机器学习识别氧化磷酸化特征用于卵巢癌预后和个体化治疗

1. 文章标题

《基于机器学习的氧化磷酸化特征识别在卵巢癌预后、免疫浸润和药物敏感性中的应用》
英文标题：Machine learning-based identification of an oxidative phosphorylation signature for prognosis, immune infiltration, and drug sensitivity in ovarian cancer

2. 期刊与影响因子

• 期刊名称：Frontiers in Immunology
• 影响因子：5.9（2023年数据）
• 出版信息：2026年5月29日在线发表，DOI: 10.3389/fimmu.2026.1724930

3. 文献概要

研究背景
卵巢癌（OC）是一种高度异质性的肿瘤，其代谢特征也存在异质性。氧化磷酸化（OXPHOS）在卵巢癌的发生发展中起重要作用，但其相关基因特征的预后价值和生物学功能尚不明确。

研究结论
本研究通过多数据集整合和机器学习方法，构建了一个基于22个基因的氧化磷酸化相关基因特征（OPRGS）预后模型。该模型在多个独立数据集中表现出良好的预后预测价值。高风险评分与免疫抑制性肿瘤微环境、CAFs浸润增加、TIDE评分升高相关，且对紫杉醇耐药但对卡铂敏感。单细胞测序分析将KIF1A定位为上皮细胞特异性的关键风险基因，体外实验证实KIF1A敲低可显著抑制卵巢癌细胞增殖、迁移和侵袭。

4. 采用英格恩产品实验部分

本研究中，英格恩（Engreen） 的 Entranster-R4000 转染试剂用于siRNA的细胞转染实验：

实验目的	操作细节
转染试剂	Entranster-R4000（北京，中国）
细胞类型	卵巢癌细胞系A2780
转染核酸	靶向KIF1A的siRNA及阴性对照siRNA
转染方法	瞬时转染
检测时间	RT-qPCR：转染后24小时；Western blot：转染后72小时
检测指标	CCK-8细胞活力、克隆形成、EdU增殖、划痕愈合、Transwell迁移/侵袭

原文描述：

“For the cell transfection procedure, we used Entranster-R4000 (Beijing, China) to mediate transient transfection of cells.”

该试剂成功实现了KIF1A siRNA在卵巢癌细胞中的高效敲低，为验证KIF1A作为OPRGS模型中的关键风险基因及其促癌功能提供了关键的体外实验数据。

5. 实验意义

科学意义

• 代谢通路筛选新策略：首次将RRA稳健秩聚合算法与多种机器学习方法相结合，从84条代谢通路中无偏倚地筛选出OXPHOS作为卵巢癌核心代谢通路，为代谢相关预后模型构建提供了系统性研究范式。
• OPRGS模型的预后价值：构建的22基因OXPHOS相关特征模型在多个独立数据集中得到验证，C-index在已发表的43个卵巢癌预后模型中排名前三，具有较强的预后预测能力。
• 免疫微环境解析：高风险评分与免疫抑制性微环境（CAFs浸润↑、TIDE评分↑、IPS评分↓）相关，为卵巢癌免疫治疗反应预测提供了新线索。
• KIF1A新功能发现：首次在卵巢癌中验证KIF1A的促增殖、促迁移和促侵袭功能，填补了该基因在卵巢癌生物学功能研究中的空白。

临床应用价值

• 预后分层：OPRGS可作为卵巢癌患者预后分层的潜在生物标志物，辅助临床决策。
• 化疗敏感性预测：高风险患者对卡铂/奥沙利铂敏感但对紫杉醇/吉西他滨耐药，提示OPRGS可能指导个体化化疗方案选择。
• 潜在治疗靶点：KIF1A可能成为卵巢癌治疗的新靶点。