基于血浆外泌体代谢组学和机器学习的卵巢癌诊断新策略

本研究针对卵巢癌（OC）早期诊断难题，聚焦血浆外泌体（EVs）代谢组学，结合机器学习算法，成功筛选出高特异性和高灵敏度的诊断生物标志物，为卵巢癌的无创筛查提供新思路

　　卵巢癌（OC）是女性生殖系统中最致命的恶性肿瘤之一，因其早期症状不明显，常在晚期才被诊断，导致死亡率极高。早期检测和精准诊断对于改善卵巢癌患者的预后至关重要。然而，目前的诊断方法存在局限性，无法满足早期筛查的需求。为了突破这一瓶颈，重庆医科大学附属第二医院的研究人员开展了一项创新性研究，探索基于血浆外泌体代谢组学和机器学习算法的卵巢癌诊断新策略，并取得了突破性进展。该研究结果发表在《Journal of Ovarian Research》杂志上，为卵巢癌的无创诊断和早期筛查提供了新的科学依据。

研究背景与意义

卵巢癌（OC）是女性生殖系统中最常见的恶性肿瘤之一，根据世界卫生组织（WHO）2018年的数据，卵巢癌是妇科恶性肿瘤中的第二大杀手，仅次于宫颈癌。由于其早期阶段缺乏明显症状，大多数患者在确诊时已处于晚期，导致其死亡率极高，被称为“沉默的杀手”。传统的诊断方法如组织活检、血液标志物检测（如CA125、HE4）等，虽然在临床中广泛应用，但在早期检测和疾病进展监测方面存在明显不足。因此，开发一种无创、高效的早期筛查方法对于改善卵巢癌患者的预后具有重要意义。

近年来，液体活检作为一种非侵入性诊断技术，因其能够通过检测体液中的肿瘤相关生物标志物而备受关注。外泌体（EVs）是一类具有磷脂双分子层结构的纳米级细胞外囊泡，广泛存在于血液等体液中。研究表明，外泌体能够反映其来源细胞的病理生理状态，并携带多种与疾病相关的生物标志物，如蛋白质、脂质和核酸。因此，外泌体被认为是液体活检的理想生物标志物来源。然而，目前关于卵巢癌外泌体代谢组学的研究相对较少。

研究方法

为了探索基于血浆外泌体代谢组学的卵巢癌诊断新策略，研究人员招募了37名卵巢癌患者、22名良性卵巢肿瘤患者和46名健康对照者，从其血液中分离出外泌体，并采用热分离探针（TSP）结合气相色谱-质谱（GC-MS）技术对外泌体代谢物进行全球非靶向代谢指纹分析。通过均匀流形近似和投影（UMAP）分析，研究人员发现卵巢癌、良性肿瘤和健康对照组的外泌体代谢物指纹具有显著差异。此外，研究人员还结合了人工神经网络（ANN）、决策树（DT）、K最近邻（KNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）等七种机器学习算法，筛选出具有诊断价值的生物标志物。

研究结果

临床特征与外泌体分离鉴定

研究纳入的卵巢癌患者中，89.2%为高级别浆液性卵巢癌，且多数处于晚期（III期和IV期）。通过透射电子显微镜（TEM）、纳米颗粒跟踪分析（NTA）和西方印迹（Western Blot）等技术，研究人员成功分离并鉴定出外泌体，其大小范围为50-150 nm，浓度为1.16×10⁹ EVs/mL。

外泌体代谢物指纹差异

通过UMAP分析，研究人员发现卵巢癌、良性肿瘤和健康对照组的外泌体代谢物指纹具有显著差异。在卵巢癌与良性肿瘤的比较中，19种代谢物表现出显著差异（FC=1.5，q<0.01），其中9-十八碳烯酰胺和1,4-甲基环十二碳烯显著升高，而麦芽醇（maltol）显著降低。在卵巢癌与健康对照组的比较中，158种代谢物表现出显著差异，其中4-氨基呋咱-3-羧酸、2-羟基-4-甲氧基苯甲醛、N-苯乙基和4-吗啉乙胺等代谢物在卵巢癌组中显著升高，而肼（hydrazine）和吡啶磺酰胺等代谢物显著降低。

代谢通路富集分析

研究人员进一步通过KEGG代谢网络数据库分析发现，卵巢癌组的外泌体中丁酸代谢通路显著上调，而碳水化合物代谢、脂质代谢、氨基酸代谢等其他代谢通路则显著下调。这些差异代谢物与癌症相关突变、免疫反应和代谢重编程密切相关，表明其具有作为诊断生物标志物的潜力。

机器学习模型构建与验证

通过机器学习算法，研究人员筛选出一系列具有诊断价值的外泌体代谢物生物标志物。在卵巢癌与健康对照组的比较中，随机森林（RF）模型的AUC值最高，达到0.91，F1分数为0.88。在卵巢癌与良性肿瘤的比较中，支持向量机（SVM）模型的AUC值最高，达到0.94，F1分数为0.80。这些结果表明，结合机器学习算法的外泌体代谢组学分析能够高效区分卵巢癌患者与健康对照者及良性肿瘤患者。

研究结论与讨论

本研究首次通过血浆外泌体代谢组学结合机器学习算法，筛选出一系列具有诊断价值的卵巢癌生物标志物。这些标志物与卵巢癌的代谢特征密切相关，能够有效区分卵巢癌患者与健康对照者及良性肿瘤患者。该研究不仅为卵巢癌的早期筛查和无创诊断提供了新的科学依据，还为未来基于液体活检的卵巢癌诊断技术开发奠定了基础。尽管研究取得了显著成果，但仍存在一些局限性，如样本量较小、早期卵巢癌样本稀缺等。未来的研究将扩大样本量，进一步验证这些生物标志物的诊断性能，并探索其在卵巢癌早期诊断和疾病监测中的应用潜力。