基于机器学习的肺腺癌生物标志物RAB6A深度挖掘及双功能荧光探针的诊疗一体化应用

本研究通过蛋白质表达注意力（PEA）模型结合生物信息学分析，筛选出肺腺癌（LUAD）关键生物标志物RAB6A（Top 3%候选蛋白），并开发出兼具荧光定量检测与活性氧（ROS）生成功能的双功能探针，为LUAD早期诊断和光动力治疗（PDT）提供创新解决方案。该研究显著提升了高风险LUAD蛋白的发现效率，探针在荧光寿命成像（FLIM）中表现优异。

　　

Highlight

LUAD不良预后相关蛋白的鉴定

我们收集了江苏省人民医院接受手术切除的肺腺癌（LUAD）患者的新鲜肿瘤组织和癌旁正常组织（伦理批号：2022-SR-177），按疾病进展分为早期和晚期组（每组n=3）。通过液相色谱-质谱联用技术（LC-MS）对组织样本进行蛋白质组学分析，为后续机器学习建模提供数据基础。

基于机器学习识别LUAD高风险生物标志物

为从海量蛋白质中筛选LUAD相关靶点，我们开发了蛋白质表达注意力（PEA）模型。该模型通过对比患者与健康人不同疾病阶段的蛋白表达差异，精准锁定区分LUAD的关键蛋白。结合生物信息学验证，质谱数据证实RAB6A是Top 5%的候选蛋白——这个"分子指纹"不仅验证了PEA模型的有效性，更为后续探针设计提供了黄金靶点。

结论

PEA模型成功从CPTAC数据库筛选出RAB6A等LUAD关键蛋白，临床样本质谱验证显示其排名稳居前5%。基于此设计的DCM荧光探针P4，不仅能像"分子雷达"般实现RAB6A的荧光定量检测和寿命成像（FLIM），还能化身"光动力导弹"产生活性氧（ROS），为LUAD诊疗一体化提供了全新武器库。