基于血清指纹图谱的综合双组学机器学习方法在子宫内膜异位症相关卵巢癌中的应用

《Analytical Chemistry》：Serum Fingerprinting-Based Integrative Dual-Omics Machine Learning for Endometriosis-Associated Ovarian Cancer

功能性多孔纳米粒子耦合激光解吸电离质谱双组学平台在50秒内完成微量血清代谢和肽特征指纹提取，显著提升子宫内膜异位症相关卵巢癌早期筛查和分型准确率（AUC 0.989/0.875，准确率93.1%/86.7%），优于单组学方法。

　　

双组学技术通过整合来自两个不同维度的分子信息，可以为复杂疾病提供更全面的视角。在此研究中，我们开发了一种高效的功能化介孔纳米粒子耦合激光解吸/电离质谱（fMNPLDI-MS）平台，能够在50秒内从微量血清样本中提取高质量的血清代谢谱（SMFs）和血清肽谱（SPFs）。将这些代谢谱和肽谱结合起来，显著提高了子宫内膜异位症相关卵巢癌（EAOC）的早期筛查和亚型分类的准确性，优于单一组学方法。具体而言，利用机器学习对鉴定出的6种代谢物和6种肽进行分析，该整合策略的接收者操作特征曲线下面积（AUC）值为0.989，准确率为93.1%，而单独使用代谢组学方法的AUC值为0.964，准确率为89.7%；单独使用肽组学方法的AUC值为0.960，准确率为87.9%。同样，在亚型分类方面，双组学整合策略的AUC值为0.875，准确率为86.7%，优于单独使用代谢组学（AUC：0.869，准确率：83.3%）或肽组学（AUC：0.733，准确率：76.7%）。这种高通量的fMNPLDI-MS双组学平台为EAOC的筛查和亚型分类提供了强大的工具，为这种恶性肿瘤的早期检测和精准管理奠定了基础。