《Frontiers in Oncology》：An integrated serum peptidomics and multi-algorithm machine learning approach for early diagnosis of lung cancer
编辑推荐：
背景：肺癌是全球癌症相关死亡的主要原因之一。由于早期阶段缺乏特异性症状，大多数患者在晚期才被诊断，这凸显了在侵入性活检和非特异性影像学检查之外，建立可靠的無創早期检测策略的必要性。方法：研究人员将血清蛋白质组学与多算法机器学习相结合，建立了一个基于人工智能的肺
背景：肺癌是全球癌症相关死亡的主要原因之一。由于早期阶段缺乏特异性症状，大多数患者在晚期才被诊断，这凸显了在侵入性活检和非特异性影像学检查之外，建立可靠的無創早期检测策略的必要性。方法：研究人员将血清蛋白质组学与多算法机器学习相结合，建立了一个基于人工智能的肺癌早期诊断工作流程。采用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）对774名参与者的血清样本进行分析，生成肽组学图谱。经过数据预处理和归一化后，应用八种机器学习算法进行模型构建，并使用受试者工作特征（ROC）曲线系统评估模型性能。结果：大多数机器学习模型在独立测试集中表现出强大的诊断性能。通过结合特征重要性、Shapley加法解释（SHAP）和局部可解释模型无关解释（LIME），研究人员识别出九个肺癌相关肽峰。基于这些肽特征的多种模型达到了接近1的AUC值，显著优于来自PRIDE数据库的单一标志物。通过整合转录组学和蛋白质组学分析对候选蛋白质进行了进一步验证，支持了其生物学相关性。结论：研究人员的发现表明，血清蛋白质组学结合多算法机器学习能够实现肺癌的准确無創早期检测，为临床转化提供了一个有前景的框架。
研究背景方面，肺癌是全球最常见的恶性肿瘤之一，也是癌症相关死亡的主要原因。据国际癌症研究机构最新报告，全球每年约有250万新发病例和181万死亡病例。吸烟是最关键的风险因素，约占相关死亡的80%。此外，长期暴露于石棉、氡、重金属和多环芳烃等环境致癌物也会增加肺部疾病和癌症的发病率。尽管已有手术切除、化疗、放疗和靶向治疗等多种治疗手段，但由于肿瘤高度异质性、转移潜能、获得性耐药和患者间差异，临床结局仍不理想，肺癌总体5年生存率仅为10%–20%，显著低于大多数其他原发癌症。肺癌的发生和进展是由遗传改变、表观遗传失调和其他分子扰动积累驱动的多步骤、高度异质的生物学过程。因此，阐明肺癌发生的分子机制、识别稳健的生物标志物和治疗靶点对于早期检测、准确诊断和精准治疗至关重要。人类蛋白质组反映了复杂遗传和表观遗传相互作用的下游效应，全面的蛋白质组学分析能够提供基因组改变之外的疾病生物学和临床异质性信息。近年来，高通量蛋白质组学的快速发展使得大规模表征细胞生理变化和全局蛋白质表达模式成为可能。血清是最常用且最易获取的生物体液之一，血清蛋白质谱已广泛应用于临床诊断、疾病监测和精准医学。然而，依赖单一生物标志物的诊断策略在早期疾病中往往灵敏度不足且漏诊率高。抗体依赖的检测平台也面临批次间变异大、重复性差、成本高和实验程序复杂等实际挑战。循环内源性肽主要通过前体蛋白的蛋白水解加工产生，是血清分子景观的重要组成部分，可能反映疾病相关的分子改变。与常规蛋白质组学相比，血清肽组学提供低分子量肽片段的互补信息，具有良好的可检测性。机器学习利用大规模数据自动学习模式，在医学领域已快速融入医学图像分析。然而，影像学缺乏捕捉肿瘤详细分子景观的分辨率，而分子表征技术通过分析血液和尿液等無創样本中的生物标志物，提供更微观和动态的肿瘤生物学视图。在此框架内，机器学习通过整合高维分子特征构建预测模型，在评估疾病状态、预测临床结局和促进个性化治疗规划方面发挥关键作用。为解决有效早期检测的需求，本研究旨在通过整合血清肽组学与多算法机器学习框架，识别肺癌的循环肽特征。
研究人员开展了以下研究：对774名受试者（362例肺癌患者和412例健康对照）的血清样本进行MALDI-TOF MS分析，采用八种机器学习算法（AdaBoost、决策树、GaussianNB、KNN、LGBM、随机森林、SVM和XGBoost）进行系统训练和严格性能评估。研究得出以下结论：大多数模型表现出优异的诊断准确性和稳健性，证实了基于蛋白质组学的预测建模用于肺癌检测的临床可行性。该工作提供了一种新型的、不依赖抗体的诊断策略，为开发更简单、更可推广的检测工具奠定了基础，并强调了该方法在未来临床应用中的巨大潜力。
在技术方法方面，研究人员主要采用了以下关键技术：使用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）对血清样本进行肽组学图谱采集，质谱范围为m/z 1,000–15,000；通过磁珠法提取血清肽段；采用Python进行原始光谱数据预处理，包括归一化、平滑和基线校正；使用自适应阈值峰策略进行峰特征提取和数据矩阵构建；应用主成分分析（PCA）、核主成分分析（KPCA）和t分布随机邻域嵌入（t-SNE）进行降维分析；采用八种机器学习算法构建分类模型；使用SHAP和LIME进行模型可解释性分析；通过液相色谱-电喷雾电离-串联质谱（LC-ESI-MS/MS）对高重要性特征进行测序注释；利用PRIDE数据库、GEPIA数据库和UALCAN平台进行候选生物标志物的临床验证。样本队列来源为西安交通大学第二附属医院2024年9月至2025年9月期间收集的774名参与者血清样本。
研究结果方面，一般信息显示研究队列包括362例肺癌患者和412例健康对照，两组在年龄（p=0.21）和性别分布（p=0.58）方面无统计学显著差异。质谱数据与差异肽分析方面，原始MALDI-TOF质谱数据经峰拟合和强度归一化后，PCA、KPCA和t-SNE三种降维方法均显示肺癌与对照样本之间 clear分离，表明两组血清肽谱存在明显差异。差异表达分析鉴定出116个上调肽峰和16个下调肽峰（p<0.001，|log2FC|>1）。基于八种机器学习算法的肺癌诊断模型诊断效率评估方面，大多数分类器在独立测试集中实现了高真阳性和真阴性率。AdaBoost、KNN、LGBM、随机森林、SVM和XGBoost的总平均AUC均为0.99±0.00，决策树为0.98±0.00，GaussianNB为0.83±0.01。集成学习模型（特别是XGBoost和LGBM）在测试集上保持优越性能，显著优于随机猜测（precision=0.46）。AdaBoost、随机森林、LGBM和XGBoost在准确率、精确率、召回率和F1分数方面均达到较高值。DCA显示所有模型在广泛阈值概率范围内均产生大于参考策略的净获益，LGBM的净获益面积最大（0.319）。特征选择与生物标志物鉴定方面，整合Shapley值、LIME评分和特征重要性三种互补指标，鉴定出一组稳健的差异肽峰，包括M/Z=1872.13、M/Z=1900.02和M/Z=1727.16等。LC-ESI-MS/MS测序结合UniProt注释使九个判别性肽峰中的八个获得了可靠的蛋白质归属，这些肽峰对应五种独特蛋白质：纤维蛋白原α链（FGA，由四个不同肽片段代表）、胰岛素样生长因子结合蛋白3（IGFBP3）、间α胰蛋白酶抑制剂重链H4（ITIH4）、富组氨酸糖蛋白（HRG）和α-突触核蛋白（SNCA）。肺癌诊断模型验证与核心生物标志物诊断效能方面，基于所选特征肽峰构建的多种机器学习模型ROC曲线分析显示，八种模型的平均AUC值均接近0.99。DCA表明GaussianNB模型净获益高达0.297，其余模型最低净获益不低于0.276。SHAP和LIME分析表明这些高影响肽峰在算法框架间稳定且稳健。差异表达肽的诊断评估方面，GO和KEGG富集分析显示差异分子主要参与内肽酶活性负调控、肽酶活性和蛋白水解等生物学过程，富集于血液微粒、分泌颗粒腔和含胶原细胞外基质等细胞组分，分子功能集中于内肽酶抑制剂和调节因子活性，KEGG通路涉及p53信号通路以及补体和凝血级联。PRIDE数据库中先前报道的单一生物标志物ROC分析显示AUC值范围为0.82–0.99，其中FGA（M/Z 4653.27）达到AUC 0.99，FGA（M/Z 3160.48）、FGA（M/Z 4805.31）、FGA（M/Z 4110.49）、SNCA和IGFBP3的AUC值在0.94–0.96之间。然而DCA显示即使表现最佳的标志物临床净获益也有限。潜在生物标志物的表达与预后分析方面，基于GEPIA数据库和UALCAN平台的公共数据库分析显示，在转录组水平（TCGA），IGFBP3在LUAD和LUSC中均持续上调，FGA在LUSC中下调，SNCA在LUAD中较正常对照显著下调，ITIH4和HRG表达无显著变化。生存分析显示IGFBP3表达与肺癌患者长期生存呈负相关，FGA表达与患者生存呈正相关，SNCA无显著关联。在蛋白质组水平（CPTAC），IGFBP3在LUAD和LUSC肿瘤组织中持续上调，FGA和SNCA较正常对照显著下调。
讨论部分总结：由于肺癌早期缺乏特异性症状，诊断常被延迟，超过60%的患者初诊时已出现远处转移，总体5年生存率仅约19%。尽管组织病理学实体活检仍是确定肿瘤组织学亚型和分子特征的金标准，但其侵入性和相关操作风险限制了其在高风险人群、早期患者和肿瘤组织不可及病例中的应用。现有血清生物标志物如癌胚抗原对肺癌早期检测的灵敏度和特异性有限。近年来，基于细胞外囊泡的分子标志物如SFTPA1、mir-15b-5p、mir-10b-5p和mir-320b已报道具有一定组织特异性，但临床转化仍需大规模验证。在此背景下，基于蛋白质组学的液体活检已成为肺癌早期检测和动态监测的成本效益好且無創的替代策略。然而，由于肺癌显著的分子异质性和单一检测指标在信号稳定性和分析灵敏度方面的固有局限，单个生物标志物往往无法满足高诊断准确性和可重复性的临床要求。为解决这些挑战，研究人员将基于MALDI-TOF MS的血清蛋白质组学与多种机器学习算法相结合，构建了稳健的诊断和预后模型，突出了蛋白质组学驱动、机器学习辅助的液体活检在肺癌管理中的潜力。本研究采用八种机器学习算法构建肺癌检测分类模型，通过整合多种算法有效减少了与单个模型相关的系统偏差，同时充分利用了不同方法在预测性能和可解释性方面的互补优势。具体而言，AdaBoost和XGBoost等集成学习方法表现出高分类准确性，而基于决策树的模型表现出优越的可解释性和稳健性。这种多模型整合策略产生了优异的诊断性能，总体AUC值范围为0.98–1.00。基于MALDI-TOF MS结合机器学习分析，在肺癌患者中鉴定出九个显著差异表达的血清肽峰，包括M/Z为1872.13、1900.02和1727.16的特征峰。这些差异肽共同形成高度判别性的血清肽特征，有效区分肺癌患者与健康对照，诊断AUC高达0.99。为进一步增强模型可靠性和临床可解释性，引入SHAP和LIME定量评估特征贡献，通过将这些可解释性方法与传统特征重要性评分方法相结合，建立了多级模型优化策略，在保持高预测性能的同时显著提高了模型透明度和稳定性。通过肽注释和综合分析，八个判别性肽峰映射到五种独特蛋白质，包括IGFBP3、FGA、HRG、ITIH4和SNCA。其中IGFBP3、FGA和SNCA被突出为肺癌候选诊断生物标志物。IGFBP3在肺癌组织中高表达，而FGA和SNCA在血清中显示下调，尽管在组织水平表达模式各异。IGFBP3已被报道在多种癌症中上调，包括肾细胞癌和口腔鳞状细胞癌。在肺癌中，IGFBP3调节AKT信号通路的激活，FTO介导的IGFBP3调控影响LUAD恶性行为。此外，IGFBP3可能与PD-L1等免疫调节因子相互作用，影响肿瘤免疫微环境和免疫逃逸。作为纤维蛋白原的核心亚基，FGA参与细胞外基质形成，在肿瘤细胞黏附和迁移中起关键作用。FGA在多种癌症中表达降低。值得注意的是，FGA已被报道为慢性肝炎和肝细胞癌的血清学标志物。在肺腺癌中，一项整合组织转录组学和血液蛋白质组学的研究显示FGA存在于组织和血清中，化疗应答者组织FGA水平高于非应答者，而血清FGA水平在非应答者中较低，提示循环FGA与耐药之间的关联。在机制方面，先前研究表明FGA与整合素α5相互作用调节AKT-mTOR信号通路，影响肿瘤生长和转移。此外，FGA抑制已被报道通过SLC7A11/xCT下调调节双硫死亡，减弱细胞死亡同时促进恶性表型。在本研究中，FGA衍生肽在血清和组织中一致下调，指向一种独特的调控模式，可能反映肿瘤微环境驱动的蛋白质加工、分泌或降解改变，而非肿瘤细胞的被动释放。这一观察强调了FGA在肺癌中的组织特异性和区室依赖性调控，突出需要进一步机制研究来剖析其作为肿瘤抑制因子和系统性生物标志物的双重作用。SNCA传统上与帕金森病等神经退行性疾病相关，通过异常蛋白质聚集、溶酶体功能障碍和线粒体应激反应发挥病理效应。新兴证据表明SNCA可能作为多种恶性肿瘤的生物标志物和LUAD的潜在治疗靶点。具体而言，SNCA已被报道抑制A549细胞增殖并与免疫细胞浸润相关。尽管有这些发现，SNCA在肺癌中的精确作用和分子机制仍不完全清楚，提示需要进一步研究其上下文和肿瘤类型特异性功能。总体而言，虽然FGA、HRG和ITIH4是受系统性炎症影响的高丰度急性期蛋白，SNCA作为肺癌生物标志物非典型，但组合肽模式为机器学习模型中观察到的判别性能提供了生物学依据。这些发现强调了整合血清肽组学与基于机器学习的分析用于肺癌诊断的潜力，同时承认需要进一步验证和机制研究。本研究存在若干局限性需要在未来工作中进一步调查。首先，尽管样本量相对较大，但单中心设计可能引入选择偏倚和谱偏倚，可能限制研究结果对具有不同遗传背景、环境暴露和临床实践人群的普适性。因此，在大型、多中心、种族多样的独立队列中进行外部验证对于确认所提出的诊断模型的稳健性、可重复性和广泛适用性至关重要。其次，重要临床协变量如吸烟状态、慢性阻塞性肺疾病（COPD）和良性肺结节可能影响血清蛋白质组谱，从而在真实世界筛查环境中作为潜在混杂因素。尽管当前模型在区分肺癌患者与健康对照方面表现出优异性能，但这代表相对简化的分类场景，不一定确保在区分恶性肿瘤与良性肺部病变这一更具临床挑战性的背景下具有可比准确性。未来研究应纳入这些临床相关亚组，以严格评估模型在真实世界条件下的诊断性能并更好地定义其真实临床效用。第三，尽管本研究中鉴定的生物标志物显示出非侵入性诊断的良好潜力，但其潜在分子调控机制及其在肿瘤发生和进展中的功能作用仍不完全清楚。因此需要进一步的机制研究，包括功能实验和潜在治疗干预策略的探索。此外，诊断模型应进一步整合到临床工作流程中，并通过前瞻性和实时验证研究进行评估，以评估其在常规临床实践中的可行性、稳定性和附加价值，从而促进其转化为临床应用。
研究结论部分翻译：总之，本研究建立了一个简化的蛋白质组学-机器学习工作流程用于肺癌早期检测。一组血清肽生物标志物在多种模型中表现出稳健的诊断性能，并与癌症相关生物学通路相关联。这项工作为非侵入性早期检测提供了基础，并为未来治疗研究提出了潜在靶点。
