基于多组学与机器学习的胃癌早期诊断标志物鉴定及免疫浸润机制研究

胃癌早期诊断面临血清标志物特异性不足的挑战。兰州大学第二医院团队通过血清蛋白质组学结合单细胞测序(scRNA-seq)和机器学习，鉴定出TAGLN2、HSP90AB1、SH3BGRL3和CFL1等新型标志物，构建的glmBoost+XGBoost模型(AUC=0.792)显著提升诊断效能，并揭示其通过调控CD8+T细胞和髓系抑制细胞(MDSCs)浸润促进胃癌进展，为个体化诊疗提供新靶点。

　　

胃癌是全球癌症相关死亡的第四大原因，早期诊断困难重重。传统血清标志物如CEA和CA19-9灵敏度有限，而肿瘤微环境(TME)的免疫调控机制尚不明确。面对这一临床困境，兰州大学第二医院的研究团队开展了一项创新性研究，通过多组学整合与人工智能算法，不仅发现了高特异性诊断标志物，更揭示了免疫细胞在胃癌发生中的关键作用，相关成果发表于《BMC Cancer》。

研究采用血清蛋白质组学分析30例非转移性胃癌患者和29例健康对照，结合TCGA/GEO数据库验证，并运用单细胞转录组(GSE183904)解析肿瘤微环境。机器学习通过107种算法组合筛选最优模型，qRT-PCR和免疫组化(HPA数据库)完成实验验证。

血清蛋白质组学揭示差异表达谱
研究发现胃癌组16个蛋白显著上调，包括B2M、CFL1等，KEGG分析显示这些基因富集于MAPK信号通路和抗原提呈过程，提示其参与肿瘤免疫逃逸。

单细胞测序定位关键基因表达
scRNA-seq显示HSP90AB1、CFL1等在所有细胞簇广泛表达，而CTSD特异性高表达于单核细胞。UMAP聚类发现胃癌组织中髓系抑制细胞比例显著升高，与免疫抑制微环境形成相关。

免疫浸润关联分析
TIMER2.0显示B2M与CD8⁺T细胞浸润正相关(r=0.434)，而SH3BGRL3与NK细胞活化显著相关。GO分析发现靶基因调控"细胞骨架重组"和"TGF-β产生"，从机制上解释了这些分子如何通过EMT促进转移。

机器学习模型构建
glmBoost+XGBoost模型整合B2M、CFL1等4个标志物，在验证集GSE66229中AUC达0.792。列线图分析显示，新标志物的临床效用曲线显著优于传统CEA等指标(P<0.001)。

实验验证
qRT-PCR证实TAGLN2在癌组织表达升高3.2倍(P=0.024)，HPA数据库显示HSP90AB1蛋白在胃癌细胞质强阳性染色，与预后不良相关(HR=1.34, P=0.008)。

该研究首次系统鉴定了胃癌特异性血清标志物群，并阐明其通过调控MDSCs和CD8⁺T细胞平衡影响肿瘤进展。机器学习模型的临床应用将改变现有诊断格局，而CTSD介导的单核细胞极化机制为免疫治疗提供了新靶点。未来需扩大样本验证模型泛化能力，并探索靶向这些分子的精准治疗策略。