肺腺癌中糖酵解代谢特征预测预后及指导治疗.pdf

J Clin Pathol Res2023,43(8)http:/ 临床与病理杂志肺腺癌中糖酵解代谢特征预测预后及指导治疗周琦1，裴华东2，姚颐1(1.武汉大学人民医院肿瘤中心，武汉 430060；2.乔治城伦巴第综合癌症中心，美国 华盛顿特区 20007)摘要 目的：有氧糖酵解作为肿瘤独特的代谢特征，其作用机制仍未被完全阐明。本研究探索糖酵解代谢在肺腺癌(lung adenocarcinoma，LUAD)及其免疫微环境中的作用，以寻求糖酵解代谢与LUAD预后和免疫治疗效果的关系。方法：从癌症基因组图谱(The Cancer Genome Atlas，TCGA)和基因表达综合(Gene Expression Omnibus，GEO)数据库下载LUAD患者的基因表达数据和临床信息，采用单变量、最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)Cox回归分析构建糖酵解代谢相关基因的LUAD预后评估模型。结果：在TCGA队列中，高危评分患者的预后更差，在GEO队列中也证实了此模型的可靠性。利用统计学工具获得的由糖酵解相关基因组成的预后模型和列线图模型为预测预后提供了一种新方法，并在15对LUAD和正常组织中验证了风险标签中的15个基因，它们在LUAD组织中表达异常。此外，风险评分与LUAD免疫微环境相关，经模型评估发现高危评分患者更适合接受免疫治疗。结论：本研究构建了与糖酵解代谢相关的15个基因组成的预后模型，该模型可预测患者对免疫治疗的敏感性，可用来指导临床实践，促进肿瘤的个体化治疗。关键词 肺腺癌；糖酵解代谢；预后模型；肿瘤免疫浸润Characterization of the glycolytic metabolism in lung adenocarcinoma to prodict prognosis and guide clinical therapyZHOU Qi1,PEI Huadong2,YAO Yi1(1.Cancer Center,Renmin Hospital of Wuhan University,Wuhan 430060,China;2.Georgetown Lombardi Comprehensive Cancer Center,Washington DC 20007,USA)ABSTRACT Objective:Aerobic glycolysis is a typical metabolic feature of tumors,but the mechanisms of its action remain unclear.This article is dedicated to exploring the role of glycolytic metabolism in lung adenocarcinoma(LUAD)and its immune microenvironment to seek potential diagnostic and therapeutic strategies for LUAD and to investigate the relationship DOI：10.11817/j.issn.2095-6959.2023.220061收稿日期(Date of reception)：2023-03-02第一作者(First author)：周琦，Email:,ORCID:0009-0004-4458-528X通信作者(Corresponding author)：裴华东，Email:huadong.peigeorgetown.edu,ORCID:0000-0002-1706-1745；姚颐，Email:yaoyi2018 ,ORCID:0000-0003-3110-1720基金项目(Foundation item)：湖北省自然科学基金(2022CFB114)。This work was supported by the Natural Science Foundation of Hubei Province,China(2022CFB114).1486肺腺癌中糖酵解代谢特征预测预后及指导治疗 周琦，等among glycolytic metabolism,LUAD prognosis,and immunotherapy.Methods:Gene expression data and clinical information of LUAD patients were downloaded from The Cancer Genome Atlas(TCGA)and Gene Expression Omnibus(GEO)databases.A LUAD prognosis risk scoring model related to genes for glycolysis was constructed by using univariate,Least Absolute Shrinkage and Selection Operator(LASSO)Cox Regression Analysis.Results:Patients with high-risk scores in the TCGA cohort had a worse prognosis,and the reliability was consistently confirmed in the GEO cohort.The prognosis model and the nomogram model composed of glycolysis-related genes obtained by using statistical tools provideed a new method for predicting prognosis.The conclusion was verified in paired tumor and normal tissues collected from 15 patients with LUAD,as observed by 15 genes serving as risk markers were abnormally expressed in LUAD tissues compared to normal tissues.In addition,the risk score was related to the immune microenvironment and model assessment indicated that patients with high-risk scores were more suitable for immunotherapy.Conclusion:This study created a new prognosis model composed of 15 genes related to glycolysis,which can also predict patient sensitive to immunotherapy.It can be used to guide clinical practice and promote the personalized tumor treatment.KEY WORDS lung adenocarcinoma;glycolytic metabolism;prognosis model;tumor immune infiltration肺癌是中国和世界范围内发病率和病死率最高的恶性肿瘤，据统计，2020年全球因肺癌死亡179万例，占 全 部 恶 性 肿 瘤 的 18%1。肺 腺 癌(lung adenocarcinoma，LUAD)是肺癌最常见的组织学类型，约占45.5%2。虽然近年来新的治疗手段层出不穷，但LUAD患者的5年生存率仅约为16%3。因此，筛选新的分子靶标来判断LUAD的预后，对提高患者生存尤为重要。癌细胞通过代谢重编程应对各种不利的微环境4。能量代谢重编程是恶性肿瘤的特征，对细胞增殖和分裂至关重要5。癌细胞中最显著的代谢变化是Warburg效应的出现6-7，其生长需要更高的葡萄糖消耗8。这种独特的代谢特征也会影响肿瘤微环境(tumor microenvironment，TME)的变化进而改变肿瘤免疫9。TME参与调控肿瘤发生、生长、转移、侵袭等多个生物进程10。越来越多靶向代谢通路的治疗手段和利用糖酵解相关基因建立肿瘤预后模型的研究正在蓬勃开展11-15。本 研 究 基 于 从 癌 症 基 因 组 图 谱(The Cancer Genome Atlas，TCGA)数据库中提取的LUAD患者的基因表达数据和临床信息，筛选出在LUAD和正常组织中差异表达的糖酵解相关基因。通过 LASSO Cox回归分析获得预后模型和列线图(nomogram)模型。根据模型评分将所有样本分为低危组和高危组，探索糖酵解代谢与LUAD预后和免疫治疗效果的关系，为LUAD的个体化治疗提供新思路。1 资料与方法 1.1 资料与试剂使用 541 例 LUAD 和 59 例正常肺组织样本的RNA 测序数据配置文件，从 TCGA 数据库(https:/www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga)中获得高通量测序每千碱基转录本每百万映射读取数类型数据，并获取523例LUAD 样本的临床信息。在基因表达综合(Gene Expression Omnibus，GEO)数 据 库 中(https:/www.ncbi.nlm.nih.gov/geo/)下载基于GPL6480平台的GEO：GSE13213微阵列数据配置文件和样本的临床信息，将每个样本的Entrez基因ID转换为相应的基因符号，并处理相同Entrez基因ID被多个探针定位的情况，取平均值。DNA反转录试剂盒、real-time RT-PCR试剂盒、CFX Connect实时定量PCR仪分别购自北京天根生化科技有限公司、美国Bio-Rad公司和沈阳百瑞1487临床与病理杂志,2023,43(8)http:/德科技有限公司。患者LUAD组织标本来自武汉大学人民医院胸外科。本研究获得武汉大学人民医院伦理委员会批准(审批号：2023K-K044)。1.2 方法1.2.1 基因集富集分析使用基因富集分析(gene set enrichment analysis，GSEA，http:/www.broadinstitute.org/gsea/index.jsp)对糖酵解基因集在LUAD和正常组织之间的差异进行分析，使用标准化的P值(P0.05)确定可用于进一步研究的糖酵解基因集。对正常和癌组织样本中的差异表达基因(different expression genes，DEG)进行富集分析，使用“limma”R包分析糖酵解代谢相关基因的表达差异。错误发现率(false discovery rate，FDR)1为差异有统计学意义。接下来，将每个DEG的符号基因转换为相应的Entrez基因ID，使用“org.Hs.eg.db”R包和“clusterProfiler”R包对DEG进行基因本体(gene ontology，GO)和京都基因和基因组数据库(Kyoto encyclopedia of genes and genomes，KEGG)通路富集分析，以识别主要的生物学 特 征 和 细 胞 功 能 通 路。使 用“enrichplot”和“ggplot2”R包对富集分析结果进行可视化。1.2.2 预后评估模型的开发和验证TCGA队列样本作为训练集，GEO：GSE13213样本作为测试集。利用样本ID将每个样本中差异表达的糖酵解代谢相关基因的表达水平与预后结果合并。通过单因素Cox回归分析从训练集中差异表达的糖酵解代谢相关基因中筛选出与预后相关的基因。选取P0.05的基因。使用“glmnet”R包对预后相关基因进行最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)Cox 回归分析，得到15个基因，建立预测LUAD样本总生存期(overall survival，OS)的预后评估模型。通过十折交叉验证确定模型的惩罚参数()。使用下面的公式计算每个样本的风险评分。风险评分=1i(Coefi ExpGenei)Coef为采用LASSO Cox回归分析计算的非零回归系数，ExpGene为预后评估模型中基因的表达值。根据风险评分的中位数将所有样本分为低危组和高危组。采用Kaplan-Meier生存分析和log-rank检验比较高危组和低危组患者的OS差异。使用R中的“survivalROC”包绘制时间依赖性受试者操作特征(receiver operating characteristic，ROC)曲线，评估预后评估模型的预测准确性。在测试集中进一步验证预后评估模型的可靠性和适用性。1.2.3 主成分分析比较预后评估模型使用R软件中的limma包对训练集中预后评估模型建立前后的基因表达谱进行主成分分析(principal component analysis，PCA)，了解低、高危组之间的区别。利用PCA预后评估模型中基因的表达谱，使用ggplot2包呈现。1.2.4 风险评分和临床特征之间的关系在TCGA队列中，利用limma R软件分析风险评分与性别、年龄、临床分期、TNM分期的关系。收集GEO队列中与LUAD相关的临床信息，根据临床特征将样本分为2组，比较风险评分的差异。1.2.5 基因集变异分析使用基因集变异分析(gene set variation analysis，GSVA)R包对基因谱进行GSVA，比较低、高危组间生物学过程的差异。“c2.cp.kegg.v7.1”中来自分子标签数据库(http:/www.gsea-msigdb.org/gsea/msigdb)的Symbols基因集作为参考基因集。FDR0.05为有统计学意义的富集途径。1.2.6 建立预测LUAD患者OS的nomogram模型基于TCGA队列，使用R软件中的“rms”包构建由年龄、性别、临床分期、TNM分期、预后评估模型组成的列线图，用于预测LUAD患者的OS，并绘制时间依赖性校准曲线及分析 nomogram 的准确性。使用多因素Cox回归分析验证预后评估模型能否作为 LUAD 患者 OS 预测的独立指标，并通过在线ROC 曲 线 计 算 曲 线 下 面 积(area under the curve，AUC)来表示nomogram的预后价值。1.3 统计学处理采用R 4.0.0软件分析所有数据。2组比较采用Wilcoxon 秩和检验，多组比较采用 Kruskal-Wallis (K-W)检验。采用Kaplan-Meier分析评估低、高危组之间的OS差异。采用多因素Cox回归分析确定预测LUAD患者OS的独立指标。绘制ROC曲线，评估预后评估模型及nomogram的预测效能。P0.05为差异有统计学意义。2 结 果 2.1 GSEA分析筛选糖酵解相关基因本研究使用523例LUAD患者的临床信息和来自TCGA数据库的59 427个mRNA的表达数据集。通过多个基因集获得标志糖酵解基因集的表达标签，并利用这些详细数据进行GSEA，以检测糖酵解基因1488肺腺癌中糖酵解代谢特征预测预后及指导治疗 周琦，等集在LUAD与正常组织之间的差异。结果表明：在LUAD患者中，糖酵解生物学过程明显富集，与正常人相比差异有统计学意义(图 1)。这提示糖酵解在LUAD的发展中发挥了重要作用。本研究合并了来自GSEA数据库的5个糖酵解标志基因集，得到了323个与糖酵解代谢相关的基因。2.2 正常和癌组织样本的富集分析本研究比较LUAD和正常组织中糖酵解代谢相关基因的表达水平，发现共有134个基因表达上调，26个基因表达下调(图2A和2B)。GO功能富集于碳水化合物分解代谢、ADP代谢和嘌呤核苷二磷酸代谢(图2C)。KEGG通路富集于糖酵解与糖代谢合成、碳代谢、氨基酸的生物合成(图2D)。2.3 在训练集中开发预后评估模型选取TCGA队列中的样本作为训练集对160个差异表达的糖酵解代谢相关基因进行单因素Cox回归分析，发现52个基因与预后相关(P0.01，图3A)。采用LASSO Cox回归分析缩减基因数量后，15个基因(LDHA、HMMR、B4GALT4、PKP2、CHPF、FBP1、FKBP4、IGFBP3、OGT、NT5E、CBFA2T3、TXN、图1 糖酵解相关通路富集分析Figure 1 Enrichment analysis of glycolysis-related pathwaysComparison of GSEA enrichment analysis between LUAD patients and normal tissue samples in the TCGA cohort by GO(A),HALLMARK(B),KEGG(C),REACTOME(D).GSEA:Gene set enrichment analysis;LUAD:Lung adenocarcinoma;TCGA:The Cancer Genome Atlas;GO:Gene ontology;KEGG:Kyoto encyclopedia of genes and genomes.1489临床与病理杂志,2023,43(8)http:/DDIT4、PYGB和ANGPTL4)被用于构建预后评估模型(图3B和3C)。每个样本使用如下模型计算风险评分：风险评分=(0.139 604 821)LDHA+(0.099 097 522)HMMR+(0.093 750 487)B4GALT4+(0.072 920 629)PKP2+(0.083 065 534)CHPF+(0.050 386 106)FBP1+(0.031 508 088)FKBP4+(0.003 727 075)IGFBP3+(0.075 355 654)OGT+(0.046 155 41)NT5E+(0.104 121 703)CBFA2T3+(0.105 647 683)TXN+(0.003 066 129)DDIT4+(0.098 501 268)PYGB+(0.048 650 682)ANGPTL4。根据风险评分模型区分LUAD样本风险(低风险或高风险)(图3D和3E)。2.4 风险评分与临床特征的关系以训练集中风险评分的中值为截断值，将样本分为低危组(n=253)和高危组(n=254)。分析相应样本在年龄、性别、临床分期、TNM分期的风险评分分布，详见附表 1(https:/doi.org/10.11817/j.issn.2095-6959.2023.220061T1T2)。较高的风险评分与年龄和M 分期无统计学差异(图 4A 和 4B)，与 T 分期(P0.05，图 4C)、N 分期(P0.001，图 4D)、临床分期 (P0.001，图4E)及性别(P=0.04，图4F)均存在显著相关。与低危组相比，高危组患者的预后较差(P3年5年。为进一步验证预后评估模型，将来自 GEO：GSE13213的测试组样本分为低危组(n=66)和高危组(n=51)。高危组的预后较低危组差(图4I)，提示预后评估模型可以预测LUAD的OS。单因素分析(图4K)中OS的影响因素包括临床分期、T分期、N分期、M分期、风险评分；多因素分析(图4L)中风险评分和临床分期是OS的独立预测因素。高危组(图4M)和低危组(图4N)的基因突变结果示高、低危组患者发生突变概率较大、具有统计学意义的基因有 TP53、TTN、MUC16、CSMD3、RYR2等；临床分期与风险评分之间的关系见图4O，患者分期越高风险评分越高(P0.001)。2.5 预测生存的nomogram模型的构建整合年龄、性别、临床分期和预后评估模型，构建nomogram模型(图5A)用于LUAD样本的OS预测。1、3和5年的校准曲线证明nomogram模型可预测LUAD患者的OS(图5B)。单因素和多因素Cox回归分析结果显示预后风险评分模型是独立的预后指标(图5C和5D)。AUC示nomogram模型(AUC=0.706)比单一指标临床分期(AUC=0.636)和预后评估模型(AUC=0.644，图5E)的效果更好。2.6 GSVA利用分子特征数据库(MSigDB)下载的“c2.cp.kegg.v7.2”基因集进行GSVA富集，发现大多数代谢通路在低危组中富集(图5A)，致癌通路如P53信号通路，细胞周期信号通路等在高危组中富集(图6A)。图3 预后评估模型Figure 3 Prognostic risk score modelA:Forrest plot of glycolytic metabolism-related genes related to prognosis;B:LASSO coefficients of the modeled glycolytic metabolism-related genes;C:Genes identified for modeling the prognostic risk score;D:Principal component analysis based on all glycolytic metabolism-related genes in LUAD;E:Distinction of tumors and normal sample in the TCGA cohort by principal component analysis based on the glycolytic metabolic risk score.The blue-marked group represents low-risk patients,and the red-marked group represents high-risk patients.LASSO:Least absolute shrinkage and selection operator;LUAD:Lung adenocarcinoma;TCGA:The Cancer Genome Atlas.1491临床与病理杂志,2023,43(8)http:/图4 糖酵解代谢评分模型对LUAD患者生存状况的预测价值及风险评分与临床病理特征的关系Figure 4 Prediction of the glycolysis metabolic score model on the survival status of LUAD patients and relationship between risk score and clinic-pathological featuresA:Age;B:Distant metastasis;C:Tumor invasion degree;D:Lymphatic metastasis;E:TNM stage;F:Sex;G and I:Comparison of the overall survival of the training set and the test set with low and high risk scores;H and J:Prediction of the training set and the test set by the risk score from the ROC curve measurement;K and L:TCGA forest plots of cohort univariate and multivariate Cox regression analyses.M:Gene mutation status in the high-risk group,N:Gene mutation status in the low-risk group;O:Relationship between stage classification and risk score.LUAD:Lung adenocarcinoma;TNM:Tumor microenvironment;TCGA:The Cancer Genome Atlas;ROC:Receive operating characteristic;HR:Hazard ratio;CI:Confidence interval.1492肺腺癌中糖酵解代谢特征预测预后及指导治疗 周琦，等2.7 低和高危组的免疫相关特征免疫浸润分析示：高危组有较高比例的活化的记忆性CD4 T细胞、M0和M1巨噬细胞，但浆细胞和静息的肥大细胞在低危组较高(图6B)。且高危组MHI类以及非经典炎症反应更容易被激活，而人类白细胞抗原、T细胞协同刺激蛋白和二型干扰素在低危组更容易激活(图6C)。肿瘤样本中各种免疫细胞所占的百分比运用Cibersort算法，以细胞毒性T淋巴细胞 相 关 抗 原 4(cytotoxic T lymphocyte-associated antigen-4，CTLA-4)和程序性死亡受体1(programmed death-1，PD-1)阻断为代表的免疫治疗在肺癌治疗中取得了突破性进展。高危组中肿瘤免疫功能障碍和图5 糖酵解代谢评分结合临床病理特征对TCGA队列患者OS的预测价值Figure 5 Prediction of overall survival in TCGA cohort patients by glycolytic metabolic risk score combined with clinic-pathological featuresA:Nomogram for predicting OS of TCGA cohort patients;B:Nomogram calibration map(the X-axis and Y-axis are the nomogram predicted survival rate and the actual survival rate);C:Nomogram univariate Cox regression analysis;D:Nomogram multivariate Cox regression analysis;E:ROC curve of glycolytic metabolic score and clinic-pathological characteristics.OS:Overall survival;TCGA:The Cancer Genome Atlas;ROC:Receive operating characteristic;HR:Hazard ratio;CI:Confidence interval;AUC:Area under the curve.1493临床与病理杂志,2023,43(8)http:/排斥(tumor immune dysfunction and exdusion，TIDE)评分显著低于低危组(图6D)。免疫检查点评分与风险评分的关系显示低、高危组中免疫检查点表达高的患者生存更好(图6E)；低、高危组之间的T细胞排斥评分有显著差异(图6F)，高危组患者的T细胞排斥更明显；低、高危组之间的T细胞功能障碍评分差异有统计学意义(P0.05，图6G)，高危组患者的T细胞功能障碍更小。低危组TIDE评分高代表免疫逃逸的可能性更高，患者不太可能从免疫疗法中受益；高危组患者免疫检查点表达更高，对T细胞功能障碍更小排斥更明显，说明高危组更适合接受免疫相关的治疗，如抗PD-1和抗CTLA-4治疗。图6 糖酵解代谢模型在免疫治疗中的作用Figure 6 Role of glycolytic metabolic model in immunotherapyA:Heat map of GSVA enrichment in the low-risk and high-risk groups;B:Differences in immune infiltration between high-risk and low-risk scores;C:Difference of functions known to be associated with immune regulation between patients with high-risk and low-risk scores;D:Prediction of response to immunotherapy(anti-PD-1 and anti-CTLA-4)in the high-risk and low-risk groups according to TIDE algorithm;E:Immune checkpoint scores in the low-risk and high-risk groups;F:Significant differences in T-cell exclusion scores between the low-risk and high-risk groups;G:Significant differences in T-cell dysfunction scores between the low-risk and high-risk groups.*P0.05,*P0.01,*P0.001;GSVA:Gene set variation analysis;PD-1:Programmed cell death protein 1;CTLA-4:Cytotoxic T lymphocyte-associated antigen-4;APC:Antigen presenting cells;CCR:Chemokine receptor;HLA:Human leukocyte antigen;MHC:Major histocompatibility complex;IFN:Interferon;TIDE:Tumor immune dysfunction and exdusion.1494肺腺癌中糖酵解代谢特征预测预后及指导治疗 周琦，等2.8 Real-time RT-PCR检测为进一步验证这15个基因在LUAD中的基因表达水平，本研究在收集的15对LUAD和正常组织中进行了real-time RT-PCR检测。经验证，OGT、FBP1和 CBFA2T3 基因在 LUAD 中的表达下降(P0.05)，其余基因在LUAD中的表达均上升，且差异具有统计学意义(P0.05，图7)。基因相关引物见附表 2(https:/10.11817/j.issn.2095-6959.2023.220061T1T2)。3 讨 论 糖酵解和肿瘤免疫微环境是2个重要的肿瘤影响因素16-17，癌细胞有氧糖酵解增加可促进肿瘤增殖、生存和转移18，因此识别糖酵解代谢功能可能对LUAD患者的生存和预后有预测价值19。高水平的糖酵解是肿瘤的一个重要代谢特征，肿瘤细胞会通过反应路径较短的糖酵解方式来迅速获取能量。我们通过GSEA网站得到与糖酵解相关的323个基因，将基因表达数据归一化处理，使用R软件进行差异分析发现其中有15个存在差异表达。将糖酵解相关基因表达举证与样本生存情况合并后进行单变量Cox回归分析，发现这15个基因与LUAD患者生存相关(P0.05)。本研究的创新点：1)发现了多基因组成的预后标签。首次发现了一个与糖酵解相 关 的 多 基 因 预 后 评 估 标 签(LDHA、HMMR、B4GALT4、PKP2、CHPF、FBP1、FKBP4、IGFBP3、OGT、NT5E、CBFA2T3、TXN、DDIT4、PYGB和ANGPTL4)，并证明了该基因标签对LUAD具有评估预后的价值；得到对应的回归系数，构建基于糖酵解相关基因表达的LUAD预后模型，据此可以计算出每个样本的风险评分。2)构建并完善了新型预后评估模型。通过单因素 Cox 回归和 LASSO Cox回归分析，在TCGA队列和GEO队列中建立了LUAD和正常组织样本中15个差异表达的葡萄糖代谢相关基因的预后评估模型。使用该模型预测训练集中 LUAD 患者的 OS，更好地了解这些基因对LUAD的预测价值，生存分析显示高危组预后更差。通过ROC曲线验证得知该模型对LUAD患者的1、3、5年的OS具有良好预测能力。经单变量及多变量Cox回归分析，验证了该模型的结果可作为独立危险因素评估LUAD患者的预后，最后结合年龄、性别和TNM分期绘制nomogram模型计算患者的1年、3年、5年OS。该结果在GEO测试集中得以验证。此外，研究还发现若结合一些病理特征和血癌胚抗原水平构建的风险评估nomogram模型，可进一步提高该模型的预测效能。3)利用本风险模型可评估患者对免疫治疗的敏感性，有利于实现免疫治疗的个体化。糖酵解相关基因的免疫相关特征分析和TIDE评分分析显示高危组中 TIDE 评分显著低于低危组，较高的图7 Real-time RT-PCR检测的15个基因表达水平Figure 7 Expression levels of 15 genes detected by real-time RT-PCR*P0.05;ns:No significance.1495临床与病理杂志,2023,43(8)http:/TIDE评分意味着更高的免疫逃逸，提示患者从免疫疗法中受益的概率较低。高危组患者更可能对免疫治疗产生较好的应答。4)采用real-time RT-PCR法检测糖酵解相关基因在LUAD组织中的表达，结果证实这些基因在 LUAD 和正常组织中存在差异表达，其中 OGT、FBP1、CBFA2T3 在 LUAD 中表达下降。PKP2和FKBP4未检出统计学差异，可能源于样本量偏少所致的偏倚。对这些基因的探索有利于为临床治疗提供新的靶点。FBP1具有肿瘤抑制作用，在不同肿瘤中表达下调且与较差生存率相关。在乳腺癌、胰腺癌和肝癌细胞中，FBP1能抑制糖酵解20。FBP1抑制细胞增殖可能与葡萄糖摄取减少有关。FBP1还影响上皮-间充质转化，是肿瘤转移的重要步骤。本研究证实了FBP1 在 LUAD 中低表达，为治疗 LUAD 提供新靶点。NT5E(也称CD73)在LUAD中高表达。NT5E与其上游分子CD39相互作用，催化细胞外AMP水解为细胞外腺苷，进而发挥免疫抑制作用21。NT5E作为新发现的免疫检查点，在TME中高表达。多项研究提示NT5E可能是潜在临床生物标志物，与多种肿瘤不良预后和进展相关22。血清NT5E与PD-1抑制剂治疗转移性黑色素瘤的临床疗效密切相关23。目前NT5E表达模式、临床价值及其对TME的影响仍不清楚。NT5E有望成为继程序性死亡受体配体-1之后的肿瘤免疫治疗新靶点。本研究的不足之处：1)糖酵解作为正常细胞代谢过程，需通过更多样本集来验证它的多基因预测模型。2)虽然证实糖酵解基因差异表达与预后存在相关性，而能否指导LUAD患者治疗或成为新的治疗靶点还有待深入探索。综上所述，本研究构建了与糖酵解代谢相关的15个基因组成的新型预后模型，该模型还可用于预测患者对免疫治疗敏感性。经大样本前瞻性临床研究验证后有望指导临床实践，为实现个性化肿瘤治疗提供依据。志谢：感谢武汉大学人民医院肿瘤一科许斌老师对此文稿提出的修改意见。数据和资料的获取：本研究结果的其他数据可从