基于细胞外囊泡来源转座子构建胰腺癌无创检测预测模型的开发与验证
4秒后播放：
母亲孕期压力对新生儿的影响：tRNA 片段家族及胆碱能通路的性别差异
来源：Biomarker Research 9.5
基于细胞外囊泡来源转座子构建胰腺癌无创检测预测模型的开发与验证
在癌症的世界里，胰腺癌（Pancreatic adenocarcinoma，PAAD）是一个极为棘手的存在。它就像隐藏在黑暗中的杀手，悄无声息地威胁着人们的生命健康。全球范围内，PAAD 约占所有癌症死亡人数的 5% ，而且大约 90% 的 PAAD 患者在确诊时已处于晚期，5 年生存率低于 13%。目前，临床上广泛使用的糖类抗原 19 - 9（Carbohydrate antigen 19 - 9，CA19 - 9）作为辅助诊断生物标志物，但其特异性和敏感性有限，难以满足早期诊断的需求。因此，寻找新的、更有效的 PAAD 诊断生物标志物迫在眉睫。
在这样的背景下，来自北京大学肿瘤医院的研究人员开展了一项极具意义的研究。他们将目光聚焦于细胞外囊泡（Extracellular vesicles，EVs）来源的转座子（Transposable elements，TEs），试图开发一种基于 EV - TEs 的生物标志物面板，用于 PAAD 的无创检测。
研究人员的这项研究发表在《Biomarker Research》杂志上，其成果为 PAAD 的诊断带来了新的希望。研究人员在开展研究时，运用了多种关键技术方法。首先，他们收集了两个队列，包括 284 名 PAAD 患者、100 名慢性胰腺炎（Chronic pancreatitis，CP）患者和 117 名健康对照者作为发现队列，同时将包含 150 名 PAAD 患者、49 名 CP 患者和 152 名健康样本的数据集作为外部验证队列。然后，对这些样本进行转录组测序，共处理了 852 个 EV 来源的转录组数据，并对每个 TE 进行了定量分析。最后，运用递归特征消除方法和三种机器学习算法，构建并评估预测模型。
下面来看看具体的研究结果：
筛选生物标志物
研究人员采用递归特征消除方法，在发现队列中进行分析，最终筛选出 31 个 EV - TE 特征，组成了生物标志物面板。这些特征中，部分已被报道在癌症中被激活，如 HERV1_I−int 在结肠腺癌中显著激活，LTR48B 在多种肿瘤类型中表达上调。而且，相关性分析显示这 31 个特征大多相互独立，为模型提供了独立的贡献。主成分分析也表明，基于该生物标志物面板能有效区分 PAAD 患者与 CP 患者和健康个体。
模型性能评估
研究人员使用支持向量机（Support Vector Machine，SVM）、逻辑回归（Logistic Regression，LR）和随机森林（Random Forest，RF）三种算法评估 EV - TEs 生物标志物面板的预测性能。将发现队列随机分为训练集（70%）和测试集（30%），在训练集中，SVM 模型表现出色，平均曲线下面积（Area under the curve，AUC）达到 0.90，Kappa 系数为 0.66；在测试集中，SVM 模型的平均 AUC 为 0.86。二元分类结果进一步证实了 SVM 模型区分 PAAD 与 CP 和健康对照的强大能力。
外部验证
为验证模型的可靠性，研究人员使用独立队列进行外部验证。受试者工作特征曲线（Receiver operating characteristic curve，ROC）分析显示，该模型区分 PAAD 与 CP 和健康对照的 AUC 值为 0.88。验证集的混淆矩阵也表明，模型成功将 150 名 PAAD 患者中的 125 名（83.3%）正确分类为真阳性，将 201 名健康个体中的 166 名（82.6%）准确识别为真阴性。
综合来看，这项研究构建了首个基于 EV - TEs 的 PAAD 检测预测模型，该模型在训练集、测试集和外部验证队列中均表现出良好的性能，为 PAAD 的无创检测提供了新的潜在生物标志物和诊断工具。不过，研究也存在一些局限性。例如，各队列间年龄分布存在差异，PAAD 组年龄大于对照组，这可能对模型性能产生混杂影响；而且缺乏患者的分期数据，限制了对生物标志物面板在检测早期 PAAD 患者方面生物学意义的解读。因此，未来还需要大规模、多中心的试验进一步验证该模型，以充分评估其在 PAAD 早期诊断中的性能，为临床实践提供更有力的支持。
请您填写留言
