编辑推荐：
膀胱癌（BC）早期检测缺乏特异性标记物，现有尿标记技术敏感性和特异性有限。本研究通过气相色谱 - 离子迁移谱（GC-IMS）分析 89 例 BC 患者和 67 例健康人尿液挥发性有机物（VOCs），利用机器学习构建模型，筛选出 8 种 VOCs 组合，诊断准确率达 91.5%，为 BC 早期诊断提供新方向。
膀胱癌是全球十大常见恶性肿瘤之一，其高发病率和死亡率对公共健康构成严重威胁。目前，膀胱镜检查虽为诊断 “金标准”，但存在有创、费用高及患者依从性低等问题。美国食品药品监督管理局（FDA）批准的 6 种尿标记技术（如 NMP22、BTA 等）特异性和敏感性有限，尤其在血尿患者中易出现假阳性，难以有效区分良性炎症与恶性肿瘤。因此，开发无创、高效的新型诊断方法成为膀胱癌研究的迫切需求。
在此背景下，山东大学齐鲁医院的研究人员开展了一项关于尿液挥发性有机物（volatile organic compounds, VOCs）用于膀胱癌早期检测的研究。该研究成果发表在《Scientific Reports》上，为膀胱癌的无创诊断提供了新思路。
研究人员采用气相色谱 - 离子迁移谱（gas chromatography-ion mobility spectrometry, GC-IMS）技术，对 89 例经病理确诊的膀胱癌患者和 67 例健康对照者的尿液样本进行 VOCs 分析。研究通过随机分配，将样本分为训练集（膀胱癌 64 例、健康对照 45 例）和测试集（膀胱癌 25 例、健康对照 22 例），确保数据的可靠性。
关键技术方法
- 样本采集与处理：收集患者术前新鲜尿液，经离心后保存上清液用于后续分析。
- VOCs 检测：利用 GC-IMS 技术对尿液中的 VOCs 进行分离和检测，获取三维光谱数据（保留指数、迁移时间、峰高），共鉴定出 114 种 VOCs 信号峰。
- 机器学习模型构建：运用随机森林（Random Forests, RF）、支持向量机（SVM）等 5 种算法，基于差异表达的 VOCs 构建诊断模型，并通过受试者工作特征曲线（ROC）评估模型性能。
研究结果
差异表达 VOCs 的筛选
通过曼 - 惠特尼 U 检验，在膀胱癌患者与健康对照者尿液中筛选出 20 种差异表达的 VOCs，其中 17 种上调（如 2 - 十一碳烯醛、2 - 丙酮等），3 种下调（如 2 - 乙基己醇等）。稀疏偏最小二乘判别分析（sPLS-DA）显示，两组样本的 VOCs 谱存在显著差异，提示 VOCs 具有作为诊断标志物的潜力。
机器学习模型性能比较
5 种机器学习模型中，RF 模型表现最优，在测试集中诊断准确率达 91.5%，曲线下面积（AUC）为 0.949，显著高于其他模型（如 SVM 准确率 83.0%、AUC 0.931）。进一步通过基尼系数（Gini coefficient）筛选出 10 种重要 VOCs，经组合优化后，8 种 VOCs（2-Undecenal、2-propanone 等）构建的 RF 模型诊断准确率达 91.5%，AUC 提升至 0.958，特异性为 100%。
关键 VOCs 的生物学意义
研究发现，2 - 十一碳烯醛（2-Undecenal）作为模型中最重要的 VOC，其结构与氧化应激和脂质代谢紊乱密切相关，可能通过激活 NF-κB、MAPK/ERK 等信号通路促进肿瘤进展。此外，1 - 壬醛、1 - 辛醛等 VOCs 在其他肿瘤研究中也被证实与氧化应激或细胞代谢异常相关，提示其在肿瘤诊断中的潜在通用性。
结论与讨论
本研究首次通过 GC-IMS 结合机器学习，建立了基于尿液 VOCs 的膀胱癌诊断模型，筛选出的 8 种 VOCs 组合展现出高准确性和特异性。该方法具有无创、操作简便、可动态监测等优势，为膀胱癌的早期筛查和辅助诊断提供了新的生物标志物组合。
值得注意的是，研究中部分 VOCs（如 2 - 乙基己醇）的代谢机制与肿瘤微环境中成纤维细胞活化相关，提示 VOCs 不仅是代谢产物，还可能参与肿瘤免疫逃逸和炎症反应的调控。然而，研究样本来自单中心且规模有限，未来需开展多中心、大样本研究以验证结果的普适性，并深入探索 VOCs 的具体作用机制。
该研究突破了传统诊断技术的局限性，为膀胱癌的无创诊断开辟了新方向，有望推动 VOCs 在肿瘤早期检测领域的临床转化应用。
