基于血清蛋白组学标志物组合的BCLC B期肝细胞癌手术决策辅助模型

《Molecular & Cellular Proteomics》：Serum Protein Panel Facilitates Surgical Decision-Making for Barcelona Stage B Hepatocellular Carcinoma

目的：开发一种基于血清蛋白质组学的预后模型，用于预测巴塞罗那临床肝癌（BCLC）B期肝细胞癌（HCC）患者的手术结局，以解决因临床异质性导致的统一治疗推荐受限问题。 方法：研究人员回顾性收集了接受根治性切除术的HCC患者的术前血清样本，并采用纳米颗粒增强的数据非依赖性采集质谱（DIA-MS）进行蛋白质组学分析。在训练队列（N = 52，BCLC B期）中，以总生存期（OS）为主要终点，利用5折交叉验证的Lasso-Cox机器学习方法建立了一个预后风险模型。该模型在一个独立的BCLC B期队列（N = 22）中进行了验证，扩展至一个单发巨大HCC队列（N = 26，BCLC A期且孤立肿瘤直径≥10 cm），并与一个比较队列（N = 190，无巨大HCC的BCLC 0/A期患者）进行了基准对比。此外，研究人员还在一个探索队列（N = 51，BCLC B期HCC）中通过平行反应监测（PRM）进行了正交验证。 结果：在鉴定的2381种蛋白质中，研究人员筛选出一个由三种蛋白质（LCP1、DOK3、CNN2）组成的组合来构建模型。该模型在训练队列中表现出对3年OS的强预测准确性（AUC = 0.936，灵敏度 = 0.988，特异度 = 0.834），优于临床Kinki标准；在验证队列（AUC = 0.812，灵敏度 = 0.875，特异度 = 0.786）和扩展的巨大HCC患者队列（AUC = 0.758，灵敏度 = 0.709，特异度 = 0.852）中也表现良好。值得注意的是，低风险的BCLC B期患者的预后与BCLC 0/A期比较队列患者相当，提示其潜在的手术获益。在一个独立探索队列中的PRM验证确认了该模型的预后价值（AUC = 0.800，灵敏度 = 0.870，特异度 = 0.700）。 结论：这种基于血清蛋白质组学的预后模型能够准确预测BCLC B期HCC患者的手术结局，并且优于临床分层方法。通过识别可能从手术中获益的低风险患者，该工具有助于个性化治疗方案的制定，并有可能改善患者的生存率和生活质量。

论文解读文章

研究背景与目的

肝细胞癌（HCC）是全球第六大常见恶性肿瘤和第三大癌症死亡原因。巴塞罗那临床肝癌（BCLC）分期系统是目前应用最广泛的HCC预后预测和治疗推荐工具。根据指南，对于BCLC B期（中期）HCC患者，通常不推荐进行手术切除，而推荐肝移植、经动脉化疗栓塞（TACE）或全身治疗。然而，由于BCLC B期HCC患者内部存在显著的临床异质性，统一的治疗方案并不适用于所有患者。已有研究表明，相当一部分BCLC B期患者在接受手术后获得了更好的预后。因此，如何精准地识别出那些可能从手术切除中获益的BCLC B期HCC患者，从而优化手术决策，成为一个亟待解决的临床问题。现有的临床分层工具如Kinki标准在指导手术决策方面效果有限，且缺乏可靠的分子标志物。本研究旨在开发一种基于血清蛋白质组学的预后模型，以更有效地对BCLC B期HCC患者进行风险分层，辅助手术决策。

研究方法概述

本研究是一项回顾性研究，经福建医科大学孟超肝胆医院伦理委员会批准。研究人员收集了2013年3月至2017年2月期间在该院接受根治性肝切除术且术前未接受抗肿瘤治疗的HCC患者血清样本。研究共纳入290例HCC患者（包括74例BCLC B期和216例BCLC 0/A期）。主要技术方法如下：

1. 1.
   纳米颗粒富集联合数据非依赖性采集质谱（DIA-MS）：使用表面功能化的SiO₂和TiO₂纳米颗粒混合物富集血清蛋白，随后进行DIA-MS深度蛋白质组学分析。
2. 2.
   机器学习模型构建：在训练队列（52例BCLC B期患者）中，通过单变量Cox回归筛选与总生存期（OS）显著相关的蛋白，再结合5折交叉验证的Lasso-Cox回归算法，从大量候选蛋白组合中筛选并优化出最优的预后生物标志物组合。
3. 3.
   多队列验证：该模型在一个独立的BCLC B期验证队列（22例）、一个单发巨大HCC（≥10 cm）扩展队列（26例）和一个BCLC 0/A期比较队列（190例）中进行验证。
4. 4.
   正交靶向验证：在一个独立的探索队列（51例BCLC B期患者）中，采用平行反应监测（PRM）靶向蛋白质组学技术对模型中的三个蛋白进行定量验证。

研究结果

1. 血清蛋白质组学图谱

通过纳米颗粒富集和严格的质量控制，研究从290份HCC血清样本中共鉴定出2378种蛋白质，每份样本平均鉴定1426种蛋白质，丰度跨度达六个数量级，为后续模型开发提供了高质量的数据基础。

2. 机器学习筛选生物标志物组合

通过整合单变量Cox回归筛选出的121种预后相关蛋白，并经过包含15000次随机组合和多重Lasso-Cox交叉验证的迭代流程，最终确定了一个由三种核心蛋白构成的预后风险评分模型：淋巴细胞胞浆蛋白1（LCP1）、停靠蛋白3（DOK3）和钙调蛋白-2（CNN2）。风险评分公式为：Risk Score = LCP1 * 0.338 + DOK3(-0.427) + CNN2(-0.150)。其中，LCP1被确定为风险蛋白（风险比HR>1），而DOK3和CNN2为保护性蛋白（HR<1）。

3. 预后风险评分模型的评估

在训练队列中，基于中位风险评分将患者分为高风险组和低风险组。该模型预测3年OS的曲线下面积（AUC）高达0.936，灵敏度0.988，特异度0.834。Kaplan-Meier（K-M）生存分析显示，低风险组的OS显著优于高风险组（中位OS：51.45个月 vs. 24.52个月，p<0.0001）。多变量Cox回归分析证实，该风险评分是BCLC B期HCC患者3年OS的独立预后因素（HR 3.1, 95% CI 2-5, p<0.001）。与临床Kinki标准相比，该模型展现出更优的风险分层能力，尤其能识别出一部分虽不符合Kinki标准但术后预后良好的低风险患者。

4. 模型在独立验证队列中的表现

在验证队列（22例BCLC B期患者）中，该模型同样成功地将患者区分为预后显著不同的高风险和低风险组（低风险中位OS=47.30个月 vs. 高风险中位OS=22.07个月，p=0.035），预测3年OS的AUC为0.812。

5. 模型在扩展队列中的应用

在单发巨大HCC（≥10 cm）扩展队列（26例）中，该模型依然有效。低风险组（12例）的OS显著优于高风险组（14例）（中位OS：45.53个月 vs. 31.27个月，p=0.057），预测3年OS的AUC为0.758。这表明该模型可能有助于筛选可从手术中获益的巨大HCC患者。

6. 模型在比较队列中的表现

在BCLC 0/A期比较队列（190例）中，该模型未能有效区分高低风险组的预后（p=0.83），表明其特异性针对BCLC B期及特定巨大HCC患者群体。值得注意的是，BCLC B期低风险组患者的预后与BCLC 0/A期比较队列患者无显著差异，进一步支持了这部分患者可能从手术中获益的结论。

7. 正交验证

在独立的探索队列（51例BCLC B期患者）中，通过PRM靶向蛋白质组学对LCP1、DOK3和CNN2进行定量，并应用相同的风险评分模型，成功将患者分为预后显著不同的两组（低风险中位OS=40.9个月 vs. 高风险中位OS=23.6个月，p=0.0025），预测3年OS的AUC为0.800。这从蛋白水平上验证了该模型的稳健性和可重复性。

讨论与结论

本研究的讨论部分指出，尽管当前指南不推荐BCLC B期HCC患者常规接受手术治疗，但鉴于该群体的高度异质性，亟需有效的工具来筛选潜在的手术获益者。本研究开发的基于血清蛋白质组学的预后模型，相较于传统的Kinki临床标准，展现出了更优越的风险分层能力。该模型能够识别出即使不符合Kinki标准但术后预后良好的低风险患者，为个性化手术决策提供了新的依据。研究中采用的纳米颗粒富集技术结合严格的质控，确保了血清蛋白质组学分析的深度和可靠性。通过整合高通量蛋白质组学与机器学习算法，成功构建并验证了这一三蛋白预后模型。该模型不仅适用于BCLC B期患者，还对单发巨大HCC患者具有一定的预测价值。LCP1、DOK3和CNN2这三种蛋白已知与多种癌症的发生发展密切相关，其在血清中的水平变化能够反映疾病状态，这是首个能够预测BCLC B期HCC患者术前手术获益风险的模型。

研究结论翻译：这种基于血清蛋白质组学的预后模型能够准确预测BCLC B期HCC患者的手术结局，并且优于临床分层方法。通过识别可能从手术中获益的低风险患者，该工具有助于个性化治疗方案的制定，并有可能改善患者的生存率和生活质量。