利用机器学习开发并验证了一种用于肾细胞癌的等离子体-尿液代谢诊断模型

《World Journal of Urology》：Development and validation of a plasma-urine metabolism diagnostic model for renal cell carcinoma using machine learning

本研究通过整合血浆和尿液代谢组学及机器学习，开发了肾细胞癌（RCC）的诊断模型。采用多平台质谱分析482份血浆和434份尿液样本，分发现和验证队列。结果显示联合模型AUC达0.88，优于单独血浆（0.86）和尿液（0.78）模型，显著提升早期RCC灵敏度，筛查AUC 0.94且特异性高，排除了其他癌症类型（p<0.01）。代谢重编程关键路径为甘氨酸-丝氨酸-苏氨酸代谢，为治疗提供新靶点。

　　

摘要

背景

肾细胞癌（RCC）占肾恶性肿瘤的70%-90%，由于其无症状的发病机制以及缺乏可靠的生物标志物，早期诊断仍然十分困难。本研究旨在通过整合血浆和尿液代谢组学分析来开发一种可靠的诊断模型。

方法

本研究共分析了482份血浆样本和434份尿液样本，这些样本来自肾细胞癌患者、良性肾脏疾病患者、其他泌尿系统癌症患者以及健康对照组。参与者被分为发现组（discovery cohort）和验证组（validation cohort），以识别肾细胞癌特异性的代谢物并构建诊断模型。

结果

最终选出了26种血浆代谢物和12种尿液代谢物用于构建单独的诊断模型。在验证组中，整合血浆和尿液代谢数据的模型显示出更高的诊断准确性（AUC = 0.88），优于仅使用血浆（AUC = 0.86）或尿液（AUC = 0.78）的模型，尤其是在早期肾细胞癌的检测方面灵敏度显著提高。在无症状筛查人群中，该模型的表现也非常优异（AUC = 0.94），同时保持了高特异性，对其他类型癌症的检测结果明显更低（p < 0.01）。通路分析表明，甘氨酸、丝氨酸和苏氨酸的代谢是血浆和尿液样本中共同存在的关键失调通路，这可能为治疗提供潜在靶点。

结论

本研究表明，将血浆和尿液代谢组学数据与机器学习技术相结合，可以开发出一种可靠的、无创的肾细胞癌诊断模型。这种结合血浆和尿液的检测方法比单一样本检测方法具有更高的准确性和特异性，并且在不同肿瘤阶段、分级和临床亚组中均表现出稳定的性能。尤其是甘氨酸-丝氨酸-苏氨酸代谢途径的异常变化，为了解肾细胞癌的代谢重编程提供了新的见解。这些发现不仅支持了该模型在早期检测和临床应用中的潜力，也为未来的治疗研究奠定了基础。