【Nature子刊】新方向！诊断肺癌新工具，或可用于临床治疗

通过比较NSCLC患者和非癌症个体的代谢组学特征，我们发现主要与色氨酸代谢、TCA循环、尿素循环和脂质代谢相关的代谢物浓度水平发生了显著变化。此外，部分相关网络分析揭示了代谢物的新比率，显着区分了被考虑的参与者群体。利用鉴定出的显著改变的代谢物及其比例，我们开发了一个ROC AUC值为0.96的机器学习分类模型。所开发的机器学习肺癌模型可以作为肺癌实时诊断方法的原型，未来可能会被引入常规临床应用。总之，我们已经证明了代谢组学和最新生物信息学的结合可以作为正确诊断非小细胞肺癌患者的潜在工具。

https://www.nature.com/articles/s41598-023-38140-7

研究背景

01

根据世界卫生组织的统计数据，肺癌被定义为世界范围内女性和男性中第二常见的肿瘤疾病。2020年，全世界记录了226万例肺癌病例和180万例死亡。迄今为止，肺癌的严重程度如此之高的主要原因之一是其诊断水平较低，主要与疾病初期缺乏明确的临床症状以及发病机制的复杂性有关。在所有与肺癌相关的病例中，约有80-85%与非小细胞肺癌(NSCLC)亚型有关。

众所周知，代谢物在肿瘤疾病的发生和发展中起着重要作用。大量研究表明，某些内源性代谢物或其比例是肺癌的有效生物标志物，特别是nsclc。此外，这些代谢物浓度水平的异常可能揭示了肺癌患者的代谢紊乱，反映了疾病的病理机制。在这方面，许多生物医学研究利用代谢组学工具来诊断各种异质性疾病，包括nsclc 。代谢组学是一个快速发展的领域，通常用于细胞代谢物的鉴定和定量。因此，代谢组学分析可能强调非小细胞肺癌发展的关键因素。由于代谢组学数据的复杂性，最佳信息检索通常具有挑战性，因此迫切需要最新的数学和计算方法来准确解释数据。

应用于代谢组学的传统统计方法侧重于因变量和自变量之间关系的形成，根据数据来自更大的人群这一事实，对被测变量进行有意义的统计推断。相比之下，机器学习方法是基于特别计算算法的应用，这些算法在没有正式统计假设的强制性要求的情况下进行优化或学习。在本研究中，我们应用监督ML算法基于大规模靶向代谢组学数据开发最适合NSCLC诊断的分类模型。此外，加权共表达网络分析与经典统计分析相结合，用于更深入地阐明代谢变化与NSCLC外观之间的非线性生化相互关系，并用于鉴定新的显著代谢物比例。

因此，本研究的主要目标是对肺癌的发展进行深入的生化解释，并基于靶向代谢组学分析的结果创建最适合NSCLC和NC患者分类的ML模型。

研究成果

02

本研究共包括来自非小细胞肺癌和非小细胞肺癌患者的200份血浆样本。下图代表了执行的靶向代谢组学方法和进一步的生物信息学分析的工作流程方案，用于鉴定最显著改变的代谢物以及开发高度精确的非小细胞肺癌诊断模型。通过应用定量HPLC-MS /MS分析，鉴定了包括63种代谢物分析的代谢谱。在此基础上，利用相关网络分析、单变量分析、多变量分析和监督机器学习建模等方法，进行了全球统计生物信息学分析，以选择最合适的分类模型。

描绘研究大纲的流程图，描述了所执行的靶向代谢组学方法和进一步的生物信息学分析

相关网络分析

此外，对收到的结果进行相关网络分析，以促进代谢物之间的非线性互连。将去偏稀疏偏相关(Debiased sparse partial correlation, dsc)分别应用于肺癌和非肺癌患者，使用Cytoscape19进行分析。将实验测量数据矩阵上传到相关计算器中。该程序执行自动缩放和皮尔逊的相关分析。采用Pearson相关系数阈值±1筛选数据，并将数据传递给dsc。结果在Metscape20中可视化。边缘的宽度基于调整后的p值，范围为0 - 0.2。

下图A、B分别代表NC和NSCLC患者代谢物谱的去偏稀疏偏相关网络分析结果。因此，节点对应代谢物，如果相应的代谢物相关，则连接节点。

(A)-使用肺癌患者代谢物的DPSC算法获得的相关网络。(B)利用非癌症患者代谢物构建的去偏稀疏偏相关网络。

我们所开发的机器学习肺癌模型可以作为肺癌及时诊断的原型，在未来可能被引入常规临床应用。总之，我们已经证明了代谢组学和最新生物信息学的结合可以作为正确诊断非小细胞肺癌患者的潜在工具。（转化医学网360zhyx.com）

参考资料：

https://www.nature.com/articles/s41598-023-38140-7

注：本文旨在介绍医学研究进展，不能作为治疗方案参考。如需获得健康指导，请至正规医院就诊。