基于GC-MS技术的呼出挥发性有机化合物（VOC）诊断模型，用于区分早期肺癌与对照组

《Talanta》：A GC-MS-Based Exhaled VOC Diagnostic Model for Distinguishing Early-Stage Lung Cancer from Controls

　　**摘要**
肺癌是导致癌症相关死亡率的主要原因之一，然而用于早期检测的非侵入性工具仍然不足。尽管呼吸组学领域取得了进展，但由于数据维度高、算法过拟合以及缺乏对细微亚阶段差异（如IA期与IB期）的系统性研究，临床应用仍受到限制。本研究旨在识别呼出挥发性有机化合物（VOCs）的生物标志物，并开发用于I期非小细胞肺癌（NSCLC）的诊断模型。同时，进行探索性亚组分析以初步评估潜在的阶段特异性异质性。研究使用了热脱附气相色谱-质谱（TD-GC-MS）技术，分析了74名I期NSCLC患者（52名IA期，22名IB期）和75名健康对照者的呼吸样本。通过结合多变量统计（PCA、OPLS-DA）和基于机器学习的特征选择方法（LASSO、随机森林和SVM-RFE）的模块化分析框架，从562种VOCs中筛选出相关标志物。通过趋势分析和网络分析，研究了疾病进展过程中的代谢变化。诊断模型通过嵌套交叉验证和独立测试集进行了验证，最终确定了与I期NSCLC及其亚组相关的VOC特征。19种VOC在疾病进展过程中表现出单调变化，其中1,2-二氯乙烷和环己烷被确定为网络核心VOCs。RBF核SVM模型的曲线下面积（AUC）为0.991（95%置信区间：0.956-1.000），在测试集中的灵敏度为93.3%，特异性也为93.3%。此外，一个简单的双VOC逻辑回归模型（环己烷和二乙基硅烷）的AUC为0.708。本研究确定了特定阶段的VOC生物标志物，并展示了其非侵入性检测的潜力。探索性亚组分析表明早期疾病可能存在生物学异质性，而简洁的双标志物组合为开发低成本、即时检测策略提供了实用基础。这些发现有助于了解早期代谢变化，并支持可扩展的基于呼吸的筛查策略的发展。鉴于本研究为单中心设计，其结果更多是基于假设的，需要通过多中心队列的外部验证来确定其普遍性和临床适用性。

**引言**
肺癌仍是全球癌症相关发病率和死亡率的首要原因，这一点得到了国际癌症研究机构（IARC）2020年数据的证实[1]、[2]、[3]。过去几十年来，非小细胞肺癌（NSCLC）和小细胞肺癌（SCLC）是最常见的组织学类型，NSCLC占所有肺癌病例的80%至85%[4]。值得注意的是，约70%的肺癌患者诊断时已处于晚期，整体5年生存率仅为16%，这与及时接受手术治疗的I期患者的88%生存率形成鲜明对比[5]。这些数据强调了早期有效检测对肺癌患者临床管理的重要性。目前，最常用的肺癌检测方法包括胸部X光、正电子发射断层扫描-计算机断层扫描（PET-CT）成像、支气管镜检查和支气管肺泡灌洗[6]，但这些方法存在局限性，导致相当部分的诊断结果不明确。例如，胸部X光的假阴性率非常高；PET-CT费用昂贵且涉及辐射暴露且有假阳性风险；痰液细胞学检查灵敏度低；而支气管镜检查和支气管肺泡灌洗属于侵入性操作，存在感染和出血的风险。鉴于早期检测技术的诸多局限性，迫切需要开发一种简单、可靠且非侵入性的肺癌筛查工具[7]、[8]。科学界普遍认为，呼出的挥发性有机化合物（VOCs）来源于内源性代谢途径、外源性环境因素及采样相关影响，这使得呼吸分析成为一种有前景的非侵入性诊断方法。20世纪70年代初，人们首次通过色谱技术检测到了人体挥发性物质，随后通过生物嗅觉识别验证了肿瘤相关的化学信号[9]、[10]、[11]，研究重点逐渐转向了靶向生物标志物的发现。后续技术进步，包括新型捕获微型反应器和定量化学分析，成功证明了不仅能够检测早期恶性肿瘤，还能区分不同的临床阶段[12]、[13]。除了实验室中的GC-MS分析外，最近在VOC传感材料方面的进展（例如用于糖尿病呼吸诊断的染料/MOF基比色平台[14]、[15]）表明，高分辨率平台识别的生物标志物组合可以应用于即时检测。然而，由于全面的气相色谱-质谱（GC-MS）数据集的高维复杂性和固有噪声，传统统计方法暴露出局限性，因此最近的方法越来越多地整合了机器学习算法来解析复杂的VOC模式并提高诊断准确性[16]、[17]。尽管如此，尽管算法取得了显著进步并持续努力将挥发性物质特征与潜在的肿瘤机制联系起来[18]，但临床应用仍面临挑战：虽然能够实现健康状态与癌变状态之间的初步区分，但在高度微妙的临床亚阶段（如IA期与IB期）之间的准确区分仍受样本异质性和算法过拟合风险的限制[19]、[20]。尽管如此，呼出气体分析的临床应用仍处于起步阶段。数据的高维复杂性和分析技术（如GC-MS）产生的噪声仍然是主要瓶颈[21]。从数百种复杂的VOCs中识别出可靠、可重复的生物标志物仍是一项艰巨任务。以往的研究常常面临样本量小、数据处理方法多样以及算法过拟合风险高的问题。因此，虽然能够区分健康状态与癌变状态，但在高度微妙的临床亚阶段（如I期与IB期）之间的准确区分仍亟待探索。这些亚阶段的区分对手术计划、辅助治疗的必要性以及预后分层具有关键临床意义。

**研究设计与参与者**
本研究招募了临床或影像学上怀疑患有早期肺癌的成年人，他们被转诊至胸外科门诊进行进一步诊断。为提高研究的普遍性，未施加长期的生活方式限制（如饮食、吸烟状况或正在接受的治疗）。共有149名志愿者参与了研究，其中74人为I期NSCLC患者，75人为健康对照组。所有参与者的详细人口统计和临床特征见补充表S1。所有参与者的呼吸样本均被收集。

**讨论**
早期NSCLC的准确诊断和精准分期仍是重要的临床挑战，主要受限于传统成像方式的有限空间分辨率和代谢组学分析中的高维噪声。本研究采用严格的嵌套交叉验证策略和多算法共识特征选择方法，成功识别出与I期NSCLC相关的VOC特征。从初始的562个特征中，我们系统地筛选出了能够表征I期疾病整体特征（5种VOC）以及IA期（4种VOC）和IB期（2种VOC）高度微妙临床亚阶段的特征。趋势分析和部分相关网络模型揭示了代谢变化的过程。

**作者贡献声明**
王志英：撰写初稿、数据整理；刘博豪：软件开发；刘天清：撰写与编辑、数据分析；黄家齐：资金争取；赵恒：方法论设计；吴伟伟：撰写与编辑；董欢欢：资金争取；张广健：项目管理和资金争取。

**伦理批准与参与同意**
本研究中涉及的人体样本已获得西安交通大学第一附属医院伦理委员会的批准（批准编号：XJTU1AF2021LSK-487）。所有研究程序均符合机构和国家研究委员会的伦理标准，以及《赫尔辛基宣言》及其后续修订版或相应的伦理标准。所有参与者均已签署书面知情同意书。

**出版同意**
不适用。本手稿不包含任何可识别个人身份的数据、图像或视频。

**数据与材料的可获取性**
由于涉及人体呼吸样本和相关临床信息的隐私和伦理限制，本研究生成的分析数据集不公开提供，但可根据相关伦理委员会的许可和合理要求从通讯作者处获取。

**利益冲突**
作者声明没有利益冲突。

**资金支持**
本研究得到了中国科学技术部国家重点科技项目（项目编号2023ZD0501805）、国家自然科学基金（项目编号82500155）以及陕西省重点研发计划（项目编号2024SF-ZDCYL-02-09）的支持。

**致谢**
我们感谢西安交通大学第一附属医院的医疗和研究团队在志愿者招募方面的协助，并感谢所有志愿者的参与。

**作者名单**
王志英 | 刘天清 | 刘博豪 | 赵恒 | 黄家齐 | 董欢欢 | 吴伟伟 | 张广健
西安交通大学第一附属医院胸外科，中国西安710061