基于血清指纹的集成双奥米克机器学习,用于与子宫内膜异位症相关的卵巢癌
Man Zhang1, Yunqiang Zhang2, Yanchao Zhang1
1Department of Chemistry, Department of Gastroenterology and Hepatology, Zhongshan Hospital, Fudan University, Shanghai 200433, China.
Analytical chemistry
|October 16, 2025
概括
这项研究引入了一种采用功能化半孔纳米粒子合激光消耗/电离质谱法 (fMNPLDI-MS) 进行早期检测和子类型的子宫内膜异位症相关卵巢癌 (EAOC). 综合血清代谢指纹和血清指纹显著提高了诊断准确度.
科学领域:
- 生物化学 生物化学
- 分析化学 分析化学
- 在瘤学瘤学.
背景情况:
- 像子宫内膜异位症相关的卵巢癌 (EAOC) 这样的复杂疾病需要全面的分子洞察力.
- 单一的omics方法可能缺乏准确的早期检测和子类型的深度.
研究的目的:
- 开发和验证一个双主题平台,以加强EAOC的查和亚型.
- 整合血清代谢指纹 (SMF) 和血清指纹 (SPF) 以提高诊断性能.
主要方法:
- 开发一个功能化的半孔纳米粒子合激光消耗/电离质谱仪 (fMNPLDI-MS) 平台.
- 从微量血清样本中提取SMF和SPF的高通量提取.
- 机器学习算法的应用到集成的双电学数据进行分类和分类.
主要成果:
- 双奥米克整合策略在区分EAOC与良性对照时,获得了0.989的AUC和93.1%的准确性,超过了单个奥米克.
- 对于亚型分类,双奥米克产生的AUC精度为0.875和86.7%,超过了单个代谢和的AUC.
- fMNPLDI-MS平台能够快速分析 (在50秒内) 双体数据.
结论:
- 开发的高吞吐量fMNPLDI-MS双omics平台为EAOC早期选和亚型化提供了一个强大的工具.
- 整合代谢和指纹显著提高了EAOC的诊断能力.
- 这种方法为精确管理和早期检测卵巢癌铺平了道路.
