整合miRNA谱与机器学习的前列腺癌诊断新策略：从生物标志物发现到临床转化潜力

本研究针对前列腺癌(PCa)与良性前列腺增生(BPH)鉴别诊断的临床难题，通过整合microRNA(miRNA)生物标志物与机器学习(ML)技术，开发了基于全血miRNA表达谱的新型诊断模型。研究人员筛选出miR-21-5p、miR-141-3p和miR-221-3p关键miRNA标志物，构建随机森林模型实现77.42%的验证准确率，其miRNA比值特征显著优于传统PSA检测。该研究为PCa无创诊断提供了具有临床转化潜力的新方法。

　　

前列腺癌诊断领域长期面临"过度诊断"困境——常用的PSA（前列腺特异性抗原）检测虽能发现潜在病例，却难以区分恶性前列腺癌(PCa)和良性前列腺增生(BPH)，导致大量不必要的穿刺活检。这种"宁可错杀一千"的现状，既增加医疗负担，又给患者带来身心创伤。更棘手的是，作为金标准的穿刺活检本身具有侵入性，约20%患者因恐惧并发症而拒绝检查。在这个临床决策的十字路口，医学界亟需能准确区分PCa与BPH的"智能裁判"。

转机出现在小小的microRNA(miRNA)分子上。这些长约22个核苷酸的RNA片段，如同细胞间的摩斯密码，在癌症发生时会发生特征性改变。更妙的是，它们能稳定存在于血液中，为"液体活检"提供理想靶标。但单个miRNA诊断效能有限，就像单凭一个单词难以理解完整电报。印度Banaras Hindu大学的Shweta Singh、Abhay Kumar Pathak和Garima Jain等研究者独辟蹊径，将机器学习(ML)的"破译能力"与miRNA的"信号特征"相结合，在《Scientific Reports》发表的研究中开发出新型智能诊断系统。

研究团队采用三阶段递进设计：首先通过发现队列（20例）筛选出miR-21-5p、miR-141-3p和miR-221-3p三个最具鉴别力的miRNA；随后在验证队列（59例）构建随机森林模型，创新性地引入miRNA表达比值特征；最终在独立验证队列（27例）确认模型效能。关键技术包括：全血RNA提取、stem-loop RT-PCR（逆转录聚合酶链式反应）定量、五折交叉验证，以及通过miRTarBase等数据库进行生物信息学验证。

miRNA表达分析发现关键标志物

在发现阶段，所有6个候选miRNA均显示显著差异，其中miR-21-5p(p=0.000224)、miR-221-3p(p=0.000153)和miR-141-3p(p=0.004293)差异最显著。有趣的是，这些miRNA在血液中的分布呈现双峰特征，暗示可能存在不同的患者亚群。

机器学习模型突破诊断瓶颈

验证阶段构建的随机森林模型展现出多重优势：采用miR-141-3p/miR-221-3p等比值特征，使验证准确率达77.42%(AUC=0.78)，显著优于PSA(AUC=0.52)。决策曲线分析显示，在0.2-0.7的临床决策阈值范围内，该模型能提供更大净收益。特征重要性分析揭示，miRNA比值比单一miRNA更具信息价值，如同密码组合比单字更安全。

独立验证确认临床适用性

在未参与建模的27例样本中，模型保持74.07%准确率和0.75 AUC值，证明其稳健性。特别值得注意的是，模型成功识别出5例前列腺上皮内瘤变(PIN)病例，这类交界性病变的鉴别具有特殊临床价值。

生物通路揭示分子机制

通过生物信息学分析，研究勾勒出miRNA作用的分子地图：miR-21-5p主要调控PD-L1/PD-1（程序性死亡配体1/程序性死亡蛋白1）免疫检查点和HIF-1（缺氧诱导因子1）通路；而miR-141-3p和miR-221-3p则更多影响雄激素受体(AR)信号。32个PCa相关靶基因中，RASA1和ARID1A等7个枢纽基因构成核心调控网络，部分基因在不同情境下可发挥促癌或抑癌的双重作用。

这项研究的突破性在于：首次系统评估全血miRNA在PCa诊断中的价值，克服了血清/血浆样本稳定性差的局限；创新性地将miRNA比值作为机器学习特征，放大了细微的分子差异；通过严格的三阶段设计确保结论可靠性。尽管仍需大规模验证和标准化（如Ct值校准方法），该研究为PCa精准诊断提供了可扩展的新范式——就像为临床医生配备了一台能"读懂"血液分子指纹的智能显微镜。未来，整合mpMRI（多参数磁共振成像）等影像特征，可能进一步推动前列腺癌的无创诊断革命。