CD（IF=38）| 西湖大学郭天南等团队通过人工智能结合蛋白质组学辅助甲状腺结节良恶性判别

确定恶性甲状腺结节仍然是一个主要的诊断挑战。由于分析小样本的可行性和新一代测序的可承受性，基因组检测已使甲状腺结节的分子诊断成为可能，然而，迄今为止，它也仅限于基于核酸的检测。

2022年9月6日，西湖大学郭天南，李子青，新加坡国立癌症中心Narayanan Gopalakrishna Iyer及Oi Lian Kon共同通讯在Cell Discovery（IF=38）在线发表题为“Artificial intelligence defines protein-based classification of thyroid nodules”的研究论文，该研究报告了一种基于人工智能定义的蛋白生物标志物，其可用于甲状腺结节诊断分类。

该研究首先基于1724例回顾性队列福尔马林固定石蜡包埋（FFPE）甲状腺组织样本的蛋白质组，建立了19种蛋白质生物标志物的神经网络模型。该分类器在对恶性甲状腺结节的分类准确率超过91%。该分类器在288个结节的回顾性队列中通过盲法分析进行了外部验证(准确率89%；FFPE)和来自12个独立临床中心的294份FNA活检(准确率85%)的前瞻性队列。本研究表明，在多中心回顾性和前瞻性临床队列中整合高通量蛋白质组学和AI技术，有助于实现其他方法难以实现的精确疾病诊断。

影像技术的进步和自由筛查实践已在高达50%的普通人群中发现甲状腺结节，但其中只有一小部分 (7%–15%) 最终通过组织学证明是恶性的，甚至更小部分是临床相关。除了临床评估和超声检查，细针穿刺 (FNA) 继之以细胞病理学检查被认为是区分甲状腺肿瘤良恶性的最可靠的术前技术。然而，多达三分之一的甲状腺结节被FNA细胞病理学认为是不确定的，手术仍然是准确诊断的唯一选择。大多数甲状腺手术是为排除甲状腺癌而进行的诊断程序，其中 ≤ 25% 可实现任何治疗目的。部分或全部切除甲状腺的患者通常需要每天和终身的甲状腺素替代治疗和医疗监测。鉴于只有约10%的切除腺体被证明是恶性的，目前的临床方法会导致大量过度治疗，给原本可以保守治疗的患者带来不必要的手术风险。

辅助FNA-细胞病理学的分子检测主要关注手术前获得的抽取物的RNA表达或DNA突变谱，使用少量可扩增的RNA或DNA。基于核酸的分类器的开发已经经过了十年的卓越实践，跨越多个中心，使用各种技术。然而，基于核酸的检测有其固有的局限性，即需要具有未降解RNA的新鲜组织样本。此外，甲状腺肿瘤通常是惰性和非致命性的，很少有基因改变。虽然基于核酸的方法仍在不断完善，但显然需要替代方法来解决这种诊断困境。直到最近，基于蛋白质组学的分析还局限于大量的组织和新鲜/速冻样品。来自临床队列的数百个活检水平的组织样本的蛋白质型仍然无法用传统方法实现。研究人员开发了一种压力循环技术(PCT)协议，用于组织活检样本的蛋白质组学分析，该协议可以在最少数量的新鲜冷冻组织样本上进行。该方法最近被推广到从活组织水平的福尔马林固定、石蜡包埋(FFPE)组织样本中生成高质量的蛋白质组数据。

PCT制备的样品可以通过数据独立的采集质谱(DIA-MS)方法进行分析，从而在高通量下对活检水平的FFPE、新鲜冷冻甚至细胞病理(针穿刺活检)组织样本进行实用的蛋白质组学分析。该研究进一步表明，与RNA样本相比，临床样本中的蛋白质样本基本上不太容易自发降解。总之，在这项研究中应用PCT-DIA分析了来自超过1000例患者的组织样本，表明高质量的蛋白质型数据与机器学习方法相结合，确定了一个健壮的蛋白质标记，可用于甲状腺疾病的分层。

原文链接：https://www.nature.com/articles/s41421-022-00442-x

转自：“iNature”微信公众号

如有侵权，请联系本站删除！