细胞外囊泡为胶质瘤的检测方法带来了新的定义

《TRENDS IN Molecular Medicine》：Extracellular vesicles redefine glioma detection

　　

摘要

Robinson等人通过结合血浆外泌体的多组学生物特征分析和机器学习方法，挑战了依赖神经外科手术进行胶质瘤诊断的传统方式。在多个独立的研究队列中，这些生物标志物能够区分胶质瘤和对照组，并实现肿瘤负荷的纵向监测，为微创诊断、监测和分层治疗奠定了临床基础。

正文

脑肿瘤是20岁以下女性和40岁以下男性癌症相关死亡的主要原因。胶质瘤是最常见的原发性脑恶性肿瘤，根据异柠檬酸脱氢酶（IDH）的状态进行分类。其中，IDH野生型胶质母细胞瘤即使采用标准治疗，中位生存期也只有15个月。然而，诊断和分子分类仍然依赖于神经外科手术，这激发了人们对液体活检作为一种微创诊断、分型和长期监测方法的极大兴趣（图1）。

图1 多模态血浆外泌体分析技术提升了胶质瘤的微创诊断和疾病监测能力。

图谱查看器

biorender.com)。ATR-FTIR：衰减全反射傅里叶变换红外光谱；AUC：曲线下面积；MRI：磁共振成像；sEV：小外泌体。

胶质瘤的液体活检主要集中在脑脊液（CSF）和血浆上。脑脊液富含肿瘤来源的生物标志物，但通常需要通过腰椎穿刺来获取，这限制了连续采样。当有独立的临床指征时，植入的脑室脑脊液储液器可以实现无需重复腰椎穿刺的连续采样。血浆更容易获取，但由于血脑屏障的存在，常规分析物如循环肿瘤DNA（ctDNA）往往无法检测到，而胶质瘤的异质性也限制了任何单一循环分析物的实用性。外泌体（EVs）提供了一个有吸引力的替代方案。小外泌体（sEVs）被定义为直径小于200纳米的EVs，这种分类方法是在无法确定EVs生成机制时使用的。与主要通过细胞死亡进入血液的ctDNA不同，EVs是由活细胞主动分泌的，携带反映其细胞来源的多组学生物信息，提供了对肿瘤动态变化的实时窗口。基于血液的EV研究涵盖了蛋白质组学、小RNA和振动光谱学，并越来越多地与机器学习相结合，但它们很少在单一的多队列诊断框架内整合。

Robinson等人通过使用振动光谱学、蛋白质组学和微RNA转录组学对血浆sEVs进行分析，从159名个体的206个样本中提取出能够区分胶质瘤患者和健康对照组的机器学习特征（图1）。在英国的一个训练队列以及来自新西兰和丹麦的两个独立队列中的验证表明，这种综合的多模态方法是实现神经肿瘤学领域可重复、可转化的液体活检的重要一步。

作者首先发现胶质瘤患者体内的血浆sEVs显著增多，这与肿瘤驱动的循环EV池重塑一致。为了在不预先选择目标的情况下捕捉肿瘤生物学特征，他们采用了振动光谱学方法，该方法全面分析了完整的sEV池在核酸、蛋白质和脂质方面的生物特征，这是之前在胶质瘤血浆sEVs研究中未被报道过的。衰减全反射傅里叶变换红外（ATR-FTIR）光谱学方法将胶质瘤与对照组区分开，其曲线下面积（AUC）为0.987，这一结果在训练队列的一个子集中也得到了拉曼光谱学方法的验证。ATR-FTIR的纵向监测显示，肿瘤状态在治疗过程中有所变化：术前最高，在化疗和放疗期间下降，在四名可评估患者中有三人的复发时重新出现。这表明完整的EV生物分子谱能够以对治疗反应的方式编码疾病状态，使振动光谱学成为胶质瘤液体活检的一种独特且互补的方法。

可重复性一直是胶质瘤EV生物标志物的一个持续挑战，因为样本收集、处理、储存、分析平台的变化以及单一分析物的局限性，导致有希望的信号在不同队列之间难以传递。RANO小组和Brain Liquid Biopsy Consortium的最新建议同样指出，分析前的标准化和质量控制是临床转化的先决条件。通过整合sEV蛋白质组学和微RNA分析，Robinson等人识别出了在多个独立队列中表现一致的45種蛋白质和20种微RNA。其价值不在于单个分子本身，而在于证明了多组学生物特征分析可以产生稳健、可传递的特征；令人欣慰的是，其中一些分子与已知的胶质瘤生物学通路相关，支持了这一方法的生物学合理性。

为了构建诊断特征，作者应用了随机森林（Random Forests）、k最近邻（k-nearest neighbors）和极值梯度提升（XGBoost）算法，并结合了递归特征消除和交叉验证。训练得到的AUC值很高（0.931–0.971），类平衡（class-shuffling）确认模型捕捉到的是真正的生物信号而非噪声。外部验证的结果差异较大（验证队列中为50–83%；纵向研究中为40–100%），这很可能反映了不同平台之间的差异——数据依赖获取（Data Dependent Acquisition，DDA）和数据独立获取（Data Independent Acquisition，DIA）质谱法与高度可重复的基于适配体的SomaScan方法（变异系数约为5%）——而非模型本身的问题。在单一标准化平台上进行的前瞻性多中心研究对于实现该方法的临床潜力至关重要。

除了胶质瘤与对照组的比较之外，探索性分析表明，血浆sEV特征可能还能区分胶质瘤和非胶质瘤脑肿瘤，并区分不同的IDH亚型，这表明其具有更广泛的临床应用潜力，尽管需要更大的独立队列来验证这些初步发现。

更重要的是，目前机器学习驱动的液体活检的主要瓶颈是可重复性，而非敏感性：尽管训练阶段的AUC值为0.966，但实际诊断准确性仅有40%，这反映了振动光谱学对分析前变量标准化程度较低的敏感性。两个设计选择也影响了结果的解释：蛋白质组学和微RNA分析是分开进行的，这是一个遗憾，因为微RNA实际上调节蛋白质表达，如果将这两者结合起来，可能会揭示出因果调控网络而不是平行独立的信号。虽然心脏疾病对照组有助于减少系统炎症的干扰，但缺乏神经系统疾病对照组使得无法确定这些特征是否特定于胶质瘤或反映了更广泛的神经过程。

因此，仍有几个问题需要解答：这些特征是否可以在前瞻性招募的多中心队列中在标准化平台上重现？鉴于蛋白质组学模型的强大能力，是否真的需要一个完全的多组学生物分析平台，还是一个简化的、仅基于蛋白质组学的流程就能以较低的成本实现同样效果？纵向sEV分析是否可以比钆增强磁共振成像更早地发现肿瘤复发，并解决治疗后监测中的假性进展问题？此外，它是否最终能够提供指导无法接受手术治疗患者治疗的分子亚型信息？通过超越传统的组织活检方法，Robinson等人为微创胶质瘤诊断和监测带来了实质性的进步。

利益声明

作者声明没有利益冲突。