近日，浙江省肿瘤医院程向东、袁莉团队、上海交通大学钱昆团队根据血浆代谢信息制作了血浆代谢指纹图谱（PMFs），并从中建立一个理由 21 胃癌诊断模型由一种代谢物组成，其面积在验证集中曲线下。（AUC）值为0.907-0.940。此外，还建立了胃癌预后评分系统，能有效预测胃癌患者的生存。研究论文“Efficient plasma metabolic fingerprinting as a novel tool for diagnosis and prognosis of gastric cancer: a large-scale, multicentre study”发表在《GUT》上。
https://gut.bmj.com/content/early/2023/07/17/gutjnl-2023-330045.long
研究背景
01
胃癌（GC）它是世界上第五大常见的恶性肿瘤，也是世界上第四大癌症相关死亡的原因。根据国际癌症研究机构的最新数据，每年约有200万新GC患者和80万与GC相关的死亡。GC早期患者5年总生存期（OS）可超过90%，而局部或远处转移的晚期GC患者5年OS可降至5%-30%。然而，GC的诊断依赖于复杂的胃镜检查和经验丰富的医生，尤其是在资源有限的地区，影响了大规模的应用。因此，基于生物标志物的新兴血液检测迫在眉睫，操作简单，易于观察，有望将GC的早期诊断推向大规模使用。
考虑到细胞生物标志物(如循环肿瘤细胞和癌症外泌体)和分子生物标志物(核酸、蛋白质和代谢物)，癌症生物标志物的选择是诊断目的的血液检查的核心。虽然细胞生物标志物取得了进展，但临床环境中广泛使用的许多生物标志物都是以其稳定性而闻名的分子生物标志物。值得注意的是，可作为GC生物标志物的可用代谢物在小型初步队列中仍然非常有限。因此，为了实现诊断和预后的多重功能，需要代谢生物标志物的组合。
研究方法
02
我们进行了一项大规模的多中心研究(如图1A所示)，包括来自7个回顾性队列中心的1944名受试者和前瞻性队列中的264名受试者。PMF由微阵列NPELDI-MS构建。分析激光下痕量预处理的血浆(每个样品0.5 μL）PMF(图1B)是通过数据预处理获取原始质谱并构建的。此外，超高效液相色谱（UPLC）-MS应用于验证前瞻性队列。此外，GC诊断和预后分析也对PMFS进行了分析。具体来说，借助机器学习选择特征和构建模型进行GC诊断，并依次构建预后模型(图1C)进行单变量和多变量Cox回归。
用于胃癌（GC）诊断和预后 PMF 示意图
研究结果
03
研究人员使用5种机器学习算法来评估PMF的诊断性能（即根据机器学习算法中诊断为胃癌的每个样本的概率得分）。研究发现，无论采用哪种机器学习算法，集中胃癌患者的训练和验证分数都高于非胃癌患者(0.638-0.961 vs. 0.035-0.557，P<0.05)表明胃癌与非胃癌参与者的PMF存在显著差异。
接下来，为了提高血浆代谢物检测的临床实用性，研究人员进一步筛选了初步获得的代谢物信号，最终找到了由21种代谢物组成的胃癌诊断模型。其中，胃癌患者中有11种代谢物表示上升，10种代谢物表示下降（P<0.05）。
代谢物筛选
该模型在训练集和验证集中都具有良好的特异性、敏感性和准确性（在训练集中，该诊断模型的敏感性为78.2％–89.6％，特异性为80.6％–93.3％，准确性为81.2％–91.6％，AUC为0.921–0.971；在验证集中，该诊断模型的敏感性为78.8％–90.1％，特异性为75.6％–89.2％，准确性为82.6％–87.5％，AUC为0.907–0.940）。该模型在前瞻性队列中也得到了有效的验证(AUC为0.855-0.918)。该模型在前瞻性队列中也得到了有效的验证(AUC为0.855-0.918)。此外，该诊断模型还能有效区分和识别I-II期临床分期早期胃癌(AUC可达0.871-0.978)。
最后，研究人员进行了随访>对935名胃癌患者的血液代谢物进行了分析，并有3个月的完整检查数据，建立了由 4 由血浆代谢物(丙烯酰胺、甘氨酸、脯氨酸、缬氨酸)组成的血浆代谢物预后评分（PMP）系统，然后根据患者PMP评分区分高危组（PMP>-2.09)和低危组（PMP<-2.09）患者。结果表明，低危患者的中位生存时间明显更长，无论是在训练集还是验证集。PMP评分在预测患者长期生存(5-9年)方面与传统TNM临床分期相当。
一般来说，我们使用NPELDI-MS记录GC特异性PMF来验证血浆代谢面板对GC诊断和预后的高性能。目前，我们正在进行大规模的前瞻性临床试验，以进一步验证这些模型的性能。我们认为这些诊断和预后模型可能会改变GC患者的筛查，并有助于GC管理。
参考资料：
https://onlinelibrary.wiley.com/doi/10.1002/cac2.12476
