AIF1 在急性髓系白血病中的表達(dá)及生物信息學(xué)分析

高婭婭，李妙雨，孫文瑞，賈雙雙，田 彪，肖婉婷，張春燕，馮 娟，高廣勛

（1.陜西中醫(yī)藥大學(xué)第二臨床醫(yī)學(xué)院，陜西 咸陽 712000；2.解放軍空軍軍醫(yī)大學(xué)西京醫(yī)院血液內(nèi)科，陜西 西安 710000）

急 性 髓 系 白 血 病（acute myeloid leukemia ，AML） 可由基因突變、染色體易位或分子水平的變化引起，是一種生存具有高度異質(zhì)性的疾病，預(yù)后不一。AML 是成年人中最常見的白血病，約占所有疾病的80%［1］。隨著診療技術(shù)的進(jìn)展，AML 患者的生存較前有所改善，但老年人群的預(yù)后仍然較差［2］。新的生物標(biāo)志物的發(fā)現(xiàn)可能有助于更好地理解AML 的分子基礎(chǔ)，并在AML 的診斷、療效預(yù)測、預(yù)后判斷中發(fā)揮重要作用，甚至為未來的靶向藥物開發(fā)和治療提供新的靶點(diǎn)。

同種異體移植炎癥因子-1（allograft inflammatory factor 1，AIF1）是一種 17 kDa 的鈣結(jié)合蛋白，由單核細(xì)胞、巨噬細(xì)胞和淋巴細(xì)胞產(chǎn)生，它的合成是由 INF-γ 誘 導(dǎo) 的［3］。AIF1 基 因 位 于 染 色 體 6p21.3上的主要組織相容性復(fù)合體 Ⅲ類區(qū)域。既往在多種不同的疾病中觀察到 AIF1 表達(dá)增加，包括子宮內(nèi)膜異位癥，動脈粥樣硬化，類風(fēng)濕性關(guān)節(jié)炎和纖維化［4，5］。既往研究報(bào)道AIF1 在神經(jīng)系統(tǒng)退行性疾病和代謝紊亂（如代謝綜合征和糖尿病）中促進(jìn)疾病發(fā)生發(fā)展的作用［5，6］，在糖尿病腎病中 AIF1 通過miR-34a/ATG4B 通路調(diào)節(jié)人腎小球內(nèi)皮細(xì)胞的炎癥、氧化應(yīng)激和自噬水平，通過體內(nèi)體外實(shí)驗(yàn)研究發(fā)現(xiàn) AIF1 表達(dá)升高時(shí)，miR-34a、活性氧和炎癥因子水平明顯升高，而自噬相關(guān)蛋白下降，而 AIF1 基因下調(diào)效果相反［7］。也發(fā)現(xiàn) AIF1 參與多種不同的腫瘤疾病中，包括乳腺癌，肝細(xì)胞癌，非小細(xì)胞肺癌等。在乳腺癌中，AIF1 通過激活 NF-κB/細(xì)胞周期蛋白 D1 通路促進(jìn)乳腺癌增殖，促進(jìn)腫瘤生長［8］。在肝細(xì)胞癌中 AIF1 表達(dá)升高與門靜脈腫瘤血栓形成顯著相關(guān)，沉默 AIF1 表達(dá)可抑制肝細(xì)胞癌細(xì)胞增殖和遷移［9］。在結(jié)直腸癌中 AIF1 通過激活 p38 MAPK 信號通路抑制結(jié)直腸癌細(xì)胞增殖和遷移，誘導(dǎo)細(xì)胞發(fā)生凋亡從而發(fā)揮抗腫瘤作用［10］。在非小細(xì) 胞 肺 癌 中，AIF1 通 過 激 活 p38 MAPK 和 JAK/STAT 信號通路來促進(jìn)非小細(xì)胞肺癌細(xì)胞系的增殖、遷移、IL-6 分泌和 VEGF 分泌［11］。非小細(xì)胞肺癌中高 AIF1 表達(dá)還與轉(zhuǎn)移、較高的 TNM 分期和較差的生存率有關(guān)。在血液腫瘤中，課題組通過GEO 骨髓瘤數(shù)據(jù)集分析發(fā)現(xiàn)AIF1 在多發(fā)性骨髓瘤（multiple myeloma，MM）中低表達(dá)，且與MM 進(jìn)展、治療反應(yīng)、ISS 分期及無進(jìn)展生存期呈負(fù)相關(guān)。體外細(xì)胞水平驗(yàn)證了過表達(dá)AIF1 后增加了骨髓瘤H929、U266 細(xì)胞的凋亡比例，降低了自噬水平，初步機(jī)制探索認(rèn)為AIF1 可能是通過 PI3K/AKT 通路影響 MM 細(xì)胞自噬和凋亡，綜上表明 AIF1 可能在MM 發(fā)生發(fā)展中發(fā)揮著重要的作用。

本研究旨在通過數(shù)據(jù)庫挖掘分析確定AIF1 的表達(dá)量與AML 預(yù)后之間的關(guān)系：首先，獲得癌癥基因組圖譜（TCGA）和基因型-組織表達(dá)（GTEx）的初治AML 樣本RNA-seq 數(shù)據(jù)，分析核心基因AIF1的差異表達(dá)［12］。其次，通過GO、KEGG 對AIF1 進(jìn)行功能富集和通路富集分析，選擇與AIF1 相關(guān)的顯著改變的基因和通路。最后， 應(yīng)用GEO 數(shù)據(jù)庫的生存數(shù)據(jù)集進(jìn)行Kaplan-Meier 生存曲線繪制、采用Cox 回歸和諾莫圖預(yù)測模型，分析AIF1 在AML中的臨床意義。

1 材料與方法

1.1 RNA-seq 數(shù)據(jù)和生物信息學(xué)分析

通 過UCSC Xena （https：//xenabrowser.net/datapages/）網(wǎng)站獲得癌癥基因組圖譜（TCGA）數(shù)據(jù)庫和基因型-組織表達(dá)（GTEx）數(shù)據(jù)庫的33 種腫瘤類型和正常組織的RNA-seq 數(shù)據(jù)及相關(guān)臨床數(shù)據(jù)［13］。從TCGA 數(shù)據(jù)庫（https：//portal.gdc.cancer.gov/repository） 獲 取 初 治 AML 樣 本 的HTSeq-FPKM 和HTSeq-Count 數(shù)據(jù)進(jìn)一步分析。本研究實(shí)施的所有程序均符合《赫爾辛基宣言》（2013 年修訂）。

1.2 人類蛋白質(zhì)圖譜（HPA）數(shù)據(jù)庫分析

HPA（https：//www.proteinatlas.org/）數(shù) 據(jù) 庫包含蛋白組學(xué)、轉(zhuǎn)錄組學(xué)以及系統(tǒng)生物學(xué)數(shù)據(jù)，可以繪制組織、細(xì)胞、器官等圖譜，不僅收錄了腫瘤組織以及正常組織的蛋白表達(dá)情況，還可以繪制腫瘤患者的生存曲線［14］。本研究以“AIF1”為關(guān)鍵詞分析了AIF1 在各種細(xì)胞系如白血病細(xì)胞系、肺細(xì)胞系、乳腺細(xì)胞系和腦細(xì)胞系中的表達(dá)。

1.3 差異表達(dá)基因（DEGs）分析

使用R 軟件中的“l(fā)imma”包對合并后的數(shù)據(jù)集進(jìn) 行 差 異 基 因 分 析，以P＜0.05（P：校 正P）與|log2FC|＞1.5 為過濾條件篩選DEGs。通過分析不同AIF1 表達(dá)組之間的差異表達(dá)基因（低表達(dá)組：0%～50%； 高表達(dá)組：50%～100%），利用pheatmap 包繪制熱圖，并標(biāo)注上調(diào)與下調(diào)最顯著的前10個(gè)DEGs。

1.4 富集分析

運(yùn) 用R 軟 件 中“clusterProfiler”包，以P＜0.05為過濾條件，對DEGs 進(jìn)行基因本體 （gene ontology，GO）、京都基因和基因組數(shù)據(jù)庫（Kyoto encyclopedia of genes and genomes，KEGG）和 疾 病 本 體（disease on-tology，DO）富集分析。

1.5 蛋白質(zhì)互作（PPI）網(wǎng)絡(luò)

利用Metascape （https：//metascape.org/gp/index.htm）進(jìn)行通路和過程富集分析。使用STRING數(shù)據(jù)庫預(yù)測DEGs 的PPI 網(wǎng)絡(luò)。用Cytoscape（版本3.9.0）繪制PPI 網(wǎng)絡(luò)，并使用MCODE（版本1.6.1）識別PPI 網(wǎng)絡(luò)中最重要的模塊。根據(jù)PPI 的中心節(jié)點(diǎn)及聚類情況，篩選在顯著性富集結(jié)果中出現(xiàn)的基因?yàn)殛P(guān)鍵基因［15］。

1.6 預(yù)后模型生成和預(yù)測

使用RMSR 軟件（版本6.2.0）生成諾莫圖，繪制諾莫圖預(yù)測概率和觀測率。并通過1 000 個(gè)自舉樣本的校準(zhǔn)曲線來驗(yàn)證預(yù)測模型的準(zhǔn)確性，當(dāng)曲線與45°對角線吻合時(shí)，預(yù)測概率與實(shí)際結(jié)果頻率一致性較好。P＜0.05 為差異具有統(tǒng)計(jì)學(xué)意義。

1.7 分離收集CD34+細(xì)胞

收集西京醫(yī)院血液科20 例初診AML 患者的骨髓標(biāo)本，10 例健康受試者的骨髓標(biāo)本。健康受試者均接受病毒感染和骨髓異常的篩查，這些受試者沒有使用過免疫調(diào)節(jié)藥物，也沒有已知的影響免疫系統(tǒng)的疾病。采用密度梯度離心法分離骨髓單個(gè)核細(xì)胞，CD34+磁珠分選CD34+細(xì)胞。冷凍CD34+細(xì)胞用于后續(xù)實(shí)驗(yàn)。

1.8 免疫印跡

根據(jù)上述方法收集患者骨髓樣本，并收集單個(gè)核細(xì)胞裂解物。使用RIPA 緩沖液低溫下提取蛋白樣品，并在4 ℃離心30 min 去除不溶物。電泳分離蛋白質(zhì)后，PVDF 膜進(jìn)行蛋白質(zhì)轉(zhuǎn)移，室溫下牛奶封閉 1 h。在 4 ℃ 冰箱中與AIF1 一抗孵育過夜。次日用TBST 洗滌 PVDF 膜，并在室溫下與二抗孵育1 h。TBST 去除過量的抗體后使用發(fā)光試劑盒進(jìn)行曝光。選擇 GAPDH 作為內(nèi)參，通過 Image Lab分析蛋白表達(dá)量。

于君主而言，春秋時(shí)期的勾踐在自省中找到了治國之策；于國家而言，新中國在自省中找到了復(fù)興之路，繼而實(shí)現(xiàn)了強(qiáng)國之夢?？梢姀墓胖两?，自省都在不同的階段和層面發(fā)揮著巨大的作用。

1.9 qRT-PCR

用TRIzol 法提取單個(gè)核細(xì)胞的總RNA。根據(jù)mRNA qPCR RT Master Mix 試 劑 盒 合 成cDNA，使 用SYBR?Green Realtime PCR Master Mix 進(jìn) 行實(shí)時(shí)熒光定量PCR。以GAPDH 作為內(nèi)參。AIF1的特異性引物如下：正向，5′-ACGTTCAGCTACCCTGACTTTCT-3′；反向，5′-CCTGTTGGCTTTTCCTTTTCTCT-3′。GAPDH 的特異性引 物 如 下：正 向，5′-GGAGCGAGATCCCTCCAAAAT-3′；反向，5′- GGCTGTTGTCATACT TCTCATGG -3′。

1.10 統(tǒng)計(jì)學(xué)分析

所有的統(tǒng)計(jì)分析都基于R 軟件（版本：3.6.3）或者SPSS（版本：23.0）。

2 結(jié)果

2.1 AIF1 在泛癌和AML 中的表達(dá)

從 UCSC XENA （https：//xenabrowser.net/datapages/）下 載TCGA 數(shù) 據(jù) 庫 中 腫 瘤 和GTEx 數(shù)據(jù)庫中正常人的RNA-seq 數(shù)據(jù)。通過標(biāo)準(zhǔn)化分析，本研究發(fā)現(xiàn)AIF1 在25 種腫瘤中存在顯著表達(dá)差異（圖1A），在初治AML 患者樣本中表達(dá)高于正常組織（圖1B）。隨后，根據(jù)HPA 數(shù)據(jù)庫中RNA-Seq 數(shù)據(jù)分析AIF1 在初治AML 中的相對表達(dá)水平，可發(fā)現(xiàn)AIF1 mRNA 在AML 細(xì) 胞 系 如HMC-1、NB-4、HEL、THP-1 和U937 中的表達(dá)高于淋巴細(xì)胞系。同時(shí)，AIF1 mRNA 在其他如腦、胰腺、肺等的細(xì)胞系中幾乎不表達(dá)（圖1C）。

圖1 AIF1 在泛癌和AML 中的表達(dá)Fig 1 The expression of AIF1 in AML compared with normal samples

2.2 AIF1 高表達(dá)和低表達(dá)的AML 樣本的DEGs鑒定

分析高、低表達(dá)組間基因表達(dá)譜mRNA 中位表達(dá)量的差異，鑒定出具有統(tǒng)計(jì)學(xué)意義（|logFC| ＞1.5，P＜0.05） 的DEGs 共1 275 個(gè)，其中有444 個(gè)上調(diào)基因和831 個(gè)下調(diào)基因（圖2A）。AIF1 高表達(dá)組差異最顯著的前5 個(gè)DEGs 和低表達(dá)組差異最顯著的前5 個(gè)DEGs（圖2B）。

圖2 AIF1 高表達(dá)和低表達(dá)的AML 樣本的DEGs 鑒定Fig 2 Identification of DEGs in AML samples with high and low expression of AIF1

2.3 DEGs 功能富集分析

為探索AML 中AIF1 高表達(dá)和低表達(dá)之間的DEGs 的 功 能 意 義，本 研 究 使 用cluster profile 包 進(jìn)行GO 分析和KEGG 通路富集分析（補(bǔ)充表1，圖3）。GO 分析結(jié)果顯示DEGs 與生物過程（BP）相關(guān)的功能包括白細(xì)胞遷移、細(xì)胞外結(jié)構(gòu)組織和細(xì)胞外基質(zhì)組織；與細(xì)胞成分（CC）相關(guān)的包括含膠原的細(xì)胞外基質(zhì)、神經(jīng)元胞體和質(zhì)膜外側(cè)面；與分子功能（MF）相關(guān)的包括受體配體活性、細(xì)胞外基質(zhì)結(jié)構(gòu)成分、貨物受體活性。KEGG 分析發(fā)現(xiàn)DEGs 功能涉及神經(jīng)活性配體-受體相互作用、細(xì)胞因子-細(xì)胞因子受體相互作用和金黃色葡萄球菌感染。

表1 TCGA 數(shù)據(jù)庫AML 樣本中AIF1 表達(dá)與臨床病理特征之間的關(guān)系［n（%）］Tab 1 Association between AIF1 expression and clinicopathologic features in AML samples from the TCGA database［n（%）］

圖3 TCGA-LAML 患者AIF1 高表達(dá)和低表達(dá)DEGs 的GO/KEGG 富集分析Fig 3 GO/KEGG enrichment analysis of DEGs between high and low AIF1 expression in TCGA-LAML patients

在AIF1 高表達(dá)和低表達(dá)的數(shù)據(jù)集之間進(jìn)行GSEA 分析，以識別參與AML 的關(guān)鍵信號通路。在這些通路的數(shù)據(jù)庫MSigDB 中觀察到顯著的差異 （FDR＜0.25， 校正P＜0.05）（補(bǔ)充表2 和圖4）。在AIF1 高表達(dá)組中，AML 中的基因突變或融合基因 如CBFB-MYH11 融 合、NPM1 突 變 和MLL 融 合顯 著 富 集（校 正P＜0.05，F(xiàn)DR＜0.05）（圖4A～4C）。相反，在AIF1 低表達(dá)組中，AML 中預(yù)后較好的因子如PML-RARA 融合基因和AML1-ETO 融合基因表現(xiàn)出顯著富集（圖4D～4F）。AIF1 涉及NFκB、P53 和MAPK 通路參與AML 及其他腫瘤的發(fā)生（圖4G～4I）。

表2 logistic 回歸分析AML 臨床病理因素與AIF1 表達(dá)的關(guān)系Tab 2 The relationship between the clinicopathological factors of AML and AIF1 expression by using logistic analysis

圖4 富集圖來自基因集富集分析（GSEA）Fig 4 Enrichment plots from the gene set enrichment analysis （GSEA）

2.4 AML 的PPI 富集分析

通過STRING 構(gòu)建AIF1 及其相關(guān)基因的共表達(dá)網(wǎng)絡(luò)，共篩選出1 275 個(gè)DEGs（| logFC | ＞1.5，P＜0.05）并導(dǎo)入PPI 網(wǎng)絡(luò)。利用Cytoscape-MCODE顯示PPI 網(wǎng)絡(luò)。最顯著的模塊MCODE 得分為20.267，包含31 個(gè)節(jié)點(diǎn)和608 條邊（圖5）。

圖5 AIF1 相關(guān)DEGs 的PPI 網(wǎng)絡(luò)Fig 5 The PPI network of AIF1-related DEGs

2.5 AIF1 表達(dá)與AML 臨床特征的關(guān)系

表1 是TCGA 中AML 患者的主要臨床特征。共納入151 例患者，其中男性83 例，女性68 例，平均年齡65.5 歲。其中，AIF1 在75 例（49.7%）AML 患者中低表達(dá)，其余76 例（49.3%）患者中高表達(dá)。相關(guān)性分析提示AIF1 高表達(dá)與細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)、FAB 分型、NPM1 突變、白細(xì)胞（WBC）計(jì)數(shù)（×109/L）顯著正相關(guān)（P＜0.001）。此外，AIF1 表達(dá)與總生 存 期（overall survival ， OS）顯 著 相 關(guān)（P=0.009），高表達(dá)患者生存期則較短。

圖6 AIF1 表達(dá)與臨床特征之間的關(guān)系Fig 6 Association between AIF1 expression and clinical features

2.6 AIF1 高表達(dá)對不同臨床病理狀態(tài)AML 患者預(yù)后的影響

采用Kaplan-Meier 法分析AIF1 表達(dá)與AML患者預(yù)后的關(guān)系。如圖7A 所示，AIF1 高表達(dá)患者的預(yù)后明顯差于AIF1 低表達(dá)患者（OR=1.86（1.22-2.86）；P=0.004）。Kaplan-Meier 分析顯示，在 年 齡≤60 歲（P=0.035）、年 齡＞ 60 歲（P=0.041）、WBC 計(jì)數(shù)（≤20×109/L）（P＜ 0.001）、骨髓原始細(xì)胞 ≥ 20% （P= 0.04）、外周血原始細(xì)胞≤70% （P= 0.034）、IDH1 R132 突 變 陰 性（P=0.007） 、R140 突變陰性（P= 0.034） 、R172 突變陰性（P=0.014）的亞組中，AIF1 高表達(dá)與不良預(yù)后相關(guān)（圖7B～7I）。

圖7 AIF1 高表達(dá)與AML 患者較差的OS 相關(guān)Fig 7 High expression of AIF1 was associated with poor OS in AML patients

使用單因素Cox 回歸來評估OS 的預(yù)后影響因素，發(fā)現(xiàn)AIF1 高表達(dá)（P=0.004）、細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)為差/中等（P＜0.001）、年齡＞60 歲（P＜0.001）均為OS 的預(yù)后不良因素（表3）。進(jìn)一步行多因素Cox 回歸分析，僅AIF1 高表達(dá)（P=0.019）和年齡＞ 60 歲（P＜0.001）具有統(tǒng)計(jì)學(xué)意義，表明二者為OS 的獨(dú)立預(yù)后不良因素。

表3 單因素和多因素Cox 回歸分析影響AML 患者OS 的因素Tab 3 Univariate and multivariate Cox’s regression analysis of factors associated with OS in AML

2.7 AIF1 在AML 中的預(yù)后模型

為了更好地預(yù)測AML 患者的預(yù)后，基于Cox回歸分析，使用RMS R 包構(gòu)建諾莫圖 （圖8A）。年齡、細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)和AIF1 表達(dá)等3 個(gè)預(yù)后因素被納入到預(yù)測模型中。同時(shí)，利用校準(zhǔn)圖評價(jià)預(yù)后模型的預(yù)測精度。構(gòu)建帶有校準(zhǔn)曲線的預(yù)后諾莫圖，預(yù)測個(gè)體1、3、5 年的OS （圖8B～D）。

圖8 AIF1 在AML 中的預(yù)后預(yù)測模型Fig 8 A prognostic predictive model of AIF1 in AML

2.8 數(shù)據(jù)驗(yàn)證

基于GEPIA 數(shù)據(jù)庫分析，本研究發(fā)現(xiàn)與正常組相比，AIF1 mRNA 表達(dá)在AML 患者中顯著增加（P＜ 0.01，|Log2FC| ＞ 1）（圖9A）。進(jìn)一步收集AML患者和健康受試者的骨髓樣本，分離CD34+細(xì)胞，用于qPCR 和Western blot （圖9B、C），顯示AIF1 在AML 中的表達(dá)水平升高。

圖9 數(shù)據(jù)驗(yàn)證Fig 9 Data validation

3 討論

AIF1 是一種17 kDa 的胞質(zhì)鈣結(jié)合炎癥反應(yīng)支架蛋白，主要在免疫細(xì)胞中表達(dá)［16］。參與各種炎癥性疾病，如類風(fēng)濕關(guān)節(jié)炎、結(jié)腸炎、自身免疫性疾病的 發(fā) 生 發(fā) 展［17，18］。有 研 究 表 明，AIF1 通 過 激 活NF-κB/cyclinD1 通 路 促 進(jìn) 乳 腺 癌 增 殖，通 過p38 MAPK 信號通路上調(diào)TNF-α 促進(jìn)乳腺癌細(xì)胞遷移。在胃癌中，AIF1 調(diào)節(jié)β-catenin 可作為保護(hù)性預(yù)后指標(biāo)［19］。然而，目前對AIF1 在AML 中的表達(dá)和預(yù)后價(jià)值知之甚少。

本研究的核心結(jié)果是AIF1 在AML 中高表達(dá)，并與高細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)和不良預(yù)后相關(guān)。GSEA 基因富集分析結(jié)果提示，AIF1 低表達(dá)與NPM1 突變、PML-RARa 融 合、AML-ETO 融 合 相 關(guān)，是 良 好 的預(yù) 后 因 素。相 反，AIF1 高 表 達(dá) 與NFκB、P53 和MAPK 通路相關(guān)，表明AIF1 是一個(gè)潛在的預(yù)后生物標(biāo)志物［5］，而且與AML 的致癌通路相關(guān)，可能成為一個(gè)有前景的治療靶點(diǎn)。更重要的是，本研究發(fā)現(xiàn)在NPM1 突變的AML 中，AIF1 高表達(dá)預(yù)示預(yù)后不良。NPM1 突變發(fā)生于約30%的初診AML，這是迄今為止在AML 中，發(fā)現(xiàn)的最常見的基因異常之一。一般認(rèn)為孤立的NPM1 突變對AML 有積極的預(yù)后作用［20，21］。但約30%～60%的NPM1 突變的AML 患者在5 年內(nèi)復(fù)發(fā)，或許與AIF1 表達(dá)異質(zhì)性相關(guān)，具體機(jī)制尚不明確有待進(jìn)一步研究。此外，NFκB、p53 和MAPK 通路也被發(fā)現(xiàn)與AIF1 的高表達(dá)密切相關(guān)［22］。NF-κB 在AML 中持續(xù)激活，使白血病細(xì)胞逃避程序性細(xì)胞死亡機(jī)制，從而增加細(xì)胞增殖［22，23］。本研究發(fā)現(xiàn)AIF1 高表達(dá)與這些通路相關(guān)，可能導(dǎo)致其不良預(yù)后。

另外，值得注意的是AIF1 高表達(dá)與低生存率相關(guān)。多因素Cox 回歸分析顯示AIF1 高表達(dá)是除年齡（＞60 歲）外的另一個(gè)獨(dú)立不良預(yù)后因素。諾莫圖預(yù)測模型的建立進(jìn)一步證實(shí)了AIF1 表達(dá)對預(yù)后的預(yù)測作用。因此，AIF1 可能是AML 患者新的不良預(yù)后因素。將AIF1、細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)和年齡相結(jié)合，構(gòu)建諾莫圖模型，獲得更準(zhǔn)確的預(yù)后預(yù)測模型。校準(zhǔn)圖顯示AIF1 相關(guān)諾莫圖的預(yù)測值與1 年、3 年、5 年OS 概率的實(shí)際觀測值一致性較好。據(jù)報(bào)道，高齡（＞60 歲）、高細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)、高WBC 計(jì)數(shù)（＞20×109/L）、FLT3 突變陽性和NPM1 突變陰性是AML 不良預(yù)后的預(yù)測因素［24］。通過Cox 回歸分析和諾莫圖模型，發(fā)現(xiàn)AIF1 的預(yù)測能力可能優(yōu)于細(xì)胞遺傳學(xué)風(fēng)險(xiǎn)、高WBC 計(jì)數(shù)、FLT3 突變狀態(tài)。從這個(gè)角度來看，本研究模型可能為個(gè)體AML 患者提供個(gè)性化評分。

綜上所述，本研究首次揭示了AIF1 在AML 中高表達(dá)，不僅是AML 預(yù)后不良的潛在生物標(biāo)志物，且可能通過調(diào)節(jié)免疫細(xì)胞的腫瘤侵襲在 AIF1 微環(huán)境中發(fā)揮重要作用，提示AIF1 可作為調(diào)節(jié)抗腫瘤免疫應(yīng)答的治療靶點(diǎn)。本研究也有一定局限性。首先，由于回溯性特征，研究可能導(dǎo)致選擇偏差，未來可進(jìn)行前瞻性研究以驗(yàn)證生物標(biāo)志物在AML 個(gè)性化管理中的臨床應(yīng)用。其次，未進(jìn)一步證實(shí)AIF1在腫瘤中作用的相關(guān)通路。再次AIF1 治療腫瘤免疫的基礎(chǔ)機(jī)制和免疫特征的預(yù)后價(jià)值應(yīng)進(jìn)一步研究。

作者貢獻(xiàn)度說明：

高婭婭：數(shù)據(jù)分析及文章寫作；李妙雨，孫文瑞，賈雙雙， 田彪， 肖婉婷，張春燕，馮娟：給予修改意見；高廣勛：指導(dǎo)研究設(shè)計(jì)及文章寫作并提供項(xiàng)目基金支持。

所有作者聲明不存在利益沖突關(guān)系。