《Journal of Radiology Nursing》：Differentiating Gastric Cancers from Acid Peptic Diseases through Integrative Targeted Proteomics and Machine Learning Approaches
编辑推荐：
胃癌筛查液态活检技术质谱-MRM检测法结合深度神经网络（DNN）与SHAP可解释性分析实现高灵敏度区分（AUROC=0.95）
Poornima Ramesh | Shubham Sukerndeo Upadhyay | Sonet Daniel Thomas | Chandrashekar Jeevaraj Sorake | Ganesh M. K. | Vijith Vittal Shetty | Prashant Kumar Modi | Rohan Shetty | Manavalan Vijayakumar | Jalaluddin Akbar Kandel Codi | Thottethodi Subrahmanya Keshava Prasad
系统生物学与分子医学中心（ICMR合作卓越中心，2024-2029年），Yenepoya研究中心，219141 Yenepoya（被认定为大学），Mangalore 575018，印度
由于早期症状不典型，类似于胃酸相关疾病（APDs），胃癌（GCs）通常在晚期才被诊断出来。尽管近期取得了一些进展，但目前仍缺乏一种基于液体活检的简单多蛋白检测方法，能够区分胃癌和胃酸相关疾病。基于质谱（MS）的靶向蛋白质组学方法，包括多重反应监测（MRM），被用作开发实验室自建检测（LDTs）的首选技术，这些检测方法正在彻底改变胃癌的早期诊断和筛查方式。在这项研究中，开发并测试了一种22分钟的MS-MRM LDT，用于检测135份来自未接受治疗的胃癌患者、胃酸相关疾病患者及健康个体的血清样本中的蛋白质谱。值得注意的是，研究开发了一种基于深度神经网络（DNN）的模式识别评分系统，并结合了模型可解释性工具（SHAP），用于对胃癌进行评分和分类。MRM-MS检测方法具有较低的交叉污染和基质效应，并具备良好的检测/定量限。通过ELISA测得的SAA1和IGFBP2的定量结果与LDT的结果具有相似的敏感性。重要的是，基于DNN的评分系统能够有效区分胃癌与其他样本（AUROC = 0.95），平均精度超过0.90，且蛋白质表达的偏差对模型性能的影响极小。该LDT可作为预诊断筛查工具，帮助临床医生和患者进行确诊。
