EMM | 中山大学鞠怀强等团队利用机器学习和血清脂质代谢特征开发出胃癌早期诊断和预后预测的新工具

学术   2024-11-20 22:00   浙江  


iNature

早期检测对于改善胃癌(GC)预后极其重要,但仍具有挑战性。液体活检与机器学习相结合为GC诊断提供了新方式。脂质代谢重编程在肿瘤的发生和发展中起着至关重要的作用。

2024年11月14日,中山大学/香港大学鞠怀强、徐瑞华和中国科学院朴海龙共同通讯在 EMBO Molecular Medicine 在线发表题为Diagnosis and prognosis prediction of gastric cancer by high-performance serum lipidome fingerprints的研究论文,该研究整合了三个队列(n=944)的脂质组学数据,以开发GC的脂质代谢图景。通过机器学习进构建了血清脂质代谢特征(SLMS),该特征能够很好地区分胃癌患者和健康供体。

值得注意的是,SLMS对于GC早期诊断方面效果明显。通过对GC患者的脂质代谢基质进行无监督共识聚类分析,得到了总生存期差异显著的胃癌预后亚型(GCPSs)。此外,多组学分析显示胃癌组织中的脂质代谢紊乱与胃癌血清中的脂质代谢紊乱部分一致。总得来说,该研究提供了一种基于血清脂质代谢景观的液体活检诊断胃癌新方法。

胃癌是全球第五大最常见的恶性肿瘤,也是全球癌症相关死亡的第四大原因。与接受化疗和免疫治疗的晚期GC患者相比,接受根治性手术的早期GC患者的5年生存率可超过90%,而后者的中位生存期不到15个月。因此,GC的早期发现和诊断对于改善患者预后至关重要。然而,基于血清的生物标志物、放射学技术和基于内窥镜检查组织活检等传统技术存在一定问题。如生物标志物缺乏敏感性和特异性,而成像结果往往会遗漏微观病变。此外,胃镜检查结合组织病理学检查虽然是目前的黄金标准,但存在成本高0、侵入性的、有风险等确定,且检查结果依赖于内窥镜医师的经验,不适合大规模筛查。总体而言,有必要开发能够有效进行GC早期检测的新工具。

液体活检是通过体液微创检测循环肿瘤细胞、循环肿瘤DNA(ctDNA)和细胞外囊泡的替代工具。已有研究表明,液体活检为癌症的诊断和预后监测提供了更多机会。重要的是,与评估肿瘤样本的标本相比,液体活检允许重复取样,且受细胞异质性的影响更小,比基于液体活检的生物标志物检测具备更高的价值。尽管癌胚抗原(CEA)、碳水化合物抗原19-9(CA19-9)和碳水化合物抗原72-4(CA72-4)等基于血液的生物标志物,已被广泛应用于检测胃肠道肿瘤,但敏感性低,不适合GC的早期筛查。因此,ctDNA、细胞外囊泡衍生的lncRNAGClnc1和血清12-microRNA等来自体液的新型生物标志物如雨后春笋般涌现。

构建用于GC诊断的血脂代谢特征(图源自 EMBO Molecular Medicine 

侵袭性肿瘤生长的特征是代谢重编程,为癌症诊断和治疗提供了对于靶点。脂质是生物膜、能量供体和细胞信号转导的主要成分,脂质代谢在肿瘤的发生和发展中起着至关重要的作用。此外,与核酸和蛋白质相比,脂质代谢物可以直接反映癌症的表型,并作为下游分子实时反馈人体状态。重要的是,脂质组学技术的发展和机器学习的进步使得发现癌症特异性特征和构建用于人群筛选的统计分类器成为可能。因此,脂质代谢物有望成为作为生物标志物,且一些基于液体活检的脂质已用于肺癌和胰腺癌诊断。基于脂质代谢的重要性和利用血脂特征筛查GC的缺陷,迫切需要阐明脂质代谢物在GC检测和预后评估中的作用机制。

该研究分析了来自多个队列的GC患者和健康供体的血清脂质组学数据,以描绘GC的脂质代谢景观。通过使用脂质信号的机器学习开发了用于GC诊断和预后预测的液体活检新工具,并在外部验证队列和预测队列中进一步得到证实。值得注意的是,在诊断胃癌患者,特别是早期胃癌患者时,SLMS优于传统的胃肠道肿瘤生物标志物。此外,GCPS可以预测胃癌患者的生存,亚型特异性基因可能有利于胃癌的个性化治疗。此外,作者还对胃癌组织进行了多组学分析,证实了胃癌脂质代谢紊乱以及SLMS和GCPS的合理性。总之,该研究更新了胃癌脂质代谢景观,表明机器学习预测有助于胃癌的早期检测和精确治疗。


参考消息:

https://www.embopress.org/doi/full/10.1038/s44321-024-00169-0

END

内容为【iNature】公众号原创,

转载请写明来源于【iNature】


微信加群


iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群(16个PI群及64个博士群),同时更具专业专门组建了相关专业群(植物,免疫,细胞,微生物,基因编辑,神经,化学,物理,心血管,肿瘤等群)。温馨提示:进群请备注一下(格式如学校+专业+姓名,如果是PI/教授,请注明是PI/教授,否则就直接默认为在读博士,谢谢)。可以先加小编微信号(love_iNature),或者是长按二维码,添加小编,之后再进相关的群,非诚勿扰。



投稿、合作、转载授权事宜

请联系微信ID:13701829856 或邮箱:iNature2020@163.com



觉得本文好看,请点这里!

iNature
专注前沿科学动态,传递科普信息。
 最新文章