《Pancreatology》：Serum autoantibody signatures enable non-invasive early detection of pancreatic cancer
编辑推荐：
胰腺癌早期诊断中，基于生物信息学与HuProt?蛋白质微阵列筛选出11种潜在肿瘤相关抗原（TAAs），经ELISA验证5种（anti-AHNAK2、anti-CCL20、anti-DHRS9、anti-OLR1、anti-SERPINB3）在血清中显著区分患者与对照，随机森林模型结合CA19-9可使阳性率达88.97%。
李孙|刘玉琪|杨倩|朱继存|李天东|江东林|卢寅|刘玲|王月|张晓丹|王志涵|马汉科|史建祥|王凯彦|王鹏|宋春华|王开娟|叶华
中国河南省郑州市郑州大学第一附属医院临床实验室，450052
摘要
背景
针对肿瘤相关抗原（TAAs）的自身抗体是早期免疫诊断癌症的有希望的生物标志物。本研究旨在筛查并验证血清中的肿瘤相关自身抗体（TAAbs）作为胰腺癌（PC）的诊断生物标志物。
方法
利用基于生物信息学的数据挖掘和基于癌症驱动基因的定制蛋白质组微阵列来识别潜在的TAAs。采用酶联免疫吸附测定（ELISA）评估457份血清样本中相应自身抗体的表达水平，随后使用机器学习构建诊断模型。
结果
通过生物信息学分析和人类蛋白质芯片，鉴定了11个候选TAAs（EDNRA、OLR1、SEMA3C、AHNAK2、DHRS9、TMPRSS4、CCL20、SERPINB3、GPRC5A、TMC5和MBOAT2），并通过ELISA进一步验证。其中5种TAAbs（抗AHNAK2、抗CCL20、抗DHRS9、抗OLR1和抗SERPINB3）在胰腺癌患者和对照组之间存在显著差异（P < 0.05），AUC值介于0.61至0.71之间。使用这5种TAAbs开发的随机森林模型在区分胰腺癌患者和健康对照组时的AUC分别为0.83（灵敏度48.36%，特异性90.16%）和0.76（灵敏度40.74%，特异性91.60%）。此外，该模型在训练集和测试集中区分早期胰腺癌患者和对照组时的AUC分别为0.86（灵敏度48.78%，特异性90.16%）和0.80（灵敏度38.89%，特异性95.06%）。值得注意的是，将随机森林模型与CA19-9结合使用后，阳性率提高到了88.97%。
结论
我们的研究结果表明，基于这5种自身抗体的随机森林模型可能有助于识别临床前和早期阶段的胰腺癌。
引言
胰腺癌（PC）是临床上最难治疗的恶性肿瘤之一。其发病隐匿，通常缺乏早期症状，导致超过80%的患者在晚期才被诊断出来，从而错过了最佳治疗时机[1]。这导致了较差的预后，总体5年生存率仅为10%[2,3]。早期诊断对于改善胰腺癌患者的临床结果至关重要。然而，研究进展缓慢，胰腺癌的发病率和死亡率持续上升[[4],[5],[6]]。因此，寻找新的生物标志物（最好是具有高灵敏度和特异性的无创诊断方法）对于实现根治性手术切除和降低死亡率至关重要。
尽管碳水化合物抗原19-9（CA19-9）是临床实践中最常用的胰腺癌血清生物标志物，但其低灵敏度和特异性限制了其在早期检测中的应用。此外，由于Lewis抗原阴性导致的假阴性[7]以及良性胃肠道疾病导致的假阳性[8]，凸显了需要开发策略来克服灵敏度和特异性不足的问题。
针对肿瘤相关抗原（TAAs）的自身抗体在癌症患者的血清中稳定存在，并且可以在临床症状出现前数月甚至数年就被检测到[9]。此外，由于免疫系统的放大作用，这些自身抗体可以很容易地被测量。大量研究表明，肿瘤相关自身抗体（TAAbs）可以作为癌症检测的无创生物标志物[10,11]。因此，通过结合适当的提高灵敏度和特异性的方法应用TAAbs，可以提高胰腺癌的诊断准确性。
在这项研究中，为了高效全面地识别与胰腺癌相关的TAAs，我们利用了基因表达组（GEO）数据库来筛选差异表达基因（DEGs）。这些DEGs进一步通过基因表达谱交互分析（GEPIA）数据库[12]（
http://gepia2.cancer-pku.cn/）和人类蛋白质微阵列进行了验证。然后进行间接酶联免疫吸附测定（ELISA），以量化训练和验证队列中相应自身抗体的表达水平。最后，采用多种机器学习算法构建基于TAAbs组合的诊断模型，以确定最佳的胰腺癌检测模型。
研究部分片段
临床样本
本研究共纳入了506份血清样本，包括230例胰腺癌病例、51例良性胰腺疾病病例（包括慢性胰腺炎、低级别导管内乳头状黏液性肿瘤、分化良好的神经内分泌肿瘤、实性假乳头状肿瘤、黏液性囊性肿瘤、浆液性囊腺瘤和假性囊肿）以及225例正常对照者（NCs），样本来自中国河南省肿瘤流行病学重点实验室的生物样本库。
研究设计和患者特征
研究流程见补充图1。本研究通过筛查候选TAA、验证血清样本中的相应自身抗体，然后构建胰腺癌诊断模型来完成。参与者的详细人口统计学和临床特征总结在表1中。
基于生物信息学和HuProt?蛋白质微阵列的候选TAAs识别
根据预定义的标准，本研究从GEO数据库中检索了6个与胰腺癌相关的数据集，分别是GSE183795 [17]、GSE28735 [18,19]、GSE15471 [20,21]、GSE16515 [[22]
讨论
目前，胰腺癌仍然是全球最具致命性的恶性肿瘤之一。然而，由于其隐匿的发病机制，早期诊断仍然具有挑战性。在这项研究中，我们采用了生物信息学方法和人类蛋白质组微阵列来识别与胰腺癌相关的TAAs。然后使用ELISA测量了相应自身抗体的血清滴度，并基于多种机器学习算法开发了诊断模型。最终，我们开发了一个包含5种自身抗体的模型（5-TAAbs模型）。
结论
总之，我们的研究表明，生物信息学结合蛋白质芯片是一种可靠的发现新的肿瘤相关抗原的方法。本研究的结果表明，五种自身抗体组合（抗AHNAK2、抗CCL20、抗DHRS9、抗OLR1和抗SERPINB3）可能作为胰腺癌患者免疫诊断的潜在模型。
数据可用性声明
研究中提出的原始贡献包含在文章/补充材料中。如有进一步疑问，请联系相应的作者。
伦理声明
研究方案已获得机构审查委员会的批准：该研究方案获得了郑州大学机构审查委员会（ZZURIB2019001）的批准。
作者贡献
李孙：概念构思；数据管理；正式分析；研究调查；方法学；项目管理；可视化；撰写 – 审稿和编辑
刘玉琪：概念构思；数据管理；研究调查；可视化；撰写 – 初稿；撰写 – 审稿和编辑
杨倩：正式分析；研究调查；撰写 – 审稿和编辑
朱继存：研究调查；资源协调；撰写 – 初稿
李天东：研究调查；资源协调；撰写 – 初稿
江东林
资助信息
本研究得到了教育教学改革研究与实践项目[2024ZZUJGXM091]的资助，以及基于中原人群的营养遗传风险个性化评估及精准营养干预评估的关键技术研究与发展项目的资金支持[编号231111311200]。
