基于LDI-MS尿液代谢指纹的高通量筛查技术：解码前列腺癌代谢图谱及其在灰色诊断区的突破性应用

本研究针对前列腺癌(PCa)早期诊断中前列腺特异性抗原(PSA)检测灵敏度/特异性不足的临床痛点，开发了基于激光解吸电离质谱(LDI-MS)的尿液代谢指纹检测技术。通过大样本队列(1133例)的多中心验证，构建的机器学习模型在区分PCa与良性前列腺增生(BPH)时AUC达0.9705，显著提升灰色区(3

　　

前列腺癌(PCa)作为男性第五大癌症死因，其早期诊断长期依赖前列腺特异性抗原(PSA)检测，但该指标在3-10 ng/mL的"灰色区间"存在显著误判风险——既可能漏诊恶性病变，又导致大量不必要的穿刺活检。更棘手的是，传统组织活检作为金标准具有侵入性，可能引发感染、出血等并发症。这种临床困境催生了对新型分子标志物的迫切需求。

浙江大学医学院附属邵逸夫医院泌尿外科的研究团队独辟蹊径，将目光投向尿液这一蕴含丰富代谢信息的生物样本。通过创新性结合激光解吸电离质谱(LDI-MS)技术与机器学习算法，他们对1133例受试者(含284例PCa患者)的尿液代谢指纹进行系统解码，首次构建了可区分PCa/BPH/其他泌尿疾病的阶梯式诊断模型。这项发表于《Biomarker Research》的研究，不仅实现了灰色区PCa患者95%的检出率，更揭示了前列腺癌特异的代谢重编程机制。

研究团队运用三大关键技术：1) 采用氟化乙烯丙烯包裹硅纳米线(FEP@SiNWs)芯片的尖端接触萃取技术(TCE)，克服尿液盐分干扰实现高重现性代谢物检测(批内RSD=7.6%)；2) 基于倾向评分匹配(PSM)的大样本队列设计(发现集567例+验证集282例)，确保临床转化可靠性；3) 通过正交偏最小二乘判别分析(OPLS-DA)和机器学习七种算法比较，优化出支持向量机(SVM)主导的阶梯分类模型。

代谢组学图谱揭示PCa特征
通过非靶向代谢组学检测到297个稳定峰，其中14个代谢物在PCa组呈现持续异常：苯甲酸、N-乙酰脯氨酸等显著上调，而γ-氨基丁酸(GABA)、丙二酸等下调。OPLS-DA模型有效区分各组(R²Y=0.75)，代谢网络分析显示嘌呤/嘧啶代谢和尿素循环是PCa最紊乱通路。

基因-代谢轴验证
TCGA数据库转录组与实验验证相结合，发现AOX1、PON3、胱硫醚β-合酶(CBS)和天冬氨酸酶(ASPA)在PCa组织中异常表达。Western blot证实CBS蛋白在PCa细胞系(C4-2B等)中显著高表达，提示其可能通过调节S-腺苷甲硫氨酸(SAM)代谢参与PCa发生。

诊断模型性能卓越
阶梯模型在外部验证集表现：

• 首步区分前列腺疾病(PD)与非PD：AUC 0.9815
• 次步鉴别PCa与BPH：AUC 0.9705(显著优于tPSA的0.7002)
• 特别在tPSA 3-10 ng/mL区间，模型检出率91.67%，而传统方法漏诊率达58.33%

这项研究开创性地将LDI-MS技术应用于PCa人群筛查，40分钟即可完成96例样本检测。其临床价值在于：1) 为PSA灰色区患者提供精确分流，减少73.33%不必要的活检；2) 发现PCa特异的代谢-基因调控网络，为靶向治疗提供新靶点；3) 建立首个整合代谢组-转录组的多组学PCa诊断框架。未来需通过多中心研究验证技术普适性，并探索代谢扰动与PCa进展的因果关系。