首页 > 文章详情

Cell Rep Med: 基于机器学习的分析识别并验证用于结直肠癌诊断的血清外泌体蛋白质组学特征

09月05日

来源：CRC Daily

基于机器学习的分析识别并验证用于结直肠癌诊断的血清外泌体蛋白质组学特征

Machine learning-based analysis identifies and validates serum exosomal proteomic signatures for the diagnosis of colorectal cancer

Cell Reports Medicine

PMID:39168094 [IF= 11.7 ]

内容概要

血清细胞外囊泡(EVs)作为诊断结直肠癌(CRC)的非侵入性生物标志物的潜力仍不明确。研究人员采用了深度的4D-DIA蛋白质组学和机器学习(ML)流程，从37例参与者的发现队列的血清EV样本中，鉴定出用于CRC诊断的关键蛋白质PF4和AACT。在912例受试者中，PF4和AACT的检测结果优于传统生物标志物CEA和CA19-9。此外，他们开发了一个诊断效能最高的EV相关随机森林(RF)模型，在训练集和测试集的AUC值分别为0.960和0.963。值得注意的是，该模型对早期CRC以及CRC与良性结直肠疾病的鉴别具有可靠的诊断性能。此外，还采用多组学方法预测血清EV来源蛋白的功能和潜在来源。

今日评语

Cell Rep Med的这项研究确定了血清EVs中的关键蛋白质组特征，并建立了一个有前景的用于结直肠癌临床诊断的EV相关RF模型，为加强临床环境中 CRC 的早期检测和管理提供了有价值的工具。然而需要注意的是，该研究队列样本量不大，将来需要扩大样本以验证疾病、炎症和其他混杂因素对已识别标志物的影响。

致谢

浙江大学公共卫生学院张萌

对以上文章解读做出的贡献

题图来源于网络

Yin H, Xie J, Xing S, et al. Machine learning-based analysis identifies and validates serum exosomal proteomic signatures for the diagnosis of colorectal cancer. Cell Rep Med. 2024;5(8):101689. doi:10.1016/j.xcrm.2024.101689

免责声明：本平台旨在分享最新科研资讯，所载内容和意见仅供专业人士参考，不构成任何诊疗建议。在任何情况下，作者及作者所在团队不对任何人因使用本平台中的任何内容所致的任何损失负任何责任。本资料难以设置访问权限，若给您造成不便，还请见谅。若有转载需求，请在公众号后台留言。

特别声明: 本文属于医学专业文章，仅供医疗专业人员学术交流。不适合作为非专业人士疾病教育或科普用途。

排版编辑：肿瘤资讯-Lisa转载