基于内源性归一化蛋白强度的质谱诊断技术实现福尔马林固定石蜡包埋组织中淀粉样变性的精准分型

推荐：本研究针对淀粉样变性分型诊断中免疫组化（IHC）技术存在的局限性，开发了基于LC-MS/MS平台和iBAQ APCS内源性归一化方法的蛋白质组学分析流程。通过对62例FFPE组织样本的分析验证，该方法不仅与明确IHC分型结果完全一致，还能解决染色结果不确定的疑难病例，并通过de novo测序鉴定罕见AL亚型。结合XGBoost机器学习算法（准确率达94%），为淀粉样变性的精准诊断提供了标准化解决方案。

　　

淀粉样变性是一组由错误折叠蛋白形成不可降解纤维沉积导致的疾病，其精准分型对临床治疗决策至关重要。目前，刚果红染色结合免疫组化（IHC）虽是诊断金标准，但存在抗体特异性不足、结果判读主观性强等局限。尤其对于罕见亚型和混合型淀粉样变性，传统方法往往力不从心。虽然质谱技术已被梅奥诊所等国际权威中心推荐为首选方法，但基于谱图计数（spectral counts）的定量方式存在精度不足的问题，且缺乏标准化的数据分析流程。

来自德国图宾根大学医院（University Hospital in Tübingen）和格赖夫斯瓦尔德大学医学院（University Medicine in Greifswald）的研究团队开发了一套创新的解决方案。他们利用福尔马林固定石蜡包埋（FFPE）组织样本，通过强度绝对定量（iBAQ）技术结合血清淀粉样P成分（APCS）内源性归一化，建立了平台无关的淀粉样变性质谱分型方法。该研究成果发表在《Molecular》杂志上，为临床病理诊断提供了更精准可靠的工具。

研究人员采用多中心协作模式，收集62例FFPE组织样本（主要为心内膜心肌活检），通过宏观/激光显微切割获取淀粉样沉积区域。样本经蛋白质提取、胰酶消化后，分别在四种LC-MS/MS平台上进行分析。关键技术创新包括：iBAQ值APCS归一化定量、疑难样本的de novo测序验证、基于160种淀粉样相关蛋白的XGBoost机器学习模型构建。所有数据使用MaxQuant软件处理，并通过QuPath软件进行组织淀粉样含量定量分析。

"内源性iBAQ APCS归一化实现组织淀粉样变性分型"部分证实，该方法在不同LC-MS/MS平台（包括Orbitrap Fusion、QExactive-HF和TimsTOF等）均表现稳定。对全切片心肌活检样本，即使淀粉样含量低至1.7%仍可准确分型。"明确IHC分型淀粉样变性样本的验证"显示，23例ATTR、ALλ、ALκ、AA等主要类型样本的质谱结果与IHC完全一致，其中混合型ALκ/ATTR病例成功识别出次要组分。

"解决IHC染色不确定的疑难淀粉样变性病例"部分展示了方法的临床价值。26例IHC结果模棱两可的病例中，包括10例抗体交叉反应的ATTR和12例轻链染色不确定的AL病例，质谱分析均给出明确诊断。特别值得注意的是6例载脂蛋白AI（ApoAI）和ApoAIV淀粉样变性，这些罕见类型通常不在常规IHC检测范围内。"De novo测序鉴定罕见AL淀粉样变性亚型"则通过新肽段序列鉴定，解决了2例标准流程未能分型的特殊病例。

在"XGBoost机器学习算法准确分类94%淀粉样变性病例"中，研究团队构建的预测模型在测试集达到94.4%准确率，显著优于支持向量机（SVM）和随机森林（RF）算法。STRING网络分析证实，采用的167种淀粉样相关蛋白构成紧密互作网络，富集分析显示与"淀粉样纤维形成"等通路显著相关。

该研究的突破性在于：首次系统验证了iBAQ APCS归一化在淀粉样变性质谱分型中的可靠性，解决了传统谱图计数法的精度问题；创新性地将de novo测序引入诊断流程，显著提升罕见变异体的检出率；开发的XGBoost分类模型为自动化诊断奠定基础。这些进展使得质谱技术有望成为更普及的淀粉样变性诊断工具，特别是对于心内膜活检等珍贵小样本、混合型及罕见类型病例具有独特优势。研究团队特别强调，尽管技术不断进步，结合组织学特征和临床背景的综合判断仍是准确诊断不可或缺的环节。