《The FASEB Journal》：Unveiling the Diagnostic Value and Potential Therapeutic Targets of Phenylalanine Metabolism in Pancreatic Cancer via Integrated Multi-Omics and Machine Learning
编辑推荐：
胰腺癌（pancreatic cancer，PC）因其高死亡率构成了重大的全球健康挑战，凸显了对有效早期诊断和治疗策略的迫切需求。本研究探讨了苯丙氨酸代谢在胰腺癌中的作用，并通过整合代谢组学、孟德尔随机化（Mendelian randomization，MR）
胰腺癌（pancreatic cancer，PC）因其高死亡率构成了重大的全球健康挑战，凸显了对有效早期诊断和治疗策略的迫切需求。本研究探讨了苯丙氨酸代谢在胰腺癌中的作用，并通过整合代谢组学、孟德尔随机化（Mendelian randomization，MR）和机器学习（machine learning，ML）算法，开发了一种高精度的诊断模型。研究人员首先对55种血浆代谢物进行了MR分析，揭示了苯丙氨酸与胰腺癌之间的显著因果关联。利用GeneCards和公共转录组数据库，研究人员确定了胰腺癌中与苯丙氨酸相关的8个差异表达基因（differentially expressed genes，DEGs）。基于这些基因，研究人员使用了12种ML算法，共113种组合，以筛选最佳诊断模型。研究人员应用Shapley加法解释（Shapley Additive exPlanations，SHAP）进行特征解释，并结合临床变量构建了具有强大预测性能的预后列线图。此外，免疫浸润分析表明这些关键基因与特定免疫细胞群之间存在密切联系。基于SHAP值，研究人员以SLC6A14作为关键基因，进行了单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）数据分析和基因敲除模拟分析。以核心基因SLC6A14为靶点的药物靶点预测引导的分子对接和分子动力学模拟，证实了候选化合物具有高结合稳定性。最后，体外细胞实验通过实时定量PCR（quantitative real-time PCR，RT-qPCR）验证了关键基因在胰腺癌细胞系中的表达趋势。总之，本研究成功开发了一种具有高生物学可解释性的ML诊断模型。该分析旨在识别与苯丙氨酸代谢相关的生物标志物和胰腺癌潜在治疗药物，为胰腺癌的个体化靶向治疗提供新策略。
胰腺癌（pancreatic cancer，PC）是全球最致命的恶性肿瘤之一，5年生存率低于10%，主要归因于晚期诊断。当前临床常用的血清标志物如糖类抗原19-9（CA19-9）及影像学方法在早期检测中的敏感性和特异性不足，因此迫切需要新型分子标志物。苯丙氨酸作为芳香族氨基酸，不仅参与蛋白质合成，还通过代谢重编程、免疫调节和药物反应等多种途径影响肿瘤发生发展，但其在胰腺癌中的系统性作用及诊断价值尚不清楚。为此，研究人员整合代谢组学、孟德尔随机化（MR）和机器学习（ML），构建基于苯丙氨酸代谢的胰腺癌诊断模型，并探索潜在治疗靶点。该研究论文发表在《The FASEB Journal》。
研究人员利用公共数据库中的6个胰腺癌基因表达队列：训练集包括GSE16515、GSE62452、GSE183795，验证集包括GSE15471、GSE28735、GSE71989。首先对55种血浆代谢物进行MR分析，确认苯丙氨酸与胰腺癌存在因果关联（OR=1.641）。通过GeneCards获取苯丙氨酸相关基因，并与差异表达基因及加权基因共表达网络分析（WGCNA）鉴定的模块基因取交集，获得8个候选基因。基于这些基因，采用12种ML算法组成113种组合，以10折交叉验证筛选出最优随机森林（RF）模型，包含COL17A1、GJB2、MET、SLC2A1和SLC6A14五个核心基因。随后应用SHAP解释模型，进行免疫浸润、单细胞测序（scRNA-seq）、虚拟基因敲除、药物预测、分子对接和分子动力学模拟，并通过RT-qPCR在BxPC-3细胞系和正常胰腺上皮细胞系HPDE6-C7中验证基因表达。
研究结果部分解读如下：
3.1 GEO筛选DEGs：通过合并训练集数据并进行主成分分析（PCA）去除批次效应，利用“limma”包鉴定出309个差异表达基因（DEGs），其中191个上调、118个下调。
3.2 建立共表达网络并确定核心基因：采用WGCNA构建基因共表达网络，软阈值β=20，共得到9个模块。模块-性状相关分析显示红色模块与胰腺癌显著正相关（r=0.72，p=1e-80），该模块基因富集于ECM-受体相互作用、黏着斑、PI3K-Akt信号等与胰腺癌发病相关的通路。
3.3 筛选苯丙氨酸相关基因并进行功能富集分析：将DEGs、红色模块基因和苯丙氨酸相关基因取交集，获得8个特征基因。GO富集显示其参与趋化、跨膜转运及芳香族氨基酸跨膜转运活性；KEGG富集显示其富集于癌症通路和铂类药物耐药通路。
3.4 代谢组学差异代谢物分析：对代谢组学数据集进行PCA和OPLS-DA分析，模型Q2=0.954，鉴定出12种差异脂质代谢物（3种下调、9种上调），富集于ABC转运蛋白、癌症中的胆碱代谢等通路。
3.5 MR探测具有因果关联的差异代谢物：使用15个SNP作为工具变量，IVW法证实苯丙氨酸对胰腺癌有显著因果效应（OR=1.641，95%CI: 1.052–2.562，p=0.029），敏感性分析未发现异质性和水平多效性，ROC分析的AUC达1.000。
3.6 ML诊断模型的建立：通过113种算法组合比较，RF模型平均AUC最高（0.955），训练集AUC为0.994，三个验证集AUC分别为0.918、0.983、0.923，混淆矩阵显示良好的敏感性和特异性。
3.7 用逻辑回归ML验证诊断效果：DCA显示五基因模型具有较高净收益，列线图可预测胰腺癌风险，校准曲线显示预测与观察结果一致；五基因在PC中高表达且相互正相关，ROC曲线证实其单独及联合诊断价值。
3.8 基于SHAP的模型特征解释：SHAP分析显示SLC6A14、SLC2A1和GJB2是对模型预测贡献最大的三个基因，且其高表达与PC风险升高相关。
3.9 免疫浸润分析：CIBERSORT显示PC组巨噬细胞（M0、M1、M2）和静止/活化树突状细胞显著增加，CD8+ T细胞、单核细胞和初始B细胞显著减少；基因-免疫细胞关联网络提示核心基因与巨噬细胞M0、静止NK细胞和活化树突状细胞显著相关，与CD8+ T细胞呈显著负相关。
3.10 单细胞测序分析揭示SLC6A14在免疫细胞中的分布：对GSE197177数据分析，聚类得到18种细胞群，细胞通讯显示上皮细胞、成纤维细胞、脂肪细胞等相互作用最强；SLC6A14主要表达于上皮细胞，并与巨噬细胞和CD8+ T细胞存在通讯。
3.11 模拟SLC6A14敲除揭示其潜在分子机制：利用scTenifoldKnk虚拟敲除SLC6A14，显著影响95个基因（占1.9%），其中TYROBP、FCER1G、ITGB2、KLK1、FXYD3受影响最大；GO和KEGG富集显示与细胞连接组织、中性粒细胞活化、紧密连接及白细胞跨内皮迁移等免疫和肿瘤相关通路有关。
3.12 候选药物确定、分子对接和分子动力学模拟：从DSigDB及中药活性化合物库筛选出19种候选药物，对SLC6A14进行分子对接，染料木素（genistein）亲和力最高（?9.1 kcal/mol）。100 ns分子动力学模拟显示SLC6A14-染料木素复合物稳定，结合自由能为?33.77±1.08 kcal/mol。
3.13 SLC6A14基因对PC患者生存的影响：TCGA数据分析显示SLC6A14在肿瘤组织中显著高表达，高表达组总生存期更短；ROC曲线的AUC为0.961，提示其具有良好诊断潜力；RT-qPCR证实SLC6A14、SLC2A1、MET、GJB2和COL17A1在PC细胞系中均高表达。
讨论部分总结了该研究的整合策略：MR提供因果证据，ML模型实现高精度诊断，SLC6A14可能通过调节苯丙氨酸转运参与肿瘤代谢重编程和免疫逃逸，染料木素作为潜在靶向化合物值得进一步验证。研究结论可概括为：本研究成功构建了一个基于苯丙氨酸代谢、具有高生物学可解释性的机器学习诊断模型，识别出SLC6A14等关键基因及候选药物染料木素，为胰腺癌的早期诊断和个体化靶向治疗提供了新策略。
