《Microchemical Journal》：Integrated multiomics and machine learning-enhanced Raman spectroscopy define metabolic signatures of Barrett's esophagus malignant progression
编辑推荐：
•拉曼光谱与多组学技术结合可确定巴雷特食道恶性的特征。•定制化的1D-CNN与机器学习模型能准确区分类器官模型。•在巴雷特食道向食道腺癌转化过程中，烟酸酰胺代谢途径会被激活。•NNMT被证实是食道癌可靠的预后生物标志物。引言食道癌是一种危害极大的恶性肿瘤，是全球第七大癌症死亡原因
- •
拉曼光谱与多组学技术结合可确定巴雷特食道恶性的特征。
- •
定制化的1D-CNN与机器学习模型能准确区分类器官模型。
- •
在巴雷特食道向食道腺癌转化过程中，烟酸酰胺代谢途径会被激活。
- •
NNMT被证实是食道癌可靠的预后生物标志物。
引言
食道癌是一种危害极大的恶性肿瘤，是全球第七大癌症死亡原因[1]，其中食道腺癌的预后尤为不良，5年生存率低于20%。食道腺癌的发病率正在急剧上升，尤其是在人类发展指数较高的国家，而它与唯一已知的癌前病变——巴雷特食道之间存在密切关联[2]。从巴雷特食道发展到食道腺癌的复杂过程涉及多种代谢重编程，但由于缺乏能够在单细胞层面检测细胞代谢的高分辨率无标记技术，这些机制至今仍未被充分理解[3]。早期发现癌症是提高患者长期生存率的关键，因此亟需能够可靠识别高风险巴雷特食道或早期食道腺癌的无创诊断工具。目前依赖的内镜活检和组织病理学方法并不适合大规模筛查或早期诊断[4]。
单细胞拉曼光谱技术能够为细胞中的蛋白质、脂质和核酸提供无创、实时的“分子指纹”信息[5]、[6]、[7]，结合机器学习技术后，还可自动识别巴雷特食道向食道腺癌发展过程中的生物标志物[8]。然而，现有的生物光子学方法存在诸多局限：依赖于缺乏体内空间异质性的传统2D培养体系，峰值识别采用“黑箱”方式且没有相应的生物分子验证，此外由于在光谱层面而非生物细胞层面对数据集进行划分，还会导致结构数据泄露的问题。
为克服这些难题，本研究提出了一种整合型的“光谱组学”框架，将无标记的单细胞拉曼光谱技术转化为基于机制的诊断工具。通过将单细胞及亚细胞拉曼分析与转录组学和代谢组学相结合，我们建立了将特定光学特征与具体代谢途径相对应的生物“证据链”，同时还将验证范围从2D培养体系扩展到3D患者来源的类器官，从而获取更接近真实临床病理特征的检测结果。
通过标准化的预处理流程以及严格的嵌套交叉验证框架，我们将传统的机器学习分类器（OPLS-DA、SVM、KNN）与定制化的1D-CNN模型进行了对比，实现了按细胞类型进行的数据划分，彻底消除了超参数偏差和数据泄露问题。该工作流程能够以近乎完美的准确率区分食道腺癌与巴雷特食道，同时还揭示了烟酸和烟酸酰胺代谢途径的显著激活——这一过程是由烟酸酰胺N-甲基转移酶驱动的——是其恶性特征的表现。这一结论也得到了大规模组织免疫组化研究的证实，这种非破坏性技术为胃肠道恶性肿瘤的早期诊断、监测和治疗靶点选择提供了一种具有高度通用性的“光学活检”策略。
章节要点
伦理审批与样本收集
所有研究步骤均遵循四川大学华西医院伦理委员会批准的指南开展（伦理审批编号为20250224024），在获取食道腺癌肿瘤样本和巴雷特食道黏膜样本之前，均已获得受试者的知情同意。食道腺癌样本来自那些经病理诊断为该疾病并已在四川大学华西医院胸外科接受手术的患者，这些样本是通过内镜活检获得的
拉曼光谱显示食道腺癌中的代谢重编程现象
我们首先利用拉曼光谱技术检测了巴雷特食道细胞和食道腺癌细胞中细胞内生物分子的动态变化（见图1A）。图1B展示了巴雷特食道细胞和食道腺癌细胞的平均拉曼光谱，其中包括490 cm?1处的糖原特征峰、750 cm?1处的色氨酸特征峰、781 cm?1处的DNA骨架振动特征峰、621 cm?1和1174 cm?1处的蛋白质特征峰、1127 cm?1处的脂肪酸特征峰、2880 cm?1和3063 cm?1处的脂质特征峰，以及1335 cm?1处的核酸/胶原蛋白特征峰（见图1C）。不同生物分子的拉曼光谱存在明显差异
讨论
从巴雷特食道发展到食道腺癌是一个重要的病理过程，但其分子层面的机制至今仍不十分清楚，这也制约了早期诊断和治疗的进展。在本研究中，我们通过整合拉曼光谱技术、多组学测序技术以及患者来源的类器官模型，解决了这些问题。我们的研究结果表明，拉曼光谱技术可以作为一种强大且无创的“分子指纹”分析工具，用于检测代谢重编程现象以及基因组不稳定性
结论
在本研究中，拉曼光谱技术与机器学习方法相结合，展现出极高的潜力，可用于区分巴雷特食道与食道腺癌。这一方法有望让高风险巴雷特食道患者能够更早接受药物或手术治疗，从而避免病情进一步恶化。通过分析拉曼光谱峰强度的差异，可以快速准确地区分这两种疾病，为后续的治疗决策提供依据。为了更好地将这项技术应用于临床，还需要进一步优化机器学习模型
CRediT作者贡献说明
黄文华：论文撰写——初稿撰写、正式分析、数据整理、概念构思。 杨林：论文撰写——初稿撰写、软件应用、方法设计、正式分析。 黄兆宝：论文撰写——审阅与编辑、资源协调、实验研究、数据整理。 罗思毅：论文撰写——审阅与编辑、结果可视化、验证研究、实验研究。 胡伟鹏：论文撰写——审阅与编辑、验证研究、软件应用、正式分析。 刘一欣：论文撰写——审阅与编辑、验证研究、正式分析、数据整理。
发表同意声明
在开展组织采样和数据收集之前，我们已获得所有参与研究的个体的正式书面知情同意。对于那些无法亲自提供同意书的受试者，其法定监护人也已签署了书面知情同意书。所有研究步骤均严格遵循机构研究委员会的伦理标准以及1964年《赫尔辛基宣言》及其后续修订版本的要求。所有作者均已签署相关同意文件
伦理审批与参与同意
所有作者都对研究的各个环节负责，确保研究中任何部分的准确性或完整性问题都能得到妥善调查和解决。本研究完全符合2013年修订版的《赫尔辛基宣言》要求，并已获得四川大学华西医院人类受试者委员会的批准（批准编号为20250224024，批准日期为2025年4月2日）。所有的实验步骤也都经过了机构审查委员会的审批
关于写作过程中生成式AI与AI辅助技术的声明
在撰写本论文的过程中，作者们仅将AI辅助技术（主要是大型语言模型）用于语言润色、语法修正以及提升文本的表达流畅度。在使用这类工具之后，作者们会对内容进行彻底审查和修改，并对最终经过同行评审的论文的准确性、科学性及真实性承担全部责任。本研究并未使用任何其他AI辅助工具
资金支持
本研究得到了“1·3·5优势学科项目——临床研究基金”、四川大学华西医院（编号为2025HXFH024）的支持，同时还获得了四川大学华西医院“启明星”青年人才研究基金（编号为HXQMX0061）、贵州省人民医院人才基金（编号为2024026）以及贵州遗传基金会（编号为ZK[2022] General 251）的资助。
利益冲突声明
作者们声明，自己不存在任何可能影响本研究结果的已知财务利益关系或个人关系。
致谢
本研究在数据质量控制和测量指导方面得到了上海D-Band医疗科技有限公司的大力支持。
黄文华|杨林|黄兆宝|罗思毅|胡伟鹏|刘一欣|张汉卢|杨玉尚|孔德苗|季爱芳|陈龙奇|尚启新
