期刊名称：Cell Reports Medicine
影响因子：11.7
期刊分区：JCR 1区/中科院1区
发表时间：2023年9月
作者单位：复旦大学附属肿瘤医院（上海）
相关疾病：上尿路上皮癌
样本类型：血浆、组织
相关产品：癌症研究一站式解决方案
其他信息：高危人群识别、生物标志物、预后预测
01.前言
今天，我们为大家带来一篇于2023年9月发表在《Cell Reports Medicine》（IF=11.7）上的前沿研究，标题为“Plasma proteomic profiling discovers molecular features associated with upper tract urothelial carcinoma”。该研究揭示了上尿路上皮癌（UTUC）患者的血浆蛋白质组特征，并发现了可用于识别肌层浸润性UTUC患者（MI-UTUCs）以及预测UTUC患者无进展生存期（PFS）的蛋白质生物标志物。这项研究不仅为UTUC的早期诊断提供了新的思路，更为个性化治疗提供了理论依据。
展开剩余88%02.研究背景
上尿路上皮癌（UTUC）包括输尿管癌和肾盂癌，是一类相对罕见但极具侵袭性的尿路上皮癌（UC）。约55%-59%的UTUC患者在诊断时已发展为预后较差的肌层浸润性UTUC（MI-UTUC）。目前，我们对于UTUC的分子发病机制知之甚少，且缺乏准确的生物标志物用于早期诊断和疾病分类。现有的诊断方法，如CT尿路造影、输尿管镜检，不仅侵入性强，还难以有效监测早期疾病进展，而尿检等非侵入性方法的准确性又较低。
近年来，血浆蛋白质组学技术已广泛应用于多种癌症研究，其临床样本易于收集，且能够提供丰富的生物信息。本研究通过整合组织-血浆蛋白质组学方法，识别了MI-UTUC的蛋白标志物并构建诊断模型，同时建立了预后进展时钟以预测患者的无进展生存期（PFS）。这一研究为UTUC患者的早期诊断和个性化治疗提供了新的希望。
03.研究样本
本研究共收集了690名研究对象的临床样本，包括451名UTUC患者和239名健康对照，分为发现队列和验证队列。样本类型包括血浆、尿液、组织和细胞外囊泡（EV）。具体的研究对象分组及样本分布如下：
（1）发现队列：362名UTUC患者（362例血浆，9例尿液，20例组织，33例EV）和239名健康对照（239例血浆，5例尿液，27例EV）。其中，UTUC患者进一步按肾盂（RPUC）或尿路（UUC）来源进行分类，包括163例RPUC，170例UUC，29例两者合并。
（2）验证队列：89名UTUC患者（89例血浆）。
04.研究思路
本研究采用横断面设计，随机招募了手术前未接受任何抗癌治疗的UTUC患者，对照组为年龄、性别和BMI与患者匹配的健康人群。所有UTUC患者均接受盲法处理，组织样本由三名专家进行组织病理学诊断。同时收集了患者的临床信息，包括肿瘤位置、肿瘤淋巴结转移（TNM）分期和血常规检查结果等。研究思路如下图所示：
图1 研究思路
05.研究结果
（1）UTUC与对照组间差异蛋白的功能定位
在UTUC患者的血浆样品中，共鉴定到8923种蛋白，其中234种为肾组织特异性蛋白，表明癌症相关蛋白的渗漏可能影响血浆组成。与对照组相比，UTUC组中鉴定到550个差异表达蛋白（DEPs）（图2A），主要参与tRNA氨酰化、脂肪酸降解和急性期反应等生物途径（图2B）。
对比血浆和组织的蛋白质组，相关性分析结果表明二者间呈显著正相关（图2C）。有234种蛋白仅在UTUC血浆中显著上调（图2D）。经过监督分析过滤，得到了21种血浆增强蛋白，其中9种与癌症相关（图2E），如CTSB和S100A8分别参与蛋白水解和细胞粘附的生物途径。如果您对癌症蛋白质功能定位感兴趣，我司全新推出的癌症研究一站式解决方案能够帮助您实现相应分析。
图2 UTUC与对照组的血浆蛋白质组差异
（2）不同类型样本的蛋白质组差异
与对照组相比，在UTUC患者的血浆和尿液样本中鉴定到29种共上调DEPs（图3A），这些蛋白主要参与tRNA氨酰化和蛋白水解途径（图3B）。此外，有6种DEPs在UTUC患者的血浆、尿液和组织样本中均上调（图3C），其中5种已被报道与膀胱尿路上皮癌的预后相关（图3D）。
研究还检测了60份从血浆来源的EV样本，发现血浆DEPs在两组EV样本中不一定有显著的表达差异。在UTUC患者的血浆和EV样本中，鉴定到18种共上调DEPs和9种共下调DEPs（图3E），前者可能是区分UTUC患者的潜在蛋白标志物。
图3 不同类型样本的组间差异蛋白
（3）建立血浆蛋白分类器以区分UTUC患者
基于UTUC患者与健康对照者的血浆DEPs，研究者筛选出差异倍数大于1.5的307种显著上调蛋白。并采用二元logistic回归方法，进行向后逐步回归，筛选出10个在UTUC与对照组间显著差异的DEPs，作为构建分类器的特征蛋白（图4A）。十折交叉验证结果显示，该分类器的受试者工作特征曲线（ROC）下的平均面积（AUC）为0.942（图4B），表明其具有较高的区分性能。进一步在验证队列中评估该分类器，得到AUC为0.925（图4C），显示出良好的预测潜力。如果您想要应用机器学习方法来构建区分模型，欢迎了解我司癌症研究一站式解决方案中的机器学习应用模块。
图4 UTUC血浆蛋白标志物的筛选与评价
（4）RPUC与UUC的血浆蛋白质组差异
比较RPUC和UUC分别与对照组间的DEPs，发现在RPUC组的580种上调蛋白中，有375种（64.6%）在UUC组也上调，这些蛋白主要富集于脂肪酸降解和细胞增殖等途径（图5A），证实了UTUC患者的细胞增殖和代谢障碍特征。
生存分析表明，UUC患者的预后较RPUC患者更差（图5B），因此对两组的血浆蛋白表达差异进行了比较。结果显示，组间共有284种DEPs（图5C），RPUC血浆中的上调蛋白主要参与细胞生长和脂肪酸氧化等途径，而UUC的上调蛋白主要富集于细胞间粘附和Hippo信号等途径（图5D），后者与不良临床结局相关（图5E），这也提示RPUC和UUC可能具有不同的致病机制。
图5 RPUC与UUC的血浆蛋白质组差异
（5）建立MI-UTUC患者的分类器模型
在发现队列中，研究者共收集了351名患者的癌症T分期信息，包括242例MI-UTUC（T2-T4分期）和109例NMI-UTUC（Ta-T1分期）（图6A）。分析结果显示，这两类患者组间存在42种DEPs，其中MI-UTUC组的DEPs主要富集于急性期反应、tRNA氨酰化和脂肪酸降解等生物途径（图6B）。
为了建立识别MI-UTUC患者的分类模型，研究采用了逐步logistic回归方法，筛选出两组间12个显著DEPs作为构建分类器的特征蛋白，该分类器的平均AUC为0.865（图6C）。随后，在验证队列中采用PRM对特征蛋白进行靶向验证，得到AUC值为0.75（图6D），表明该分类器有望成为区分MI-UTUC与NMI-UTUC的潜在预测模型。如果您想要进行癌症预后评估，我司可以为您提供癌症研究一站式解决方案，助力您实现相应分析。
图6 MI-UTUC患者的分类器模型及评价
（6）UTUC患者进展时钟
研究者分析了与UTUC患者生存预后相关的血浆蛋白，发现461种血浆蛋白与PFS呈显著正相关，365种血浆蛋白与PFS呈显著负相关（图7A）。通过单因素Cox比例风险回归模型和Lasso Cox回归方法，筛选出10种与PFS高度相关的蛋白（图7B）。将这些蛋白作为UTUC进展的预测因子，通过多因素Cox比例风险回归模型建立PFS评分，并将其作为进展时钟预测患者的进展时间。
分析结果表明，进展时钟在1、3、5年的AUC分别为0.742、0.816和0.877（图7C），表明该模型在预测更久远时间点的准确性更高。整合这10种蛋白构建列线图（图7D），其一致性指数为0.7387（图7E），决策曲线分析也该工具具有良好的临床实用性。使用PRM在验证队列中评估进展时钟的准确性，结果显示在1、3、5年的AUC分别为0.812、0.880和0.905（图7F），表明该工具可基于UTUC患者的血浆样本预测疾病进展时间。
图7 UTUC进展时钟的建立及评价
06.结论
这项研究使用了UTUC患者的血浆样本，分析了与基础病理特征和临床表现相关的蛋白质组变化，发现了与UTUC、MI-UTUC以及癌症进展相关的血浆蛋白标志物。研究还利用机器学习算法，构建了用于区分UTUC患者和正常人群的诊断分类器、识别MI-UTUC的潜在预测模型以及预测疾病进展的进展时钟。这些成果不仅有助于探索UTUC的发病机制，还为早期诊断UTUC和识别高危患者提供了新的工具。
07.总结
本研究应用综合的蛋白质组学方法，描绘了UTUC患者的血浆蛋白质组景观，具有以下亮点：
1.揭示差异蛋白的功能定位：发现了与癌症发展和转移相关的差异蛋白，为后续研究提供了新线索。
2.构建诊断和预测模型：开发了用于识别UTUC患者和MI-UTUC的分类器，以及预测疾病进展的进展时钟，优化了早期诊断和治疗干预。
3.提供个性化治疗依据：进展时钟模型有助于监测癌症进程，优化治疗决策。
然而，本研究也存在一些局限性：第一，研究设计为单中心的回顾性队列，可能导致潜在的选择偏倚，未来需要在多中心前瞻性研究中验证结果；第二，研究发现的某些特征蛋白可能不是肿瘤特异性的，而是来源于其他受影响的器官，蛋白和分类器都需要通过更多可靠的方法进行验证；第三，研究对于疾病机制的探讨不够深入，需要加强对生物学机制的研究，以更好地指导药物开发和临床治疗。
总体而言，本研究通过血浆蛋白质组学分析，揭示了UTUC的分子特征，并构建了多个预测模型以改善临床管理。这些成果为UTUC的诊断和疾病管理提供了重要参考，在未来的研究中应进一步验证其临床应用价值。
本研究中的蛋白质功能定位、机器学习建模、癌症预后评估等分析内容，均可通过我司全新推出的癌症研究一站式解决方案进行实现。高通量组学技术加持，实验数据和项目报告交付迅速，报告内容专业详尽，对标中科院2区文章（2024年最新见刊标准），售后服务体系完善。从方案设计到论文发表，为您提供全程专业支持，助力您发表高水平文章！
以上就是今天的全部分享内容，如有任何疑问，欢迎随时联系！如果您对癌症研究、癌症蛋白质功能定位、机器学习建模、癌症预后评估等方面感兴趣，我们可为您提供全方位的癌症研究一站式解决方案，包括方案设计、报告生成和论文发表等关键环节。我们致力于简化科研流程，为您提供全程科研服务，助您摆脱繁琐操作和耗时任务，为您的科研保驾护航！
文献原文：
Qu Y, Yao Z, Xu N, et al. Plasma proteomic profiling discovers molecular features associated with upper tract urothelial carcinoma. Cell Rep Med. 2023;4(9):101166. doi: 10.1016/j.xcrm.2023.101166.
发布于：湖北省配资正规网上股票配资提示：文章来自网络，不代表本站观点。
