使用机器学习进行综合血清糖谱分析,以进行胃肠道癌症的非侵入性早期检测
Yuichi Hisamatsu1, Kazuhiro Tanabe2, Kensuke Kudo1
1Department of Gastroenterological Surgery and Clinical Research Institute Cancer Research Division, National Hospital Organisation Kyushu Medical Center, Fukuoka, Japan.
Computational and structural biotechnology journal
|November 24, 2025
概括
使用先进的甘氨酸生物标志物和机器学习的非侵入性血液测试显示,在检测肠胃癌,如结肠直肠癌,胃癌和食道癌等方面具有很高的准确性. 这种新方法提供了一种具有成本效益和可扩展的替代侵入性查程序.
科学领域:
- 生物化学和分子生物学
- 在瘤学瘤学.
- 计算生物学和生物信息学
背景情况:
- 胃肠道癌症 (结肠直肠,胃,食道) 是全球癌症死亡的主要原因.
- 目前的诊断方法如内镜是侵入性的,昂贵的,并限制广泛的查.
- 早期检测对于改善胃肠道恶性瘤患者的治疗结果至关重要.
研究的目的:
- 开发一种非侵入性,基于血液的诊断方法来治疗胃肠癌.
- 将先进的甘氨酸生物标志物与机器学习相结合,以提高诊断准确度.
- 建立一个具有成本效益和可扩展的查替代现有的侵入性程序.
主要方法:
- 分析了来自296名结肠直肠癌,180名胃癌和42名食道癌症患者的血清样本,以及590名健康对照人群的血清样本.
- 液体染色学-质谱学确定了1688种富含糖 (EGP) 并量化了9种常规瘤标记物.
- 综合血清糖谱分析 (CSGSA) 将EGP和瘤标记物集成到神经网络诊断模型中.
主要成果:
- 两种特定的糖 (α1-抗素在Asn271,α2-宏球蛋白在Asn70) 被确定为高度癌症特异性的生物标志物.
- 综合神经网络模型实现了高的诊断准确性 (AUC为0.966的CRC,0.992的GC,0.995的EC).
- 该CSGSA方法在区分癌症类型方面表现出高准确性,包括早期疾病.
结论:
- CSGSA通过糖样化和机器学习在非侵入性胃肠道癌症诊断方面取得了突破.
- 这种方法提供了一个高度准确,成本效益高,可扩展的替代入侵性诊断程序.
- 需要进一步研究它在一般健康查计划中的潜在实用性.
