背景:肝细胞癌（hepatocellular carcinoma,HCC）是最常见的原发性肝癌,发病率和死亡率每年都在增加。传统的对肝癌患者预后的预测主要依据单一的肿瘤标志物和临床病理分期,由于缺乏系统性评估,这种预测方法的特异性和敏感性均较差。因此,对肝癌患者预后的精准预测,有助于早发现、早治疗部分预后较差的患者,提高他们的生存率。肿瘤干细胞（cancer stem cells,CSCs）是肿瘤组织中能够自我更新、无限增殖和多向分化的一小群异质性细胞,它们较强的致瘤性以及对放化疗药物较强的抵抗力可能是肿瘤耐药、侵袭、复发的根本原因。识别肿瘤干细胞相关基因特征及其与癌症预后的关系对于HCC至关重要。随着新一代测序技术和人工智能的快速发展,基于公共数据库构建基因表达谱与临床数据相结合的肿瘤患者预后预测模型,在临床治疗等方面具有非常重要的指导意义,具有临床转化的重大潜能。目的:本研究试图通过结合公共数据库中HCC样本的基因表达谱及临床资料,基于CSCs相关基因,利用生物信息学分析的方法构建高效、稳定的HCC预后模型,以对HCC患者的预后进行系统评估,进而指导对患者的精准治疗。方法:1.从Xenabrowser下载TCGA-LIHC和ICGC-LIRI＿JP两个肝癌数据集,对所有样本的基因表达谱及临床特征进行整合。从MSig DB数据库中获得CSCs相关基因。2.基于CSCs相关基因,利用非负矩阵分解算法（NMF）对样本进行聚类分析,对亚型间的干性指数（m RNAsi）及免疫特征进行分析比较。3.筛选每两组亚型间的差异表达基因,并对不同亚型间的差异基因分别进行富集分析。4.将每两组亚型之间的差异基因集合,进行单因素Cox回归分析,以P值＜0.05,|log FC|＞1为条件筛选预后相关基因。5.随机选择一半样本作为训练集,剩余一半为测试集。根据预后相关基因在训练集中进行LASSO回归,构建预后风险评分模型。6.计算不同样本的风险评分（risk score）并取中位数为截断值,将样本分为高、低风险组。使用受试者工作特征（receiver operating characteristic,ROC）曲线评估模型1、3、5年的生存期的预测能力,使用Kaplan-Meier（KM）曲线分析高、低风险组的生存差异。7.将样本的临床特征如性别、临床分期、肿瘤分级等因素与risk score结合,进行单因素和多因素Cox回归,并构建列线图（Nomogram）生存预测模型。结果:1.基于449个CSCs相关基因,将来自TCGA-LIHC和ICGC-LIRI-JP的共588个HCC样本分为四组亚型,亚型间的预后、干性指数等存在显著的差异。2.在亚型间进行差异基因筛选并取合集得到1417个基因,单因素Cox回归分析筛选了662个预后相关基因。3.在训练集中对预后相关基因进行LASSO回归分析,构建了包含TTK,SPP1,C6,ST6GALNAC4,MEP1A,HTRA1,CD79A,ATP2A3的九基因预后模型;该模型在测试集及外部数据集验证时表现出较好的性能。4.结合风险评分和相关临床特征构建了Nomogram模型,该模型对HCC患者的1年、3年、5年生存率的预测效能较好。5.与其他两个模型进行比较,本研究的九基因预后模型展现出更高的预测效能。结论:本研究基于肿瘤干细胞相关基因,将肝细胞癌分为四组亚型,并构建了九基因特征的肝细胞癌预后模型,该模型预测效能及稳定性良好,在肝细胞癌的预后预测方面具有一定的潜能,可用于指导临床实践中肝细胞癌患者诊疗及预后情况的评估。