综合蛋白质学和机器学习分析,以区分卵泡腺瘤和卵泡甲状腺癌与不确定的甲状腺结节
Hee-Sung Ahn1,2, Eyun Song3, Chae A Kim4
1Department of Convergence Medicine, Asan Institute for Life Sciences, Asan Medical Center, Seoul, Korea.
Endocrinology and metabolism (Seoul, Korea)
|April 10, 2025
概括
诊断卵泡甲状腺癌 (FTC) 是很困难的. 蛋白质组学和机器学习确定了蛋白质面板,以准确区分FTC与良性卵泡腺瘤 (FA) 和卵泡结节性疾病 (FND).
科学领域:
- 蛋白质组学是指蛋白质组学.
- 机器学习 机器学习
- 甲状腺癌的诊断 甲状腺癌的诊断
背景情况:
- 在手术前区分毛囊性甲状腺癌 (FTC) 与良性毛囊性腺瘤 (FA) 和毛囊结节性疾病 (FND) 是使用标准超声波和细胞学方法具有挑战性的.
- 目前的诊断方法缺乏可靠区分这些甲状腺疾病的特异性.
研究的目的:
- 使用全面的蛋白质组学和机器学习 (ML) 模型开发新的诊断生物标志物来分类FTC,FA和FND.
- 为了确定特定的蛋白质签名,可以准确地区分恶性FTC和良性甲状腺病变.
主要方法:
- 使用自下而上的技术,对202个甲状腺组织样本 (62个FND,72个FA,68个FTC) 进行了定量蛋白质学.
- 机器学习模型被训练在蛋白质组数据上,以识别不同的蛋白质面板来分类每个甲状腺亚型.
- 密切的频谱与频谱匹配被用于量化超过6300种蛋白质,发现780种蛋白质的表达方式不同.
主要成果:
- 机器学习模型确定了用于预测FND (5种蛋白质),FA (6种蛋白质) 和FTC (7种蛋白质) 的特定蛋白质面板.
- 随机森林模型表现出强大的分类性能,曲线下的面积 (AUC) 值为FND的0.832,FA的0.826,FTC的0.870.
- 在6332个量化蛋白质中,大约9%的蛋白质在三组甲状腺组织中表达不同.
结论:
- 量化蛋白质学方法与ML模型相结合,可以生成一个优化的多蛋白质面板,以区分FTC和良性甲状腺亚型.
- 这些蛋白质组策略在改善卵泡性甲状腺癌的差分诊断方面显著有前途.
