基于血清细胞外囊泡微生物组标记物的胰腺癌诊断机器学习模型：开启早期诊断新征程

《Scientific Reports》：Machine learning models for pancreatic cancer diagnosis based on microbiome markers from serum extracellular vesicles

胰腺癌（PC）早期检测困难，5 年生存率低。研究人员分析血清细胞外囊泡（EVs）微生物组标记物，运用 LASSO、逐步法及多种机器学习模型，在门和属水平筛选标记物构建模型。结果显示部分模型预测 AUC 超 0.95，为 PC 诊断提供新方向。

　　胰腺癌，这个 “癌症之王”，一直让医学界头疼不已。它极其善于 “伪装”，在早期几乎没有明显症状，等到患者察觉到身体不适时，往往已经发展到了晚期。目前，胰腺癌的 5 年生存率还不到 8%，主要原因就是缺乏有效的早期筛查手段。传统的检测方法，要么准确性不高，要么对患者身体有创伤，很难满足临床需求。在这样的困境下，科学家们一直在努力寻找新的突破点。

来自首尔国立大学等机构的研究人员，开展了一项极具意义的研究。他们将目光聚焦在血清细胞外囊泡（EVs）中的微生物组标记物上，试图通过这些微小的 “生物信号”，找到胰腺癌早期诊断的新方法。研究人员从 38 名胰腺癌患者和 51 名健康对照者的血液样本中获取 EVs 数据，经过一系列严谨的实验和分析，最终得出了令人振奋的结论：在门水平，利用逐步法筛选出的疣微菌门（Verrucomicrobia）、放线菌门（Actinobacteria）和变形菌门（Proteobacteria）这 3 种标记物，构建的深度神经网络（DNN）模型表现最佳，测试 AUC 达到 0.959；在属水平，通过最小绝对收缩和选择算子（LASSO）筛选出 11 种标记物构建的 DNN 模型表现优异，测试 AUC 高达 0.961。这一研究成果发表在《Scientific Reports》上，为胰腺癌的早期诊断带来了新的希望。

研究人员开展研究用到的主要关键技术方法如下：
样本采集与处理：从首尔国立大学医院获取胰腺癌患者信息及血液样本，从其他医院获取健康对照者数据，对样本进行筛选和处理，去除低序列计数样本和低丰度 OTU。
标记物筛选：运用 LASSO 回归和逐步法，在门和属水平筛选与胰腺癌相关的微生物组标记物。
模型构建：使用逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和 DNN 等机器学习模型，以年龄、性别和筛选出的标记物为变量构建预测模型，并通过网格搜索优化超参数。

研究结果如下：

• 样本选择与偏倚缓解：通过倾向得分匹配（PSM），对样本进行筛选，得到 38 例胰腺癌患者和 52 例健康对照者的样本，使两组在年龄和性别分布上无显著差异。
• 候选生物标志物筛选：在门水平，LASSO 回归选出 10 种标记物，逐步法 1 选出 Verrucomicrobia、Actinobacteria 和 Proteobacteria，逐步法 2 选出 Verrucomicrobia、Actinobacteria 和 Deferribacteres；在属水平，LASSO 回归选出 11 种标记物，逐步法 1 选出 Akkermansia、Propionibacterium 和 Burkholderia - Paraburkholderia，逐步法 2 选出 Lachnospiraceae NK4A136 group、Ruminococcaceae UCG - 013 和 Bacteroides123。
• 预测模型性能评估：在不同标记物集和模型组合下，各模型表现不同。总体而言，筛选标记物构建的模型比使用全部标记物的模型预测效果更好，部分模型在门和属水平的测试 AUC 超过 0.95。

研究结论和讨论部分指出，该研究利用 EVs 驱动的微生物组分析和机器学习方法，在胰腺癌诊断方面取得了高预测性能。研究确定了与胰腺癌相关的特定微生物分类群，如 Akkermansia muciniphila 和 Propionibacterium，但它们与胰腺癌的因果关系尚不明确。此外，研究存在样本量较小的局限性，需要更大的队列进行验证。尽管如此，该研究为胰腺癌的早期诊断提供了新的思路和方法，为后续研究奠定了基础，有望推动胰腺癌诊断技术的发展，改善患者的预后。