《Bioengineering》：From Machine Learning-Enhanced Proteomics to a Validated Diagnostic Model: A Pipeline for Breast Cancer Biomarker Discovery via Independent and Transcriptomic Corroboration
编辑推荐：
乳腺癌（BC）的早期诊断仍具挑战。现有血清肿瘤标志物的敏感性和特异性有限，难以可靠用于临床，因此亟需开发更准确、高效的筛查流程。本研究利用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）分析了255例乳腺癌患者和300例健康对照的血清样本，鉴定出5
乳腺癌（BC）的早期诊断仍具挑战。现有血清肿瘤标志物的敏感性和特异性有限，难以可靠用于临床，因此亟需开发更准确、高效的筛查流程。本研究利用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）分析了255例乳腺癌患者和300例健康对照的血清样本，鉴定出58个差异表达肽（37个上调，21个下调）。结合机器学习、肽鉴定和外部验证，建立了一套完整的标准化流程。研究采用并比较了九种机器学习（ML）算法，包括SVM、LightGBM、XGBoost等。使用SHAP和LIME对模型进行解释，以识别关键特征。通过质谱对目标肽进行测序，并在乳腺癌转录组数据集中进一步验证其表达和潜在预后价值。九种机器学习算法在研究队列中均表现出良好的判别能力。LightGBM模型在内部验证中AUC达0.97，在外部验证中保持AUC 0.88、准确率0.8543、精确率0.9799。然而，在校正外部队列显著升高的患病率（80.3%）后，阳性预测值（PPV）在真实世界筛查情境下显著下降，需要在真实筛查人群中开展前瞻性验证。模型解释和后续测序确定了六种核心生物标志物肽：载脂蛋白A-IV（APOA4）、血清剥夺反应蛋白（SDPR）、α-1-抗胰蛋白酶（SERPINA1）、埃兹蛋白（EZR）、丝甘蛋白聚糖（SRGN）和纤维蛋白原α链（FGA）。转录组学佐证提示这些分子在乳腺癌组织中显著失调，并与患者生存存在单因素预后关联。这些发现表明，蛋白质组学驱动的集成机器学习流程作为增强乳腺癌早期诊断的概念验证性辅助风险分层工具具有潜力，在临床转化前需在真实世界筛查队列中进一步开展前瞻性验证。
**研究背景与目的**
乳腺癌（BC）是全球女性最常见的恶性肿瘤，早期诊断对提高治愈率和患者生存至关重要。现有血清标志物如癌胚抗原（CEA）和糖类抗原15-3（CA15-3）在早期诊断中特异性不足70%，且抗体依赖检测存在交叉反应、抗体稳定性差和开发成本高等问题。因此，亟需发展新型、非侵入性、高精度的诊断技术。该研究发表于《Bioengineering》，旨在建立一条从机器学习增强蛋白质组学到验证诊断模型的完整流程，为乳腺癌早期诊断提供概念验证性辅助风险分层工具。
**研究设计与核心发现**
研究人员纳入西安交通大学第二附属医院前瞻性病例对照队列，包括255例乳腺癌患者和300例健康对照，并另外招募独立时间验证队列（408例乳腺癌、100例健康对照）。通过MALDI-TOF质谱获得血清肽谱，结合九种机器学习算法建模，经SHAP、LIME和决策曲线分析（DCA）进行特征选择，利用LC-ESI-MS/MS对候选肽测序，并在TCGA-BRCA和GTEx转录组数据中进行佐证。研究共鉴定58个差异表达肽，其中37个上调、21个下调。LightGBM模型内部AUC为0.97，外部验证AUC为0.88、准确率0.8543、精确率0.9799；但由于外部队列患病率高达80.3%，校正后阳性预测值（PPV）在真实低患病率筛查场景中会显著下降，需前瞻性验证后再考虑临床转化。
**主要技术方法**
该研究主要使用了以下关键技术：基于MALDI-TOF MS的血清肽谱分析；九种机器学习算法（Logistic Regression、KNN、SVM、GaussianNB、Decision Tree、Random Forest、XGBoost、AdaBoost、LightGBM）；SHAP、LIME和DCA用于特征筛选；LC-ESI-MS/MS用于肽序列鉴定；TCGA-BRCA与GTEx数据用于转录组表达和预后关联分析。样本队列来自西安交通大学第二附属医院，开发队列为255例乳腺癌与300例健康对照，外部验证队列为408例乳腺癌与100例健康对照。
**研究结果**
**3.1 一般特征：** 研究仅纳入女性，乳腺癌组中位年龄55岁，对照组53岁，年龄分布无统计学差异；独立外部验证队列年龄分布与开发队列相当。
**3.2 差异肽筛选：** MALDI-TOF MS在1000–10000 Da范围内重复性好，三次重复测量的Pearson相关系数>0.95。经Benjamini–Hochberg校正后，共识别58个差异峰，其中37个上调、21个下调，87.3%的显著峰分布于1500–6000 Da。
**3.3 机器学习模型性能：** PCA、KPCA和t-SNE降维显示乳腺癌与对照样本明显分离。九种算法均表现出良好判别能力，SVM的AUC为0.94±0.01，LightGBM和XGBoost的AUC均为0.97±0.01。嵌套交叉验证分析结果与主分析一致，LightGBM的ROC-AUC为0.965，Brier得分为0.060，但校准斜率为0.435，提示预测概率较实际结果更极端，需在未来队列中重新校准。
**3.4 特征选择：** SHAP和LIME识别出四个跨算法一致的重要峰，即m/z 4110.83、m/z 2056.29、m/z 9304.11和m/z 1871.21。十肽组合在剔除单个峰或添加其他候选峰后AUC无明显变化，说明该组合在简洁性和预测力之间达到平衡。DCA显示所有模型在各决策阈值下的净获益均优于“treat-all”和“treat-none”策略。
**3.5 单肽临床指标分析：** 单个肽的AUC在0.45–0.88之间，其中m/z 4110.83的诊断效率最高（AUC=0.88）。DCA和组间表达比较显示，部分关键肽具有潜在临床鉴别价值。
**3.6 注释与鉴定：** 通过LC-ESI-MS/MS测序和UniProt注释，六个候选峰被成功归属为六种蛋白来源的肽段：APOA4、SDPR、SERPINA1、EZR、SRGN和FGA；其中m/z 1630.67与m/z 1871.21来自同一基因。
**3.7 内部与外部验证：** 内部五折分层交叉验证显示，基于十肽组合的多种模型AUC约为0.87–0.97。独立外部验证中，LightGBM模型AUC为0.88（95% CI: 0.85–0.91），准确率为85.43%，表明该肽特征具有较好的泛化能力。
**3.8 生物信息学分析：** GO和KEGG富集分析显示，六基因参与肠吸收、消化、突触后组织、外周神经轴突再生等过程。TCGA-BRCA与GTEx组织表达分析显示，SERPINA1和EZR在乳腺癌中高表达，而SRGN和SDPR低表达。单因素生存分析显示，SERPINA1高表达与较好总体生存相关（log-rank p=0.0015）；EZR高表达与较差预后相关（p=1.6×10
?5）；SDPR低表达与较差生存相关（p=0.02）。但上述均为单因素关联，尚不能作为独立预后指标。
**讨论总结**
讨论部分指出，该模型的主要优势在于高诊断准确性、非侵入性、单样本检测成本较低、可解释性较好，并实现了从血清肽谱到组织转录组预后的闭环转译流程。与既往研究相比，本研究的创新点并非算法本身，而是整合蛋白质组学、机器学习和转录组验证的标准化管道。局限性包括单中心研究、未纳入良性病变鉴别、未进行分子亚型分层、MALDI-TOF MS对超低丰度肽检测仍受限，以及外部验证队列患病率过高导致PPV被高估。后续计划包括在低患病率筛查人群中开展多中心前瞻性验证、亚型分层分析和多组学整合。
**研究结论**
本研究开发了一种人工智能增强流程，整合血清蛋白质组学、多算法机器学习和转录组学验证，用于乳腺癌的诊断和生物学表征。由LightGBM优化的蛋白质组学驱动诊断模型确定了稳健的十肽血清特征（APOA4、SDPR、SERPINA1、EZR、SRGN和FGA），诊断准确率高（AUC=0.97）。该模型在独立外部队列中保持了良好性能（AUC=0.88），支持其泛化能力。转录组分析进一步证实这些生物标志物在肿瘤组织中显著失调，并提示潜在预后关联。总之，这项工作提供了概念验证，表明血清蛋白质组学结合机器学习在病例对照发现场景中具有判别潜力。然而，鉴于外部队列患病率（80.3%）远高于真实筛查人群，在低患病率条件下阳性预测值预计会显著降低。当前及未来工作致力于在能反映真实人群患病率的筛查队列中严格验证标准化流程，这是任何临床转化前所必需的。
