核磁共振代谢组学与糖组学用于非特异性症状患者的癌症检测：一项前瞻性观察性队列研究

《eBioMedicine》：NMR metabolomics and glycomics for cancer detection in patients with non-specific symptoms: a prospective observational cohort study

　　

摘要
背景
非特异性症状患者的早期癌症诊断受到缺乏鉴别性检测的限制。在牛津郡疑似癌症（SCAN）路径中，探索性生物标志物工作表明，基于血清¹H核磁共振（NMR）的代谢组学可以高精度识别癌症。SCAN2评估了将代谢组学与糖组学整合是否能在临床复杂的真实世界人群中提供互补的分子信息并改善鉴别能力。

方法
研究人员使用AXINON?系统衍生的NMR代谢组学和高效液相色谱-质谱联用（HPLC-MS）糖组学分析了369名SCAN患者（59例癌症）的血清。训练机器学习模型以预测癌症状态，通过合并交叉验证预测的受试者工作特征（ROC）分析评估性能。为了将癌症风险置于更广泛的临床背景中，研究人员纳入了一个模拟替代非癌症诊断的第二个分类器，并将两个模型的平均预测概率共同投影到二维空间中，同时保持训练和测试数据的严格分离。

结果
在完整队列中，糖组学与代谢组学的整合实现了曲线下面积（AUC）为0.814（95%置信区间（CI）0.808–0.820）。在排除主要合并症和选定癌症类型后的精炼子队列中（32例癌症，277例非癌症），性能提高到AUC 0.884（95% CI 0.879–0.890）。鉴别特征包括癌症相关的双天线岩藻糖基化聚糖以及氨基酸代谢物（谷氨酸、组氨酸）和脂蛋白相关测量指标。区分转移性与非转移性疾病（n=29 vs. 30）的分类器实现了AUC 0.80。完整队列中的联合概率分析在合并症负担下保留了癌症相关特征，基于投影的分类实现了89.2%的准确率（95% CI 85.7–92.6）。

解释
这些发现验证了SCAN1代谢组学特征在更临床复杂队列中的可靠性，并表明将糖组学与代谢组学整合为癌症鉴别提供了互补的生物学信息。联合概率分析为多病共存诊断路径中的癌症风险分层提供了可解释的框架，支持可扩展的多组学血检的临床潜力。

资助
工程与物理科学研究委员会（EPSRC）、欧盟地平线2020、威康信托/医学领导力与科学培训基金（MLSTF）、诺和诺德基金会。

论文解读：整合核磁共振代谢组学与糖组学用于非特异性症状患者的癌症检测

**研究背景与问题**
癌症诊断时的分期是决定预后的关键因素。当前，从初级保健到器官特异性转诊路径对于有局部症状的患者效果良好，但对于出现疲劳、体重减轻或持续性疼痛等非特异性症状的个体，缺乏专门的诊断路径，常导致临床评估延迟和晚期疾病风险增加。多学科诊断中心（MDC）模型，如英国的加速、协调、评估（ACE）项目和快速诊断中心（RDC），旨在填补这一诊断空白，但转诊仍主要依赖初级保健临床判断，存在阈值和时机异质性。血基分子谱分析，特别是代谢组学，可反映癌症的系统性代谢影响，在非特异性症状患者中具有早期风险分层潜力。然而，前期研究（SCAN1）虽证实核磁共振（NMR）代谢组学能以高精度区分恶性肿瘤与非癌症，并分层转移状态，但样本量有限，且仅涵盖部分宿主反应。糖组学中的蛋白质糖基化改变是恶性病变的已知特征，但未被标准NMR代谢组学充分捕获。因此，本研究（SCAN2）旨在验证SCAN1的代谢组学特征，并评估整合糖组学是否通过捕获互补的宿主反应组分提高癌症检测能力。

**研究概述与结论**
研究人员在牛津疑似癌症（SCAN）路径中开展了一项前瞻性观察性队列研究，纳入2020年11月至2021年7月转诊的369名非特异性症状患者（59例癌症，310例非癌症）。使用AXINON?系统NMR代谢组学和高效液相色谱-质谱联用（HPLC-MS）糖组学分析血清样本，基于随机森林分类器构建机器学习模型，通过重复分层k折交叉验证评估性能。在完整队列中，整合糖组学与代谢组学后曲线下面积（AUC）为0.814（95% CI 0.808–0.820），虽高于单独代谢组学（AUC 0.799）和糖组学（AUC 0.778），但差异未达统计学意义（DeLong p=0.328）。在排除血液系统恶性肿瘤、非活检确诊或癌前病变、前列腺癌及显著肾功能不全等代谢混杂因素的精炼子队列中（32例癌症，277例非癌症），性能提升至AUC 0.884（95% CI 0.879–0.890），敏感性和特异性分别为86.0%和76.5%。此外，区分转移性（n=29）与非转移性（n=30）癌症的模型AUC为0.801（95% CI 0.789–0.813），对非转移性疾病特异性高达90.9%。联合概率分析通过在共享分子特征空间中训练癌症与替代非癌症诊断两个独立分类器，将个体投影到二维空间，癌症相关特征在合并症负担下保持稳定，投影分类准确率达89.2%。这些发现验证了SCAN1代谢组学特征在更复杂临床队列中的稳健性，表明整合糖组学提供互补生物学信息，且多组学整合结合双结果框架增强了生物学可解释性。论文发表在《eBioMedicine》。

**关键技术与方法**
样本队列来源于牛津疑似癌症（SCAN）路径，所有参与者均从初级保健转诊，符合非特异性症状标准。主要技术方法包括：①NMR代谢组学：使用AXINON?系统（600 MHz Bruker AVIII谱仪）获取预饱和核欧弗豪森增强谱（NOESY）和卡-珀塞尔-梅布姆-吉尔（CPMG）谱，经定标后获得35个靶向参数（脂蛋白亚类、小分子代谢物）及192个固定宽度谱段（0.01 ppm）；②HPLC-MS糖组学：由Ludger Ltd.进行，通过肽-N-糖苷酶F（PNGase F）释放N-聚糖，荧光标记后经亲水相互作用液相色谱-高分辨质谱（HILIC-HRMS）分析，获得137个质谱特征和62个荧光色谱峰；③机器学习建模：采用随机森林分类器，在交叉验证内进行特征选择（保留Gini指数前30个特征），通过合并交叉验证预测进行受试者工作特征（ROC）分析，并构建双结果框架（BTK模型）同时建模癌症状态与替代诊断。

**研究结果**
**复制SCAN1代谢组学特征**
在SCAN2队列中，使用不同NMR平台（AXINON?系统）和建模策略，多变量分析识别出9个NMR衍生代谢特征（谷氨酸、谷氨酰胺、组氨酸、肌醇、重叠的缬氨酸/脯氨酸信号、丙氨酸、乳酸、唾液酸信号（GlycB）和高密度脂蛋白（HDL）），ROC AUC为0.783（95% CI 0.774–0.791），与SCAN1结果一致。将SCAN2衍生面板应用于SCAN1队列，获得更强鉴别力（AUC 0.881），且方向一致，证实双向复制。

**NMR代谢组学与LC-MS糖组学检测癌症**
在完整队列中，整合NMR代谢组学、AXINON?靶向参数和糖组学后，AUC为0.814（95% CI 0.808–0.820），灵敏度80.3%、特异性67.0%。鉴别特征包括：癌症中升高的氨基酸（谷氨酸、组氨酸、肌醇）和降低的HDL相关指标（HDL颗粒浓度、小HDL颗粒、HDL胆固醇），以及糖组学中降低的岩藻糖基化双天线聚糖（FA2G2S1、FA2BG1、M5A1G1S1）和升高的高阶聚糖（A3G3S3）。相关性分析显示，非癌症组中代谢物与聚糖形成独立簇，癌症组中组氨酸与岩藻糖基化聚糖呈负相关，HDL测量与聚糖信号呈正相关，提示代谢网络重编程。

**排除主要代谢混杂因素后增强鉴别**
在精炼子队列中（排除血液系统恶性肿瘤、非活检确诊、前列腺癌、肾功能不全），整合模型AUC提升至0.884（95% CI 0.879–0.890），灵敏度86.0%、特异性76.5%。特征重要性排序与完整队列一致，主要变量包括氨基酸、HDL相关测量和岩藻糖基化聚糖，表明排除合并症减弱了信号掩盖，而非改变癌症相关表型。

**合并症异质性中癌症概率结构的保留**
双结果框架将个体投影到联合概率空间，癌症病例沿癌症概率轴聚集，与替代非癌症诊断（如心血管、肾、呼吸系统疾病）的广泛分散形成对比。癌症相关代谢信号在合并症负担谱中保持稳定，基于楔形决策区域的投影分类准确率达89.2%（95% CI 85.7–92.6），灵敏度91.5%、特异性88.7%，表明鉴别由癌症特异性特征驱动，而非总体疾病负担。

**高特异性区分转移性疾病**
针对转移与非转移癌症的分类模型AUC为0.801（95% CI 0.789–0.813），特异性90.9%，敏感性59.4%。特征包括组氨酸（负相关）、丙氨酸（负相关）、复杂四天线聚糖FA4G4S4（正相关）等。相关性分析显示，非转移病例中氨基酸与脂蛋白信号呈中等正相关，转移病例中聚糖-聚糖相关性增强，代谢-脂蛋白关联减弱，提示协调的代谢与糖基化重编程。

**讨论与结论**
本研究证实恶性病变与一种可重复的系统性分子表型相关，该表型在独立队列、不同平台和建模策略中一致再现，支持其稳健性。整合糖组学捕获了传统NMR代谢组学无法完全解析的蛋白质糖基化改变，提供互补的生物学信息，尽管曲线下面积提升不显著。排除主要合并症后性能改善，提示合并症引入的变异掩盖但不改变癌症相关表型。鉴别特征中，双天线岩藻糖基化聚糖的降低与氨基酸代谢物升高及HDL亚类降低共同指向炎症、肝脏和代谢通路的收敛扰动。联合概率分析通过分离癌症特异性信号与一般疾病信号，增强了模型的可解释性。转移性分层的高特异性有助于临床排除晚期疾病。研究结论：整合NMR代谢组学与LC-MS糖组学可在非特异性症状患者中区分癌症与非癌症，验证了SCAN1代谢组学特征，并表明多组学整合为现有诊断路径提供了可行的辅助手段，尤其作为分诊工具，可优先安排影像学检查并减少不必要的诊断不确定性。关键组分（如NMR脂蛋白分析和糖组学检测）已在临床或接近临床环境下可用，支持其转化可行性。