欢迎扫码观看文章视频简介
卵巢癌（ovarian cancer，OC）是女性生殖系统三大常见癌症之一，其病死率在妇科恶性肿瘤中居首位。据国家癌症中心报告，我国2022年卵巢癌新发病例6.11万例，死亡病例3.26万例，2000至2018年卵巢癌死亡率呈上升趋势[1]。总体而言，OC预后较差，易复发且耐药，亟需探讨影响OC预后的因素，并筛选相关生物标志物和潜在治疗靶点，以期实现OC患者的早期诊断和治疗。
Warburg效应是肿瘤的独特代谢特征，即肿瘤细胞即便在有氧环境下仍倾向于通过糖酵解产生能量，导致乳酸大量积累[2]。乳酸作为糖酵解的副产物，具有多种功能，例如为肿瘤细胞提供能量[2]、抑制免疫细胞的细胞毒功能[3]、调节天然免疫信号通路[4]等。研究表明，肿瘤免疫微环境中的乳酸可通过线粒体代谢途径调控免疫细胞代谢，从而影响免疫监视与逃逸等相关行为[5-6]。2019年，赵英明教授团队发现了一种新的蛋白质翻译后修饰——乳酸化修饰。这种修饰被认为是一种新的表观遗传调控方式，能够通过组蛋白乳酸化修饰将细胞代谢状态转化为稳定的基因表达模式[7]。此外，组蛋白乳酸化可通过激活M2样基因表达，促进M1型巨噬细胞向肿瘤相关的M2型巨噬细胞转化[8]，为深入理解乳酸调控细胞代谢和免疫功能的机制提供了新方向。
已有研究表明，乳酸化修饰与肾透明细胞癌[9]、结肠癌[10]和胃癌[11]等多种肿瘤的预后不良及肿瘤免疫微环境的多样性和复杂性密切相关。笔者团队既往研究发现，上皮性OC组织中蛋白质的乳酸化水平高于正常组织，且组蛋白H3K18乳酸化修饰水平高患者的总生存期（overall survival，OS）和无进展生存期（progression-free survival，PFS）较差[12]。最新研究表明，乳酸通过巨噬细胞H3K18乳酸化修饰激活CCL18的表达，从而促进OC的发生[13]。尽管乳酸化修饰受到广泛关注，但相关文献仍有限，当前对乳酸化修饰与OC肿瘤发生、免疫微环境及免疫治疗之间潜在关联的科学研究相对缺乏。
近年来，多项基于癌症基因组图谱（The Cancer Genome Atlas，TCGA）和基因表达综合数据库（Gene Expression Omnibus，GEO）的研究揭示了具有相似临床病理特征但分子特征不同的患者在预后上的异质性。本研究联合TCGA与GEO数据库，全面探讨OC中乳酸化修饰相关亚型的鉴定，旨在建立一个基于乳酸化修饰相关基因（lactylation-related genes， LRGs）的评分模型，以预测OC患者的总生存期，并为不同分层提供潜在的治疗策略，助力提高OC患者预后，在临床实践中实现更精准的个性化医疗，现报告如下。
1 材料与方法
1.1 数据下载及样本收集
从UCSC-XENA数据库（https://xenabrowser.net/datapages/）下载TCGA-OV（TCGA中卵巢癌的缩略语为OV）数据，获取379例OC样本的RNA测序数据及对应的临床资料，包括年龄、肿瘤分期、分级、生存时间和生存状态。从GEO数据库（https://www.ncbi.nlm.nih.gov/geo/）下载GSE63885和GSE26193数据集，其中GSE63885包含101例OC样本，GSE26193包含107例OC样本。从既往文献中获取11个乳酸化修饰相关基因[组蛋白去乙酰化酶1（histone deacetylase 1，HDAC1）、HDAC2、沉寂信息调节因子1（sirtuin 1，SIRT1）、SIRT2、CREB结合蛋白（CREB-binding protein，CREBBP）、E1A结合蛋白p300（E1A binding protein p300，EP300）、HDAC3、HDAC8、SIRT3、甘油醛氧化酶1（glyoxalase 1，GLO1）、羟酰谷胱甘肽水解酶（hydroxyacylglutathione hydrolase，HAGH）[14]。
本研究收集了5例来自接受良性肿瘤切除子宫及附件患者的正常卵巢组织样本，另10例早期[国际妇产科联盟（Federation International of Gynecology and Obstetrics，FIGO）Ⅰ~Ⅱ期]、30例晚期（FIGOⅢ+Ⅳ期）OC组织样本来自接受OC肿瘤细胞减灭术的患者。本研究中所使用的组织样本全部来自2024年1月—2024年7月在广东省人民医院妇科接受手术治疗的患者。本研究经医院伦理委员会批准（批件号：KY2023-630-01），并均已获得患者书面知情同意。
1.2 LRGs的预后及生存分析
将TCGA-OV数据与GSE63885、GSE26193数据集合并，使用R包“limma”和“sva”去除批次效应，以减少因实验误差引起的差异，从而使多个数据集重新组合在一起，确保下游分析仅考虑生物学差异因素。使用R包“survival”和“survminer”进行单因素Cox回归分析，并利用“ggplot2”绘制图表，设置P < 0.05为过滤条件，对11个LRGs进行预后相关性分析和基因间相关性分析，并绘制预后网络图。同时，对11个LRGs进行Kaplan-Meier生存分析，绘制生存曲线。
1.3 基于乳酸化修饰相关基因的无监督聚类分型
基于乳酸化修饰相关基因的表达水平，采用无监督平均连锁k均值聚类分析鉴定OC中的乳酸化修饰基因分型。使用“consensusClusterPlus”[15]算法进行聚类分析，并重复1 000次以确保聚类的稳定性。最优聚类数通过累积分布函数（cumulative distribution function，CDF）确定，CDF下降最慢的聚类数为最优。根据生存分析结果验证OC患者队列的不同分型的稳定性。
1.4 基因富集分析
根据logFC > 0.5和P < 0.05的标准，使用“limma” R包筛选出4种LRGCluster中的差异表达基因（differential expression genes，DEGs），并使用“clusterprofiler”和“org.Hs.eg.db” R包对差异表达基因进行富集和功能分析。基于基因本体论（gene ontology，GO）和京都基因和基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG），对DEGs进行富集分析。GO分析比较不同乳酸化修饰分型在生物过程（biological process，BP）、细胞成分（cellular component，CC）和分子功能（molecular function，MF）中的富集通路差异；KEGG分析筛选出不同乳酸化修饰分型的显著代谢通路。P < 0.05视为差异具有统计学意义。从MSigDB数据库[16]下载“c.cp.kegg.v20.1.Hs.Symbols”基因集，利用“GSVA”[17]和“ClusterProfiler”R包进行基因集变异分析（gene set variation analysis，GSVA），以探索在高、低LactyScore组中显著富集的信号通路。
1.5 预后评分模型构建
基于1.4筛选的DEGs，设置P < 0.000 1，通过单因素Cox回归分析筛选出与OC预后相关的基因（prognostic related genes，PRGs）。基于PRGs的表达水平，使用无监督平均连锁k均值聚类分析鉴定OC中新基因分型。基于乳酸化修饰分型差异表达的PRGs，采用PCA算法创建评分系统，命名为LactyScore，其公式为LactyScore=∑（PC1+PC2）。
1.6 免疫细胞浸润与肿瘤微环境分析
采用ESTIMATE算法[18]对OC样本的肿瘤微环境进行分析，得到各OC样本的基质细胞、免疫细胞、肿瘤纯度评分（其中基质细胞和免疫细胞的综合评分即为ESTIMATE评分），比较不同分型的免疫评分、ESTIMATE评分和基质评分。通过单样本基因集富集分析（single sample gene set enrichment analysis，ssGSEA）评估OC样本的免疫细胞浸润情况，比较不同分型的免疫细胞富集分数。同时，利用Spearman秩相关分析探讨LactyScore与免疫浸润细胞富集分数之间的关系。
1.7 免疫治疗反应预测
免疫检查点关键基因的表达水平可能与免疫检查点抑制剂治疗的临床疗效相关。比较高、低LactyScore组在5个关键免疫检查点基因[程序性死亡受体-配体1（programmed cell death-ligand 1，PD-L1）、程序性死亡受体1（programmed death 1，PD-1）、细胞毒性T淋巴细胞相关蛋白-4（cytotoxic T lymphocyte-associated protein-4，CTLA-4）、淋巴细胞活化基因-3（lymphocyte activation gene-3，LAG3）、T细胞免疫球蛋白和ITIM结构域（T cell immunoglobulin and ITIM domain，TIGIT）]上的表达差异，这些基因在多种肿瘤类型中已被证实与免疫逃逸及免疫治疗反应密切相关。PD-L1和PD-1是最常见的免疫逃逸机制，广泛用于评估免疫检查点抑制剂（如PD-1/PD-L1抗体）的疗效[19]；CTLA-4作为重要的免疫抑制因子，在免疫治疗中被广泛应用[20]；LAG3和TIGIT是新兴的免疫检查点，研究表明它们在肿瘤免疫逃逸和免疫耐药性中发挥关键作用[21]。使用3个免疫治疗队列预测OC高、低LactyScore组患者的免疫治疗潜在反应，包括PD-L1抑制剂atezolizumab治疗膀胱尿路上皮癌（bladder urothelial carcinoma，BLCA，IMvigor210队列）[22]，bevacizumab+erlotinib联合靶向治疗晚期非小细胞肺癌（non-small cell lung cancer，NSCLC，GSE61676队列），以及PD-1抑制剂nivolumab与哺乳动物雷帕霉素靶蛋白（mammalian target of rapamycin，mTOR）抑制剂everolimus对肾透明细胞癌（clear cell renal cell carcinoma，ccRCC）的治疗（PMID：32472114）[23]。
1.8 药物敏感性分析
从癌症药物敏感性基因组数据库（Genomics of Drug Sensitivity in Cancer， GDSC， https://www.cancerrxgene.org/）下载138种化学治疗或靶向治疗药物的详细信息，使用“pRRophetic”R包对OC样本进行药物敏感性分析，计算半抑制浓度（half maximal inhibitory concentration，IC50）值，IC50是评估药物敏感性的关键指标，IC50值越高，化学治疗耐药性越大。
1.9 实时荧光定量聚合酶链反应
采用实时荧光定量聚合酶链反应（real-time quantitative polymerase chain reaction，RT-qPCR）验证模型构建的5个基因在正常卵巢组织、早期及晚期OC组织中的表达水平。按照试剂盒说明（Invitrogen，Cat# 15596026）提取总RNA，用分光光度计检测其纯度和浓度，并进行反转录（20 μL体系：2×RT Mix、Random hexamer、Oligo dT、HiscriptⅡEnzyme、总RNA及RNase-free H2O）。反应条件为25 ℃ 5 min，50 ℃ 15 min，85 ℃ 5 min。PCR扩增体系为10 μL，包括SYBR Green Master Mix、引物、cDNA及灭菌水，用RT-qPCR仪检测基因表达。
1.10 统计学分析
使用R 4.2.2、GraphPad Prism 9.5进行统计分析和图形绘制。对于正态分布的连续数据，以$\bar{x} \pm s$表示，2组间比较采用独立样本t检验，多组间比较采用单因素方差分析，两两比较采用LSD-t法。对于非正态分布的连续数据，以M（P25，P75）表示，2组间比较采用Wilcoxon秩和检验，多组间比较采用Kruskal-Wallis H检验，进一步两两比较采用Dunn’s检验。生存分析采用Kaplan-Meier法。本研究中所有实验均进行3次及以上的生物学重复。双侧P < 0.05视为差异具有统计学意义。
2 结果
2.1 基于乳酸化修饰相关基因的预后及生存分析结果
通过合并并校正TCGA-OV数据与GSE63885、GSE26193数据集（图1A、B），共获得16 174个基因和587例OC样本。对11个LRGs进行单因素Cox回归分析和基因间相关性分析，设置P < 0.05为过滤条件，并绘制OC相关LRGs的预后网络图（图1C）。结果显示，HDAC1、HDAC2、SIRT1、SIRT2、CREBBP为预后的高风险因素，具有致癌特性，而EP300、HDAC3、HDAC8、SIRT3、GLO1、HAGH为保护因素，具有抑癌作用。基因间的粉红色连线表示正相关，蓝色连线表示负相关。Kaplan-Meier生存分析显示，6个LRGs与OC患者预后相关（图1D），其中低表达的EP300、HAGH、HDAC8基因与较好的预后相关，而高表达的CREBBP、HDAC1、SIRT2基因预后较差（均P < 0.05）。
2.2 基于乳酸化修饰相关基因的无监督聚类分型
基于11个LRGs的表达水平，采用无监督聚类分析对587例OC患者进行分型。首先通过“consensusClusterPlus”算法对患者的基因表达矩阵进行分析，并通过1 000次重复确保聚类结果的稳定性，最终将患者分为4种不同的分型，分别为LRGClusterA、LRGClusterB、LRGClusterC和LRGClusterD，见图2A。
生存分析显示，这4种分型的患者预后比较差异有统计学意义（P < 0.05），并通过Kaplan-Meier分析进一步验证（图2B）。对LRGs在不同分型中的表达差异进行热图分析，结果显示LRGs在4种分型中的表达比较差异有统计学意义（P < 0.001），见图2C、D。在4种分型中，LRGClusterC表现出较多的病理分级G3~G4患者，较高比例的晚期（Ⅲ+Ⅳ期）患者，较短的生存时间和较少的存活患者，这提示LRGClusterC可能与较差的预后相关。相反，LRGClusterD表现出较少的病理分级G3~G4患者，较少的晚期（Ⅲ~Ⅳ期）患者，较长的生存时间和较多的存活患者，暗示LRGClusterD可能与较好的预后相关。LRGClusterA与LRGClusterB相似，表现为中等数量的病理分级G3~G4及晚期（Ⅲ~Ⅳ期）患者，提示这2种类型患者的预后处于中等水平。这些结果表明，基于乳酸化修饰相关基因的无监督聚类分型不仅揭示了不同临床病理特征的分型情况，而且为患者的预后提供了重要的线索。
2.3 乳酸化修饰分型的差异分析及GO和KEGG富集分析
2.4 基于乳酸化修饰分型构建基因分型
基于4种乳酸化修饰分型的差异表达基因，通过单因素Cox回归分析筛选出5个OC的PRGs（P < 0.000 1）（图5A），其中胶原蛋白ⅩⅥ型α1链（collagen type XVI alpha 1，COL16A1）、家族转录抑制因子SPEN、含AT钩DNA结合基序1（AT-hook DNA binding motif containing 1，AHDC1）、亮氨酸拉链蛋白1（leucine zipper protein 1，LUZP1）为高风险因素，基质细胞衍生因子2样1（stromal cell derived factor 2 like 1，SDF2L1）为低风险因素。基于这5个PRGs，将OC患者分为2种基因分型（图5B），定义为geneClusterA和geneClusterB。生存分析显示，2种基因分型的OC患者总生存期比较差异有统计学意义（P < 0.001），geneClusterB生存率高于geneClusterA，预后更好（图5C）。对2种基因分型的PRGs表达进行差异分析并绘制热图（图5D、E），显示COL16A1、SPEN、AHDC1、LUZP1在geneClusterA中高表达，而SDF2L1在geneClusterB中高表达，与Cox回归分析及生存分析结果一致。
2.5 预后相关基因的表达
通过Kaplan-Meier plotter在线数据库（https://kmplot.com/analysis/）[24-25]对筛选出的5个PRGs进行生存分析，结果显示COL16A1、SPEN、AHDC1、LUZP1高表达的OC患者OS短，而SDF2L1低表达的OC患者OS延长（P < 0.05），见图6A。RT-qPCR结果显示，SPEN和COL16A1在晚期OC组织中的表达高于早期OC组织，且在早期OC组织中的表达高于正常卵巢组织（均P < 0.05）；AHDC1和LUZP1在晚期OC组织中的表达高于早期OC组织和正常卵巢组织（均P < 0.05），但在早期OC组织与正常卵巢组织间比较差异无统计学意义（均P < 0.05）；SDF2L1的表达水平在正常卵巢组织、早期OC组织和晚期OC组织中逐渐降低（均P < 0.05）。上述结果提示SPEN、COL16A1、AHDC1、LUZP1可能为预后的危险因素，而SDF2L1可能为预后的保护因素，与生存分析结果一致（图6B）。
2.6 基于基因分型构建LactyScore评分模型
基于乳酸化修饰分型的PRGs，采用PCA算法创建评分系统LactyScore。根据最佳截断点，将OC患者分为高、低LactyScore组。生存分析显示，高、低LactyScore组的总生存期差异有统计学意义（P < 0.001），高LactyScore组的生存率高于低LactyScore组（图7A）。存活组OC患者的LactyScore高于死亡组，高LactyScore组中存活患者比例较高（39% vs. 28%），死亡患者比例较低（61% vs. 72%），与生存分析一致（图7B）。桑基图展示了OC患者在4种乳酸化修饰基因分型、2个预后基因分型及LactyScore分组中的分布和生存状态（图7C）。GSVA分析结果显示，LactyScore与氧化磷酸化、DNA修复、MYC-Targets、mTOR复合体1（mTOR complex 1，mTORC1）信号等通路呈正相关，而与转化生长因子-β（transforming growth factor-β，TGF-β）信号、Hedgehog信号、Notch信号、血管生成等通路呈负相关（图7D）。
2.7 免疫治疗反应预测
免疫细胞浸润分析显示，LactyScore与多种免疫细胞呈负相关，如活化的B细胞、未成熟树突状细胞、自然杀伤T细胞等，而与活化的CD8+T细胞和17型辅助性T细胞（T helper cell 17，Th17）呈正相关（图8A）。进一步分析显示，高、低LactyScore组间趋化因子、白介素及其受体、干扰素及其他细胞因子表达差异显著（图8B）。比较LactyScore与常见免疫检查点基因的表达关系，结果显示，高LactyScore组的CTLA4、LAG3、TIGHT表达低于低LactyScore组，而PD-1和PD-L1的表达在高、低LactyScore组间比较差异无统计学意义，但在高LactyScore组中呈现更低的趋势（图8C）。
为验证LactyScore评分系统在免疫治疗疗效预测中的准确性，采用已发表的3个独立免疫治疗队列协助评估准确性：PD-L1抑制剂atezolizumab治疗BLCA患者的IMvigor210队列（图9A），bevacizumab+erlotinib联合靶向治疗NSCLC的GSE61676队列（图9B），PD-1抑制剂nivolumab对肾透明细胞癌（clear cell renal cell carcinoma，ccRCC）的治疗（图9C）。Kaplan-Meier生存曲线显示，3个队列中高LactyScore组的免疫治疗预期生存时间较低LactyScore组短。免疫治疗效果分析中，将完全缓解和部分缓解视为有效，病变稳定和病变进展视为无效。结果显示，低LactyScore组患者的治疗有效比例较高，高LactyScore组患者的治疗无效比例较高，提示低LactyScore组患者对免疫治疗更敏感。
图9 免疫治疗预测注：A为PD-L1抑制剂atezolizumab治疗BLCA患者的IMvigor210队列预测高、低LactyScore组患者对免疫治疗的潜在反应；B为bevacizumab+erlotinib联合靶向治疗NSCLC的GSE61676队列预测高、低LactyScore组患者对免疫治疗的潜在反应；C为PD-1抑制剂nivolumab对肾透明细胞癌（clear cell renal cell carcinoma，ccRCC）的治疗预测高、低LactyScore组患者对免疫治疗的潜在反应。 Figure 9 Immunotherapy prediction |
2.8 药物敏感性分析
在138种药物中，68种药物在高LactyScore组中的IC50值高于低LactyScore组，24种药物在低LactyScore组中的IC50值更高，46种药物在高、低LactyScore组间比较差异无统计学意义（均P > 0.05）。部分组间差异有统计学意义的药物IC50统计结果见图10。高LactyScore组对多种治疗药物的IC50值较高，但高LactyScore组对OC治疗常用药物如顺铂和紫杉醇较为敏感。
3 讨论
乳酸化修饰是一种新型的蛋白质翻译后修饰，最早被发现与癌细胞和巨噬细胞中通过表观遗传调控基因转录的调节有关[7]。乳酸化修饰在肿瘤中的作用是多方面的，主要包括以下几个方面。首先，乳酸化能够调控多种信号通路和转录因子活性，从而增强肿瘤细胞的生长和侵袭性。此外，肿瘤微环境中的乳酸积累会降低局部pH值，抑制免疫细胞功能，使肿瘤细胞更容易逃避免疫监视。乳酸化还影响肿瘤细胞对某些化学治疗药物的敏感性，如乳酸积累可能降低某些药物的渗透性，从而降低疗效[29]。研究显示，肿瘤微环境中高水平乳酸阻碍T细胞介导的免疫应答，从而促进肿瘤免疫逃逸[5]。这些发现表明，肿瘤代谢和乳酸化修饰相互作用，影响免疫细胞在肿瘤微环境中的功能[30-31]。总之，乳酸化修饰作为一种复杂的、多功能的翻译后修饰，与肿瘤生物学特别是肿瘤的发生和发展密切相关。最新研究发现，乳酸脱氢酶B基因通过调控PD-L1启动子的乳酸生成和组蛋白乳酸化，最终调控PD-L1启动子的表达，参与OC细胞的免疫逃逸[32]。PFKP的K392残基乳酸化可通过调节PTEN促进OC细胞糖酵解，从而促进疾病的进展[33]。乳酸化修饰具有重要的研究前景，其在OC中的具体机制尚不明确，进一步研究其对OC肿瘤免疫微环境的影响，有助于预测患者生存和免疫治疗反应。
本研究从文献中获取了11个LRGs（HDAC1、HDAC2、SIRT1、SIRT2、CREBBP、EP300、HDAC3、HDAC8、SIRT3、GLO1、HAGH）。下载并整合TCGA-OV、GSE63885、GSE26193数据集的OC数据，基于这11个LRGs的表达水平，采用无监督聚类算法将OC患者分为4种分型。生存分析显示，不同分型的OC患者总生存期比较差异有统计学意义。进一步分析表明，不同分型的免疫评分和免疫细胞浸润存在差异。值得注意的是，LRGClusterA、B、C、D的免疫评分呈上升趋势，部分浸润的免疫细胞在LRGClusterA、B、C、D的分布也呈上升趋势，显示乳酸化修饰分型与OC的肿瘤微环境密切相关，提示乳酸化修饰相关基因在OC的免疫调节中可能发挥重要作用。在4种分型中，LRGClusterC表现为多个预后风险因素的LRGs高表达，如HDAC1、HDAC3、SIRT2等基因，免疫细胞浸润较少，预后较差。相比之下，LRGClusterD呈现出大部分预后风险因素的LRGs低表达，如CREBBP、HDAC3、SIRT1、SIRT2等基因，且免疫评分最高，免疫细胞浸润较多，预后较好。LRGClusterB表现为各LRGs表达处于中等水平，免疫评分和免疫细胞浸润较为适中，提示该分型的免疫反应较强，预后居中。LRGClusterA则与LRGClusterB相似，大部分LRGs表达处于中等水平，但表现为较低的免疫评分，但免疫细胞浸润较少，预后稍差。
本研究结合OC患者的生存时间和生存状态，通过单因素Cox回归分析筛选出4种乳酸化修饰分型的差异表达基因（DEGs），最终确定5个与OC患者预后密切相关的基因：COL16A1、SPEN、AHDC1、LUZP1和SDF2L1。基于这5个PRGs，采用二次无监督聚类算法将OC患者分为两种基因分型。生存分析结果显示，geneClusterB的生存率高于geneClusterA。通过Kaplan-Meier plotter在线数据库进行生存分析进一步验证，结果提示SPEN、LUZP1、AHDC1和COL16A1为预后的危险因素，SDF2L1为预后的保护因素。此外，利用RT-qPCR法在临床样本中检测了这5个PRGs在正常卵巢组织、早期和晚期OC组织中的表达水平。结果表明，这5个PRGs与OC的预后密切相关，并具有作为OC生物标志物的潜力。
有趣的是，尽管11个LRGs筛选出的6个预后基因（EP300、HAGH、HDAC8、CREBBP、HDAC1和SIRT2）与基于乳酸化修饰分型筛选出的5个预后基因（COL16A1、SPEN、AHDC1、LUZP1和SDF2L1）不重合，但它们代表了不同层次的生物学信息和分析方法。在6个LRGs预后基因的筛选中，主要通过单因素Cox回归分析和基因间相关性分析，揭示了与OC预后显著相关的乳酸化修饰基因。而在5个PRGs基因的筛选中，本研究通过无监督聚类分析（基于LRGs的表达模式）对患者进行分型，并筛选出与不同分型相关的预后基因。这些方法从不同角度揭示了乳酸化修饰基因在OC中的作用，它们的结合可以为患者提供更精确的预后预测。此外，这2类基因的筛选反映了乳酸化修饰在OC中的复杂机制。6个LRGs预后基因代表了直接与OC预后相关的乳酸化修饰标志物，而5个PRGs基因则可能反映了不同分型（如LRGClusterA、LRGClusterB等）所表现出的特定预后特征。这些基因有助于进一步区分不同临床亚型患者，为个性化临床管理和治疗提供指导。尽管筛选出的基因不同，它们可能揭示了乳酸化修饰在肿瘤微环境、肿瘤细胞代谢、免疫逃逸等多个方面的作用。
既往研究表明，COL16A1的表达与晚期浆液性OC的无进展生存期相关[34]。免疫组织化学染色结果显示，COL16A1在OC组织中上调[35]。COL16A1作为细胞外基质的组成成分，参与细胞黏附和迁移，可能通过改变肿瘤微环境，促进OC的侵袭和转移。高表达的COL16A1与OC患者的不良预后相关，可能是预测OC患者预后的重要生物标志物[36-37]。SPEN也称为视黄醇和甲状腺激素受体的沉默调节介质（silencing mediator of retinoid and thyroid hormone receptors，SMART）/HDAC1相关抑制因子（SMART/HDAC1 associated repressor protein，SHARP），是一种大型核蛋白，在X染色体的转录调控和失活中起重要作用[38]。Légaré等[39]报道，SPEN的失活可能促进乳腺肿瘤的进展，提示SPEN在ER-α阳性乳腺癌中具有肿瘤抑制功能。研究还表明，SPEN可通过激活磷脂酰肌醇3激酶/蛋白激酶B/c-Jun氨基末端激酶（phosphoinositide 3-kinase/protein kinase B/c-Jun N-terminal kinase，PI3K/AKT/c-JUN）调控miR-4652-3P/同源结构域相互作用蛋白激酶2（homeodomain interacting protein kinase 2，HIPK2），进而激活上皮间质转化（epithelial-mesenchymal transition，EMT）信号，促进鼻咽癌转移[40]。在OC中，SPEN可能通过类似机制，抑制肿瘤细胞的转移和侵袭，发挥肿瘤抑制作用。AHDC1是肥胖和能量代谢的重要调节因子[41]。该基因的表达与多种肿瘤类型的发生、发展相关，尤其在宫颈癌和乳腺癌中显示出显著的增殖和转移促进作用。LINC01133作为竞争性内源RNA（competing endogenous RNA，ceRNA）靶向miR-4784，增强AHDC1表达，并通过AHDC1依赖的方式促进宫颈癌的恶性生长、侵袭和EMT[42]。在OC中，AHDC1可能通过调节能量代谢和细胞周期，影响肿瘤细胞的增殖和迁移，进而影响患者的预后。LUZP1通过调控肌动蛋白细胞骨架，促进细胞分裂、迁移和侵袭[43]。环状RNAcircFIRRE通过上调LUZP1的mRNA和蛋白水平，促进骨肉瘤的进展和转移[44]。SDF2L1联合PRKG1和PPP1R12A的表达谱被认为是高级别浆液性OC治疗反应和生存的预测因子[45]。SDF2L1在肿瘤细胞中的表达可通过影响细胞的黏附、迁移以及对外界刺激的反应，参与肿瘤的生长和转移[46]。其与PRKG1和PPP1R12A的协同作用可能影响肿瘤预后，成为临床治疗反应的重要预测因子[47]。
基于这5个PRGs的表达，本研究构建了一个可靠的预后评分系统LactyScore。生存分析结果显示，高LactyScore组的生存率高于低LactyScore组。免疫细胞浸润分析显示，LactyScore与多种免疫细胞浸润呈负相关。此外，多种趋化因子及其受体、白介素及其受体、干扰素及其他细胞因子的表达也与LactyScore呈负相关。既往研究表明，炎症细胞因子与OC发生、发展密切相关[48]。高LactyScore组的免疫细胞浸润减少，趋化因子和细胞因子表达降低，提示高LactyScore组OC患者可能具有更大的免疫逃逸潜力。进一步分析发现，高LactyScore组的CTLA4、LAG3和TIGHT免疫检查点表达低于低LactyScore组，提示高LactyScore组可能对免疫检查点抑制剂治疗的反应较差。本研究采用BLCA、NSCLC和ccRCC 3个免疫治疗队列，进一步预测OC高、低LactyScore组患者对免疫治疗的潜在反应，结果显示低LactyScore组的治疗有效比例大于高LactyScore组，验证了低LactyScore组OC患者对免疫治疗可能更为敏感，而高LactyScore组的免疫治疗应答率可能较低。药物敏感性分析表明，低LactyScore组患者对多种治疗药物的化疗耐药性较低，这些药物可能为低LactyScore组OC患者提供新的治疗选择。值得注意的是，高LactyScore组对OC治疗常用药物如顺铂和紫杉醇较为敏感，可能与高LactyScore组患者的良好预后相关。
然而，本研究存在一些局限性。首先，LactyScore预后评分模型仍需在其他大规模临床队列中验证，以进一步支持本研究的结论。其次，LactyScore模型中涉及的5个PRGs的生物学功能和机制尚需深入研究。此外，基于LactyScore对OC患者进行分层并预测其免疫治疗效果的准确性，仍需通过大规模临床试验加以验证。
综上所述，本研究基于11个LRGs鉴定了4种乳酸化修饰分子分型。通过差异分析和单因素Cox回归分析，筛选出5个与OC患者预后密切相关的差异表达基因。基于这5个基因，我们构建了一个可靠的预后评分系统LactyScore，可用于准确预测OC患者的预后，有助于临床医生进行更为精确的预后判断和最佳临床决策。进一步分析显示，高LactyScore组OC患者具有更强的免疫逃逸潜力和较低的免疫治疗应答率，提示该评分模型可能成为预测OC患者对免疫检查点抑制剂（ICI）治疗反应的有效工具。本研究为不同分层的患者提出潜在的治疗策略提供了理论依据，旨在提高OC患者预后并在临床实践中实现更加个性化的精准医疗。
利益冲突声明：本研究未受到企业、公司等第三方资助，不存在潜在利益冲突。