基于唾液转录组特征和机器学习模型的胃癌无创筛查新策略

本研究针对胃癌(GC)早期筛查的临床需求，创新性地利用唾液转录组特征结合机器学习算法，开发了非侵入性诊断模型。研究人员通过分析GEO数据库中的组织与唾液样本数据，发现唾液虽不直接反映胃组织转录组特征，但基于14个差异表达基因(DEGs)构建的支持向量机(SVM)模型仍达到AUC 0.87的判别效能。该研究为胃癌筛查提供了便捷的液体活检新思路，对推动个性化医疗具有重要意义。

　　

胃癌是全球癌症相关死亡的主要原因之一，早期诊断能显著提高患者生存率。然而目前的金标准——胃镜检查存在侵入性强、成本高、患者依从性低等问题。血液检测虽较便捷，但仍需专业医疗人员操作。唾液作为"人体健康的镜子"，因其无创、易获取、高依从性(70-95%)等特点，成为理想的替代生物样本。但关键科学问题在于：唾液能否真实反映胃部恶性转化的分子特征？

葡萄牙波尔图肿瘤研究所等机构的研究团队在《Scientific Reports》发表了一项突破性研究。他们通过整合公共数据库资源，首次系统比较了胃癌组织与唾液的转录组差异，并开发了基于机器学习的诊断模型。

研究采用四大关键技术：1)从GEO数据库获取亚洲人群的胃癌组织(GSE66229)和唾液样本(GSE64951)转录组数据；2)使用limma包进行差异表达分析(|logFC|>1，adj.P<0.05)；3)通过随机森林(RF)、梯度提升(GBM)等算法筛选特征基因；4)在tidymodels框架下构建SVM等分类模型，采用10折交叉验证评估性能。

唾液不反映胃肿瘤的转录组特征
分析发现胃组织存在1302个DEGs，显著富集于细胞周期等通路(NES=4.54)，而唾液仅检出14个DEGs，且与组织无重叠。功能分析显示唾液DEGs主要关联膜结构和水解酶活性，提示两者分子机制存在本质差异。

组织衍生模型的卓越性能
基于CDH3等7个特征基因构建的组织模型在训练集表现优异(RF模型AUC达0.988)，但在唾液数据集完全失效(AUC=0.5)，证实唾液不能直接替代组织检测。

唾液特异性诊断模型的建立
针对14个唾液DEGs(如BAG3、DSP)构建的SVM模型展现出临床潜力：AUC 0.87(95%CI 0.72-0.97)，敏感性0.79，特异性0.70。其阴性似然比(LR)为0.3，优于血清胃蛋白酶原检测的0.43，为无创筛查提供新选择。

该研究首次系统论证了唾液作为胃癌筛查媒介的独特价值与局限性。虽然不能完全复制组织特征，但唾液特有的分子标记仍可构建有效诊断模型。这种"患者友好型"检测策略，结合机器学习分析，有望突破现有筛查模式的瓶颈，特别适合大规模人群普查。未来需扩大样本量、优化采集流程，并探索与其他体液标志物的联合应用，以推动液体活检在精准医疗中的实践转化。