最新研究成果 | 清華大學(xué)藥學(xué)院胡澤平團(tuán)隊(duì)與合作者揭示代謝組學(xué)結(jié)合人工智能在準(zhǔn)確診斷胃癌及預(yù)測(cè)患者預(yù)后中的臨床應(yīng)用潛能


最新科研速遞

2024年2月23日,清華大學(xué)藥學(xué)院胡澤平團(tuán)隊(duì)與合作者在《Nature Communications》發(fā)表題為“Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer”的研究論文,揭示了胃癌患者血漿的代謝重編程圖譜,并發(fā)現(xiàn)基于代謝組學(xué)構(gòu)建的機(jī)器學(xué)習(xí)模型能準(zhǔn)確診斷胃癌患者,并預(yù)測(cè)患者預(yù)后風(fēng)險(xiǎn)。

undefined  




研究背景

胃癌是東亞地區(qū)高發(fā)的致死性腫瘤【1】。胃癌的早期確診和及時(shí)干預(yù)對(duì)改善臨床結(jié)果至關(guān)重要【2】。然而,作為胃癌診斷金標(biāo)準(zhǔn)的內(nèi)鏡活檢因其侵入性高且費(fèi)用昂貴而限制了臨床應(yīng)用【3, 4】。因此,迫切需要開發(fā)具有高靈敏度和特異性的新型非侵入性胃癌檢測(cè)方法。此外,對(duì)病人進(jìn)行預(yù)后監(jiān)測(cè)并及時(shí)進(jìn)行干預(yù)有助于更好的臨床結(jié)果【5】。因此,開發(fā)一種更精確的患者預(yù)后預(yù)測(cè)方法至關(guān)重要。

胃作為具有高度異質(zhì)性的消化器官,其癌變和進(jìn)展受到基因突變和環(huán)境擾動(dòng)的雙重影響,伴隨顯著的代謝重塑。然而,代謝重編程及其在胃癌診療中的潛在應(yīng)用并未被系統(tǒng)性深入地研究過,未能滿足臨床對(duì)胃癌早診和患者分層治療的需求。目前的胃癌生物標(biāo)志物研究很大程度上受限于隊(duì)列規(guī)模小、缺乏獨(dú)立的驗(yàn)證隊(duì)列、樣本類型和檢測(cè)方法的差異導(dǎo)致的結(jié)果再現(xiàn)性低,以及受分析技術(shù)限制的檢測(cè)靈敏度有待提高等問題。因此,使用多中心、大隊(duì)列、特征明確的胃癌和對(duì)照人群進(jìn)行代謝組學(xué)分析對(duì)于識(shí)別和驗(yàn)證具有轉(zhuǎn)化潛力的生物標(biāo)志物,從而開發(fā)和完善適合臨床應(yīng)用的代謝生物標(biāo)志物的仍然勢(shì)在必行。

研究過程

研究人員收集了702例胃癌患者和非胃癌對(duì)照的血漿樣本,進(jìn)行了靶向代謝組學(xué)數(shù)據(jù)分析。結(jié)果顯示,胃癌患者血漿發(fā)生了明顯的代謝重編程,其中最顯著改變的代謝通路為谷胱甘肽代謝。通路中的兩種關(guān)鍵代謝物 還原型谷胱甘肽GSH 和氧化型谷胱甘肽 GSSG 在胃癌血漿中顯著降低。此外,作為氧化應(yīng)激紊亂指示物的GSH/GSSG 比率在胃癌患者中顯著上調(diào),并隨著疾病進(jìn)展而逐漸增加。表明胃癌患者血漿中氧化應(yīng)激嚴(yán)重失調(diào)。此外,胃癌患者的半胱氨酸和蛋氨酸代謝通路也發(fā)生顯著失調(diào)。與非胃癌對(duì)照相比,胃癌患者的 S-腺苷-L-同型半胱氨酸 (SAH) 下調(diào),S-腺苷甲硫氨酸 (SAM) 上調(diào),并且 SAM/SAH 比值隨疾病進(jìn)展而增加。作為通用甲基供體,SAM 豐度和SAM/SAH 比值的失調(diào)可能反映了胃癌患者甲基池的擾動(dòng)。這些胃癌血漿中的代謝重編程特征為開發(fā)胃癌檢測(cè)和患者預(yù)后預(yù)測(cè)生物標(biāo)志物奠定了基礎(chǔ)。

undefined  

圖1. 本研究設(shè)計(jì)及流程圖


盡管代謝組學(xué)在全面分析胃癌整體代謝特征方面具有獨(dú)特的優(yōu)勢(shì),能夠大規(guī)模識(shí)別用于 GC 診斷和預(yù)后的有希望的生物標(biāo)志物,但復(fù)雜的組學(xué)數(shù)據(jù)的解釋始終是一個(gè)挑戰(zhàn)。在過去的幾年中,機(jī)器學(xué)習(xí)算法已被用于發(fā)現(xiàn)組學(xué)數(shù)據(jù)和疾病狀態(tài)之間的潛在關(guān)聯(lián)并創(chuàng)建預(yù)測(cè)模型【5-7】。因此,研究人員分別使用隨機(jī)森林和隨機(jī)生存森林算法建立了基于10個(gè)代謝物的胃癌診斷模型(10-DM)和基于28個(gè)代謝物的胃癌患者預(yù)后預(yù)測(cè)模型(28-PM)并在測(cè)試集中驗(yàn)證了模型的優(yōu)越性能。對(duì)模型效果評(píng)估時(shí)發(fā)現(xiàn),10-DM診斷模型即使對(duì)早期胃癌患者(stage IA)也能準(zhǔn)確診斷,表現(xiàn)出比臨床正在使用的癌癥蛋白標(biāo)志物CEA,CA19-9,CA72-4等更優(yōu)越的診斷效果(靈敏度0.925:0.428)。10-DM模型的準(zhǔn)確性和重現(xiàn)性在覆蓋521人的多中心隊(duì)列中得到證實(shí),表明該模型具有較高的穩(wěn)健性和臨床應(yīng)用潛力。此外,28-PM預(yù)后模型比利用臨床參數(shù)的傳統(tǒng)模型的預(yù)測(cè)效果更好(C-index值0.816:0.591),并能有效地將患者分為高低兩個(gè)風(fēng)險(xiǎn)組。在中位數(shù)為40個(gè)月的隨訪期間,28-PM 模型區(qū)分的高風(fēng)險(xiǎn)患者的預(yù)后與低風(fēng)險(xiǎn)患者相比更差,證明了模型的預(yù)測(cè)能力。被分層為高危險(xiǎn)組的患者更有可能受益于強(qiáng)化監(jiān)測(cè)、及時(shí)干預(yù)和新型治療藥物的試驗(yàn)。

研究結(jié)果

綜上,該研究描述了胃癌患者血漿的整體代謝重編程,并結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建了兩個(gè)模型,分別識(shí)別胃癌患者并預(yù)測(cè)其預(yù)后。該工作有助于進(jìn)一步理解胃癌的分子病理學(xué)特征,促進(jìn)了胃癌早期檢測(cè)的發(fā)展,并為實(shí)現(xiàn)胃癌的精準(zhǔn)治療提供理論基礎(chǔ)。

迄今為止報(bào)道的胃癌組學(xué)研究主要集中在探究以 DNA、RNA 和蛋白質(zhì)作為胃癌生物標(biāo)志物的潛力,而該工作強(qiáng)調(diào)了胃癌中循環(huán)代謝物的預(yù)測(cè)價(jià)值。通過使用高靈敏代謝組學(xué)技術(shù)分析覆蓋共計(jì)702例胃癌和非胃癌對(duì)照的多中心樣本已經(jīng)獨(dú)立測(cè)試集的設(shè)定,該研究成功應(yīng)對(duì)了生物標(biāo)志物探究工作普遍面臨的結(jié)果再現(xiàn)性低,無法進(jìn)行臨床推廣應(yīng)用的挑戰(zhàn)。未來可以通過建立靶向兩個(gè)模型中代謝物的特定子集的靶向定量代謝組學(xué)檢測(cè)方法以提高效率并降低成本,并在來自更多中心的更大規(guī)模臨床樣本中進(jìn)行驗(yàn)證和優(yōu)化。此外,基于這兩種預(yù)測(cè)模型有望促進(jìn)胃癌無創(chuàng)早期檢測(cè),并根據(jù)患者的風(fēng)險(xiǎn)分層為臨床決策提供信息,從而實(shí)現(xiàn)輔助胃癌精準(zhǔn)診療策略的臨床轉(zhuǎn)化。


致謝

清華大學(xué)藥學(xué)院博士生陳洋子、趙宜滋,博士后王博弘、王銘鑠、中國(guó)醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院邵欣欣博士,馬福海博士為該論文的共同第一作者。清華大學(xué)藥學(xué)院胡澤平研究員、哈爾濱醫(yī)科大學(xué)附屬腫瘤醫(yī)院韓鵬主任、中國(guó)醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院田艷濤主任為該論文的共同通訊作者。藥學(xué)院博士生姚珂,博士后聶萌博士(現(xiàn)任首都醫(yī)科大學(xué)副教授)也為該工作做出了重要貢獻(xiàn)。上海期智研究院的楊天舒研究員和李蓬院士對(duì)該研究提供了大力支持和幫助。

參考文獻(xiàn)

1. Sung, H., et al., Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: a Cancer Journal For Clinicians, 2021. 71(3): p. 209-249.
2. Koo, M.M., et al., Presenting symptoms of cancer and stage at diagnosis: evidence from a cross-sectional, population-based study. Lancet Oncol, 2020. 21(1): p. 73-79.
3. Smyth, E.C., et al., Gastric cancer. Lancet, 2020. 396(10251): p. 635-648.
4. Thrift, A.P. and H.B. El-Serag, Burden of Gastric Cancer. Clinical Gastroenterology and Hepatology : the Official Clinical Practice Journal of the American Gastroenterological Association, 2020. 18(3): p. 534-542.
5. Skrede, O.J., et al., Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet, 2020. 395(10221): p. 350-360.
6. Greener, J.G., et al., A guide to machine learning for biologists. Nat Rev Mol Cell Biol, 2022. 23(1): p. 40-55.
7. Vamathevan, J., et al., Applications of machine learning in drug discovery and development. Nat Rev Drug Discov, 2019. 18(6): p. 463-477.



原文鏈接:http://doi.org/10.1038/S41467-024-46043-Y

阳山县| 晋中市| 闽侯县| 绥滨县| 鲁甸县| 海兴县| 哈巴河县| 巩义市| 巫溪县| 黄陵县| 上饶市| 和龙市| 来宾市| 延庆县| 灵石县| 石家庄市| 江山市| 巴中市| 安国市| 大荔县| 会同县| 桃园县| 玉屏| 称多县| 佛学| 民勤县| 延安市| 宣城市| 徐闻县| 永城市| 漯河市| 望江县| 婺源县| 吉水县| 嵩明县| 夏邑县| 宁夏| 玉溪市| 金寨县| 哈巴河县| 霍州市|