血浆蛋白质组学鉴定小细胞肺癌免疫治疗应答预测生物标志物的VPP模型

《Lung Cancer》：Plasma proteomics profiling identifies predictive biomarkers for immunotherapy response in small-cell lung cancer

本研究针对小细胞肺癌(SCLC)患者对免疫检查点抑制剂联合化疗应答差异大的临床难题，通过血浆蛋白质组学分析发现VASN、PARD3和PTGES3三个关键蛋白组成的VPP模型，在训练队列和验证队列中AUC分别达0.846和0.821，能有效预测免疫治疗应答，为SCLC精准医疗提供新型生物标志物。

　　

小细胞肺癌作为肺癌中侵袭性最强的亚型，约占肺癌总数的10-15%，长期以来治疗选择有限且预后极差。近年来，免疫检查点抑制剂的出现为广泛期小细胞肺癌患者带来了新的希望。抗PD-L1抗体联合化疗方案在IMpower133和CASPIAN等关键临床试验中，将患者的中位总生存期延长至12-13个月，相比单纯化疗提高了2-3个月。然而，这种联合疗法仅能使部分患者获得长期获益，大多数患者仍然面临治疗无效或快速进展的困境。

更令人困扰的是，在非小细胞肺癌中表现出良好预测价值的生物标志物，如PD-L1表达和肿瘤突变负荷(TMB)，在小细胞肺癌中却显得力不从心。PD-L1在小细胞肺癌中的表达频率较低，仅有约25%的肿瘤表达水平≥1%，且临床研究显示其与免疫治疗应答缺乏显著相关性。同样，TMB在多项III期临床试验中也未能有效预测小细胞肺癌患者从免疫治疗中的生存获益。这种生物标志物的缺失严重制约了小细胞肺癌精准医疗的发展，临床迫切需要开发新型可靠的预测工具。

面对这一挑战，上海胸科医院的研究团队独辟蹊径，将目光投向了血浆蛋白质组学这一新兴领域。血浆作为全身组织的"液体活检"样本，能够全面反映疾病状态和治疗过程中的生理变化，且具有采样便捷、可纵向监测等独特优势。研究人员假设，通过深度分析小细胞肺癌患者接受免疫联合化疗前后的血浆蛋白质组动态变化，或许能够发现与治疗应答相关的关键生物标志物，为患者分层提供新依据。

该研究纳入了118例接受抗PD-L1抗体联合化疗的小细胞肺癌患者，创新性地采用了数据非依赖采集(DIA)质谱技术这一高通量蛋白质组学方法，对基线期和治疗过程中的血浆样本进行了深度分析。研究人员首先通过纳米磁珠富集技术提升低丰度蛋白的检测灵敏度，随后利用高分辨率质谱仪进行蛋白质定量，最终成功鉴定了6441种血浆蛋白，覆盖了从小于10kDa到超过200kDa的广泛分子量范围。为了确保研究结果的可靠性，团队设置了严格的质控标准，仅保留具有至少一条独特肽段支持、在至少一组样本中有50%以上有效定量值的蛋白质进行分析。

在数据处理方面，研究人员采用了先进的生物信息学方法，包括差异表达分析、通路富集分析和机器学习建模。通过比较应答者与非应答者的蛋白质组特征，结合健康对照组的基线数据，研究团队运用最小绝对收缩和选择算子(LASSO)回归这一特征选择算法，从数千个候选蛋白中筛选出最具预测价值的生物标志物组合。最终建立的VPP模型还在独立验证队列中通过酶联免疫吸附测定(ELISA)方法进行了跨平台验证，确保了其临床转化可行性。

3.1 小细胞肺癌患者化疗免疫治疗的血浆蛋白质组谱

研究团队首先系统描绘了小细胞肺癌患者的血浆蛋白质组特征。与健康个体相比，小细胞肺癌患者表现出显著的血浆蛋白表达改变，共鉴定出4712个差异表达蛋白，其中86%在患者组中上调。通路分析显示，上调蛋白富集于小细胞肺癌相关通路、HIF-1信号和PI3K-Akt信号等癌症相关通路，而下调蛋白则主要涉及IL-17信号、T细胞受体信号等免疫相关通路。这些发现表明小细胞肺癌对全身蛋白质组产生了深远影响。

进一步比较应答组和非应答组的蛋白质组特征，研究人员发现了651个差异表达蛋白。值得注意的是，在应答组中上调的蛋白富集于IL-17信号通路、JAK-STAT信号通路等免疫激活相关通路，而非应答组中上调的蛋白则与HIF-1信号通路、PI3K-Akt信号通路等肿瘤促进通路相关。这种通路分布模式提示，基线期的免疫状态可能影响患者对免疫治疗的反应。

3.2 小细胞肺癌患者化疗免疫治疗过程中血浆蛋白质组谱的纵向变化

通过对21例患者三个时间点（基线期、治疗后、疾病进展）的纵向分析，研究人员揭示了治疗过程中蛋白质组的动态变化规律。根据表达趋势，蛋白质被分为六个簇，其中簇3和簇4的蛋白在治疗后上调而在进展时下调，与治疗应答正相关；簇5和簇6则呈现相反趋势，与治疗应答负相关。特别值得注意的是，小细胞肺癌和Wnt信号通路在基线期活跃，治疗后受到抑制，而在疾病进展时重新激活；相反，焦点粘连和IL-17信号通路在治疗后增强，进展时减弱。这些动态变化为理解治疗应答机制提供了重要线索。

3.3 血浆来源蛋白VPP模型预测小细胞肺癌患者训练队列对化疗免疫治疗的反应

通过整合多个数据集并进行机器学习筛选，研究团队最终确定了三个核心生物标志物：血管导向蛋白(VASN)、PAR-3家族细胞极性调节因子(PARD3)和前列腺素E合酶3(PTGES3)，并据此构建了VPP预测模型。在训练队列中，该模型展现出卓越的预测性能，曲线下面积(AUC)达到0.846。风险分层分析显示，VPP低风险组中有71.4%的患者无进展生存期超过6个月，而高风险组仅有19%。三个蛋白的动态变化也与其预测价值一致：VASN和PARD3水平在治疗后上升而在进展时下降，PTGES3则呈现相反趋势。

3.4 VPP模型在验证队列中的预测性能

在内部验证队列中，VPP模型继续保持优异的预测能力，AUC值为0.821。基于VPP评分，低风险组患者的中位无进展生存期为6.87个月，显著优于高风险组的3.97个月。值得注意的是，低风险组的应答率高达80%，而高风险组仅为20%。与传统的血液生物标志物如中性粒细胞-淋巴细胞比值(NLR)和血小板计数(PLT)相比，VPP模型显示出明显优越的预测性能。多变量Cox回归分析进一步证实，VPP模型是小细胞肺癌免疫治疗反应的独立预测因素。

3.5 通过ELISA验证VPP模型在反应预测中的性能

为实现临床转化，研究团队开发了ELISA检测方法对VPP模型进行验证。在内部验证队列和外部独立队列中，ELISA-based VPP模型均表现出良好的预测性能，AUC值分别为0.782和0.859。两个队列中，VPP低风险组患者的无进展生存期和应答率均显著优于高风险组，证明了该模型在不同检测平台和患者群体中的稳健性。

研究结论和讨论部分强调，这项研究首次通过大规模血浆蛋白质组学分析，成功构建了用于预测小细胞肺癌免疫治疗应答的VPP模型。该模型在多个独立队列中均表现出稳定且优越的预测性能，显著优于现有临床指标。从机制角度看，VPP模型中的三个蛋白分别涉及不同的生物学过程：VASN参与TGF-β信号通路和血管重塑；PARD3调节细胞极性和紧密连接形成；PTGES3则与前列腺素代谢和免疫细胞浸润相关。这些蛋白可能通过协同作用影响肿瘤微环境和对免疫治疗的反应。

研究的创新之处在于将先进的蛋白质组学技术与机器学习算法相结合，克服了小细胞肺癌组织样本稀缺的瓶颈，为这一难治性肿瘤的精准医疗提供了新思路。同时，研究还首次描绘了小细胞肺癌免疫治疗过程中血浆蛋白质组的动态变化图谱，为理解治疗应答机制提供了宝贵资源。

尽管VPP模型展现出巨大临床应用潜力，研究团队也指出了若干局限性，包括需要进一步阐明三个蛋白的生物学功能机制，以及在大规模前瞻性研究中验证模型的普适性。未来研究可探索这些蛋白作为治疗靶点的可能性，并进一步优化模型以提高预测准确性。

这项发表于《Lung Cancer》的研究标志着小细胞肺癌精准医疗领域的重要进展，为改善这一侵袭性肿瘤的治疗效果提供了新的工具和方向。随着进一步验证和优化，VPP模型有望成为临床实践中指导小细胞肺癌免疫治疗决策的有力工具，最终使更多患者从创新疗法中获益。