胃癌（GC）是全球癌症相关死亡率的重大负担，迫切需要开发早期检测策略和精准的术后干预措施。然而，用于早期诊断和患者风险分层的无创生物标志物的识别仍有待探索。2024年2月23日，清华大学胡泽平、哈尔滨医科大学韩鹏及中国医学科学院/北京协和医学院田艳涛共同通讯在Nature Communications 发表题为“Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer”的研究论文，本研究对来自多中心参与者的702份血浆样本进行了靶向代谢组学分析，以阐明GC代谢重编程。机器学习分析揭示了一种10代谢物GC诊断模型，该模型在外部测试集中进行了验证，灵敏度为0.905，优于利用癌症蛋白标志物的传统方法（灵敏度< 0.40）。此外，机器学习预后模型显示出优于利用临床参数的传统模型的性能，并有效地将患者分层为不同的风险组，以指导精确干预。总的来说，研究结果揭示了GC的代谢景观，并确定了两种不同的生物标志物，分别用于胃癌的早期检测和预后预测，从而促进GC的精准医疗。胃癌（GC）是世界范围内高度致命的癌症。早期诊断对于通过及时干预改善临床结局至关重要。然而，诊断GC的金标准，即内窥镜检查，具有侵入性和昂贵，限制了其临床应用。因此，迫切需要具有高灵敏度和特异性的非侵入性检测方法。此外，通过预后监测及时进行疾病管理有助于改善临床结果。目前，临床预后预测主要依赖于外科医生根据各种临床指征的经验判断，其准确性有限。因此，开发一种更精确的方法来预测患者的结局，并将其分为不同的风险组进行适当的干预至关重要。GC的遗传和环境危险因素都会导致代谢变化，并进一步促进肿瘤的发生和进展，作为一项系统分析，代谢组学提供了代谢状态的全面概况，反映了遗传-环境相互作用的最终结果。因此，它已被广泛用于破译代谢差异、发现生物标志物和确定各种疾病的潜在治疗靶点。先前的研究已经阐明了代谢组学在 GC 中的应用，识别预测胃癌发生、预后和腹膜复发的生物标志物。然而，这些研究中的大多数都遇到了局限性，因此，开发和完善适合临床应用的代谢生物标志物仍然势在必行。因此，对多个大型、特征明确的队列进行整体代谢组学分析对于识别和验证具有转化潜力的生物标志物至关重要。尽管代谢组学能够测量临床样本中存在的数百种代谢物，但复杂的数据处理和解释仍然是一个挑战。机器学习是一种广泛使用的人工智能（AI）方法，可自动分析生物医学科学许多领域的复杂数据。它具有独特的优势，特别是在解释组学数据、开发预测模型、识别生物标志物和为精准医疗对患者进行分层方面。然而，机器学习在分析GC代谢组学数据和开发潜在生物标志物方面的应用尚未得到充分探索，这凸显了进一步研究的巨大潜力。基于血浆代谢组的GC诊断机器学习预测模型（图源自Nature Communications ）本研究采用基于液相色谱-质谱(LC-MS)的靶向代谢组学方法分析了多中心胃癌患者和非胃癌对照(NGC)的血浆样本，共计702例参与者。利用代谢组学数据通过机器学习建立诊断模型，并在测试集1和测试集2进一步验证。值得注意的是，这种诊断方法优于利用癌症蛋白标志物的传统方法，以识别IA期和其他阶段的患者。此外，预后生物标志物组合显示出显著高于采用临床指征的传统方法的一致性指数(C-index)，提示在预测临床结局方面具有更好的性能。此外，基于模型的患者风险分层可以指导临床决策。综上所述，该研究证明了机器学习在分析代谢组学数据方面的优势，有助于胃癌的早期检测和精准医疗。参考消息：
https://doi.org/10.1038/s41467-024-46043-y
