admin

脑膜瘤是一种起源于脑膜上皮细胞的肿瘤，约占所有中枢神经系统新诊断肿瘤的37.6%[1]。在具有WHO分级记录的脑膜瘤中（65.7%），35.9%的脑膜瘤为WHOⅠ级，8.2%为Ⅱ级，0.7%为Ⅲ级[2]。II级脑膜瘤术后复发率29%-52%[3]。III级非常罕见，预后不良，其中位OS为2.9年，5年OS约为40%[4]。基因表达的表观遗传调控，如DNA甲基化和组蛋白修饰等，在脑膜瘤的发生发展中起着重要的作用。研究表明，异常的DNA甲基化是脑膜瘤最常见的表观调控之一，而且结合DNA甲基化进行分子分层，相比于WHO分级，更能对脑膜瘤的预后进行精准预测[5]。 Zeste基因增强子同源物2（enhancer of Zeste homolog 2，EZH2) 是一种重要的甲基转移酶，能够通过调控转录活性进而促进肿瘤细胞的增殖、转移和耐药。在胶质瘤、肺癌、结直肠癌等恶性肿瘤中高表达，并且与不良预后有关[6-8]。但在脑膜瘤中的研究尚缺乏，因此，本文总结了EZH2在脑膜瘤中的相关研究进展。 EZH2的结构和功能 EZH2是PeG蛋白家族的主要成员之一，是多梳抑制复合物2（PRC2）的核心亚基之一，该亚基由其他几个成分组成，如EED、SUZ12和RpAp46/489。能通过其C端SET结构域催化组蛋白H3K27me3和非组蛋白，促进染色质浓缩，调控相关靶基因的表达[9]。 EZH2的作用机制 （1）最早、最经典的的作用机制便是EZH2与其它亚基组成PRC2复合物，通过SET结构域对细胞核中的底物组蛋白H3中27位的赖氨酸残基三甲基化（H3K27me3），导致目标基因的沉默。（2）由EZH2组成的PRC2复合物还可以作用于非组蛋白，导致其甲基化，参与转录调控。（3）EZH2还可通过非PRC2依赖的方式引起非组蛋白的甲基化。（4）EZH2还能通过直接与其它因子形成转录复合物，而不需要依赖PRC2，激活下游的目标基因转录。[10,11] EZH2在非典型脑膜瘤中表达上调 在一项149例脑膜瘤（I级102例，II级47例）的研究中，EZH2的免疫组织化学表达在II级肿瘤中明显高于较低级别肿瘤（38.3%比6.0%；p<0.001）。大多数阳性病例显示低表达水平，仅在2例非典型脑膜瘤中检测到EZH2的强表达。凸面脑膜瘤的EZH2表达比颅底更高（19.5%比6.3%）。EZH2免疫阳性在增殖活性高的区域更为明显。EZH2表达高的病例其增殖活性（MIB-1 LI）显著高于阴性病例（平均值±SD–7.9±6.2 vs 3.7±3.3；p<0.001）[12]。在mRNA转录分析中也验证了EZH2在非典型脑膜瘤中的表达更高[13]。此外，研究还发现，EZH2在复发性脑膜瘤中的表达更高[14]。 EZH2对脑膜瘤预后的影响 研究发现，EZH2是脑膜瘤无进展生存期的独立影响因素，与阴性病例相比，EZH2表达阳性的病例，其无进展生存期明显缩短（平均PFS 135.4 vs 223.7周；p=0.007）[12]。 在脑膜瘤中Let-7家族负调控EZH2的表达 研究发现非典型与良性样本中ESCs中H3K27me3和EZH2靶点的超甲基化增加，超甲基化水平与非典型的可能性相关。研究者还发现let-7家族的5个成员（let-7a, let-7b, let-7c, let-7d, let-7e）在非典型脑膜瘤中有异常表达。该miRNAs家族已被证明在各种癌症，如前列腺癌和神经母细胞瘤中表达下调。研究发现非典型脑膜瘤中let-7家族的下调与EZH2mRNA表达的上调相关。重要的是，除let-7b外，这些miRNA的表达水平（在非典型脑膜瘤和良性脑膜瘤中分别缺失75%和47%）不受CNV事件的影响。[13] 显示了以高甲基化（红线）和低甲基化（蓝线）位点为中心的EZH2-ChIP-seq信号（先前在hESCs中报道）的聚集图。分析显示非典型与良性样本中ESCs中H3K27me3和EZH2靶点的超甲基化增加。超甲基化水平与非典型的可能性相关。 小 结 EZH2是表观遗传学方面的重要基因，在多种恶性肿瘤的已被广泛研究，但在脑膜瘤中的研究尚缺乏。目前的研究发现EZH2在非典型脑膜瘤中高表达，并且与不良预后相关，let-7家族负调控着EZH2的表达。由于EZH2复杂的作用机制，既可以甲基化组蛋白和非组蛋白，也可以通过PRC2依赖和非PRC2依赖的方式，导致基因沉默或转录激活。因此，EZH2在脑膜瘤中的作用及机制仍需要进一步研究。 参考文献： [1]Louis DN, Perry A, Wesseling P, et al.

脊髓脑膜瘤（SM）占原发性脑膜瘤的5-10%，占脊髓硬膜内肿瘤的30%。SMs通常是散发性的，很少与遗传性疾病如2型神经纤维瘤病或神经鞘瘤病相关[1-3]。 SMs是生长缓慢的良性肿瘤，由于脊髓受压，在晚期可能会导致各种神经功能缺损。手术切除是症状性SM的首选治疗方法。

研究背景 脑膜瘤是最常见的颅内原发性肿瘤之一，不同分级的脑膜瘤患者预后差异很大，从良性到高度侵袭性，最终可能导致死亡[1]。对于肿瘤进展风险的早期而可靠的识别是重要的。然而，目前仅建立了高度侵袭性肿瘤的分子标志物（CDKN2A/B和TERT启动子突变），而对于低危和中危脑膜瘤的患者分子基础分层尚待完善[2-4]。本研究旨在为中低危患者提出新的预测及分级标准，描述并比较验证了WHO分级、特定拷贝数变化和基于甲基化的分类的独立预测能力[5]。 研究方法 本研究收集了2868位患者的3031例脑膜瘤样本的DNA甲基化数据和拷贝数信息，以及858例样本的突变数据，分析DNA甲基化亚组、拷贝数变异（CNVs）、突变和WHO分级。在514例患者的回顾性队列中评估了预后的预测能力，在184例回顾性队列和287例多中心病例的前瞻性队列中进行了验证。 结    果 研究分析了3031例脑膜瘤样本样本，对他们的表观遗传学特征进行了整合。结合脑膜瘤的甲基化分级（methylation class，MC），作者提出了甲基化家族（methylation family，MF）的概念[6]。良性MF包括MC中的ben-1、2、3，中间型MF包括int-A、B以及恶性MF。拷贝数变异（copy number variations，CNVs）也被证实与甲基化水平高度一致，良性MF中ben-1表现为22q的缺失，ben-2的拷贝数图谱平坦，而ben-3的特征是全染色体增益。在中间型MF中，整个染色体缺失的数量增加，最后恶性MF的特征是大量的CNV，包括CDKN2A/B基因座9p上的局灶性纯合缺失。（图1A） 不同的基因突变也与CNV模式一致：孤立的NF2突变通常与WHOⅠ级，孤立的22q缺失及MC ben-1相关，AKT1，SMO、KLF4和TRAF4突变常见于MC ben-2的WHO 1级脑膜瘤，拷贝数分布平坦。基因组紊乱的脑膜瘤，包括CDKN2A/B纯合子缺失，大多数为WHO3级和MC mal分级，且TERT启动子突变丰富。（图1B） 表1. 单拷贝数变异对预后的影响 依托多重荧光免疫组化技术平台，阔然基因推出了肿瘤免疫微环境全景分析解决方案，全景剖析肿瘤免疫微环境中的杀伤性T细胞、耗竭性T细胞、巨噬细胞、B细胞、三级淋巴结构和免疫检查点受体的浸润情况，全面评估患者的预后和接受免疫抑制剂治疗的疗效，挖掘肿瘤免疫微环境与肿瘤发生发展、复发、转移和耐药机制的关系和临床分子机理。 通过单变量分析，确定1p，6q和10q等缺失为最有价值的标志，通过对WHO分级，甲基化家族分级，性别，肿瘤位置等因素进行调整后，1p缺失p值仍<0.01,表明1p缺失可以作为独立预测的标志物（表1）。1p的存在或缺乏可以进一步对组织学上WHO1级、2级和复合WHO 1级或2级病例进行分层。如果存在1p缺失，结果类似于WHO Ⅱ级或中间型MF 。这表明任何具有1p缺失的脑膜瘤都应被认为至少是WHO分级2级（图2）。因此，1p状态是一个有吸引力的分析目标，因为它具有预后相关性，在很大比例的脑膜瘤中含量丰富，并且检测有效。 为了验证CNVs对于预后的独立验证能力，研究者提出了CNV-Lasso模型与CNV-Literature模型，前者仅包括1p，6q，14q的缺失（图3C），后者增加了对10q缺失的分析（图3D）。如果没有上述任何一种拷贝数变异，就被归类为低风险，1-2个CNVs为中风险，三个或三个以上为高风险。本研究也证实了WHO分级（2016及2021分级）（图3A、B）以及甲基化分级对预后预测的风险分层。（图3E） 图3. 不同分类方法对预后的危险分层分析 对不同模型的预测能力进行了对比，结果显示CNV-Lasso模型的c指数为0.701，CNV-Literature模型为0.709，甲基化家族为0.719。与WHO 2016分级（c指数为0.683）和WHO2021分级（c指数为0.697）相比，这3个模型指标均较好（图3F）。10年的Brier预测误差在所有模型中相似（0.170-0.178），但甲基化模型的预测误差更低（0.158）。这一结果在验证队列中也得到了证实。因此，结合上述分子分型及WHO分级的方法可能在风险预测方面产生重要进展。 图4. 评估脑膜瘤危险分组的一般流程 根据不同的检测方法，提供了三种分子分析途径。甲基化阵列同时提供CNVs的信息，产生综合风险评分，从而在所有情况下提供最准确的风险分层。（图4 Option1）对于组织学分级1和2的病例，1p的状态可以作为一个替代物，以增加区分真正低风险和高风险病例的预测能力。然而，与综合评分相比，这降低了准确性，并且没有进一步将1p删除病例分层为中等和高风险。当检测到1p缺失时，产生6q和14q染色体状态的额外测试可以通过实施CNV-Lasso模型进一步对风险进行分层。或者，在研究1p后，可以进行更有针对性的基因分析。（图4 Option2）靶向基因分析可用于识别与低风险相关的TRAF7和KLF4中的SNV，以及与进展的高风险相关的TERT启动子突变和CDKN2A/B的纯合缺失。与1p状态检测类似，靶向基因分析仅准确地对病例子集进行分层，可能需要额外的分子检测来最终确定进展的风险。（图4 Option3） 图5. 综合三种分类方法合并为综合的分子形态学评分 将所有的风险分层方法每一层分别赋值合并为一个综合的分子形态学评分，结果进一步大幅提高了准确性（c指数0.744）（图5）。这一综合评分在所有三个队列中始终提供了较高的准确性，显著优于WHO分级（c指数差异p0.005）。除了总体分层优势外，综合评分更精确地分离了WHO 1级和2级肿瘤诊断挑战性界面的进展风险（回顾性和前瞻性验证队列的风险比分别为4.34[2.48-7.57]和3.34[1.28-8.72]）。因此，新的综合分子形态学评分可以帮助中低风险的脑膜瘤患者更准确的预测预后，从而尽早地做出针对性治疗。 图6. 整合模型不同危险分组中临床、组织学、表观遗传学特征