Patnaik等［16］發(fā)現(xiàn)，F(xiàn)LT3-ITD是一個(gè)負(fù)面的預(yù)后因素，即使在化療或干細(xì)胞移植后仍具有預(yù)后相關(guān)性，這也與本研究結(jié)果一致。CRLF3在血小板形成的最后階段發(fā)揮了關(guān)鍵作用，是血小板血癥潛在的治療靶點(diǎn)［19］。雖然暫無(wú)研究顯示CRLF3與骨髓微環(huán)境存在關(guān)聯(lián)，但有證據(jù)表明，CRLF3在改善AML患者預(yù)后中可能存在一定的價(jià)值［20］。此外，本研究單基因預(yù)后分析結(jié)果也顯示，F(xiàn)GF13、GZMB、FLT3、CRLF3與AML預(yù)后顯著相關(guān)，同時(shí)與骨髓微環(huán)境中多種免疫細(xì)胞的含量密切相關(guān)。各免疫基因發(fā)揮作用的具體機(jī)制亟待進(jìn)一步探究。

越來(lái)越多的研究顯示，腫瘤浸潤(rùn)性免疫細(xì)胞在預(yù)測(cè)腫瘤治療和預(yù)后效果中發(fā)揮了重要作用，部分免疫細(xì)胞亞群的作用尤為突出［21-22］?；谌ゾ矸e原理的CIBERSORT算法可以利用標(biāo)準(zhǔn)化的基因表達(dá)數(shù)據(jù)去計(jì)算不同免疫細(xì)胞亞群的相對(duì)比例，進(jìn)而量化特定細(xì)胞類(lèi)型的豐度，在一定程度上克服了傳統(tǒng)分析方法的缺陷［23］，目前已應(yīng)用于多種腫瘤中［24-25］。本研究采用CIBERSORT算法估計(jì)AML骨髓樣本中22種免疫細(xì)胞的分布比例，并依據(jù)風(fēng)險(xiǎn)評(píng)分將樣本分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組，同時(shí)比較組間免疫細(xì)胞含量的差異。在過(guò)去的十年里，免疫治療在腫瘤治療方面取得了巨大的進(jìn)步，實(shí)現(xiàn)腫瘤免疫治療的一個(gè)極有希望的方法是阻斷免疫檢查點(diǎn)途徑［26］。本研究構(gòu)建的預(yù)后風(fēng)險(xiǎn)模型與4個(gè)免疫檢查點(diǎn)（CTLA4、PDCD1、KIR3DL、LAG3）顯著相關(guān)。結(jié)合研究表明，以上免疫檢查點(diǎn)已在臨床上應(yīng)用廣泛［27-28］。這也進(jìn)一步明確了該免疫相關(guān)的風(fēng)險(xiǎn)模型在AML免疫治療中的應(yīng)用潛力。

綜上所述，本研究依據(jù)多種數(shù)據(jù)庫(kù)，通過(guò)生物信息學(xué)構(gòu)建了包含4個(gè)免疫相關(guān)基因（FGF13、GZMB、FLT3、CRLF3）的預(yù)后風(fēng)險(xiǎn)模型。該模型與免疫細(xì)胞以及CTLA4等免疫檢查點(diǎn)密切相關(guān)，同時(shí)可預(yù)測(cè)AML患者的預(yù)后。需說(shuō)明的是，本研究的結(jié)論是基于公共數(shù)據(jù)庫(kù)數(shù)據(jù)以及生物信息學(xué)分析所得，仍有待開(kāi)展相關(guān)體內(nèi)外試驗(yàn)加以驗(yàn)證，這也是本項(xiàng)目組今后工作的重點(diǎn)。本研究為探究免疫相關(guān)基因在AML骨髓微環(huán)境中的作用機(jī)制提供了生物信息學(xué)證據(jù)，為后續(xù)改善AML治療和預(yù)后提供了新的靶點(diǎn)，具有較好的理論指導(dǎo)價(jià)值。